AI-agenten som ger key account managers 4–5 timmar om dagen tillbaka

Kunden — ett affiliatenätverk — är anonymiserad i den här texten. Problemets form och lärdomarna är ändå så pass allmängiltiga att jag misstänker att du känner igen ditt eget företag i dem.

Tidigare i år byggde jag en AI-agent tillsammans med teamet på ett affiliatenätverk i Stockholm. Uppdraget lät nästan för enkelt: key account managers la större delen av arbetsdagen inte på att förvalta sina konton, utan på att samla ihop informationen de behövde för att kunna förvalta sina konton. Idag sköter en agent den insamlingen. Varje account manager får 4–5 timmar om dagen tillbaka.

Problemet: jobbet före jobbet

En key account manager på ett affiliatenätverk sitter mellan partners — annonsörerna och publicisterna som får nätverket att fungera — och nätverkets egna system. Innan det egentliga jobbet kan börja, att ge en partner råd, upptäcka ett problem, förbereda en genomgång, måste bilden först sättas ihop: siffror ur interna system, statusar som ska kollas, det som hänt sedan sist som ska korsrefereras och sys ihop till något att agera på.

Inget av det där hopsättandet är omdömesarbete. Allt var manuellt. Och det var det första varje account manager gjorde varje dag — vilket betydde att de dyraste personerna i den kommersiella organisationen la dagens största block på copy-paste-logistik.

Mönstret finns överallt när man väl ser det. Sales engineers gör det före demos. Customer success gör det före kvartalsgenomgångar. Analytiker gör det innan någon ens hunnit ställa en intressant fråga. Jag har börjat kalla det jobbet före jobbet — och det är, enligt min erfarenhet, det allra bästa första målet för en AI-agent: arbetet är repetitivt, källorna är kända och resultatet går att kontrollera.

Vad agenten faktiskt gör

Agenten sköter insamlingen. Den har verktygsåtkomst till systemen som account managers redan använde — och när en account manager behöver bilden av en partner sätter agenten ihop den: de relevanta siffrorna, de senaste förändringarna, det som är värt att reagera på. Account managern börjar dagen med en färdig bild i stället för en tom, ställer följdfrågor på vanlig svenska, och lägger sin tid på den del av jobbet som faktiskt kräver en människa: relationen och omdömet.

Lägg märke till vad agenten inte gör. Den skickar inga meddelanden till partners. Den ändrar ingenting i något system. Den läser, sammanställer och skriver utkast; människan beslutar och agerar. Den gränsen var ett medvetet designval, inte en teknisk begränsning — och den är en stor del av förklaringen till att utrullningen fungerade.

Hur den byggdes — den övergripande versionen

Jag går inte in på kundens system, men bygget följde en form jag numera använder i varje uppdrag av det här slaget:

1. Skugga användarna först. Innan en rad kod skrevs satt vi med account managers och skrev ner de faktiska frågor de besvarar under en dag, och var varje svar kommer ifrån. Den listan — inte ett modellval — blev specifikationen.
2. Ge agenten verktyg, med läsrättigheter. Agenten fick verktygsåtkomst till samma källor som människorna använde, med enbart läsbehörighet. Read-only är inte bara säkrare; det förändrar samtalet med säkerhet, IT och användarna från "vad kan gå fel?" till "i värsta fall läser den något och har fel — som en nyanställd."
3. Bygg eval-sviten av verkliga frågor. Frågorna från steg ett, med kända korrekta svar, blev en graderad testsvit. Varje ändring i agenten — prompt, verktyg, modell — kördes mot den. När agenten misslyckades med ett ärende i verkligheten åkte det ärendet in i sviten. Eval-sviten är specifikationen, regressionstestet och acceptanskriterierna i ett.
4. Bygg på plats, med deras team. Kundens egna utvecklare byggde agenten tillsammans med mig. Vid lansering satt integrationsmönstren och felmoderna i deras huvuden, inte i mitt — vilket är hela poängen. De äger systemet nu.
5. Iterera där den fallerar, inför användarna. Första versionen hade fel som bara account managers kunde se. Eftersom de varit med sedan steg ett rapporterade de felen i stället för att tyst överge verktyget — det öde som drabbar de flesta interna AI-lanseringar.

Fem lärdomar som går att flytta

1. Arbetsflödet slår modellen

Nästan ingen av projektets svårighet låg i modellvalet. Arbetet var att förstå ett arbetsflöde tillräckligt djupt för att kunna lämna över det till en agent: vilka källor, i vilken ordning, och hur "rätt" ser ut. Team som börjar i "vilken LLM ska vi använda?" börjar i det minst viktiga beslutet.

2. Evals från dag ett — annars är det magkänsla

Utan en graderad uppsättning verkliga frågor blir varje iteration en diskussion om anekdoter. Med en blir förbättring en siffra. Detta är den enskilda vana jag skulle behålla om jag tvingades släppa allt annat.

3. Read-only först köper dig utrullningen

En agent som bara kan läsa är lätt att godkänna, lätt att lita på och lätt att felsöka. Skrivrättigheter kan komma senare, arbetsflöde för arbetsflöde, när agenten förtjänat dem.

4. Bygg med användarna, inte åt dem

Account managers var inte intressenter att visa demos för; de var medbyggare. Det är därför adoptionen kom. Ingen överger ett verktyg de själva varit med och format.

5. Överlämningen är produkten

Ett konsultformat beroende är ett misslyckande. Uppdraget är klart när kundens team kör evals, läser övervakningen och bygger vidare på agenten utan mig. Det är vad "äga systemet" betyder, och det ska stå i definitionen av klart från första dagen.

Resultatet — och vad det egentligen är värt

4–5 timmar om dagen per account manager är rubriken, och det är en verklig effekt som syns i kalendern. Men den intressantare förändringen är kvalitativ: dagen börjar numera i omdömet, inte i insamlingen. Vad ett företag gör med de återvunna timmarna — fler partners per account manager, djupare arbete per partner — är en strategifråga, och en betydligt bättre fråga att diskutera än "kan AI hjälpa oss?"