Trunk Tools: tre-lags AI slår generiske

En almindelig sprogmodel er trænet til at forstå sammenhængende, veldefineret tekst. Byggedokumenter er det modsatte. En tegning kan indeholde et snit, en tabel og en frihåndsnotits i samme billede, uden nogen tydelig læserækkefølge. En RFI refererer ofte til et bilag, der refererer til en tidligere revision af en tegning, der aldrig blev arkiveret korrekt. Når man beder en generisk model om at "læse og opsummere" den slags materiale, mister den konteksten hurtigt og begynder at gætte, ofte med stor selvsikkerhed og forkert konklusion.

Det er ikke et træningsdataproblem, man løser med mere volumen. Det er et strukturproblem: dokumenterne mangler den lineære logik, som sprogmodeller er bygget til at udnytte. Byggebranchen er samtidig en høj-risiko-branche, hvor en fejlfortolket specifikation kan koste måneder og millioner. Det gør generisk AI til en dårlig kandidat, uanset hvor stor modellen er.

Trunk Tools' svar er at splitte opgaven op i tre specialiserede lag i stedet for at bede én model løse det hele.

Pointen er arkitektonisk, ikke bare teknisk. Ved at adskille perception, semantik og handling kan hvert lag optimeres og valideres for sig, og fejl i ét lag spreder sig ikke automatisk til de andre. Det er en helt anden tilgang end at kaste alt materiale ind i en enkelt stor model og håbe på det bedste.

Springet fra 60 til 10 dage lyder som en marginal effektivisering, men det ændrer projektets rytme fundamentalt. En dokumentgennemgang på to måneder betyder typisk, at beslutninger om materialer, tidsplaner og underentreprenører træffes, mens gennemgangen stadig kører, med den risiko for omkostninger og forsinkelser, det medfører, hvis gennemgangen senere afslører modsigelser.

Når gennemgangen tager ti dage, kan den ligge før de kritiske beslutninger i stedet for parallelt med dem. Det er ikke bare hurtigere arbejde, det er en anden projektstruktur. Gevinsten kommer ikke fra, at AI'en er hurtigere til at læse, men fra at lagene tilsammen fjerner den manuelle sortering og krydsreference, som ellers spiser det meste af tiden i en traditionel gennemgang.

Mønstret rækker langt ud over byggeriet. Overalt hvor dokumenter er ustrukturerede, referencerige og fejl er kostbare, kommer generisk AI til kort på præcis samme måde. Sundhedsjournaler, forsikringssager, juridiske kontrakter og finansielle rapporter deler alle den egenskab: informationen er teknisk korrekt, men strukturelt kaotisk, og en fejltolkning har reelle konsekvenser.

Det peger på et generelt princip for virksomheder, der bygger AI-løsninger til egne dokumenttunge processer: jo højere risikoen ved en fejl er, desto mindre er der at hente ved at bruge én stor, generel model til det hele. Lagdelt arkitektur, hvor perception, forståelse og handling er adskilte og hver for sig valideret, er dyrere at bygge, men markant mere pålidelig i produktion. Det er samme logik, vi selv følger, når vi designer AI-agenter til virksomheder, hvor en fejl ikke bare er irriterende, men koster tid, penge eller tillid.

Danske virksomheder med tunge dokumentmængder, byggeri, forsikring, rådgivning, offentlig forvaltning, står ofte over for det samme valg: implementer en generisk AI-løsning hurtigt, eller invester i en arkitektur bygget til den specifikke dokumenttype. Trunk Tools' eksempel viser, at den anden vej kan betale sig markant, når fejl er dyre og dokumenterne er rodede nok til at forvirre en generel model.

Vi har selv oplevet, gennem AI-projekter fra problemafklaring til drift, at den samme fejltagelse går igen: virksomheder forsøger at løse et strukturelt dokumentproblem med en enkelt, bred model, og bliver overraskede over, hvor ustabile resultaterne bliver i produktion. Løsningen er sjældent en større model. Det er oftest en bedre arkitektur, der matcher dokumenternes faktiske struktur i stedet for at antage, at al tekst kan læses på samme måde.

For virksomheder, der overvejer at automatisere dokumenttunge processer, er Trunk Tools' tre-lags model et konkret argument for at starte med strukturen, ikke med modellens størrelse.