MCP - affärssystem
Model Context Protocol (MCP) som låter AI-modeller läsa, validera och analysera bokföring — SIE4-filer och Spiris (Vismas eAccounting) — lokalt.
Varför jag bygger det här
Jag är ekonom i grunden och inte utvecklare, men när ChatGPT lanserades 2022 så förstod även icke utvecklare att något stort var på gång. LLM:er har sedan dess växt och deras kraft har utveckats i rasande fart. AI-modeller är bra på att resonera kring text och siffror, samtidigt så har affärssystem historiskt varit stängda burkar.
Vi är nog många idag som är på den bollen men jag vill införa kraften hos dagens LLM rakt in i mitt affärssystem, så att en AI-assistent kan resonera kring bokföringen och agera som en assisterade & levande Excel-partner.
Det är samma nyfikenhet som fick mig tillbaka till skolbänken, fast riktad mot kod istället för kurslitteratur.
Vad den gör
I dagsläget kan min MCP läsa SIE4-filer och/eller ansluter mot Spiris (Vismas eAccounting) med användarens egna uppgifter, och exponerar sedan den datan som strukturerade verktyg som AI-modell kan anropa: kontoplan och huvudbok, resultat- och balansrapport, kassaflödesanalys, kund- och leverantörsreskontra, momsöversikt, samt beräkningar som påminner om revisionsanalys — väsentlighet och ISA 450-ackumulering av felaktigheter.
Den kan också föreslå åtgärder, som en ny verifikation eller kundfaktura, men aldrig utföra dem. Ett förslag hamnar i en granskningskö och binds till en hash av innehållet - ändras underlaget innan du godkänner, vägras sändningen. Godkännandet sker i det faktiska affärssystem, med de verkliga siffrorna framför dig, inte i en chattruta.
Det som är otroligt känsligt är att bokförare och revisionsbyråer har klientdata i sina affärssystem, konfidentiell data. Lagstiftning, som GDPR, gör det direkt olagligt att dela viss form av information med publika LLM. Min MCP är programmerad med olika lager av pseudoanonymisering för att en LLM ska kunna användas för att analysera affärsdatan samtidigt som lagstiftningen kring GDPR följs.
Innan text lämnar datorn för att gå till en molnbaserad AI-modell passerar den ett sekretesslager med fyra detektionslager som letar efter namn, organisationsnummer, personnummer och adresser, och ersätter dem med tokens som [PERSON_1] och [BOLAG_1].
Det är pseudonymisering, inte anonymisering - uppgifterna kan återställas lokalt och förblir personuppgifter i GDPR:s mening. Filtret är inte perfekt; det är byggt för att hellre stoppa för mycket text för granskning än att släppa igenom för mycket.
GDPR och annan lagstiftning
Att koppla ett affärssystem - fullt av personnummer, adresser, betalningshistorik - mot en publik AI-tjänst är inte en teknisk detalj, det är en juridisk fråga i sig. GDPR kräver en rättslig grund, ett personuppgiftsbiträdesavtal med den som tar emot uppgifterna, dataminimering och att man faktiskt kan svara på vem som såg vad. Bokförings- och revisionslagstiftning lägger på ytterligare krav: en AI kan aldrig ersätta yrkesmässigt omdöme enligt god redovisningssed eller ISA.
Som utvecklare av en MCP går det inte att till fullo lösa de legala delarna för slutanvändaren. MCP, utan agerande från användaren kommer inte uppfylla GDPR eller annan lagstiftning. Vad jag som utvecklare av MCP´n den försöker göra är att bygga in tre saker som gör ansvarsfördelningen klarare:
- Pseudonymiseringslagret ovan, som ett första filter innan text lämnar datorn.
- BYOK/BYOA — varje anslutning sker med dina egna API-nycklar och konton, under dina egna avtal. Det är du som tecknar personuppgiftsbiträdesavtalet med din AI-leverantör, inte jag.
- En spärr som kräver att en människa på den dator som kör programvaran uttryckligen godkänner användarvillkoren, punkt för punkt, innan något körs alls.
Programvaran är fail-closed som designprincip: skriven för att neka hellre än att gissa när den är osäker.
Potentialen
Trots allt det här tror jag att kopplingen mellan affärssystem och publika LLM:er är på väg att bli självklar, av samma anledning som kalkylark blev det på 80-talet: siffrorna finns redan där, det är resonemanget kring dem som tar tid. En AI som kan läsa huvudboken och svara på varför en kostnad ökade i mars sparar inte bara tid - den sänker tröskeln för att förstå sin egen bokföring, även utan en ekonomexamen i bagaget.
Det är samma idé som ligger bakom quiet.nu i stort: inte att AI:n ska ta över bedömningen, utan att den ska göra det lättare att se vad som faktiskt står i räkenskaperna - så att den mänskliga bedömningen får något bättre att stå på.