Sluta bygga fler agenter. Börja med MCP.

En agent för inköp. En för ekonomi. En för kundservice. Och kanske ytterligare en för lagret.

Det är lätt att fastna i tanken att varje nytt sätt att använda AI kräver en ny, specialbyggd lösning. Men språkmodellerna förändrar förutsättningarna. Moderna modeller blir allt bättre på att förstå vad användaren vill, välja rätt verktyg och kombinera information från flera källor.

Därför tror vi att många företag behöver börja i en annan ände.

I stället för att bygga en ny AI-agent för varje problem bör vi göra det affärssystem vi redan har tillgängligt för AI.

Där spelar Model Context Protocol, MCP, en central roll.

Model Context Protocol, förkortat MCP, är en öppen standard för hur AI-applikationer kommunicerar med andra system och verktyg. Tänk på det som ett gemensamt gränssnitt mellan AI och företagets system.

En MCP-server kan till exempel göra utvalda funktioner i SAP tillgängliga för en AI-assistent. Det kan handla om att hämta en kundorder, kontrollera lagertillgängligheten, läsa en leveransstatus eller granska en leverantörsfaktura.

När användaren ställer en fråga väljer AI-modellen vilka av verktygen som behövs, anropar dem och använder resultatet i sitt svar. Då behöver modellen inte förlita sig på det den lärde sig när den tränades, eller på det användaren klistrar in i en chatt. Den arbetar med aktuell information från företagets egna system.

MCP ersätter inte SAP:s API:er, era integrationer eller er affärslogik. En bra MCP-lösning bygger vidare på dem och gör dem tillgängliga för AI på ett sätt som går att återanvända.

Det är just återanvändningen som gör tekniken så intressant.

En av de mest intressanta möjligheterna med MCP handlar inte om automation. Den handlar om användarupplevelsen.

Affärssystem som SAP är kraftfulla och rymmer stora mängder funktionalitet. Men de kan också vara svåra att använda, särskilt för den som är ny i organisationen eller inte arbetar i systemet varje dag.

En erfaren SAP-användare vet vilka transaktioner, vyer och fält som behövs för att lösa ett problem. Den kunskapen tar lång tid att bygga upp. För en ny medarbetare kan även en enkel fråga kräva hjälp av en mer erfaren kollega.

Med AI och MCP behöver användaren inte veta exakt hur informationen ska hämtas. Det räcker att beskriva på vanlig svenska vad som ska göras. Assistenten hittar informationen, förklarar sammanhangen och guidar genom arbetet.

Det kan betyda kortare introduktion för nya medarbetare, färre interna supportfrågor och mindre tid i systemets menyer. Även erfarna användare blir effektivare när de slipper växla mellan transaktioner och sammanställa informationen själva.

Vi behöver inte nödvändigtvis göra affärssystemen enklare. Vi kan göra dem enklare att använda.

Med rätt lösning arbetar användaren dessutom inom sina befintliga behörigheter i affärssystemet. AI blir ett nytt sätt att använda funktioner som personen redan har rätt till, inte en genväg till mer åtkomst. Det ställer krav på att rollerna och behörigheterna verkligen är rätt utformade.

Ja, i vissa fall. Men vi tror att behovet är mindre än många föreställer sig.

När modellerna var sämre på att resonera behövdes ofta specialbyggda agenter, med detaljerade instruktioner och färdiga arbetsflöden, för att resultatet skulle bli tillförlitligt. I takt med att modellerna blivit bättre på resonemang och på att använda verktyg har förutsättningarna förändrats.

En modern AI-assistent med tillgång till väldefinierade verktyg klarar ofta många olika frågor och uppgifter, utan att varje scenario byggs som en egen agent.

Det betyder inte att specialiserade lösningar saknar värde. Ibland motiverar särskilda instruktioner, ett eget gränssnitt eller ett komplext arbetsflöde en egen lösning. Men innan vi bygger något bör vi ställa oss en fråga.

Behöver vi verkligen bygga något nytt, eller kan vi lösa behovet genom att ge en befintlig AI-assistent tillgång till rätt funktioner?

Ofta är det senare både enklare och mer hållbart på sikt.

Det finns en annan skillnad som ibland försvinner i diskussionen om AI-agenter.

Anta att ett företag vill gå igenom alla öppna inköpsorder klockan 07.00 varje morgon, hitta möjliga leveransproblem och skicka en rapport till inköpsavdelningen. Är det ett jobb för en självständig AI-agent? Förmodligen inte.

Ett vanligt automatiserat flöde kan starta på en bestämd tid, hämta informationen från affärssystemet och göra de kontroller som är bestämda i förväg. Där något kräver tolkning, som en leverantörs meddelande i fritext, kan AI vara en del av flödet.

1. AutomationFlödet startar klockan 07.00.
2. AutomationDet hämtar alla öppna inköpsorder från affärssystemet.
3. AutomationDet jämför leveransdatum och bekräftelser mot affärsreglerna.
4. AIAI läser leverantörernas meddelanden i fritext och bedömer vad de betyder.
5. AIAI skriver en sammanfattning av det som behöver följas upp.
6. AutomationRapporten går till inköpsavdelningen.

Automationen står för det förutsägbara, som schemaläggning, datahämtning, affärsregler och kontroller. AI används där den verkligen tillför något, för förståelse, tolkning, analys och språk. Resultatet blir ofta enklare att testa, övervaka och förvalta än en helt självständig agent.

Vår utgångspunkt är enkel. Använd AI när uppgiften behöver intelligens. Använd vanlig automation när uppgiften behöver upprepas. Kombinera dem när det behövs.

Det är lätt att bli imponerad av AI-agenter som klarar komplexa uppgifter på egen hand. Men för många företag tror vi att den största nyttan kommer från något betydligt mer vardagligt.

• Att en ny medarbetare snabbare förstår en kundorder.
• Att en inköpare lättare ser vilka leveranser som behöver följas upp.
• Att en ekonom kan undersöka en avvikelse utan att först leta sig igenom flera delar av affärssystemet.
• Att erfarna medarbetare lägger mindre tid på att leta information och mer tid på att använda sin kunskap.

Det kräver inte fler specialbyggda AI-agenter. Det kräver att vi kopplar ihop modern AI med systemen där verksamhetens information och processer redan finns.

Sluta börja med frågan om vilken AI-agent ni ska bygga. Börja med frågan om vad AI skulle kunna göra om den hade rätt tillgång till ert affärssystem.