Vitec AI Workshop

Vitec Next har allerede alle de strukturerte dataene — adresse, areal, antall rom, byggeår, fasiliteter. En LLM kan skrive en engasjerende boligannonse på sekunder, tilpasset boligtypen og området.

Tilnærming: Start med en enkel prompt som tar strukturerte felter og genererer en annonsetekst. Legg til few-shot eksempler med gode annonser fra Finn.no for å få riktig tone. Test med 20+ eiendommer og iterer på prompten.

Utvidelser: Tilpass tonen etter boligtype (leilighet vs. enebolig vs. hytte). Generer flere varianter megleren kan velge mellom. Legg til områdebeskrivelse basert på nærhet til skoler, butikker og kollektivtransport.

Laveste terskel: Dette er et rent LLM API-kall med strukturert input — ingen kompleks arkitektur nødvendig. Perfekt første KI-prosjekt.

Redfin lanserte “Ask Redfin” — naturlig språk søk etter boliger. Zillow har lignende. Konseptet: brukeren skriver hva de leter etter i fritekst, LLM-en parser intensjonen til strukturerte filtre, og søkeresultatene presenteres som vanlig.

Arkitektur: LLM mottar brukerens spørsmål + tilgjengelige filterfelter som JSON Schema → returnerer strukturerte filtre via structured output → disse kjøres mot databasen → resultatene presenteres med en naturlig oppsummering.

Eksempler på spørringer: “Eneboliger i Hamar med minst 4 soverom og hage”, “Leiligheter nær Majorstuen under 5 mill”, “Boliger som har ligget ute mer enn 30 dager”.

Håndterer også subjektive kriterier: “Rolig nabolag” kan mappes til avstand fra hovedveier. “Familievennlig” til nærhet til skoler og parker.

Tilstandsrapporter er 20-40 sider med standardisert men ustrukturert informasjon. En LLM kan trekke ut nøkkeldata og presentere det i et format som er umiddelbart nyttig for megler og kjøper.

Tilnærming: Parse PDF til tekst (eller bruk vision API for skannet dokument) → LLM trekker ut tilstandsgrader per bygningsdel (TG0-TG3), avvik, årsak, konsekvens, og estimerte utbedringskostnader → strukturert JSON ut.

Utvidelser: Sammenlign med lignende boliger (“er dette normalt for en bolig fra 1985?”). Generer en kjøpervennlig oppsummering. Flagg kritiske funn (TG3, fukt, asbest). Beregn total estimert vedlikeholdskostnad.

Samme mønster for: Grunnboksutskrifter, reguleringsplaner, salgsoppgaver, takstrapporter, energimerking — alle har strukturert informasjon i ustrukturerte dokumenter.

Next HUB har allerede 50+ API-integrasjoner. En MCP-server er én integrasjon til — men denne lar KI-verktøy spørre mot plattformen direkte. Megleren kan spørre sin AI-assistent og få data fra Next uten å logge inn.

Eksempler: “Vis alle boliger som har ligget ute over 30 dager uten visning siste uke”, “Oppsummer alle bud på Parkveien 7”, “Hvem har jeg ikke fulgt opp på 14 dager?”

Teknisk: MCP-servere kan skrives i C# med ModelContextProtocol NuGet-pakken. Eksponer 3-5 verktøy (søk boliger, hent kunde, vis aktivitet) som wrapper rundt eksisterende Next API. Fungerer med Claude Code, ChatGPT, Cursor og 200+ andre verktøy.

Strategisk verdi: MCP er for KI det USB var for maskinvare — en universell kobling. Ved å gjøre Next MCP-klar, posisjonerer dere plattformen for KI-økosystemet.

Har du noen gang ønsket deg en app som gjør akkurat det du vil? Nå kan du bygge den. Og når du bygger AI inn i den, får du vanvittig funksjonalitet.

Eksempel: Ta bilde av en bok i bokhandelen → flott UI som viser anmeldelser, sammendrag og lignende bøker. Eller en treningsapp som analyserer fremgangen din og foreslår justeringer. Eller en planteidentifikator som gir stell-tips.

Du trenger ikke Apple Developer-lisens — bruk Expo med development builds på din egen telefon. Last ned et av Stians Expo-repos som utgangspunkt, så slipper du all boilerplate. Claude Code kan bygge hele appen mens du beskriver hva du vil ha.

AI-integrasjon: Bruk kameraet for bilde-analyse (vision API), mikrofonen for tale, og Vercel AI SDK for streaming chat. Expo gir deg tilgang til alt av native funksjonalitet — push-varsler, GPS, akselerometer, helsedata.

Velg noe du har lyst til å lære: en sorteringsalgoritme, TCP-handshake, B-tree, Raft consensus, Fourier-transformasjoner — hva som helst. Be Claude om å researche og produsere en visuell, interaktiv demo.

Tilnærming: Start med å be Claude lage en HTML-side med animasjoner og interaktive kontroller. Iterer til du har noe som faktisk hjelper deg forstå konseptet. Enkeltfil HTML med inline CSS/JS gjør det lett å dele — bare åpne i nettleseren.

Bruksområder: Onboarding av nye kollegaer, presentasjoner for kunder, intern kunnskapsdeling. Be Claude bruke canvas for animasjoner, range inputs for parametere brukeren kan justere, og step-by-step kontroller for å gå gjennom en algoritme.

En AI-chat som kan gjøre ting er mye mer nyttig enn en som bare svarer. Med tool calling kan du la AI-en hente data, kjøre operasjoner og presentere resultater — alt i en naturlig samtale.

Har du et system? Eksponer noe av dataen eller funksjonaliteten som tools. F.eks. Next-plattformen der AI-en kan slå opp boliger og kunder, et bookingsystem der den sjekker visningstider, eller Jira/Azure DevOps der den oppsummerer status.

Har du ikke et system? Bruk offentlige API-er som tools — Yr (vær), Entur (rutetider), Wikipedia, eller hva som helst med et REST API. Vercel AI SDK gjør det veldig enkelt å sette opp streaming chat med tool use — du definerer tools som TypeScript-funksjoner med Zod-schema.

Arkitektur: Next.js + AI SDK er den raskeste veien. Du får streaming, tool calling, og en ferdig chat-UI-komponent. Hele oppsettet er ~50 linjer kode for en fungerende prototype.

Velg en oppgave der kvalitet er subjektiv og vanskelig å evaluere manuelt. F.eks.: klassifisere kundehenvendelser, skrive produktbeskrivelser, rangere artikler, eller kategorisere støttehenvendelser.

Prosessen: Definer evalueringskriterier → kjør flere modeller (GPT-4o, Claude, Gemini) → la en sterkere modell evaluere output fra de andre → iterer på prompten til du får best mulig resultat. Dette er kjernen i “evals” — den viktigste ferdigheten for AI-produktutvikling.

Praktisk verdi: Evalueringer er det som skiller “dette funker litt” fra “dette funker bra”. Lær mønsteret her, og du kan bruke det i ethvert AI-prosjekt etterpå.

Kan du gjenskape Facebook Memories eller Apple Memories? Gi AI-en tilgang til kamerarullen din, la den velge de mest interessante bildene, og bygg en tidslinje med tekst og kontekst.

Tilnærming: Bruk vision API til å analysere bilder — finn de mest visuelt interessante, grupper dem etter tema eller tid, og generer beskrivelser. Bygg en pen HTML-tidslinje eller en mobilapp med Expo.

Ekstrapoeng: Koble til Suno for å generere en custom sang til minnene. Eller bruk TTS til å lage en voice-over som forteller historien.

Har du tilgang til logger, Datadog, Google Analytics, Mixpanel, eller noe annet analytics-system? Få dataen til Claude og la den bygge custom dashboards og visualiseringer som virkelig svarer på spørsmålene du har.

Tre veier til data: Eksporter som CSV/JSON, gi Claude API-tilgang direkte (f.eks. via environment-variabler), eller bygg en MCP-server som wrapper API-et — da kan Claude hente data on-demand mens den bygger dashboardet.

Claude er fantastisk til å finne mønstre i data du ikke visste om. I motsetning til Grafana/Metabase slipper du config — du bare beskriver hva du vil se, og får en self-contained HTML du kan åpne direkte. Iterer: “kan du legge til en tidslinje?”, “hva om vi grupperer per uke?”.

Eksempler: API-responstider med anomali-deteksjon, brukerreiser som Sankey-diagram, feilrater korrelert med deploys, boligsalgsstatistikk per område, gjennomsnittlig tid fra visning til akseptert bud.

Chrome-utvidelser er enklere enn du tror — det er bare HTML, CSS og JavaScript med et manifest. Claude kan bygge en fra scratch på minutter, og du tester den umiddelbart i nettleseren.

Idéer: Fjern irriterende elementer fra sider du bruker daglig. Legg til mørk modus der det mangler. Auto-fylle skjemaer. Oversett tekst inline. Legg til tastatursnarveier. Endre default-oppførsel på interne verktøy.

Med AI: Legg til en kontekstmeny som oppsummerer markert tekst, oversetter den, eller forklarer kode — via et API-kall til Claude/GPT direkte fra utvidelsen.

Oppsett: chrome://extensions → Developer mode → Load unpacked. Ingen Chrome Web Store nødvendig. Du har en fungerende utvidelse på under en time.

LiveKit har en open source-plattform for sanntids-audio/video, inkludert AI-agenter. Du kan sette opp en voice-chat der du snakker naturlig med en AI — lav latency, naturlige pauser, og avbrytelser fungerer.

Use cases: Kundeservice-demo for en klient, språklæring med en AI-tutor, intervju-trening, tilgjengelighetshjelp, eller en morsom demo å vise frem på fredag.

Oppsett: LiveKit har et Python agent framework med eksempler som fungerer ut av boksen. Koble til OpenAI Realtime API for ende-til-ende voice, eller bygg en STT → LLM → TTS pipeline for mer kontroll. Gratis tier er nok for prototyping.

Kombiner med tools: Gi voice-agenten tilgang til tools — da kan den slå opp informasjon og kjøre handlinger mens dere snakker. Det er her det virkelig blir imponerende.

Tenk på hva du gjør manuelt hver dag eller uke. Timeløring, statusrapporter, Jira-oppdateringer, PR-beskrivelser, deploy-prosedyrer, kode-templates. Bygg en /skill som gjør det for deg — på et par minutter.

Skills er Markdown-filer i .claude/skills/ som definerer en prompt + instruksjoner. Du skriver hva du vil at Claude skal gjøre, og det blir en slash-kommando. Hooks er shell-kommandoer som kjøres automatisk ved hendelser — f.eks. etter hver commit, etter at Claude leser en fil, eller før den kjører en bash-kommando.

Eksempler: /weekly-report som genererer ukesstatus fra git log og Jira. /pr som lager PR med god beskrivelse. En hook som automatisk kjører linting etter filendringer. En skill som genererer test-data basert på skjemaer i prosjektet.

Deling: Skills kan installeres fra en URL med /install-skill. Lag noe nyttig for teamet og del det — da har alle tilgang til det som en slash-kommando.

Velg noe du vil holde øye med: boligmarkedet i ditt område, Hacker News, konkurrenters produktsider, jobbannonsering innen ditt felt, eller nye forskningsartikler.

Pipeline: Scrape med Playwright eller cheerio → filtrer med AI (“er dette interessant for meg?”) → oppsummer det viktigste → send via e-post, Slack, eller ntfy push-varsler til telefonen.

Tilnærming: Start med et enkelt Node/Python-script som scraper én kilde. Kjør det lokalt først og se at outputen er nyttig. Legg det på en cron-jobb eller GitHub Action for daglig kjøring.

AI-twist: Bruk Gemini Flash (billig og rask) for filtrering av hvert element. La en sterkere modell lage den endelige daglige oppsummeringen. Totalkostnad: noen øre per dag.

Du sitter sannsynligvis på hauger av personlig data du aldri har analysert ordentlig. Eksporter som CSV og la Claude bygge noe nyttig — alt kjører lokalt, dataen forlater aldri maskinen din.

Eksempler: Bankutskrift → kategorisering av utgifter med trendanalyse og budsjett-tracking. Strava/Garmin-eksport → treningsinnsikter og belastningskurver. Goodreads-eksport → lesevanermønstre. Spotify-historikk → lyttemønstre over tid.

Tilnærming: Gi Claude CSV-filen og be om analyse. Den finner mønstre du ikke visste om. Be deretter om en self-contained HTML-visualisering med Chart.js — du får en interaktiv dashboard du kan åpne i nettleseren.

Neste steg: Bygg et script som automatisk henter ny data og oppdaterer dashboardet. Eller bygg en liten webapp der du kan laste opp filer og få AI-analyse on the fly.

En AI som kjenner teamets coding standards, arkitektur og vanlige fallgruver kan fange problemer før de når code review. Raskere feedback-loop, færre review-runder, og konsistent kvalitet.

Enkel variant: En Claude Code hook som kjører ved commit og gir tilbakemelding direkte i terminalen. Avansert variant: En GitHub Action som kommenterer på PRs automatisk med kontekstuelle forbedringsforslag.

Nøkkelen: Definer teamets konvensjoner i en CLAUDE.md som review-boten leser. Arkitekturvalg, naming conventions, feilhåndteringsmønstre, test-forventninger. Start smalt (bare sjekk étt mønster) og utvid gradvis.

Kombiner: La AI-reviewen kjøre etter linting og typesjekk, slik at den fokuserer på logikk, arkitektur og lesbarhet — ikke ting maskinen allerede fanger.