Fyra delar, en plattform.
Observation
I bygg och infrastruktur ser AI olika ut beroende på var i organisationen man tittar.
På de större bolagen lever ofta två AI-spår sida vid sida. Det ena är toppstyrt — någon på ledningen har upphandlat ChatGPT Enterprise eller Microsoft Copilot, åtkomst till alla, kort utbildning. Det andra är bottom-up — ett team har byggt en RAG-chatbot på SharePoint som svarar på frågor om kontrakt eller tekniska beskrivningar. Båda fungerar. Båda lever sitt eget liv.
På mindre och mellanstora bolag ser det annorlunda ut. Där är AI ofta ett individuellt initiativ. Någon har upptäckt ChatGPT, lärt sig prompta hyfsat, och börjat använda det dagligen. En kollega plockar upp tipset, försöker på sitt sätt. Användningen är spridd, fragmenterad, ojämn — och växande.
I båda mönstren används AI:n. I inget av dem är AI:n en del av hur organisationen jobbar.
Det är skillnaden de fyra delarna handlar om.
Översikt
Fyra olika nivåer av AI för organisationer idag. Resan mot de mer avancerade nivåerna är samtidigt en mognadsresa för hela verksamheten — och ett allt större värde från tekniken.
1. Grundläggande AI — individen får hjälp med en uppgift. Chatt, prompt, generering.
2. Operativ AI — AI:n hittar saker i organisationens egna dokument. Källhänvisade svar.
3. Avancerad AI — AI:n utför arbete i flera steg. Agenter, automatiseringar, körningar i bakgrunden.
4. Transformativ AI — system som lärt sig hur ni faktiskt arbetar. Specialbyggda förmågor, organisationsminne, AI som producerar utan att bli tillfrågad.
Få har alla fyra. De som har det har byggt det över tid, med människorna och arbetssätten som följt med.
Var befinner ni er idag? Och vad är nästa steg?
Del 1
ChatGPT, Claude, Gemini, Copilot. Du öppnar en chattruta, skriver en prompt, får ett svar.
AI som hjälper individen, just nu. En kalkylator skriver ett mejl. En projektledare summerar en lång mötesanteckning. En anbudsansvarig översätter en teknisk text.
Det här är var de flesta börjar. ChatGPT Enterprise eller Microsoft Copilot upphandlat på koncernnivå, åtkomst för alla, kort utbildning. Eller, på mindre bolag, en handfull individer som köpt egna licenser och använder dem dagligen. Användningen är ojämn — vissa bygger upp riktig vana, andra glömmer att de har tillgång. Den enskilda användarens skicklighet är hela värdet.
MIT:s NANDA-rapport från 2025 beskriver det så här:
General-purpose tools like ChatGPT excel for individuals because they're flexible, but they stall in enterprise use because they don't learn from or adapt to workflows.
MIT NANDA, 2025
Det är inte kritik. Det är vad den här delen av AI är till för. Generella modeller, generella uppgifter, individuell produktivitet.
Del 2
RAG — Retrieval-Augmented Generation. AI som söker i era egna dokument och svarar baserat på vad den hittar, med källhänvisning till sida och rad.
Det är där AI börjar prata med organisationen. En projekteringsledare frågar om en teknisk beskrivning och får svar med sidhänvisning. En platschef letar i ett kontrakt utan att öppna det. En anbudsansvarig hittar tidigare anbud på liknande projekt på sekunder.
Den vanligaste implementationen är en RAG-chatbot på SharePoint, OneDrive eller Google Drive. SharePoint Copilot är Microsofts variant. Glean, Notion AI och liknande verktyg hör till samma kategori. Tekniskt sett är det dokumentinbäddningar i en vektordatabas, semantisk sökning, och ett LLM-anrop som svarar baserat på de matchande utdragen.
Värdet ligger i hastigheten. Det som tog tjugo minuter tar tjugo sekunder. Den som hittade det här först i en organisation har förmodligen blivit deras AI-champion.
Varianter inom Operativ AI hanterar olika krav på precision. En generell RAG-chatbot på SharePoint hittar saker. En byggspecifik plattform förstår också AMA-koder och utvidgar sökningar automatiskt — ventilation hittar också VVS, V-ritningar, luftbehandling, AMA VVS & Kyl 22 / QJB.12. Det är vad som är byggt runt modellen som avgör.
Del 3
Agentisk AI. AI som tar initiativ. En orkestrator bryter ner en uppgift, anropar specialiserade agenter och era system, kör delarna parallellt eller i ordning, och returnerar resultat. Utan att någon klickar mellan stegen.
Skillnaden mellan att fråga och att delegera.
Branschen kallar det agentic AI och det är temat för 2025–2026. Alla stora plattformar bygger det. Anthropic publicerade Model Context Protocol (MCP) som standard för hur agenter ska tala med externa system. OpenAI lanserade sin Agent Builder. MIT NANDA-rapporten kallade det ”nästa fas av enterprise AI”.
I bygg ser det ut så här: en anbudsgranskning som tar 240 sidor och returnerar en compliance-tabell på fem minuter. Arbetsberedningar som sammanställs varje måndag morgon, baserade på väderprognos, kontraktsvillkor och tidigare projekt. ÄTA-identifiering som löpande granskar inkommande material mot kontraktet. AMA- och BBR-avstämning som körs på varje ny leverans utan att någon ber om det.
Tio uppgifter parallellt i bakgrunden. Teamen jobbar med resten.
Del 4
AI som lärt sig den specifika organisationen.
Specialbyggda förmågor — kallas ofta Skills — speglar exakt hur ni gör saker. En specifik granskning, en återkommande beräkning, ett arbetsflöde som någon bygger en gång och som sedan körs hundratals gånger på olika projekt. Skalbart inom organisationen, inte bara inom teamet.
Organisationsminne är hur AI:n håller koll på era projekt över tid. Varje nytt projekt indexeras automatiskt — fil för fil, kontrakt för kontrakt, parter och faser. När en kalkylator öppnar en ny anbudsförfrågan finns relevant historik redan aktiverad i sammanhanget. Inte som data att söka i, utan som kunskap som flödar in i kalkylen.
Och här blir det intressant: AI:n behöver inte vänta på att någon ber om något. Den kan triggas av schema (varje måndag morgon), av händelser (när en ny version laddas upp), eller av löpande övervakning (flagga avvikelser i inkommande material). När du sätter dig vid skärmen är hälften av jobbet ofta redan gjort — analysen ligger där, redo att granskas.
I praktiken betyder det att en kalkylator får decennier av tidigare projekt aktiverade i varje ny anbudsförfrågan. En KMA-chef har samma standard körande i tolv bolag, med Skills som någon byggt en gång och som sedan körs hundratals gånger.
AI är inte längre en tjänst som ni använder. Det är hur arbetet utförs.
Sammanställning
De fyra delarna gör olika saker. Tillsammans utgör de en organisations AI-mognad.
I praktiken finns delarna ofta i olika verktyg, från olika leverantörer, med olika säkerhetsmodeller och avtal. ChatGPT Enterprise eller Copilot för Grundläggande. SharePoint Copilot eller Glean för Operativ. n8n eller Zapier med LLM-noder för Avancerad. För Transformativ finns oftast inget standardverktyg — det byggs specifikt.
Det går att stapla. Men det är inte detsamma som att ha en plattform.
MIT-rapporten har en specifik observation: 95 procent av enterprise AI-piloter levererar ingen mätbar P&L-effekt. Men inom de 5 procent som lyckas finns ett tydligt mönster — organisationer som köper en specialiserad AI-plattform lyckas dubbelt så ofta som de som bygger eget. 67 procent jämfört med drygt 30. Det är inte ett argument mot egen utveckling. Det är ett argument för att hitta en partner som har gjort det förut, och som har en plattform där alla fyra delarna lever tillsammans.
Yesper
Alla fyra delarna i samma plattform. Generell AI, RAG mot era dokument, agentiska arbetsflöden, Skills och organisationsminne. Inbyggd förståelse för svenska byggstandarder. Allt under en säkerhetsmodell, ett kontrakt, ett företagsminne som växer ju längre ni använder den.
Och en partner för resan dit. Det är det vi kallar Applied AI.
Tjugo minuter på telefon eller video — ni beskriver var ni är, vi delar en första bedömning. Inget krav, inget förslag förrän vi vet om det är värt att gå vidare.
Boka samtal