Styrning och EU:s AI-förordning

EU:s AI-förordning för små och medelstora företag: en praktisk styrningsplan

EU:s AI-förordning är inte bara en juridisk fråga för stora leverantörer. En praktisk plan för små och medelstora företag: inventering, riskklassificering, mänsklig kontroll, transparens, leverantörsunderlag och disciplin vid införandet.

9 min läsning

Designmönster med människan i loopen för AI-arbetsflöden

Mänsklig granskning är inte en vag säkerhetsfilt. En praktisk guide för att avgöra vad människor ska godkänna, stickprovsgranska, revidera, eskalera eller aldrig delegera i AI-arbetsflöden.

Mer i detta ämne

8 min läsning

Idempotens, omförsök och mänskliga kontrollpunkter för n8n AI-noder

AI-noder misslyckas på andra sätt än CRUD-API:er. Utforma omförsök, idempotensnycklar, mänskliga kontrollpunkter och loggning i n8n så att ett instabilt modellanrop inte skickar dubbla mejl eller hoppar över granskningen.

8 min läsning

OpenClaw: tillåtelselistor, parning och säkra gruppomnämnanden

Kanaltillåtelselistor, DM-parning och regler för omnämnanden i grupper är den verkliga säkerhetsgränsen för OpenClaw, eftersom verktygen kan omfatta skal, filer och webbläsare. En praktisk checklista för nedlåsning.

6 min läsning

Rösten i telefonen låter bekant: att känna igen AI-stödda bedrägerier

En lugn, praktisk guide till nödsituationer med klonade röster, meddelanden där någon utger sig för att vara någon annan, förfalskat medieinnehåll och AI-förfinade bedrägerier – med en familjeplan för verifiering som fungerar även när förfalskningen ser eller låter övertygande ut.

Ny inom AI

17 minuter

12-Factor Agents: mönster för tillförlitliga LLM-applikationer – Dex Horthy, HumanLayer

AI Engineer. Dex Horthy förklarar varför tillförlitliga agentsystem till största delen består av disciplinerad programvara runt några få LLM-anrop: äg prompten, äg kontextfönstret, håll kontrollflödet deterministiskt och använd verktygsanrop för att kontakta människor när arbetsflödet kräver en bedömning. Det motsvarar direkt artikelns mönster för godkännande, undantag och eskalering.

18 minuter

AWS re:Invent 2025 – implementera kontroller med människan i loopen för AI-system med flera agenter (CNS428)

AWS Events. Den här korta presentationen namnger de affärssituationer där mänsklig kontroll behövs: beslut med stora konsekvenser, oåterkalleliga åtgärder, regulatoriska krav, faser för att bygga förtroende, tvetydiga gränsfall och kontrollerad degradering. Den visar även konkreta implementeringsmekanismer som MCP-eliciteringar, väntan på återanrop i Step Functions och godkännandenoder.

56 minuter

AI-agenter inom ekonomi med HPE:s ekonomichef (CFO)

CXOTalk. HPE:s ekonomichef Marie Myers beskriver införandet av agentbaserad AI (företagets plattform ”Alfred”) i en ekonomiavdelning med 3 600 medarbetare och den disciplin som artikeln förespråkar: en modell för direkt kontra indirekt avkastning, beslutspunkter som avgör om varje användningsfall fortsätter eller stoppas, obligatoriska kvalitetskontroller med människan i processen och mått på arbetsflödesnivå, till exempel en veckovis granskningsprocess där det manuella arbetet minskade med omkring 90 %. Införandet mäts som förändrat arbete, inte som inloggningar i verktyget.

30 minuter

EU:s AI-förordning förklarad: gör regelefterlevnad till en konkurrensfördel | Carme Artigas

MSP GLOBAL. Carme Artigas ledde rådets förhandlingar som resulterade i AI-förordningen och förklarar den här för leverantörer av hanterade tjänster genom vilka många små och medelstora företag köper AI-system. Hon går igenom den tidsplan som gällde enligt dåvarande bedömning, från uppförandekoden för GPAI i augusti 2025 till en milstolpe för bedömning av överensstämmelse i augusti 2026, och diskuterar leverantörsdokumentation. Senare flyttade [AI-omnibuspaketet, förordning (EU) 2026/1744](https://eur-lex.europa.eu/legal-content/EN/TXT/?uri=OJ%3AL_202601744) de relevanta högriskkraven i kapitel III till den 2 december 2027 för system enligt bilaga III och den 2 augusti 2028 för system enligt bilaga I. Arbetet med inventering, leverantörsunderlag och ansvar är fortfarande användbart, men videons datum är historiska.

9 min läsning

AI-avkastning och mognad: så mäter du ett införande som faktiskt fungerar

AI-införande bör inte mätas efter hur många som har provat ChatGPT. Ett praktiskt ramverk för att mäta arbetsflödets avkastning, kvalitet, risk, mognad och beredskap för skalning.