HEMA har bygget en intern AI-assistent, der kaldes HAL, og den løser
HEMA har bygget en intern AI-assistent, der kaldes HAL, og den løser et problem, de fleste store organisationer kender alt for godt: udviklere, der bruger mere tid på at lede efter information end på at skrive kode. HAL samler virksomhedens viden og systemer bag én samtaleflade, bygget på Model Context Protocol og Amazon Bedrock AgentCore, med identitet forankret i Microsoft Entra ID.
Portal-hopping var den daglige friktion for HEMAs udviklere
Før HAL skulle en udvikler hos HEMA typisk logge ind på flere separate systemer for at finde svar på et spørgsmål, der i virkeligheden krævede data fra to eller tre kilder samtidig. Et spørgsmål om en leverandørstatus kunne kræve et opslag i ét system, en krydsreference i et andet og en manuel sammenstilling i et tredje, før svaret var klart. Den slags friktion lægger sig som et usynligt skatteskema på udviklingstiden, fordi hver kontekstskift koster fokus, ikke kun minutter.
Vi ser den samme mekanisme hos danske virksomheder, der er i gang med at skalere AI-projekter fra enkeltstående proof-of-concepts til noget, der rent faktisk driver forretningen. Problemet er sjældent mangel på data. Det er, at data ligger spredt i systemer, der aldrig var bygget til at tale sammen, og at hver medarbejder bliver sin egen manuelle integrationslag.
MCP leverer styret virksomhedsviden direkte i udviklernes værktøjer
Ifølge AWS' beskrivelse af casen er HALs løsning at bruge Model Context Protocol som det lag, der forbinder sprogmodellen med HEMAs interne systemer. MCP fungerer som en standardiseret kanal, hvor en AI-agent kan hente præcis den virksomhedsviden, den har brug for, uden at udvikleren selv skal vide, hvilket system svaret ligger i eller hvordan man forespørger det.
Det afgørende er, at adgangen er styret. HAL eksponerer ikke hele datalandskabet ukontrolleret til modellen. Hver forespørgsel går gennem definerede MCP-servere, der afgrænser, hvad agenten må se og hente, baseret på hvem der spørger. Det betyder, at en udvikler kan stille et naturligt sprogspørgsmål i sit eget værktøj og få et sammenstillet svar, der tidligere krævede tre separate opslag og en mental sammenkobling.
Den arkitektur er ikke unik for HEMA. Vi ser samme mønster hos danske virksomheder, der bygger MCP-servere som den styrede grænse mellem en agent og de interne systemer, den skal have adgang til, i stedet for at give modellen rå databaseadgang.
Ingen eksponerede AWS-legitimationsoplysninger hos klienten
Et af de mest konkrete designvalg i HAL er, at ingen AWS-legitimationsoplysninger ligger eksponeret på klientsiden. Amazon Bedrock AgentCore håndterer selve agentkørslen og adgangen til sprogmodellerne, men udviklerens klient taler aldrig direkte med AWS med sine egne nøgler i kufferten.
Det er en detalje, der let overses, men den har stor betydning for sikkerhedsprofilen. Hvis en bærbar computer eller et udviklerværktøj bliver kompromitteret, er der ingen langlivet AWS-adgangsnøgle at stjæle, fordi den aldrig lå der. Autentificeringen sker i stedet gennem et lag, der udsteder kortlivede, kontekstspecifikke tilladelser, hver gang en forespørgsel skal igennem.
Det er præcis den slags arkitekturbeslutning, vi anbefaler, når virksomheder flytter AI-agenter fra eksperiment til produktion. Kortlivede tokens og fraværet af statiske nøgler i endepunkter, der rører brugere, er ikke et nice-to-have, det er en forudsætning for at kunne stole på systemet, når det først er i drift.
Kortlivede tokens og fraværet af statiske nøgler i endepunkter, der rører brugere, er ikke et nice-to-have, det er en forudsætning for at kunne stole på systemet, når det først er i drift.
Microsoft Entra ID forankrer identitet og adgang på tværs af integrationen
HEMA har valgt Microsoft Entra ID som identitetslag, og det er et naturligt valg for en organisation, der allerede har sin medarbejderidentitet og rollestyring der. Når en udvikler logger ind og stiller HAL et spørgsmål, er det Entra ID, der bekræfter, hvem personen er, og hvilke rettigheder vedkommende har, før MCP-laget afgør, hvilke data der kan udleveres.
Det skaber en sammenhængende kæde fra identitet til data: Entra ID siger hvem du er, MCP-serverne siger hvad du må se, og AgentCore kører selve agentlogikken i et miljø, hvor ingen hemmeligheder ligger frit tilgængelige. Den slags lagdeling er, hvad der gør det muligt at sætte en AI-agent i produktion med fortrolige virksomhedsdata uden at løbe en unødig risiko.
Hvad casen betyder for governed AI i produktion
HEMAs HAL er et konkret eksempel på et skifte, vi ser hos flere virksomheder, der tager agentisk AI seriøst: fra en enkelt chatbot med adgang til et enkelt datasæt til en arkitektur, hvor identitet, adgangsstyring og agentkørsel er tre separate, veldefinerede lag. Det er den slags fundament, der gør det muligt at udvide en AI-assistent til flere systemer over tid, uden at hver udvidelse bliver en ny sikkerhedsrisiko.
For danske virksomheder, der overvejer det samme skridt, er pointen ikke, at man skal kopiere HEMAs tekniske stak præcist. Pointen er, at rækkefølgen betyder noget. Gør man det i den rigtige rækkefølge, bliver governed AI i produktion en naturlig udvidelse af det, man allerede har, snarere end et separat sikkerhedsprojekt, man skal løse bagefter.