Kunskapsdelning, Produktinformation, AI

Så bygger ni en intern kunskapsbas för teknisk produktinformation

En praktisk guide för industriföretag, grossister och tekniska leverantörer som vill göra sin tekniska dokumentation snabbare och enklare att använda.

När ett företag har 20 produkter är produktinformationen sällan ett problem, men företag med 100 eller 1000+ produkter/komponenter/variationer blir situationen en annan. Informationen finns ofta redan någonstans i:

• Produktblad, kataloger, datablad

• Installationsanvisningar, säkerhetsdatablad

• Prislistor, excel-filer, leverantörsdokumentation

• gamla dokument och interna instruktioner

📌 Notering: Utmaningen är alltså inte brist på dokumentation, utan på en samlad, sökbar plats där alla snabbt hittar rätt underlag.

Det kan handla om att en säljare får en fråga från en kund, kundservice behöver kontrollera en specifikation eller att en nn nyanställd behöver förstå skillnaden mellan två produkter.

Den här guiden visar hur ni kan bygga en intern kunskapsbas där medarbetare snabbt hittar och använder företagets tekniska information, med eller utan AI.

Innehåll

1. Vad är en intern kunskapsbas?2

2. Varför blir produktinformation svår att hitta?3

3. Börja inte med AI4

4. Stegen: Hur ni kan göra detta idag, steg 1:5

5. Ett enkelt exempel6

6. Hur mycket tid kan det faktiskt spara?7

7. När är en AI-assistent rätt lösning?8

8. Checklista: är ert företag redo för en intern kunskapsbas?9

9. En enkel första implementation10

10. Vanliga misstag11

Vad händer med företagets befintliga kunskap?12

Case: Stockholmsbaserad grossist (NDA, anonymiserad)13

Slutsats14

Vill du testa hur det skulle kunna fungera?1

Vad är en intern kunskapsbas?

En intern kunskapsbas är helt enkelt en samlad plats där medarbetare hittar den information de behöver för att göra sitt jobb.

Produkt X
Produktblad · Teknisk specifikation · Monteringsanvisning · Vanliga frågor · Relaterade produkter

Eller betydligt mer avancerat:

Medarbetare: Vilken modell rekommenderas om kunden behöver 400 V och en kapacitet på minst 15 kW?

System: Modell X200 uppfyller kraven. Kapacitet: 18 kW. Spänning: 400 V.
Källa: X200 Technical Datasheet, sida 4.

💡Tänk på kunskapsbasen som ett internt "Google" för era produkter där allt viktigt material är samlat, strukturerat och går att lita på.

Det senare är där AI blir intressant, men den viktiga poängen är att AI är inte själva kunskapsbasen. AI är ett sätt att göra kunskapen enklare att använda.

2. Varför blir produktinformation svår att hitta?

Det börjar ofta ganska oskyldigt. Ett företag lanserar en ny produkt, ett nytt PDF-dokument läggs in, en leverantör skickar en uppdaterad manual.

Efter några år har företaget hundratals eller tusentals dokument, utspridda över SharePoint, OneDrive, Google Drive, servrar, e-post, produktkataloger, Excel, leverantörers hemsidor, CRM, affärssystem och personliga mappar, ibland i flera versioner av samma dokument.

Det skapar ett problem som är lätt att underskatta: Informationen finns, men den är inte lättillgänglig.

Personalen börjar då använda genvägar. Man frågar kollegan, eller söker i gamla mejl. Ibland testar man Google eller ringer leverantören. När erfarna medarbetare som "alltid vet" dessutom slutar blir problemet plötsligt väldigt tydligt.

3. Börja inte med AI

Det här är kanske det viktigaste rådet i hela guiden.

Försök inte lösa ett informationsproblem genom att lägga AI ovanpå dålig information.

Om företaget har gamla dokument, dubbla versioner, otydliga filnamn, saknade produktnummer, felaktiga specifikationer eller dokument som motsäger varandra kommer AI inte magiskt fixa det. Det kan tvärtom göra problemet svårare att upptäcka.

"Om en ny medarbetare behövde hitta svaret på en teknisk kundfråga, var skulle vi vilja att personen letade?"

Börja därför med frågan ovan & sedan bygger ni strukturen kring det.

4. Stegen: Hur ni kan göra detta idag, steg 1:

Börja enkelt med att skapa en lista över de informationskällor ni använder idag.

💡Tips: Börja med de källor som säljare och kundservice använder dagligen, det är där ni snabbast ser effekt. Försök inte strukturera allt på en gång. Börja med det personalen faktiskt behöver i vardagen.

Ett bra första test: ta de 20 vanligaste tekniska frågorna säljare och kundservice får, till exempel:

• Vilken produkt passar för X?

• Vilken dimension har X?

• Klarar produkten temperatur Y?

• Vilken modell ersätter den gamla modellen?

• Är produkten kompatibel med X?

• Vad är maxbelastningen?

• Hur installeras den?

• Vilka tillbehör behövs?

• Finns produkten i lager?

• Vad är skillnaden mellan modell A och B?

För varje fråga: var hittar ni svaret idag? Det ger snabbt en bild av hur informationshanteringen faktiskt fungerar.

När ni vet var informationen finns är nästa steg att skapa ordning. Det behöver inte vara perfekt, men några enkla regler hjälper mycket.

Steg 2: Använd tydliga filnamn.

Dåligt: final_version2_ny.pdf
Bättre: Produkt-X200_Tekniskt-datablad_2026.pdf

💡Tips: Bestäm en enkel namngivningsstandard (t.ex. Produktkod_Dokumenttyp_ÅÅÅÅ-MM) och använd den konsekvent i hela organisationen.

Undvik onödiga dubbletter. Om fem versioner av samma produktblad ligger kvar behöver ni veta vilken som är aktuell.

Separera informationstyper, till exempel:

Produkter
├── X200
│   ├── Produktblad
│   ├── Manual
│   ├── Installation
│   └── FAQ
├── X300
│   ├── Produktblad
│   ├── Manual
│   └── Installation

Exakt hur mapparna ska se ut varierar från företag till företag. Poängen är inte den "perfekta" mappstrukturen, utan att en medarbetare ska kunna förstå den.

Steg 3: Bestäm vilka frågor systemet ska kunna svara på

Det här steget glöms ofta bort & man kanske tänker "vi vill kunna söka i alla våra dokument". Det är bättre att fråga:

"Vilka beslut och frågor ska informationen hjälpa personalen med?"

En teknisk säljare kanske behöver veta vilken produkt de ska rekommendera, medan kundservice kanske behöver veta artikelnumret.

Alla behöver information, men på olika sätt. Skapa därför en frågelista, till exempel:

Produktval: Vilken produkt passar för X? Vad är skillnaden mellan A och B? Vilka alternativ finns?

Teknik: Vilken kapacitet har produkten? Vilka dimensioner gäller? Vilken temperatur klarar den?

Installation: Hur installeras produkten? Vilka tillbehör krävs?

Dokumentation: Var finns manualen? Vilket datablad gäller?

📌 Key Takeaway: Frågorna ni vill kunna besvara är grunden för både struktur, sökning och en eventuell AI-assistent.

Steg 4: Gör informationen sökbar

Nu kan ni börja förbättra själva sökningen. Det enklaste är traditionell sökning där man skriver "X200" och systemet hittar dokument där det förekommer. Det fungerar bra, men har begränsningar.

En användare kanske istället skriver: "Vilken produkt kan användas utomhus i temperaturer ner till -20 grader?" Dokumentet innehåller kanske inte exakt den formuleringen, och istället stå "Operating temperature: -20°C to +45°C".

En vanlig textsökning missar då sambandet och det är här semantisk sökning blir intressant.

Steg 5: Lägg AI ovanpå sökningen

Med modern AI kan systemet förstå innebörden av frågan, söka fram relevanta delar av dokumentationen och formulera ett svar. Det kallas ofta RAG — Retrieval-Augmented Generation.

För att förenkla det, föreställ dig: medarbetaren ställer en fråga → systemet söker i företagets dokumentation → relevanta delar hittas → AI:n får dessa som underlag → AI:n formulerar ett svar → systemet visar källan.

Fråga: Vilken temperatur klarar X200?

Svar: X200 är specificerad för drift mellan -20 °C och +45 °C.
Källa: X200 Technical Datasheet, sida 4.

💡Tips: Låt alltid AI-svaret åtföljas av klickbara källor, så att ni snabbt kan verifiera detaljer i originaldokumentet. Det är en betydligt bättre användning av AI än att låta en chatbot "gissa" vad produkten klarar.

Steg 6: Se till att AI:n inte hittar på

Det här är avgörande när informationen är teknisk och kritisk. En AI kan generera ett övertygande svar även när den inte vet och det är inte acceptabelt när svaret handlar om säkerhet, tekniska specifikationer, kompatibilitet, installation, kemiska egenskaper, elektriska specifikationer, belastning, etc.

Därför bör systemet ha tydliga regler. Några enkla exempel på regler:

• Om informationen finns: svara utifrån dokumentationen och visa källa.

• Om flera produkter passar: visa alternativen och skillnaderna.

• Om informationen saknas: säg att informationen saknas. Gissa aldrig.

Steg 7: Testa systemet med riktiga frågor

Innan hela organisationen använder systemet bör ni testa det och inte bara med frågor ni redan vet svaret på. Ta riktiga frågor från säljare, kundservice, tekniker, support, tidigare mejl, telefonsamtal, offerter och reklamationer. Skapa ett test med exempelvis 50 frågor och bedöm varje en:

5. Ett enkelt exempel

Tänk dig en grossist med 4 000 produkter. En kund ringer:

"Jag behöver en produkt som klarar 400 V, ungefär 15 kW och ska användas i en miljö med hög luftfuktighet. Vad rekommenderar ni?"

Utan bra sökning öppnar säljaren produktkatalogen, söker efter produkter, öppnar datablad, jämför modeller, letar efter rätt specifikation, kanske ringer teknikansvarig och återkommer till kunden. Det kan ta 5–15 minuter.

Med en bra intern kunskapsbas skriver säljaren frågan rakt av, och systemet svarar:

Två produkter matchar kraven:

X200 — 400 V, 18 kW, IP65
X250 — 400 V, 22 kW, IP66

X250 har högre kapslingsklass och är därför det starkare alternativet om den höga luftfuktigheten är avgörande.

Källor: X200 Technical Datasheet, sida 3. X250 Technical Datasheet, sida 4.

📌Takeaway: AI:n ersätter inte säljarens omdöme, utan kortar bara tiden från fråga till underlag. Säljaren kan sedan kontrollera källan och fortsätta dialogen med kunden.

6. Hur mycket tid kan det faktiskt spara?

Det här bör varje företag räkna på själva. Ett räkneexempel:

5 personer söker efter teknisk information, var och en gör 15 sökningar per dag, och varje sökning tar i genomsnitt 3 minuter.

5 × 15 × 3 = 225 minuter per dag, alltså 3 timmar och 45 minuter. Över 20 arbetsdagar blir det 75 timmar per månad.

💡Tips: Räkna inte bara timmar, koppla tiden till affärsvärde: snabbare offerter/återkopplingar, färre fel & bättre kundupplevelse.

Det betyder inte att alla de timmarna automatiskt "sparas". Personalen kommer fortsätta att prata med kunder, bedöma lösningar, kontrollera information, skriva offerter och samarbeta med kollegor. Alltså, även om en intern kunskapsbas bara minskar den onödiga informationssökningen med en del av tiden kan effekten bli betydande.

Mät därför innan ni bygger. Mät till exempel genomsnittlig tid att hitta svar på 20 vanliga frågor och jämför sedan med samma frågor efter implementation. Det ger ett betydligt bättre beslutsunderlag än att uppskatta effekten i förväg.

7. När är en AI-assistent rätt lösning?

Alla företag behöver inte en AI-assistent. Har ni få produkter, enkel dokumentation, välstrukturerade filer och få informationsfrågor kan vanlig sökning räcka alldeles utmärkt.

AI blir mer intressant när produktkatalogen är stor, informationen finns i många dokument, personalen ofta ställer samma frågor, nya medarbetare behöver lära sig produkterna, teknisk kunskap sitter hos ett fåtal personer, säljare och kundservice behöver svar snabbt.

Några bra kriterier att uppfylla innan detta är något ni funderar över att implementera:

• Stor produktkatalog och många varianter

• Många återkommande tekniska frågor från kunder

• Mycket dokumentation utspridd på flera system

• Hög påverkan om svar blir fel (säkerhet, garanti, driftstopp)

Det är kombinationen av mycket information, många frågor och högt värde av ett snabbt svar som gör problemet intressant.

Behöver man använda AI? Nej. En bra kunskapsbas kan börja med tydlig dokumentstruktur, bra filnamn, gemensam lagring, versionshantering, traditionell sökning, dokumentmallar och interna rutiner. AI kan läggas ovanpå när behovet finns och det finns ingen anledning att "använda AI bara för att AI finns" i detta.

8. Checklista: är ert företag redo för en intern kunskapsbas?

Dokumentation

• Har ni många produktblad eller datablad?

• Finns manualer och teknisk dokumentation på flera platser?

• Finns gamla och nya versioner av samma dokument?

• Är det ibland oklart vilket dokument som gäller?

Personal

• Får säljare regelbundet tekniska frågor?

• Får kundservice frågor som kräver att de letar i dokument?

• Finns det en eller ett fåtal personer som "kan allt"?

• Tar det lång tid för nya medarbetare att lära sig sortimentet?

Kunder

• Behöver kunder hjälp att välja rätt produkt?

• Får ni frågor om tekniska specifikationer, kompatibilitet eller användningsområde?

• Behöver personal ofta gå till dokumentation innan de kan svara?

📌 Notering: Svarar ni ja på många av frågorna är det sannolikt värt att åtminstone mäta hur mycket tid som går åt till informationssökning idag. Börja med riktiga frågor, mät tiden, se var informationen finns och identifiera vad som återkommer. Det ger ett konkret utgångsläge.

9. En enkel första implementation

Att börja från noll behöver inte betyda att digitalisera hela företaget på en gång. Börja med ett avgränsat område, till exempel 500 produktdokument som blir en intern sökbar kunskapsbas för sälj och kundservice.

• 1: samla dokumenten

  Därefter: rensa uppenbara dubbletter och gamla versioner.

• 2: skapa ett test med riktiga frågor

  Därefter: bygg sökningen.

• 3: lägg till AI om vanlig sökning inte räcker

  Slutligen: testa mot riktiga frågor från personalen.

💡Tips: Formulera ett tydligt pilotmål, t.ex. "halvera tiden för säljare att hitta rätt datablad för topp 500-produkterna".

Man behöver inte börja med "vi ska AI-transformera hela organisationen", börja istället med: "kan vi göra det enklare för våra säljare att hitta rätt produktinformation?"

10. Vanliga misstag

• 1. Man börjar med tekniken. "Vi behöver en chatbot". Nej, börja med problemet.

• 2. Man laddar upp allt utan att rensa. Mer information betyder inte automatiskt bättre svar, eftersom att dålig dokumentstruktur följer med in i systemet.

• 3. Man låter AI:n svara utan källor. Ett svar som låter korrekt är inte samma sak som ett verifierat svar.

• 4. Man försöker göra allt samtidigt. Börja med en produktgrupp, ett team eller ett konkret informationsproblem, expandera sedan när det fungerar.

• 5. Man testar med påhittade frågor. Det viktiga är om systemet klarar riktiga frågor från riktiga användare & inte perfekta testfrågor.

Vad händer med företagets befintliga kunskap?

En intressant bieffekt av arbetet är att man ofta upptäcker hur mycket kunskap som faktiskt finns i organisationen; alltifrån den tekniska chefen, mest erfarna säljaren till den pensionerade medarbetare eller interna mejl.

En bra kunskapsbas handlar därför inte bara om AI. Den handlar också om att göra företagets befintliga kunskap tillgänglig för fler människor, särskilt viktigt när erfaren personal slutar eller nya medarbetare kommer in.

Case: Stockholmsbaserad grossist (NDA, anonymiserad)

Ett konkret exempel på vad en intern kunskapsbas kan ge i praktiken kommer från ett grossist- och leverantörsföretag baserat i Stockholm. Företaget vill inte att vi använder deras namn offentligt (NDA), men har godkänt att vi delar faktiska siffror från deras pilot.

De började med ett avgränsat område och lät säljare och kundservice ställa riktiga frågor till en ny intern kunskapsbas med semantisk sökning och AI ovanpå. Resultatet efter första piloten:

📌Notering: I den här piloten kunde nästan 93% av alla frågor lösas direkt i kunskapsbasen, utan att störa experter eller leverantörer, motsvarande drygt 40 timmar och cirka 8 000 kr i uppskattad besparing under perioden.

Viktigt är att inget i lösningen ersatte experternas kompetens. De svåraste och mest affärskritiska frågorna gick fortfarande till specialister, eftersom modellen inte kunde hitta tillgänglig information om specifika frågan. Alla återkommande frågor däremot om datablad, specifikationer och produktval kunde i stor utsträckning hanteras direkt av säljare och kundservice, med stöd av en intern kunskapsbas och AI som alltid visar källor.

Slutsats

De flesta industriföretag har redan enorma mängder värdefull information. Problemet är sällan att den saknas utan om att den är utspridd, svår att söka i och beroende av att rätt person vet var svaret finns.

Det går att förbättra utan AI och när traditionell sökning inte längre räcker kan AI och semantisk sökning göra det möjligt att ställa frågor på vanligt språk och snabbt hitta relevanta delar av dokumentationen. Kort och gott:

1. Kartlägg informationen.

2. Strukturera den.

3. Förstå vilka frågor personalen faktiskt har.

4. Gör informationen sökbar.

5. Använd AI där det faktiskt skapar värde.

6. Kräv källor och testa mot riktiga frågor.

7. Börja smått, mät verkliga problem och bygg vidare där effekten är tydlig, inte där tekniken råkar vara mest trendig.

Vill du testa hur det skulle kunna fungera?

Vi arbetar med den här typen av problem för industriföretag och tekniska leverantörer: att göra befintlig produkt- och teknisk dokumentation enklare för säljare och kundservice att använda.

Vi tror inte att AI ska ersätta personen som kan produkterna. Vi vill göra det lättare för den personen att hitta rätt information när den behövs oavsett om det handlar om datablad, manualer, produktkataloger, specifikationer eller annan dokumentation.