Vaisala är en global ledare inom väder-, miljö- och industrimätningar. Företaget har sitt säte i Finland och utvecklar innovativa mätinstrument och programvara som används i krävande miljöer världen över.
Kort sagt
Företag
Vaisala är en global ledare inom väder-, miljö- och industriella mätningar, med över 80 års erfarenhet av innovation.
Över 2 400 medarbetare globalt.
28 % av medarbetarna arbetar med FoU.
Utmaning
Vaisala ville förändra ingenjörernas dagliga arbetssätt från passivt lärande till praktisk AI-användning och frigöra tid för uppgifter som kräver mänsklig kreativitet.
Teamet ville bryta ner silos mellan team genom att dela anpassade Claude Code-färdigheter, hooks och konfigurationer i hela företaget.
Vaisala ville också standardisera på Claude Code och Anthropic-modeller (via direkt API och AWS Bedrock).
Lösning
Vi samarbetade med Vaisala för att genomföra praktiska AI-experiment i sprintformat, baserade på verkliga tekniska utmaningar.
Teamen identifierade friktion i sitt dagliga arbete, utvecklade testbara AI-hypoteser, byggde fungerande agenter med Claude och presenterade sina lösningar för ledande chefer.
Teamen tog fram en roadmap för framtida skalning och utveckling i hela organisationen.
Resultat
Claude Code är nu Vaisalas främsta AI-kodningsassistent.
Över 40 praktiska AI-hypoteser utvecklades och validerades.
Praktisk erfarenhet av att bygga autonoma agenter.
Ett ramverk finns nu på plats för att dela Claude Code-konfigurationer och färdigheter över teamgränserna.
En repeterbar AI-sprintmodell har skapats för bredare användning.
En roadmap för att utvidga arbetssättet till andra avdelningar och produktlinjer.
Utmaningen: Att få in AI i det dagliga ingenjörsarbetet
Efter en git-migrering ledd av Eficode började Vaisala bygga upp AI-kapacitet för hela verksamheten, med ett avgränsat pilotprojekt som startpunkt.
Målet var att i grunden förändra ingenjörernas vanor – från passivt lärande till att använda AI i sina dagliga arbetsuppgifter. Det skulle hjälpa Vaisala att bygga kapacitet för att integrera AI i dagliga arbetsflöden och kärnprodukter i stor skala.
Vaisala ville tidigt hantera den vanliga utmaningen med att dela AI-kunskap över teamgränser – och säkerställa att anpassade Claude Code-skills, hooks och konfigurationer som skapats av ett team enkelt kunde komma andra till nytta.
För att driva denna förändring valde Vaisala Claude Code som sin främsta AI-kodningsassistent. Teamet använde Anthropic-modeller för sina AI-agenter, med direkt anslutning via Anthropic API och via AWS Bedrock.
AI-användning blir betydligt mer värdefull när teamen kan koppla tekniken direkt till sitt dagliga arbete. AI-bootcampens sprintar gav ingenjörerna ett strukturerat sätt att experimentera med verkliga utmaningar i stället för teoretiska exempel.
Lösningen: AI-sprintar baserade på verkliga utmaningar inom ingenjörsarbetet
Tillsammans skapade vi ett praktiskt arbetssätt för AI-experiment som fokuserade på utmaningar från Vaisalas ingenjörers dagliga arbete.
Före den första sprinten intervjuade vi nyckelintressenter för att förstå Vaisalas mål och säkerställa att sessionerna fokuserade på relevanta prioriteringar inom verksamhet och ingenjörsarbete.
I stället för att arbeta med konstruerade övningar tog ingenjörerna med sig verkliga utmaningar från sitt dagliga arbete till sessionerna. Med vägledning från våra rådgivare följde teamen en praktisk process för att:
Identifiera repetitiva eller tidskrävande uppgifter i det dagliga arbetet.
Omvandla dessa utmaningar till tydliga, testbara hypoteser för AI-stödda lösningar.
Bygga och testa fungerande agenter med Claude Code och AWS Bedrock.
Dela återanvändbara Claude Code-konfigurationer, hooks och skills över teamgränser för att lösa den vanliga utmaningen med isolerat lärande.
Demonstrera sina lösningar för interna intressenter och ledande chefer.
Detta gav deltagarna möjlighet att experimentera med AI i en miljö som var direkt kopplad till deras eget arbete.
Jag är imponerad av den avkastning på investeringen som ni skapade redan i den första iterationen av AI-sprinten. Vi är fascinerade av resultaten och ser fram emot att se mer!
Resultatet: Praktisk AI-erfarenhet och en modell för skalning
Det praktiska formatet gav ingenjörerna erfarenhet av att använda AI för att hantera utmaningar i sitt eget arbete.
Under samarbetet utvecklade och validerade deltagarna hypoteser för att minska friktionen i ingenjörsarbetet och byggde fungerande autonoma agenter. Att presentera lösningarna för ledningen bidrog också till att göra AI:s potential mer konkret i hela organisationen. Efter åtta sprintar på fyra veckor testade vi över 40 hypoteser som skapats av nästan 300 ingenjörer.
Utöver de snabba resultaten på kort sikt skapade teamet även en tydlig färdplan för framtida skalning och utveckling i hela organisationen. Därmed etablerades en repeterbar modell för andra funktioner och produktlinjer.
- AI
- AWS
- DevOps
- Transformation
Related client stories
