Du ska ta fram en presentation för företaget. Du vet att informationen finns någonstans, men inte riktigt var. Ligger den i Confluence eller SharePoint? Finns den i ett mejl från för tre månader sedan, eller är det en kollega som sitter på svaret?
Du söker, frågar runt och hittar till slut tre olika dokument med motstridiga uppgifter.
Känns det bekant?
Splittrad kunskap mellan olika system är ett av de mest skadliga, men samtidigt mest förbisedda, problemen i dagens organisationer
Att kunskap är utspridd i olika system är en av organisationers mest underskattade utmaningar. Det leder sällan till någon akut kris, men kostar tid och produktivitet varje dag. Team lägger timmar på att göra om sådant som redan har gjorts, beslut fattas på ofullständigt underlag och värdefull kompetens försvinner när medarbetare slutar.
Det är här Context Engineering kommer in. Det handlar om att strukturera kunskap från olika källor så att både människor och AI får tillgång till korrekt, tillförlitlig och aktuell information när de behöver den.
Vad är Context Engineering?
En vanlig första tanke är att skapa en gemensam källa till sanning och samla all information i ett centralt system. I praktiken är det sällan genomförbart och ofta inte heller nödvändigt.
Context Engineering handlar inte om att samla allt på ett ställe. Målet är att rätt och tillförlitlig information ska finnas tillgänglig i rätt sammanhang, precis när en medarbetare eller ett AI-system behöver den.
Hur når man dit? I praktiken utvecklas arbetet ofta genom fyra steg:
Svara: AI hittar relevant information och ger konkreta svar.
Lära: Feedback och nya insikter förbättrar successivt det informationsunderlag som AI har tillgång till.
Ge råd: AI använder informationen för att ta fram rekommendationer och förslag.
Agera: Med rätt styrning och tydliga begränsningar kan AI utföra specifika uppgifter på användarens uppdrag.
Steg 1: Svara
Många organisationer brottas med samma problem som Wageningen University & Research: informationen finns utspridd på tiotusentals webbsidor, och sökverktygen ger så många träffar att användaren själv måste avgöra vad som är relevant.
Lösningen ligger i sammanhanget.
För att kunna ge användbara svar behöver AI förstå vilken information som är viktig. I stället för att bara söka efter nyckelord analyseras innehållet utifrån betydelse, syfte och sammanhang.
Tänk dig någon som söker information om en öppet hus-dag. Personen vill kanske veta:
När äger dagen rum?
Var hålls den?
Hur anmäler jag mig?
Vad kan jag förvänta mig under dagen?
När AI kan förtydliga användarens avsikt och ta hänsyn till vad personen faktiskt vill veta blir det lättare att hitta relevant information och ge bättre svar.
Resultatet blir en sökupplevelse där relevans går före mängden träffar, så att besökarna snabbare hittar den information de behöver.
Steg 2: Lära
Varje interaktion med AI ger nya ledtrådar om vilket sammanhang som behövs.
När någon söker information om en öppet hus-dag säger frågorna till exempel något om personens avsikt. Genom att analysera mönster i tusentals interaktioner över tid kan AI använda insikterna för att förbättra det informationsunderlag som finns i bakgrunden.
På så sätt blir systemet bättre på att förstå vem som ställer frågan, var personen befinner sig i sin process och vilken information som sannolikt hjälper hen vidare.
Samma princip kan användas internt genom en så kallad company brain: en gemensam ingång till organisationens samlade kunskap, även när informationen finns i olika system. Projektuppdateringar, mötesanteckningar, beslut som kommunicerats via mejl och andra viktiga underlag blir sökbara och tillgängliga utan att behöva samlas på en enda plats.
Det här är särskilt värdefullt när erfarna medarbetare slutar. Kunskap som byggts upp under flera år behöver inte försvinna med dem. Genom att fånga upp viktiga beslut, erfarenheter från projekt och lärdomar från tidigare arbete kan organisationen behålla värdefull kunskap även när personerna bakom den har gått vidare.
Steg 3: Ge råd
Tänk dig en organisation inom barnomsorg som behöver hålla koll på förändringar i lagar och regler.
Medarbetarna kan behöva lägga flera timmar på att följa uppdateringar på olika webbplatser, samla in information, granska dokument och bedöma om befintliga riktlinjer behöver uppdateras. Det är ett tidskrävande arbete som snabbt kan bli övermäktigt.
Med rätt informationsunderlag kan AI ta hand om en stor del av arbetet:
Samla löpande in information från offentliga källor.
Bedöma om förändringar kan påverka befintliga riktlinjer.
Hitta relevanta interna dokument.
Föreslå uppdateringar med en tonalitet som passar organisationen.
Medarbetarnas roll förändras då från att själva samla in och analysera all information till att granska, bearbeta och godkänna resultatet.
AI ger råd. Människor fattar besluten.
Vad innebär det här för er organisation?
Leta efter arbetsprocesser där medarbetare lägger mycket tid på att samla in, jämföra och bedöma information innan de kan fatta beslut.
Det är ofta lämpliga områden för AI att göra en första bedömning eller lämna en rekommendation, samtidigt som det slutliga beslutet ligger kvar hos en människa.
Steg 4: Agera
I det sista och mest avancerade steget börjar AI också utföra uppgifter.
Det innebär inte att AI får fria händer. Systemet arbetar inom tydligt definierade gränser och följer fastställda regler och rutiner för styrning och kontroll. De här skyddsmekanismerna är avgörande och får aldrig behandlas som valfria.
För att AI ska kunna utföra uppgifter på ett tillförlitligt sätt krävs tre grundförutsättningar:
Tydliga behörigheter: Det måste vara klart vilka åtgärder AI-agenten får och inte får utföra.
Mänsklig kontroll: Någon måste ha ansvar för att granska och godkänna åtgärder eller ingripa när det behövs.
Förtroende: Tilliten byggs upp stegvis när AI visar att den kan svara, lära och ge användbara råd på ett tillförlitligt sätt.
Förtroende uppstår inte över en natt. Det växer i takt med att informationsunderlaget blir bättre och systemet gång på gång visar att det fungerar som tänkt.
Var ska ni börja?
Börja med att identifiera arbetsuppgifter som tar oproportionerligt mycket tid.
Var lägger teamet timmar på att leta efter information, sammanställa rapporter eller göra samma analyser om och om igen? När ni har hittat de områdena är nästa steg att förstå och dokumentera hur arbetet faktiskt går till. AI kan förbättra en välfungerande process, men kan inte på egen hand lösa problemen i en process som redan brister.
Först därefter är det dags att avgöra var AI passar in. Vilket av de fyra stegen motsvarar era behov och ambitioner bäst: att svara, lära, ge råd eller agera?
Det första användningsområdet behöver inte vara särskilt ambitiöst.
Välj en tydligt avgränsad process där tillförlitlig information kan göra mätbar skillnad och bygg vidare därifrån. Det kan handla om AI-stödd sökning, en gemensam kunskapsingång för organisationen eller någon annan lösning som hjälper er att svara, lära, ge råd eller agera.
Kom framför allt ihåg att det inte räcker med att göra information tillgänglig. Ni behöver veta vem som ansvarar för respektive källa, hur informationen hålls aktuell och vilka källor AI får använda. I slutändan beror kvaliteten på resultatet på kvaliteten i det informationsunderlag som AI arbetar med.
Grunden avgör hur långt ni kan nå
Om ni undersöker vad Context Engineering kan innebära för er organisation kan ni börja med att kartlägga era informationskällor, arbetsprocesser och ambitioner med AI.
Det ger en tydligare bild av vilken information som behövs och var en första implementering sannolikt kan göra störst nytta.
För organisationer som vill bygga upp den här förmågan erbjuder vi Bonzai, vår samlade AI-plattform för integrationer, styrning och orkestrering av AI. Plattformen ger den tekniska grund som behövs för att bygga ett informationslager som kan växa med verksamheten och uppfylla krav på regelefterlevnad och styrning.
