AI-agenter til nordiske økonomiteams: Dun & Bradstreet integrerer sine data med Claude, ChatGPT og Copilot

AI-agenter er ved at ændre, hvordan nordiske økonomiteams arbejder på. Dun & Bradstreet har for nylig indgået et samarbejde med Claude, ChatGPT og Copilot og gjort sine globale datasæt og virksomhedsidentifikatorer tilgængelige for disse AI-værktøjer via Model Context Protocol (MCP). 

Dun & Bradstreet har desuden indgået globale partnerskaber med Anthropic, OpenAI og Microsoft og taget et vigtigt skridt ind i fremtiden ved at gøre sine forretningsdata mere tilgængelige for førende AI-sprogmodeller. Ved at integrere sine data via MCP, giver det kredit- og økonomiteams nye muligheder i Norden.

Ifølge Fredrik Blixt Borge, Senior Product Manager hos Dun & Bradstreet, kommer dette tiltag både eksisterende og nye kunder til gode:

"Vi følger to hovedspor: Vores eksisterende kunder får nemmere ved at arbejde med vores data, samtidig med at vi får mulighed for at opbygge relationer til organisationer, der allerede aktivt bruger sprogmodeller i deres arbejde."

 

Sådan får AI-agenter adgang til Dun & Bradstreets data via MCP

Kernen i integrationerne er Model Context Protocol (MCP), en åben standard, der fungerer som bindeled mellem sprogmodeller og Dun & Bradstreets dataplatform. Via MCP får AI-modeller adgang til D&B Commercial Graph – et globalt datasæt med oplysninger om mere end 650 millioner virksomheder, herunder ejerskabsstrukturer, relationer og finansielle risici.

I stedet for at anvende traditionelle API-kald til indsamling af individuelle datapunkter muliggør MCP en mere kontekstbaseret og helhedsorienteret tilgang.

"Med MCP kan en AI-agent navigere mere intelligent i dataene, da den har adgang til kontekstuel viden om, hvad brugeren prøver at opnå," forklarer Fredrik Blixt Borge. "Det gør det lettere at fortolke data korrekt og få adgang til de mest relevante oplysninger.”

Traditionelle API'er spiller fortsat en vigtig rolle. De leverer strukturerede, regelbaserede processer, der er nødvendige for at sikre datakvalitet, konsistens og sporbarhed, hvilket især er vigtigt i regulerede miljøer som den finansielle sektor i Norden.

 

AI-cases: kreditmemoer, onboarding og compliance

I første omgang er der fokus på at styrke kredit- og finansfunktioner ved både at øge effektiviteten og forbedre kvaliteten af resultaterne.

Målet er ikke at erstatte menneskelig ekspertise, men at reducere tidskrævende manuelt arbejde. En af de mest avancerede anvendelser af AI er den automatiske oprettelse af kreditmemoer i forbindelse med større aftaler.

"Vi ser, at nogle af de mest avancerede nordiske virksomheder allerede er begyndt at udvikle løsninger som disse. I stedet for at en analytiker bruger flere dage på at indsamle og strukturere information, kan en generativ agent levere det samme resultat på få minutter ud fra en række nøgleparametre," fortæller Borge.

AI-agenter kan også understøtte compliance-processer og kundeonboarding ved at fortolke ustrukturerede data. Det kan f.eks. være ved at gennemlæse dokumenter som ansættelseskontrakter og lønsedler og screene dem mod sanktionslister eller lister over politisk eksponerede personer (PEP) på tværs af sprog.

"I mange tilfælde kan AI-agenter fortolke ustrukturerede data på et niveau, der kan sammenlignes med en menneskelig analytiker – især når flere sprog er involveret," tilføjer han.

 

Risikostyring på de regulerede nordiske markeder

Der er et stort potentiale, og pålidelighed er en afgørende faktor – især inden for bank-, finans- og complianceområdet i Norden.

Borge fremhæver særligt de risici, der er forbundet med AI-hallucinationer, og understreger, hvor vigtig kvaliteten af input er for resultaterne.

"På regulerede markeder som de nordiske, der er underlagt en lang række EU-regulativer, kan det få alvorlige konsekvenser, hvis man baserer sit arbejde på et dårligt datagrundlag. Det kan medføre bøder, få juridiske konsekvenser og skade virksomhedens omdømme - især hvis beslutningerne ikke kan spores, eller hvis man utilsigtet godkender en sanktioneret virksomhed."

For at undgå dette baseres AI-agenterne på verificerede datakilder, så det sikres, at de fungerer inden for rammerne af kontrol, styring og sikkerhed.

 

Sådan implementerer nordiske virksomheder AI-agenter

Dun & Bradstreet tilbyder allerede nordiske virksomheder testadgang til MCP-baserede løsninger, og interessen har været stor. Virksomheden arbejder tæt sammen med kunderne, når de udforsker teknologien i praksis.

Vi anbefaler at implementere AI gradvist.

"Start med manuelle interaktioner for at forstå, hvordan agenten fortolker og reagerer på," foreslår Borge. "Efterhånden som organisationerne får mere tillid til resultaternes kvalitet og konsistens, kan de gradvist indføre automatisering og opbygge mere avancerede løsninger."

Kundefeedback spiller en vigtig rolle for udviklingen.

"Vi er i tæt dialog med kunder i hele Norden og taler med dem hver uge. Vi lærer meget af, hvordan kunderne bruger løsningerne i praksis," siger Borge. Det giver os den bedste indsigt i, hvor teknologien skaber størst værdi."