Slik kuttet Reis Nordland kundehenvendelsene med 55 % ved hjelp av KI

Bakgrunn

Utfordringen: Intelligent passasjerassistanse

Reis Nordland er den regionale kollektivtransportleverandøren for Nordland fylke i Norge. Selskapet drifter buss- og fergeruter over et stort nordlig område, og håndterer rutetider, billettering og ruteinformasjon for reisende.

Reis Nordland var overbelastet med repeterende kundeservicehenvendelser og hadde behov for å tilby reiseinformasjon døgnet rundt. De trengte en løsning som kunne gi presise, kontekstbaserte svar – samtidig som operatørene beholdt full kontroll over hva modellen svarer.

Løsningen

En KI-reiseassistent som forstår naturlig språk

Frontkom utviklet og leverte en generativ KI-reiseassistent som lar reisende stille spørsmål på naturlig språk, som «Når går neste ferge fra Bodø?» eller «Er rute 300 forsinket?» – og få presise, oppdaterte svar fra en samtalegrensesnitt på flere språk.

Assistenten kobler seg til sanntids trafikkdata og strukturert intern informasjon som rutetabeller, trafikkoppdateringer, ofte stilte spørsmål og tjenestepolicyer. Målet var å levere faktabaserte, kontekstforankrede svar, samtidig som operatørene beholder full kontroll.

Teknisk arkitektur

Komponentbasert, transparent og skalerbar

For å støtte rask iterasjon og samtidig opprettholde kontroll og observerbarhet, bygde Frontkom en komponentbasert arkitektur sentrert rundt IBM-teknologier og åpen kildekode.

Frontend og dashbord

En lett, innbyggbar chat-widget bygget med JavaScript og React integreres direkte i Reis Nordlands nettside og mobilapplikasjoner. Widgeten er koblet til et sikkert dashbord bygget på Supabase, som lar operatørene administrere KI-agentene, datasettene og kunnskapsbasene fra én brukervennlig konsoll.

Orkestreringslag

Orkestreringslaget drives av Langflow, IBMs lavkode-miljø for bygging av KI-agentapplikasjoner. Langflow håndterer logikk, prompt-design og responsforming bak hver KI-agent. Dette gjør det mulig å oppdatere komponenter – inkludert språkmodeller, datakoblinger eller arbeidsflyter – uavhengig av hverandre uten å påvirke produksjonsstabiliteten.

Infrastruktur

Langflow kjører på Frontkom PaaS, en Kubernetes-basert infrastruktur hostet på AWS. Plattformen bruker Horizontal Pod Autoscaling (HPA) og Pod Disruption Budgets (PDB) for å opprettholde pålitelighet under varierende trafikkbelastning. Et Fastly CDN sikrer rask global levering for både sluttbrukere og administrative grensesnitt.

Data og lagring

All samtaledata, agenttelemetri og konfigurasjonsmetadata lagres i IBM Cloud Databases for PostgreSQL. Dette gir både skalerbarhet og styring, med versjonskontroll som sporer hver flyt og hvert datasett som brukes i produksjon.

Agentflyt

Slik fungerer KI-agenten

Innenfor Langflow følger hver agent en definert flyt:

1. Motta inndata og hente gjeldende instruksjoner fra databasen
2. Velge modell via mellomvare som OpenRouter eller Vercel AI Gateway
3. Aktivere verktøy for å hente sanntids- eller strukturerte data
4. Forme og returnere svaret tilbake til chat-grensesnittet

Viktige verktøy inkluderer PlanTrip (EnTur) som kombinerer rute-, avgangs- og forsinkelsesdata, samt FindPlace/SearchPlace (EnTur + Google Places) som oppsløser kjente holdeplasser og oppdager nye steder av interesse. Denne arkitekturen sikrer at modellens svar er både faktabaserte og visuelt konsistente.

Prinsipper

Lærdommer fra prosjektet

Prosessen med å bygge Reis Nordland-assistenten fremhevet en rekke praktiske og repeterbare designprinsipper:

• Struktur driver presisjon: Presise dataskjemaer og modulære flyter forhindrer uforutsigbar oppførsel
• Iterer kontinuerlig: Tilbakemeldingsløkker fra virkelig bruk er avgjørende for å forbedre prompts og resultater
• Transparens bygger tillit: Omfattende observerbarhet forenkler feilsøking og compliance
• Arkitektur betyr alt: Komponentisola sjon gjorde det mulig å oppdatere språkmodellen uten nedetid

Effekt

Pålitelig KI for offentlig sektor

Reis Nordlands assistent håndterer nå tusenvis av daglige interaksjoner og gir reisende raske, flerspråklige svar. Å oppdatere applikasjonen er en langt enklere prosess – teamet kan rulle ut nye funksjoner eller datasett på timer i stedet for uker.

Enda viktigere er at den samme arkitekturen gjenbrukes for andre Frontkom-kunder – noe som viser at produksjonsgrad generativ KI er repeterbar når fundamentet er modulært, observerbart og styrt.