Nya AI-agenter igång på bara några minuter – AI-orkestreringslager (Claude, MCP) för en amerikansk cybersäkerhetsplattform

Sedan 2020 har vi varit design- och utvecklingspartner för en amerikansk plattform för hantering av cyberrisk och har tagit den från prototyp till en SaaS‑lösning som används av Fortune‑500‑kunder, med +150% tillväxt i omsättning på ett år och 400% tillväxt i antalet B2B‑kunder. År 2025 byggde vi om runtime‑miljön kring en AI‑agent driven av Anthropic's Claude. Plattformen fungerar nu som orkestreringslagret för hela kundens security stack, och administratörer hos kunden rullar ut nya AI‑agenter i produktion utan inblandning av ingenjörsteam.

Från prototyp till en SaaS‑lösning som används av Fortune‑500‑företag

Kunden, ett cybersäkerhetsföretag grundat 2015, kom till oss med ett prototypiskt beslutsverktyg för C‑level‑ledare, omfattande teknisk dokumentation och betalande enterprise‑kunder. Produkten var helt offline. Vårt uppdrag var att göra den till en skalbar SaaS utan att tappa momentum. En product discovery‑process resulterade i en prioriterad funktionslista; därefter byggde vi en skräddarsydd frontend som översätter plattformens matematiska riskmodell till handlingsorienterad information för ledningen, anpassad till NIST‑ och CIS‑frameworks. Eftersom plattformen arbetar med högkänsliga data, konfigurerade vi ett dedikerat GCP‑kluster på den plats kunden angav.
 

Efter MVP utökade vi produkten till en annan målgrupp: private equity‑företag. Enterprise‑kundbasen mer än tredubblades på 3,5 månader efter lanseringen – från 8 till 26 kunder – och omfattade marknadsledare och Fortune‑500‑kunder; omsättningen ökade med 150% på ett år, och antalet B2B‑kunder växte med 400%. NPS låg konsekvent över målet.

Utmaningen 2025

Plattformen var mogen, erkänd och underutnyttjad: den krävde experttolkning, de flesta användare loggade in en gång per kvartal, och onboarding tog 45 minuter med assistans. Kunden ville integrera agent‑baserad AI i produkten för en Fortune‑500‑kundbas med strikta säkerhetskrav. Att lägga till ett enkelt chattfönster var inte ett alternativ. AI:n behövde köras i produktion, i en multi‑tenant‑modell, på säkerhetsdata i realtid, utan att utöka revisionsomfånget.

Vårt angreppssätt: arkitektur

Vi byggde om runtime‑miljön kring tre nyckelbeslut för Enterprise AI‑implementeringar: hur agenten resonerar, hur den förblir inom kundens perimeter, och hur den integrerar med kundens security stack i realtid.
 

Lösning

Den centrala infrastrukturen, datamodellen och plattformens kodbas förblev intakta; AI-lagret ligger ovanpå den, inte i den. Strukturellt har produkten utvecklats från ett analytiskt verktyg till ett orkestreringslager för kundens säkerhetsoperationer. Produktets utveckling är inte längre bunden till utgivningscykler: ledningsgruppen gör nya Agents, Prompts och Connectors tillgängliga direkt via UI:t för säkerhetsverktyg i produktionsmiljön.