Därför bygger Svenska spel en egen AI-agent: ”Vänta inte på den perfekta lösningen”

Vilka var de största tekniska utmaningarna?

– Den största utmaningen var inte själva språkmodellen, utan att skapa en lösning som fungerar i vår verklighet. Agneta behöver förstå verksamhetens begrepp, hämta rätt information, hantera data på ett säkert sätt och ge svar som är användbara för medarbetarna, säger Lovisa Ekman till Techtidningen.

– En annan viktig utmaning var att bygga lösningen tillräckligt smalt i början. Det är lätt att vilja att en AI-agent ska kunna allt direkt, men då ökar både komplexitet och risk. Vi har därför arbetat stegvis: börja med tydliga användarfall, testa kvaliteten, säkra datakopplingarna och först därefter skala.

Hur säkerställer ni att agenten förses med rätt data och att den håller hög kvalitet?

– Vi börjar alltid i behovet och i den data som faktiskt krävs för att lösa uppgiften. För oss är det avgörande att agenten inte bara “har tillgång till mycket data”, utan till rätt data, med rätt semantik och rätt styrning.

– Kvaliteten säkras genom flera lager: kontrollerade datakällor, tydligt avgränsade användarfall, tester mot kända frågor och svar, samt verifiering med de verksamhetsexperter som faktiskt ska använda lösningen. Vi följer också upp hur agenten används och justerar när vi ser fel, osäkerhet eller nya behov.

– Det här är en del av vårt bredare AI Enablement-arbete, där teknisk plattform, datalager, semantik, governance och verksamhetsnära adoption måste hänga ihop. I våra interna underlag beskriver vi just detta som en kombination av “AI Factory” och “AI Adoption” – teknik och förändring tillsammans.

Får AI-agenten fatta några egna beslut eller måste allt granskas och godkännas av en människa?

– Nej, Agneta fattar inte egna affärsbeslut. Den fungerar som ett stöd för analys, insikt och rekommendationer. Människan är fortsatt ansvarig för beslut, prioritering och åtgärd.

Det är en viktig princip för oss. AI ska hjälpa oss att bli snabbare, mer träffsäkra och mer datadrivna, men vi automatiserar inte bort ansvar. Särskilt i vår bransch, där spelansvar, kundintegritet och förtroende är centralt, behöver vi vara tydliga med var AI får agera självständigt och var människan alltid ska vara med i loopen.

Svenska spels lösning har utvecklats i nära samverkan mellan CRM-verksamheten och techorganisationen. CRM-teamet har bidragit med domänkunskap, arbetssätt och praktiska krav, medan techorganisationen har ansvarat för AI-arkitektur, agentlogik och teknisk utveckling.

Ni beskriver ett nära samarbete mellan olika avdelningar på företaget, vad var viktigast för att lyckas med detta?

– Det viktigaste var att inte behandla Agneta som ett rent teknikprojekt. För att skapa värde behövde vi samla domänkunskap, dataexpertis, teknik, juridik, compliance och de medarbetare som förstår det praktiska arbetet.

– Vi har lärt oss att AI inte skalar genom att ett centralt team bygger lösningar åt alla andra. AI skalar när affären äger behoven och prioriteringarna, samtidigt som centrala team stöttar med teknik, säkerhet, metodik och återanvändbara komponenter. Det ligger också i linje med vår AI-modell framåt: AI-initiativ, utbildning, support och acceleration, där verksamheten och AI Enablement jobbar tillsammans för att skapa mätbar effekt.

På sikt ser Svenska Spel möjligheter att bygga vidare med fler funktioner, exempelvis stöd för innehållsproduktion, aktivering och uppföljning. Ambitionen är att skapa en tydligare feedbackloop där AI-agenten inte bara hjälper till att ta fram kommunikation, utan också bidrar till lärande kring vad som faktiskt fungerar.

Vilka är de viktigaste effekterna av att Agneta används?

– Den viktigaste effekten är att fler kan komma närmare data och insikter i vardagen. Det sänker tröskeln för analys och gör det enklare att ställa frågor, utforska samband och fatta bättre beslut.

– På sikt handlar det om tre saker: högre effektivitet, bättre beslut och bättre kundupplevelse. När medarbetare snabbare får tillgång till relevanta insikter frigörs tid från manuell informationssökning och rapportering. Den tiden kan i stället användas till analys, prioritering och förbättring av kundmötet. Det kopplar direkt till vår affärsplan, där AI, modernisering och datadrivna arbetssätt lyfts som viktiga delar i transformationen framåt.

Har du några tips till andra CIO:er som vill komma igång med agentisk AI?

– Mitt första tips är att börja smalt, men tänka skalbart. Välj ett konkret problem med tydlig nytta, bra datagrund och rimlig risknivå. Bygg inte en generell “superagent” som första steg.

– Mitt andra tips är att lägga lika mycket kraft på arbetssätt som på teknik. Agentisk AI kräver nya sätt att tänka kring ansvar, processer, kvalitet, risk och uppföljning. Det är ofta där den verkliga utmaningen ligger.

– Mitt tredje tips är att se AI som en organisatorisk förmåga, inte som ett enskilt verktyg. Det behövs plattform, data, säkerhet och governance, men också utbildning, förändringsledning och tydligt ägarskap i verksamheten. Och till sist: vänta inte på den perfekta lösningen. Börja där ni har verkliga behov, mät effekten och lär er snabbt. Det är så man går från pilot till faktisk förmåga, säger Lovisa Ekman.