Bygg en intern kunskapsbas som folk faktiskt använder

De flesta företag har redan en kunskapsbas. Problemet är att den ligger utspridd i Sharepoint, Google Drive, mejltrådar och i huvudet på tre seniora medarbetare som snart går i pension. Vi på PEYS har byggt flera interna AI-assistenter åt kunder i Eskilstuna och Mälardalen, och mönstret är tydligt. Tekniken är sällan problemet. Det som avgör om en kunskapsbas lever eller dör är hur den byggs, vem som äger den och om någon faktiskt frågar efter att folk ska använda den.

Varför de flesta kunskapsbaser dör

En klassisk intern wiki dör av tre anledningar. Den är för svår att uppdatera, så innehållet blir snabbt inaktuellt. Den är för svår att söka i, så folk googlar hellre externt eller frågar en kollega. Och ingen äger den efter lanseringen, så den tappas bort i nästa omorganisation.

En AI-driven kunskapsbas löser det andra problemet direkt, sökningen. Men om du inte löser ägarskap och uppdatering samtidigt bygger du bara en snyggare variant av samma problem. Det är därför vi alltid börjar med att fråga vem som ska äga innehållet innan vi pratar teknik.

Vad RAG betyder i praktiken

RAG står för retrieval augmented generation, men glöm akademin. I praktiken fungerar det så här: när någon ställer en fråga söker systemet först igenom era egna dokument och hittar de mest relevanta styckena. Sedan skickas de styckena till en AI-modell tillsammans med frågan, och modellen formulerar ett svar baserat på just det underlaget.

Skillnaden mot en vanlig chatbot är att AI:n inte gissar utifrån allmän kunskap från internet. Den svarar utifrån era faktiska rutiner, avtal och manualer. Det gör svaren mer korrekta, men det betyder också att resultatet aldrig blir bättre än de dokument ni matar in. Garbage in, garbage out gäller fullt ut här.

För den som vill gå djupare in i hur vi bygger sådana lösningar har vi samlat flera exempel under [vad vi gör](/vad-vi-gor).

Vilka källor ska faktiskt vara med

Det lockar att mata in allt. Gör inte det. Börja med de dokument som faktiskt besvarar frågor folk ställer varje vecka: interna policyer, produktspecifikationer, kundavtal, onboarding-material och vanliga supportärenden. Det är bättre att ha 200 dokument som är korrekta och uppdaterade än 2000 där hälften är gamla utkast.

Gör en första gallring tillsammans med de som faktiskt äger innehållet, inte bara IT. Frågorna att ställa är enkla: Är detta dokument aktuellt? Finns det en nyare version någon annanstans? Är det här något vi vill att en AI-assistent ska kunna svara på utan mänsklig granskning? Allt som är juridiskt känsligt eller under ständig förändring bör hållas utanför till en början.

Datakvalitet avgör hela resultatet

Den vanligaste orsaken till att en intern AI-assistent ger fel svar är inte modellen, det är dokumenthanteringen bakom. Om samma rutin finns beskriven i tre olika versioner på tre olika platser kommer systemet ibland plocka fel version. Städa bort dubbletter och gamla filer innan ni bygger sökindex, inte efter.

Sätt också en rutin för uppdatering. Vem ansvarar för att ladda upp nya versioner av policydokument? Hur ofta körs en genomgång av vad som ligger i kunskapsbasen? Utan ett svar på de frågorna faller kvaliteten tillbaka efter några månader, precis som den gamla wikin.

Behörigheter: rätt person ska få rätt svar

En AI-assistent som svarar på frågor om lönedata eller kundavtal måste respektera samma behörigheter som era vanliga system. Annars riskerar ni att en säljare av misstag får se HR-information, eller att en praktikant får detaljer ur ett sekretessbelagt avtal.

Det tekniska svaret är att koppla sökningen till befintliga behörighetsgrupper i till exempel Microsoft 365 eller Google Workspace, så att assistenten bara hämtar information användaren redan har tillgång till. Bygg aldrig en gemensam kunskapsbas där alla kan fråga om allt, om era underliggande dokument har olika känslighetsnivåer. Det är enklare att dela upp i flera avgränsade kunskapsbaser per avdelning än att försöka reparera behörigheter i efterhand.

Hur ni mäter om den faktiskt används

De flesta interna kunskapsbaser mäts aldrig, och det är exakt varför de dör i tystnad. Sätt upp enkla mått från dag ett: antal aktiva användare per vecka, antal frågor som faktiskt ställs, och hur ofta svaren markeras som hjälpsamma eller inte. Om siffrorna sjunker efter en initial topp är det ett tydligt tecken på att innehållet eller gränssnittet behöver ses över.

Fråga också supportteamet om antalet interna frågor till dem minskar. Det är det bästa indirekta beviset på att folk hittar svar själva istället för att fråga en kollega. En kunskapsbas som faktiskt används syns i statistiken, inte bara i en presentation vid lanseringen.

Att bygga en sökbar, säker och levande kunskapsbas handlar lika mycket om struktur och ägarskap som om AI-teknik. Vi på PEYS hjälper företag i Eskilstuna och övriga Sverige att gå från spridda dokument till en AI-assistent som folk faktiskt öppnar varje vecka. Vill du se hur det skulle se ut hos er, [kontakta oss](/vad-vi-gor) så tittar vi på era källor tillsammans.