Så använder Folq AI i produkt-utvecklingen

Som ett teknikbolag i en traditionell konsultbransch har vi på Folq omfamnat AI med öppna armar. Med målet att utveckla bättre tjänster – snabbare och mer effektivt än tidigare. En mycket konkret vinst är att vi nu kan genomföra en ännu bättre och mer träffsäker matchning mellan behov och rätt kompetens.

Helle Hoem Martinsen (produktdirektör) och Håvard Tegelsrud (teknikdirektör) berättar om sina erfarenheter och delar med sig av sina bästa råd till dig som vill ta tillvara på de möjligheter som AI erbjuder.

Vårt mål är att hitta de bäst kvalificerade konsulterna på marknaden. För att lyckas med det behöver vi onboarda många konsulter, utvärdera många för varje uppdrag och göra noggranna bedömningar. Även om vi länge har använt algoritmer i jakten på den perfekta matchningen, har vi tidigare lagt mycket tid på att läsa igenom CV:n och bedöma kandidater mot krav. Ofta finns det flera mycket bra matchningar, och skillnaderna mellan dem är små. Alla förtjänar en grundlig bedömning.

Med många processer i ett litet säljteam och höga kvalitetskrav har framväxten av LLM:er varit fantastisk för oss. Vi har nu egenutvecklade AI-verktyg, baserade på tredjeparts-LLM:er, som både förbättrar matchningen i synnerhet och effektiviserar interna säljprocesser i allmänhet. Vi har stärkt våra tjänster för både uppdragsgivare och konsultbolag.

När konsulter och konsultbolag registrerar sig hos oss använder vi en AI-stödd CV-parser för att fylla i profilen. Detta har vi gjort med hjälp av AI sedan slutet av 2023, men med nyare och bättre modeller har parsern blivit snabbare och levererar högre kvalitet än de första versionerna.

Konsultbolagen på plattformen får AI-stöd för att bedöma vilka konsulter som är en bra match mot utlysta uppdrag på Folq. Alla konsulter som anmäler intresse för ett uppdrag får AI-genererade rekommendationer kring vilken kompetens eller projekt­erfarenhet som bör framgå tydligare i CV:t. De konsulter vi presenterar för kunden får hjälp att fylla i kravmatriser där det behövs – en process som tidigare krävde mycket tid och kapacitet.

Med AI-baserad matchning kan vårt säljteam snabbare begränsa antalet aktuella kandidater och sedan använda tiden till att bedöma vilka de vill rekommendera till uppdragsgivaren. AI-verktygen kombinerar kravutvinning och kravtolkning med djupgående bedömningar av varje konsult mot kraven samt olika former av jämförelser. Det är fortfarande människor som kvalitetssäkrar urvalen och granskar CV:n, men de har betydligt bättre stöd än tidigare.

I utvecklingsarbetet är AI en integrerad del av vardagen, främst genom Cursor, som har blivit vår primära editor. För den som inte känner till Cursor kan den bäst beskrivas som en ”AI-native” editor där artificiell intelligens är central och där AI-agenter gör en stor del av grovarbetet. Vid sidan av Cursor har vi också experimenterat mycket med utmanare som Windsurf och Antigravity, samt testat terminalbaserade agentverktyg som Claude Code och Codex. Dessutom använder vi verktyg som Claude, Gemini och ChatGPT för ”rubberducking” kring komplexa tekniska frågor eller för att snabbt ta fram visuella prototyper.

Allt detta har gett oss en enorm produktivitetsboost och gör att vi nu kan fokusera på verkliga affärsproblem i stället för att lägga mycket tid på att skriva boilerplate-kod. Samtidigt förändrar det hur ett utvecklingsteam arbetar: vårt värde flyttas delvis från själva kodhantverket till arkitektur, domänförståelse och problemlösning. Hos oss har teamet verkligen omfamnat detta skifte, men det är en omställning som kräver nyfikenhet och en vilja att tänka helt nytt kring vad det innebär att vara en bra utvecklare.

Som nämnt har vi kraftigt förbättrat vårt arbete med säljprocesser genom produkten vi utvecklar, men vi använder också flera andra AI-verktyg. Till exempel får vi stort stöd av ett projekt i Claude för att analysera och kvalificera omfattande uppdragsbeskrivningar, särskilt från offentlig sektor. Det gör att vi mycket snabbt kan avgöra om vi ska investera tid i en process, och vi arbetar nu med att flytta denna logik direkt in i Folq-plattformen.

För större upphandlingar och marknadsbevakning använder vi Cobrief. I övrigt använder vi även AI-verktyg aktivt för att förbereda konsulter inför intervjuer och för att förbereda oss själva inför viktiga kundmöten.

Utöver de effekter vi redan har sett i vårt utvecklingsteam märker vi att funktionaliteten vi bygger sparar tid och kapacitet för våra slutanvändare. Generellt har vi fått mycket goda återkopplingar från konsulterna om att de får en grundlig bedömning av sitt CV i förhållande till uppdragen, samt bra stöd i att fylla i kravmatriser. Vissa nämner också att AI-bedömningen är till hjälp för att avgöra om man överhuvudtaget ska lägga tid på att svara på ett uppdrag.

Både användare och kunder drar nytta av vinsterna i vårt säljteam. Vi ser en kraftig minskning av tidsåtgången genom hela säljprocessen, och säljteamet har nu bättre möjligheter att följa upp både kunder, konsulter och samarbetspartners.

Säljteamet arbetar dessutom ännu tätare tillsammans med produktteamet än tidigare. Produktutvecklingen blir mer effektiv och inte minst roligare. Vägen till avklaringar är kort, och fler domänexperter bidrar aktivt i diskussionerna kring lösningar.

Vi ser också att vi vinner en större andel av de uppdrag vi levererar på. Det kan finnas flera orsaker till detta, men vårt säljteam upplever att de har mer tid att arbeta med kvalitet i varje enskild process, och det finns goda skäl att tro att detta bidrar till de positiva resultaten. En återkommande feedback från våra uppdragsgivare är att de upplever att de konsulter vi rekommenderar alltid är relevanta och träffar väl i förhållande till behovet. Det är otroligt roligt och en härlig bekräftelse på träffsäkerheten och precisionen i AI-matchningen. Och så är det värt att nämna att vår försäljningschef upplever att hon kan ”andas lite lugnare”. Det är en effekt som inte ska underskattas.

Vi har lärt oss att god användning av AI-teknik, precis som allt annat, kräver mognad. Man kan komma långt i många processer genom att ladda upp några dokument och ställa ett par frågor till ChatGPT, men det är inte nödvändigtvis den metod som ger hög effekt snabbt och över tid i en specifik process. Att använda AI på ett sätt som konsekvent ger hög kvalitet och sparar tid kräver god förståelse för de processer man vill förbättra – och för vad LLM:er faktiskt är bra på. Det kräver också att man tänker nytt kring arkitektur och infrastruktur. Vi har turen att sitta nära både målgruppen för verktyget och vårt säljteam, vilket gör att vägen till nyttig feedback och förbättringsförslag är kort.

Vi har också lärt oss att det är viktigt att skriva bra prompter. Begreppet ”prompt engineer” var lätt att le åt för några år sedan, men har blivit en viktig del av utvecklarnas vardag. Det är dessutom en uppgift som flera i teamet kan bidra till. Samarbete kring bra prompter kan stärka teamets gemensamma förståelse för de problem som ska lösas. Gränsen mellan produktägare som beställer och utvecklare som utför blir potentiellt mindre tydlig.

Vi märker även att vi måste arbeta annorlunda med UX. AI gör det möjligt att lösa välkända problem på nya sätt, vilket kan innebära helt andra användarupplevelser. Det kan i sin tur få konsekvenser både på databasnivå och för vilka affärsregler systemet behöver stödja.