Hvorfor vi bygget Klaw KTRL slik vi bygget det

Harness-arkitektur: Rammer fremfor kaos

Vi bygget ikke en tradisjonell chatbot. Vi bruker en "harness" – en robust ramme rundt eksisterende AI-modeller som Gemini og Claude. I stedet for å la en modell hallusinere fritt, setter vi den i en definert rolle hvor den oppfører seg konsistent og kontrollert innenfor sitt domene. Tenk på det som å ansette en erfaren, disiplinert medarbeider med stramme retningslinjer, heller enn en vilkårlig AI som kan finne på å si hva som helst.

HITL: Mennesket i loopen

Klaw eskalerer alltid til et menneske ved komplekse saker eller når agenten selv er usikker på svaret (Human-In-The-Loop). Ingen kunder skal noen gang oppleve å bli stående fast uten et reelt svar, og ingen AI-agent skal presses utover sin egen kompetanse. Resultatet? Dramatisk lavere frustrasjon og langt høyere tillit fra kundene.

Rask onboarding med RAG

I stedet for å kaste bort måneder på trening og finjustering av egne modeller, bruker Klaw RAG (Retrieval Augmented Generation). Agenten kobles direkte på selskapets eksisterende FAQ og kunnskapsbase. Dette betyr at en ny klient kan ha en operativ agent klar på timer, ikke uker. Den svarer basert på selskapets egne, faktiske data.

Sikkerhet og streng scope-begrensning

Agenten svarer utelukkende på det den er satt opp til å svare på. Forsøk på prompt injection, off-topic-spørsmål eller urimelige refusjonskrav håndteres og avvises automatisk. Det er bedriften – ikke AI-modellen – som bestemmer nøyaktig hva agenten kan og ikke kan gjøre.

I praksis: Møt Aurora Iversen for Naardic

Dette er ikke bare teori. Vi har bygget og testet en fullt fungerende agent for Naardic, en norsk fitness-plattform. "Aurora Iversen" håndterer daglig supporthenvendelser effektivt via både chat og e-post, og avlaster kundeservice-teamet slik at de kan fokusere på de virkelig krevende sakene.

Harness Architecture: Control over Chaos

We didn't build a traditional chatbot. We built a "harness" around existing AI models like Gemini and Claude. Instead of letting a model hallucinate freely, we place it in a strictly defined role where it behaves consistently and predictably within its domain. Think of it as onboarding an experienced, disciplined employee with clear guidelines, rather than unleashing a random AI that can say whatever it wants.

HITL: Human-In-The-Loop Escalation

Klaw always escalates to a human for complex issues, refund requests, or whenever the agent itself is unsure of the answer. No customer should ever be left hanging without a real response, and no AI agent should be forced to overextend itself. The result is significantly lower customer frustration and much higher trust.

Rapid Onboarding via RAG

Instead of wasting months on training and fine-tuning custom models, Klaw utilizes RAG (Retrieval-Augmented Generation). The agent plugs directly into the company's existing FAQ and knowledge base. This means a new client can have an operational agent ready in hours, not weeks, answering questions strictly based on the company's own factual data.

Security and Strict Scope Limitation

The agent answers only what it is authorized to answer. Attempts at prompt injection, off-topic questions, or unreasonable refund demands are automatically deflected. The company—not the AI model—dictates exactly what the agent can and cannot do.

In Practice: Meet Aurora Iversen for Naardic

This isn't just theory. We have built and stress-tested a fully functioning agent for Naardic, a Norwegian fitness platform. "Aurora Iversen" handles daily support inquiries efficiently via both Telegram and email, offloading the human support team so they can focus on truly demanding cases.