# T1K — AI-First Technology Delivery

> We build AI-driven systems that work in production. From conversation to deployment in weeks, not months.

T1K (Tänk Tusen) is an AI-first technology delivery company based in Sweden. We take projects from conversation to deployment — AI generates code, senior experts own the process, and you get production systems in weeks, not months. Our named products include T1K Pay, Tallyo (invoice SaaS), Keyflow, and Tajmad (event platform).

## Pages

- [Home](https://t1k.se/): Main landing page
- [Services - T1K](https://t1k.se/services): AI production systems, due diligence, component platform and operations. We build the entire chain.
- [Our Approach - T1K](https://t1k.se/approach): AI-first, not AI-only. AI generates code, senior experts own the process, you get production systems.
- [Contact - T1K](https://t1k.se/contact): Describe your challenge — we'll respond with a concrete plan and fixed price.
- [Case Studies - T1K](https://t1k.se/case-studies): Real deliveries with AI-first methodology. From voice recording to production.

## Case Studies

### [AI-analysverktyg för leveransflöden](https://t1k.se/case-studies/ai-analysverktyg)

Röstbaserad specifikation till fungerande prototyp på dagar. Ingen traditionell kravspecifikation.

![Data först vs visualisering först](/static/images/heroes/ai-analysverktyg.png)

## Röstbaserad specifikation till prototyp på en månad

En managementkonsultfirma inom IT-styrning behövde ett verktyg för att analysera leveransflöden hos sina kunder. Traditionell utveckling hade tagit ett år. Vi levererade en fungerande prototyp på en månad — utan ett enda kravdokument.

## Utmaningen

Konsultfirman hade en tydlig vision: hjälpa sina kunder förstå var arbete fastnar i organisationen. Men att omsätta den visionen till ett fungerande verktyg innebar flera hinder.

Traditionell kravspecifikation passar inte domänexperter. De vet vad de vill se, men att formulera det i tekniska dokument tar veckor och resulterar ofta i missförstånd. När specen väl är klar har behoven förändrats.

BI-verktyg kräver ren data först. Innan man kan visualisera något måste data tvättas, struktureras och valideras. Det projektet i sig tar månader.

Beslutsfattare förstår inte tekniska dashboards. Även om verktyget byggs rätt behöver slutprodukten vara så enkel att en chef kan agera på den utan teknisk bakgrund.

## Varför inte börja med visualiseringen?

Det finns verktyg som Lovable och liknande där man börjar med att designa gränssnittet. Rita upp hur dashboarden ska se ut, definiera vilka grafer som ska finnas, bestäm layout. Sedan fyller man på med data.

Det låter intuitivt — men det fungerar sällan för analysverktyg.

**Problemet med visualisering först:**

Utan data vet man inte vad som är intressant. Konsulterna hade idéer om vad de ville se — "var arbete fastnar" — men de visste inte *hur* det skulle visualiseras förrän de såg verklig data. Vilka mönster finns? Vilka avvikelser är relevanta? Det går inte att rita en graf för något man inte har sett.

Mockups skapar falska förväntningar. En snygg skiss med påhittad data ser bra ut i presentationer. Men när verklig data laddas in stämmer inget. Skalor blir fel, kategorier saknas, mönster syns inte. Iterationen börjar om från noll.

BI-projekt som börjar med visualisering fastnar i datakurering. "Den här grafen kräver att datat ser ut så här." Veckor går åt till att tvätta, strukturera och anpassa data till en förutbestämd design. Om designen var fel från början — vilket den ofta är — har man slösat månader.

**Data först vänder på logiken:**

Vi börjar med vad som *finns*, inte med vad vi *tror* ska finnas. AI tolkar datat semantiskt och föreslår vad som är intressant. Visualiseringen växer fram ur vad datat faktiskt visar. Ingen tid slösas på att kurrera data till en design som sedan måste ändras.

## Arbetsprocessen

Vi använde en helt annan approach — en som utgår från hur domänexperter faktiskt tänker och kommunicerar.

### Steg 1: Röstinspelning av krav

Istället för att skriva dokument spelade konsulterna in sina tankar muntligt. Vi kallar det "svamla" — medvetet ostrukturerat, verbalt, med alla nyanser och osäkerheter intakta.

Ett typiskt inspelat segment kunde låta så här: "Vi vill kunna se var arbete fastnar... alltså, det handlar om att förstå flödet genom organisationen... ibland stannar saker i review för länge, ibland är det prioriteringar som ändras mitt i... och sen är det det här med att folk jobbar på för många saker samtidigt..."

Ju mer kontext, desto bättre. Tvekan, omformuleringar och sidospår är värdefulla — de avslöjar komplexitet som ett polerat kravdokument hade dolt.

### Steg 2: AI bearbetar och ställer följdfrågor

Inspelningen transkriberades och analyserades. AI:n genererade specifika följdfrågor baserat på oklarheter och antaganden:

- "Vad menar ni med 'fastnar' — att ärenden står i samma status länge, eller att de bollas fram och tillbaka?"
- "Vilka statusar i projekthanteringssystemet signalerar väntan vs aktivt arbete?"
- "Hur definierar ni 'för lång tid' — finns det olika förväntningar för olika ärendetyper?"
- "När ni säger 'för många saker samtidigt' — tittar ni på individnivå, teamnivå eller båda?"

Konsulterna svarade muntligt igen. Varje svar genererade nya, mer specifika frågor. Efter tre-fyra rundor hade vi en implicit specifikation som fångade vad de faktiskt menade — inte vad de trodde att de behövde skriva.

### Steg 3: Data laddas in utan kurering

Vi hämtade rådata direkt från kundens projekthanteringssystem — tusentals ärenden med historik, statusövergångar och metadata. Ingen tvättning, ingen strukturering i förväg.

AI tolkade datat semantiskt: "Det här fältet verkar beskriva ärendetyp, även om det heter olika saker i olika projekt." "De här tre statusarna verkar alla betyda 'väntar på någon annan'." "Det finns ett mönster där ärenden ofta går tillbaka från 'review' till 'in progress'."

Tolkningarna presenterades för validering: "Stämmer det att 'Blocked' och 'Waiting for info' båda betyder extern blockering?" Konsulterna bekräftade eller korrigerade. Kontexten byggdes upp iterativt.

### Steg 4: Prototyp på dagar

Första visualiseringen var klar inom dagar, inte månader. Inte en mockup med påhittad data — en fungerande prototyp med kundens verkliga ärenden.

Dashboarden visade: genomsnittlig cykeltid per ärendetyp, andel ärenden som flyttas mellan sprintar, var i flödet ärenden stannade längst, kopplingar mellan ärenden som AI identifierat semantiskt.

Siffrorna var verkliga. Mönstren var synliga. Problemen gick inte längre att ignorera.

### Steg 5: Iteration baserad på feedback

Konsulterna såg resultatet och gav omedelbar feedback:

"Den här metriken förstår inte våra kunder — kan vi visa det enklare?"
"Varför är den där stapeln röd? Vad är gränsvärdet?"
"Kan vi se samma data men uppdelat per team?"
"Det där diagrammet är för komplext — våra chefer kommer inte förstå det."

Vi justerade och körde igen. Varje iteration tog timmar, inte veckor. Efter tre-fyra rundor hade visualiseringen landat i något som både var tekniskt korrekt och kommunicerade tydligt till beslutsfattare.

## Designprinciper

Under arbetet kristalliserades tre principer som vi nu tillämpar generellt.

**"Femåringsnivå" för beslutsfattare.** Visualiseringen måste vara så enkel att en chef kan förstå den utan förklaring. Röd betyder dåligt, grönt betyder bra. Inga komplexa beräkningar synliga.

**Tröskelvärden per organisation.** Vad som är "bra" eller "dåligt" varierar mellan organisationer. 50% eftersläpning kan vara acceptabelt för en verksamhet men katastrofalt för en annan. Systemet måste kunna konfigureras.

**Semantisk tolkning av data.** Istället för att kräva att kunden strukturerar sin data på ett visst sätt tolkar AI datat som det är. Olika projekthanteringssystem, olika arbetsflöden, olika terminologi — systemet anpassar sig.

## Resultat

Prototypen var redo för demo inför kundens branschnätverk inom två veckor från första samtalet. Ingen traditionell specifikation hade skrivits. Ingen data hade kurats i förväg. Konsulterna itererade på verkligt resultat istället för på papper.

Skillnaden mot traditionell utveckling är fundamental. Vi börjar inte med vad vi ska bygga — vi börjar med vad vi vill se. Data och visualisering kommer före arkitektur och specifikationer. Iterationen sker på fungerande kod, inte på dokument.

Det här är hur vi bygger.

### [Tallyo — Invoice SaaS](https://t1k.se/case-studies/tallyo)

From idea to production-ready SaaS in one month. 50,000+ lines of code.

## From Idea to Production-Ready SaaS in One Month

Tallyo is a complete invoice and document management system built as a multi-tenant SaaS. From first idea to 8+ customers in production — with full data isolation, authentication, and Swedish data sovereignty.

## The Challenge

The invoice solutions market is dominated by large players with complex systems. What was needed was a fast, focused solution that could be operated by a single person but scale to many customers — without compromising security or data integrity.

## The Solution

T1K built the entire system using an AI-first methodology: data models and business logic first, interface second. The result was 50,000+ lines of production code with 31+ API endpoints covering the full chain from document ingestion to invoicing.

The multi-tenant architecture ensures that each customer's data is completely isolated, with authentication and permission controls enforced throughout the entire stack.

## Results

- **8+ customers** in active production
- **50,000+ lines of code** at production quality
- **31+ API endpoints** covering the complete business flow
- **Swedish data sovereignty** — all data on owned servers

Tallyo demonstrates that SaaS systems which would normally take a full development team months to build can be delivered by one person with the right AI tools and a methodical approach. The key is to start with the data, not the interface.

### [Cycling Coach — Voice Call to Website](https://t1k.se/case-studies/cykelcoach)

A 15-minute phone call became a complete landing page. Live the same day.

## From Phone Call to Live Site in a Day

A cycling coach needed a professional website but had neither the time nor the interest to write copy or produce requirement specifications. With T1K's voice-first approach, a 15-minute phone call and 9 photos became a complete landing page — live the same day.

## The Challenge

Many small business owners and solopreneurs are experts in their field but lack the time and knowledge for web development. Traditional processes demand requirement documents, wireframes, and multiple rounds of iteration. The cycling coach wanted a site that represented his business — without having to write a single line of text.

## The Solution

The process was simple and fast:

**A 15-minute phone call** where the cycling coach talked about his business, his services, and what makes him unique. **9 photos via email** as visual material. **One voice message** with minor adjustments after the first draft.

T1K's AI analyzed the call, extracted key messages and tone, and generated a complete landing page. The client didn't write a single word — everything came from his voice.

## Results

- **15-minute call** as the sole brief
- **9 photos** delivered via email
- **Live the same day** — from call to production within a single working day
- **Zero written text** from the client

This case shows that T1K's voice-to-production method works at every scale. The same principle that powers complex SaaS systems can deliver a professional website in a matter of hours. Voice captures what text misses — tone, passion, and the unspoken details that make a site feel genuine.

### [AI Chatbot — Healthcare Company](https://t1k.se/case-studies/ai-chatbot)

From voice recording to production: 30 minutes.

## From Voice Recording to Production in 30 Minutes

A healthcare company needed a website with a built-in AI chatbot. Traditionally, that would have meant weeks of requirements specification, prototypes, and iterations. Instead, the company's CTO described the requirements in a 3-minute voice recording.

## The Challenge

The healthcare company wanted a chatbot that could answer questions about their services — without hallucinations. In an industry where incorrect information can have serious consequences, the requirement was clear: data-first with zero tolerance for fabricated answers.

## The Solution

Using T1K's voice-to-requirements process, the CTO's voice recording was analyzed and converted into a production-ready specification. AI generated the system based on 1.5 MB of data input, using a two-prompt approach that ensured the chatbot only responded based on verified data.

Complete system in production after 30 minutes — including website, chatbot, and data integration.

## Results

- **Half an hour** from requirements to production
- **1.5 MB of data input** as the foundation for the chatbot's knowledge base
- **Zero hallucinations** thanks to a data-first architecture
- **Two-prompt approach** for quality-assured AI generation

> "The CTO described the requirements verbally. Half an hour later, the system was live."

This case illustrates the core of T1K's approach: voice captures intent and nuance that written specifications miss. AI does the heavy lifting, but the process is owned by senior experts who ensure production quality.

### [Competitive Intelligence — Scrape-to-Insight](https://t1k.se/case-studies/konkurrensbevakning)

Automated monitoring of 35 competitors with local data storage and AI analysis.

## From Raw Data to Structured Market Intelligence

A company needed systematic monitoring of its competitors. Manual analysis was time-consuming and inconsistent. T1K built an automated system that scrapes, stores, and analyzes data from 35 competitors — entirely on local infrastructure.

## The Challenge

Competitive intelligence requires continuous data collection from many sources, structuring of unstructured data, and analytical processing. Data sensitivity was also high — the information could not leave the company's control or be stored with a third party.

## The Solution

T1K built a complete scrape-to-insight pipeline:

**Data collection** — automated scraping of 35 competitors' digital presence. **Local storage** — all data stored on their own servers, no third-party exposure. **AI analysis** — structured processing that transforms raw data into actionable insights and visualizations.

The system runs continuously, building a historical database that enables trend analysis over time.

## Results

- **35 competitors** under continuous monitoring
- **Local data storage** — full control, no third-party risk
- **AI-driven analysis** — automatic structuring and insight generation
- **Swedish data sovereignty** throughout the entire chain

This case demonstrates T1K's data-first approach in practice: start with data collection and structure, then layer AI analysis on top. The result is a system that delivers ongoing value without manual effort.

### [Mustaschmilen (Tajmad) — Event Platform](https://t1k.se/case-studies/tajmad)

Complete event management with app, backend, and payments. 200+ transactions per day.

## Complete event platform — one person instead of a team

Mustaschmilen is a cycling event that required a complete digital platform: a customer-facing application, a backend service, and an integrated payment solution. With T1K's approach, a single person now handles what previously required an entire team.

## The challenge

Event management involves complex flows: registration, timing, payment, and results handling — all in real time under heavy load. The solution needed to be robust enough to handle 200+ transactions per day without interruption.

## The solution

T1K delivered the entire chain as an integrated system:

**Customer application** for registration and participant management. **Backend service** for transaction handling, timing, and results. **T1K Pay integration** for seamless payment directly within the flow.

By building all three components as a coherent architecture, the integration issues that typically arise when separate systems need to communicate were eliminated entirely.

## Results

- **Customer app + backend + payments** — complete chain
- **200+ transactions per day** in stable production
- **One person** manages the entire operation
- **T1K Pay** for an integrated payment solution

The Tajmad case demonstrates the strength of T1K's complete chain: problem → solution → delivery → payment, all from a single point of contact. Instead of coordinating multiple vendors, the client gets a system that works as one unit.