AI i en befintlig .NET-applikation: fyra funktioner som lönar sig, och hur du bygger dem

De flesta .NET-applikationer i företag behöver inte skrivas om för AI. De behöver en eller två funktioner som tar bort manuellt arbete: läsa dokument, sortera inkommande ärenden, hitta svar i företagets egna data, skriva utkast som en person godkänner. I .NET 10 är byggstenarna för det här mogna. Det svåra är inte att anropa en modell. Det svåra är data, kostnader, integritet och att veta om resultatet stämmer.

Fyra funktioner som brukar löna sig

1. Läsa dokument

Fakturor, följesedlar, avtal och identitetshandlingar skrivs fortfarande in för hand i många företag. Azure AI Document Intelligence har färdiga modeller för fakturor, kvitton och identitetshandlingar, och returnerar varje fält med ett konfidensvärde. För dokument utan standardlayout gör en språkmodell med strukturerad output samma jobb.

Från vårt eget arbete: en applikation som skannade identitetshandlingar med ett dyrt kommersiellt SDK läser nu den maskinläsbara zonen direkt i webbläsaren och skickar bara resten till Document Intelligence. Samma resultat för användarna, en bråkdel av licenskostnaden.

2. Sortera och fördela

E-post, supportärenden, beställningar, reklamationer. En modell läser texten och returnerar en kategori, en prioritet och de fält du behöver, som ett typat objekt som din kod kan agera på. Människor tittar bara på de fall där modellen är osäker.

3. Söka i egna data

Manualer, avtal, gamla ärenden, produktdata. Texten delas upp i bitar, görs om till embeddings och lagras för vektorsökning. En fråga hämtar de närmaste bitarna, och modellen svarar utifrån dem, med länkar till källorna. SQL Server 2025 har en inbyggd vector-typ och EF Core 10 stöder den, så för många applikationer kan sökningen ligga i den databas du redan har.

4. Skriva utkast

Svar till kunder, sammanfattningar av långa trådar, produktbeskrivningar på flera språk. Modellen skriver första versionen och en person godkänner den. Här är tidsvinsten enklast att mäta.

Byggstenarna i .NET

Microsoft.Extensions.AI är den gemensamma abstraktionen: IChatClient för språkmodeller och IEmbeddingGenerator för embeddings. Samma kod fungerar med Azure OpenAI, OpenAI eller en lokal modell, och cachning, loggning och OpenTelemetry läggs till som middleware:

IChatClient innerClient = new AzureOpenAIClient(endpoint, credential)
    .GetChatClient("your-deployment")
    .AsIChatClient();

builder.Services.AddDistributedMemoryCache();
builder.Services.AddChatClient(innerClient)
    .UseDistributedCache()
    .UseOpenTelemetry();

Att få tillbaka ett typat resultat från modellen tar några rader:

public record SupportTicket(string Category, string Priority, string CustomerId, string Summary);

var response = await chatClient.GetResponseAsync<SupportTicket>(
    $"Classify this support email and extract the fields:\n\n{emailText}");

SupportTicket ticket = response.Result;

Azure AI Document Intelligence har ett .NET SDK (Azure.AI.DocumentIntelligence) för sina färdiga och egna dokumentmodeller.

Vektorsökning i EF Core 10 använder SqlVector<float>-egenskaper och EF.Functions.VectorDistance på SQL Server 2025 eller Azure SQL. När data ligger någon annanstans gör Azure AI Search eller PostgreSQL med pgvector samma jobb.

Det som får det att fungera i produktion

Demos hoppar över den här delen, och det är här det mesta av arbetet ligger.

• Vet vart data tar vägen. Bestäm vilka fält som över huvud taget lämnar ditt system. För data från EU, använd en driftsättning som håller behandlingen inom EU och skriv under leverantörens personuppgiftsbiträdesavtal. Azure OpenAI använder inte kunddata för att träna modeller.
• Mät kvaliteten på dina egna data. Samla några hundra verkliga exempel med rätt svar, och mät före och efter varje byte av prompt, modell eller dokumenttyp.
• Planera för osäkerhet. Använd konfidensvärden och skicka osäkra fall till en person i stället för att gissa. Timeouts, nya försök och en manuell reservväg är en del av designen, inte en eftertanke.
• Håll koll på kostnaderna. Kostnaden är tokens per anrop gånger volym. Cacha upprepade anrop, använd mindre modeller för enkla uppgifter och logga förbrukningen per funktion.
• Behandla dokument och e-post som opålitlig indata. Text kan innehålla instruktioner riktade till modellen. Modellen föreslår, din kod kontrollerar och bestämmer.
• Berätta för människor när de pratar med AI. Sedan 2 augusti 2026 kräver EU:s AI-förordning att användare informeras när de interagerar med ett AI-system, om det inte är uppenbart.

Var du ska börja

Välj en process med mycket manuellt arbete och ett tydligt mått på framgång, till exempel fakturor som skrivs in för hand. Bygg en liten version på verkliga data, mät träffsäkerhet och kostnad per dokument, och koppla den först därefter till resten av systemet. Några veckor av det här säger mer än månader av planering.

Så arbetar vi

ProCoding är en .NET-studio från Split i Kroatien, och att föra in AI i befintliga .NET-applikationer är precis det vi gör: dokumentläsning, sortering och fördelning, sökning i egna data och utkast till text, inbyggt i det system du redan har, med Azure OpenAI i din egen prenumeration. Vi börjar med en process, mäter träffsäkerhet och kostnad på dina verkliga data, och kopplar den först därefter till resten av systemet. Det första steget är ett kostnadsfritt samtal på 30 minuter.

Källor

• Microsoft.Extensions.AI-bibliotek, Microsoft Learn
• Använda IChatClient-gränssnittet, Microsoft Learn
• Azure AI Document Intelligence, Microsoft Learn
• Vektorsökning i EF Core-providern för SQL Server, Microsoft Learn
• Artikel 50: Transparensskyldigheter, EU AI Act