Jeg har lansert Q på KursiCopilot.no – en kunnskapsagent som skal gjøre det enklere å finne relevante og kildeforankrede svar om Microsoft Copilot, kurs og praktisk bruk. Teknologien er interessant, men arbeidet startet et annet sted: med behovet, informasjonsflyten og hva brukeren faktisk skal få hjelp til.
Hva skulle Q hjelpe med?
Kurs i Copilot inneholder veiledning, kursinformasjon og fagstoff som dekker flere målgrupper og situasjoner. Utfordringen er ikke nødvendigvis mangel på innhold. Den er ofte å finne det riktige innholdet raskt nok – og å forstå hva som er relevant i egen arbeidshverdag.
Q er laget for å redusere denne avstanden. Brukeren kan stille et konkret spørsmål, få et kort svar med utgangspunkt i kontrollerte kilder og velge om samtalen skal gå videre i dybden. Når det er naturlig, kan Q også peke mot et kurs, en veiledning eller en samtale.
Arbeidsflyten kom før teknologien
Jeg begynte ikke med spørsmålet «hvilken modell skal jeg bruke?». Først beskrev jeg arbeidsflyten:
- Hva prøver den besøkende å få gjort?
- Hvilke kilder skal Q få bruke?
- Når bør agenten stille et avklaringsspørsmål?
- Hvor kort skal førstesvaret være?
- Når er det riktig å foreslå et neste steg?
- Hva skal Q gjøre når kildegrunnlaget ikke er godt nok?
Dette gjorde det enklere å skille selve brukeropplevelsen fra teknologien under. Modellen er en viktig del av løsningen, men det er samspillet mellom instruksjoner, kunnskapsgrunnlag, grensesnitt og styring som avgjør om agenten faktisk oppleves nyttig.
Kontrollert kunnskap fremfor frie svar
Q skal ikke svare fritt på alt. Den henter først relevant informasjon fra et avgrenset kunnskapslag med innhold fra Kurs i Copilot, Naviqon og godkjente fagkilder. Deretter får språkmodellen kildekonteksten sammen med tydelige instrukser for hvordan svaret skal formuleres.
Dette er et vanlig mønster for kildeforankrede kunnskapsagenter. Det reduserer ikke all usikkerhet, men det gir bedre kontroll enn å la modellen basere svaret på generell kunnskap alene. For tidskritiske spørsmål må informasjonen hentes ferskt fra autoritative kilder, og Q skal kunne si fra når grunnlaget ikke er godt nok.
Et generisk mønster – og en pragmatisk implementasjon
Arkitekturen under viser flyten fra spørsmål til svar og videre handling. Den er ikke låst til én bestemt plattform. Det samme mønsteret kan realiseres med ulike verktøy, så lenge kildegrunnlag, instrukser, tilgang, logging og oppfølging behandles som deler av én arbeidsflyt.
Arkitektur for kontrollert kunnskapsagent
Et generisk løsningsmønster for kildeforankrede svar og møtebooking
Besøkende
Stiller et spørsmål eller bruker et hurtigvalg på kursicopilot.no.
Nettsted og kunnskapsagent
Styrer dialogen, tilgangsgrensene og loggingen.
Kontrollert kunnskapslag
Finner et avgrenset antall relevante kilder før modellen svarer.
Språkmodell
Bruker instruksjonene og den hentede kildekonteksten.
Svar og neste steg
Gir en kortversjon eller fordypning. En handling kan starte booking eller oppfølging.
I dagens løsning brukes GPT-5.6 Terra til å formulere svarene. Terra er tilgjengelig gjennom OpenAI API og er valgt fordi modellen gir et godt forhold mellom kvalitet, hastighet og kostnad for denne typen avgrensede dialoger. Svarene blir ikke bedre av modellvalget alene; det er den kontrollerte konteksten og tydelige oppgaven som gjør mesteparten av arbeidet.
Hvorfor jeg valgte denne kombinasjonen
Jeg ønsket en løsning som kunne lanseres pragmatisk, justeres raskt og samtidig gi kontroll over innhold, kostnad og neste steg. Derfor har jeg skilt mellom fire lag:
- Grensesnittet gjør det enkelt å stille spørsmål og velge retning.
- Kunnskapslaget avgrenser hvilke kilder svarene skal bygge på.
- Språkmodellen formulerer svaret på en naturlig og variert måte.
- Styringen setter grenser for dialog, kostnad, logging og videre handling.
Oppdelingen gjør det også enklere å bytte komponenter senere. Kunnskapsgrunnlaget og arbeidsflyten har verdi uavhengig av hvilken modell eller plattform som brukes.
Kontroll og kostnad er en del av løsningen
En agent som er rimelig per svar, kan fortsatt bli dyr hvis den henter for mye kontekst eller lar samtaler vokse uten grenser. Derfor er kostnadskontroll en del av arkitekturen, ikke bare et punkt i etterkant.
For Q betyr det blant annet et begrenset antall kilder per svar, korte førstesvar, et tak på avklaringsspørsmål og logging som gjør det mulig å følge bruken. Den samme styringen bidrar også til bedre brukeropplevelse: mindre støy, tydeligere svar og raskere vei til relevant innhold.
Copilot Studio er et naturlig alternativ
Det overordnede mønsteret kan også bygges i Microsoft Copilot Studio. For virksomheter som allerede arbeider i Microsoft 365, Power Platform og Azure, kan det være et svært naturlig valg – særlig når agenten skal bruke virksomhetsdata, rettigheter og arbeidsflyter i Microsoft-økosystemet.
Per 13. september 2026 er GPT-5.6 Terra tilgjengelig i Microsoft Foundry, men Microsoft dokumenterer ikke Terra som en direkte primærmodell i Copilot Studio. Dagens støtte for egen modell i prompts omfatter heller ikke GPT-5-familien. Hvis Terra skal brukes fra Copilot Studio nå, vil det derfor kreve en separat REST- eller API-integrasjon, noe plattformen har etablerte integrasjonsmuligheter for.
Valget bør derfor tas ut fra arbeidsflyten, datakildene, forvaltningen og hvor agenten skal møte brukeren – ikke ut fra modellnavnet alene.
Lansering nå – og forbedring underveis
Q er lansert som en første versjon. Det betyr at løsningen er nyttig nok til å tas i bruk, men ikke ferdig i betydningen statisk. Nå kan reelle spørsmål vise hvilke formuleringer som fungerer, hvor kunnskapsgrunnlaget har hull, og hvilke neste steg brukerne faktisk etterspør.
Jeg kommer særlig til å følge med på spørsmål som ikke får gode nok svar, om Q bruker riktig detaljnivå, og hvor ofte en samtale bør lede videre til kurs, veiledning eller kontakt. Forbedringen blir dermed basert på bruk – ikke bare antakelser.
Q som case i Kurs i Copilot
Q blir også et praktisk case i Kurs i Copilot. Målet er ikke bare å vise en chatbot, men å gjøre agentarbeid mer forståelig: fra behov og informasjonsarkitektur til kildevalg, instruksjoner, styring og løpende forbedring.
Det er nettopp her jeg mener mange virksomheter bør begynne. En god kunnskapsagent handler mindre om å legge «AI» på toppen av en nettside og mer om å gjøre en avgrenset arbeidsflyt enklere, tryggere og mer nyttig.
Prøv Q
Besøk KursiCopilot.no og still Q et spørsmål om Microsoft Copilot, kurs eller praktisk bruk.
Har virksomheten din en arbeidsflyt eller et kunnskapsbehov som kan egne seg for en agent? Ta kontakt med Naviqon for en uforpliktende avklaring.