Slik bruker Folq AI i produktutviklingen
Som et teknologiselskap i en tradisjonell konsulentbransje har vi i Folq omfavnet AI med begge hender. Med mål om å utvikle bedre tjenester – raskere og mer effektivt enn tidligere. En helt konkret gevinst er at vi nå kan utføre en enda bedre og mer treffsikker matching av behov med rett kompetanse.
Helle Hoem Martinsen (produktdirektør) og Håvard Tegelsrud (teknologidirektør) forteller om erfaringene og deler sine beste råd til deg som vil gripe mulighetene AI gir.
Hvordan har dere benyttet kunstig intelligens (AI) til å forbedre produkter og tjenester?
Vi skal finne de best kvalifiserte konsulentene i markedet. Da må vi onboarde mange konsulenter, vurdere mange for hvert oppdrag, og vi må vurdere dem grundig. Selv om vi alltid har vært hjulpet av algoritmer i jakten på den perfekte matchen, har vi brukt store mengder tid på å lese gjennom CVer og vurdere kandidater opp mot kravene. Det er ofte flere veldig gode matcher, og forskjellene mellom dem er små. Alle fortjener en grundig vurdering.
Med mange prosesser i et lite salgsteam, og høye krav til kvalitet, har fremveksten av LLMer vært fantastisk for oss. Vi har nå egenutviklede AI-verktøy, basert på tredjeparts LLM-er, som både forbedrer matchingen spesielt, og effektiviserer interne salgsprosesser generelt. Vi har forbedret tjenestene våre til både oppdragsgivere og konsulentselskaper.
AI i produktet
Når konsulenter og konsulentselskaper registrerer seg hos oss, bruker vi en AI-støttet CV-parser for å fylle ut profilen. Dette har vi gjort ved hjelp av AI siden slutten av 2023, men med nyere og bedre modeller, har denne parseren blitt raskere og leverer bedre kvalitet enn de første versjonene gjorde.
Konsulentselskapene på plattformen får hjelp av AI til å vurdere hvilke konsulenter som er en god match med utlyste oppdrag på Folq. Alle konsulenter som melder interesse for et oppdrag, får AI-genererte anbefalinger knyttet til hvilken kompetanse eller prosjekterfaringer som bør fremkomme tydeligere av CVen. De konsulentene vi leverer til kunden, får hjelp til å fylle ut kravmatriser der det er nødvendig, en prosess som tidligere har krevd mye tid og kapasitet.
Med AI-matching kan salgsteamet vårt raskere snevre inn antall aktuelle kandidater, og kan deretter bruke tiden på å vurdere hvilke av dem de vil anbefale til oppdragsgiveren. AI-verktøyene gir en kombinasjon av kravuthenting og tolkning av krav, grundige vurderinger av hver konsulent opp mot kravene, og ulike former for sammenligning. Det er fremdeles mennesker som kvalitetssikrer utvalgene og vurderer CVene, men de har mye bedre støtte i denne oppgaven enn de hadde tidligere.
AI i utviklingsprosessen
I utviklingsprosessen er AI en integrert del av arbeidsdagen, først og fremst gjennom Cursor, som har blitt vår primære editor. For de som ikke kjenner Cursor, kan det vel best beskrives som en “AI-native” editor der kunstig intelligens er helt sentralt, og der AI-agenter gjør veldig mye av grovarbeidet. Ved siden av Cursor har vi også eksperimentert mye med utfordrere som Windsurf og Antigravity, samt også lekt litt med terminalbaserte agent-verktøy som Claude Code og Codex. I tillegg bruker vi verktøy som Claude, Gemini og ChatGPT til “rubberducking” rundt komplekse tekniske spørsmål, eller for raskt å kaste opp visuelle prototyper.
Alt dette har gitt oss en vanvittig produktivitetsboost, og gjør at vi nå kan løse de faktiske forretningsproblemene, fremfor å bruke masse tid på å skrive boilerplate-kode. Samtidig endrer det mye på hvordan et utviklingsteam jobber: Verdien vår flyttes litt mer vekk fra håndverket rundt selve koden, til å i større grad handle om arkitekturen, domenet og problemløsingen. Hos oss har vi et team som virkelig har omfavnet dette skiftet, men det er en omstilling som krever nysgjerrighet og vilje til å tenke helt nytt om hva det innebærer å være en god utvikler.
AI i salgsprosessene
Som nevnt har vi vesentlig forbedret jobben vår med salgsprosesser gjennom produktet vi utvikler, men vi bruker jo også en del andre AI-verktøy. For eksempel får vi god hjelp av et prosjekt vi har satt opp i Claude for å analysere og kvalifisere omfattende oppdragsbeskrivelser, spesielt fra det offentlige. Dette gjør at vi lynraskt kan vurdere om vi skal investere tid i en prosess, og vi jobber nå med å flytte denne logikken direkte inn i Folq-plattformen.
For de store anbudene, og for markedsovervåkning, bruker vi Cobrief. Ellers bruker vi også AI-verktøy aktivt for å forberede konsulenter før intervjuer og til å forberede oss selv før viktige kundemøter.
Hva har dette gitt av effekt og konkrete gevinster?
I tillegg til de nevnte effektene i utviklingsteamet vårt, ser vi at funksjonaliteten vi lager sparer tid og kapasitet hos sluttbrukerne våre. Vi har generelt fått gode tilbakemeldinger fra konsulentene på at de får en grundig vurdering av cv-en sin opp mot oppdragene, og god hjelp til å fylle ut kravmatriser. Noen nevner at AI-vurderingen er nyttig for å beslutte om man overhodet skal bruke tid på å levere på oppdraget.
Både brukere og kunder nyter godt av gevinstene hos salgsteamet vårt. Vi ser en drastisk reduksjon av tidsbruk gjennom hele salgsprosessen, og salgsteamet har bedre tid til å følge opp både kunder, konsulenter og samarbeidspartnere.
Salgsteamet jobber også enda tettere med produktteamet nå. Produktutviklingen blir mer effektiv og ikke minst morsommere. Det er kort vei til avklaringer og flere bidrag fra domeneeksperter i løsningsdiskusjonene.
Vi ser også at vi vinner en større andel av de oppdragene vi leverer på. Det kan være flere grunner til dette, men salgsteamet vårt opplever at de har mer tid til å jobbe med kvalitet i hver enkelt prosess, og det er grunn til å tro at det bidrar til gode resultater. En tilbakemelding som går igjen fra oppdragsgiverne våre er at de opplever at konsulentene vi anbefaler alltid er relevante og treffer godt til behovet. Det er utrolig gøy og en deilig bekreftelse på AI-matchingens treffsikkerhet og presisjonsnivå. Så er det verdt å nevne at salgssjefen vår opplever at hun kan “puste litt mer med magen”. Det er en effekt man ikke skal undervurdere.
Hva er de viktigste læringene dere har gjort?
Vi har lært at god utnyttelse av AI-teknologi krever modning, som alt annet. Man kommer langt i enhver prosess med å sende inn noen dokumenter og et par spørsmål til ChatGPT, men det er ikke nødvendigvis den metoden som gir høy effekt raskt og over tid i en spesifikk prosess. Å bruke AI på en måte som gir høy kvalitet og sparer tid hver eneste gang, krever god forståelse av prosessene man skal forbedre og hva LLM-ene faktisk er gode på. Det krever også at man tenker nytt om arkitektur og infrastruktur. Vi er heldige som sitter tett på målgruppen for verktøyet og tett på salgsteamet vårt. Veien til nyttig feedback og forbedringsforslag er kort.
Vi har lært at det er viktig å skrive gode prompter. Betegnelsen “prompt engineer” var lett å smile av for noen få år siden, men det har blitt en viktig del av utviklernes arbeidshverdag. Det er dessuten en oppgave som flere i teamet kan ta på seg. Samarbeid om gode prompter kan utvikle teamets felles forståelse av problemene man skal løse. Skillet mellom produkteier som bestiller, og utviklere som utøvende, blir potensielt mindre.
Vi opplever også at vi må jobbe annerledes med UX. AI kan gjøre at kjente problemer kan løses på nye måter. Det gjør at brukeropplevelsen potensielt er helt annerledes, noe som kan få konsekvenser både på databasenivå og for hvilke forretningsregler systemet må støtte.
Hva er deres beste råd til andre som vil ta i bruk AI i produktutviklingen?
Husk at du fremdeles skal løse ekte problemer, og ofte skal du løse de samme problemene som tidligere. LLMer og andre AI-løsninger er bare nye verktøy i beltet. Når det er sagt, kan det være lurt å følge med på om kunder og sluttbrukere endrer sin atferd og sine behov fordi de selv tar i bruk AI. Det kan påvirke hvilke problemer du bør prioritere å løse for dem. Ikke være redd for å løsrive seg fra tidligere regler, brukerflyter og UI-design.
Sett deg inn i de reglene og retningslinjene som finnes. Vanlige retningslinjer for GDPR gjelder fortsatt. Tenk på hvike data du deler med hvem, og ikke del data med tredjeparter unødvendig. Forstå EUs AI Act. Tenk over hvordan innføring av AI i tjenesten eller produktet ditt påvirker beslutningene som tas.
Forstå hva modellene er gode på i din kontekst og hvor de har en tendens til å bomme. Vi så tidlig at det fikk konsekvenser for oss at LLM-ene ikke er like gode på tall og tid som de er på tekst. Hos oss fikk det betydning for hvordan vi prompter og hva vi velger å be AI om å løse for oss. Det er også velkjent at modellene kan ha biaser og halusinere. Test med flere forskjellige modeller og finn ut både hvilke styrker de har, og hvilke konsekvenser eventuelle svakheter får for nettopp din løsning.
Hvilke andre selskaper henter dere inspirasjon fra?
I tillegg til de selskapene vi har vært så heldige å få et innblikk i gjennom Folk i farta-serien vår, har vi lyst til å trekke fram noen selskaper som tidlig begynte å eksperimentere med AI, nemlig Lexolve, Tripletex og Ayfie. Vi hadde en felles delingssesjon med disse tidligere i år, som var veldig inspirerende. Vi nevnte tidligere at vi benytter Cobrief i anbudsprosesser. De bruker AI helt grunnleggende for å løse problemer for sluttbrukerne, og det er et selskap vi synes det er gøy å følge.