Spring til indhold
Gathena

Cases · DuffBeauty på Google Cloud

En bogholderiagent forbereder posteringerne, og bogholderen godkender dem.

DuffBeauty er en detailkoncern med flere butikker og ét lille økonomiteam. Vi byggede fire ting i denne rækkefølge: data pipelines, et data warehouse, bogholderiagenten og en forbindelse fra Claude Team, så medarbejderne kan stille spørgsmål til deres egne data. En builder agent byggede alle fire og vedligeholder dem.

I jeres fag Bogholderi og regnskab Økonomi og forecasting Rapportering og business intelligence

Bygget i denne rækkefølge

  1. 1Pipelines og data warehouset
  2. 2Bogholderiagenten
  3. 3MCP-serverne: medarbejderne stiller spørgsmål til deres egne data
  4. 4Builder agenten

Situationen

  • Flere butikker, et økonomisystem, et lager- og ERP-system og et økonomiteam, der besvarede hvert spørgsmål ved at eksportere regneark.
  • Koncernen ønskede, at en agent forberedte posteringerne, og at et menneske godkendte dem i økonomisystemet. Medarbejderne skulle også kunne stille spørgsmål til data direkte i det AI-værktøj, de allerede brugte.
  • Koncernen ville ikke være afhængig af en platform, vi ejer. Data, pipelines, data warehouset og agenternes værktøjer ligger i koncernens eget Google Cloud-projekt, og koncernen styrer selv adgangen.
Koncernens eget Google Cloud-projekt Økonomi Lager Butikker Valutakurser PipelinesCloud Run-jobsét natligt workflowrå filer gemt BigQueryraw · staging · core · marts Bogholderiagentforbereder posteringerne MCP-serverepå Cloud Run, med login Økonomi bogholderen godkender her, i økonomisystemet Medarbejdere i Claude Teamstiller spørgsmål, får bilagene Builder agentbygger og vedligeholder det hele · guardrails, kontroller, beslutningsnotater · spørger før hver ændring

Hele platformen trin for trin, med begrundelsen og sikringen ved hvert trin, finder I i en teknisk guide under Ressourcer.Se, hvordan den er bygget →

Delene og agenten, der byggede dem

  1. 1. Pipelines og data warehouset

    Kommer ind
    Hver nat: økonomisystemet, lagersystemet, hver butik og dagens valutakurser.
    Agenten
    Planlagte kørsler henter data fra hver kilde gennem én fælles klient pr. system. De rå filer gemmes uændret som dokumentation og indlæses i BigQuery i lag: raw, staging, core og økonomiklare marts. Her ligger finansposter, leverandørsaldi, ordrer og betalinger, fakturalinjer omregnet til hjemmevaluta og vareforbrug.
    Medarbejderne
    Ingen eksporterer et regneark for at besvare et spørgsmål. Økonomiteamet henter alle tal ét sted.
    Godkendelse
    "Handler selv", på faste tidspunkter. Ændrer en kilde sig, giver pipelinen besked i stedet for at gætte.
    Kan spores
    Hvert tal i en mart kan spores tilbage til den rå fil, det kom fra, og den nat, det ankom.
  2. 2. Bogholderiagenten

    Kommer ind
    Ordrer, betalinger og leverandørfakturaer fra data warehouset.
    Agenten
    Forbereder posteringerne. Agenten afstemmer, anvender koncernens bogføringsregler og omregner valuta. Den kontrollerer sit eget arbejde og skriver de foreslåede linjer i det format, økonomisystemet kan importere.
    Medarbejderne
    Bogholderen slipper for at indtaste og afstemme. Tiden går i stedet til undtagelserne og til at godkende linjerne samlet frem for én ad gangen.
    Godkendelse
    "Spørger først", altid. Agenten spørger inde i økonomisystemet, hvor bogholderen allerede arbejder, og intet bogføres, før et menneske har godkendt det dér.
    Kan spores
    Hver foreslået linje henviser til den ordre eller faktura, den kom fra, og den regel, der blev anvendt.
  3. 3. MCP-serverne: medarbejderne stiller spørgsmål til deres egne data

    Kommer ind
    "Hvorfor steg omkostningerne i den butik i sidste kvartal?" fra en medarbejder i Claude Team.
    Agenten
    Spørgsmålet går til en MCP-server. Det er et program, der giver jeres AI-assistent en fast defineret adgang til jeres data. Serveren kører på Cloud Run bag et login og læser kun det, medarbejderen må se. Den svarer med tallene og bilagene bag dem. Udtræk sendes som filer, teamet kan åbne.
    Medarbejderne
    Den, der før byggede regnearket, læser nu svaret og bruger tiden på at forstå, hvad det betyder.
    Godkendelse
    "Handler selv" ved spørgsmål inde i virksomheden. "Spørger først", før et tal forlader den.
    Kan spores
    Hvert svar gemmes med sin forespørgsel og de tabeller, der blev læst.
  4. 4. Builder agenten

    Kommer ind
    En ny kilde, et ændret felt eller et nyt spørgsmål, som økonomiteamet vil have besvaret.
    Agenten
    En agent arbejder i Claude Code inden for projektets egne regler. Reglerne omfatter et skrevet scope før hver pipeline, en datakontrakt pr. tabel, guardrails, kontroller og beslutningsnotater. Agentens opsætningsscripts viser en plan og ændrer intet, før et menneske har godkendt den. Agenten skriver og vedligeholder pipelines, test og MCP-servere.
    Medarbejderne
    Operatøren er den person i koncernen, der tjekker og godkender agenternes arbejde. Her skriver operatøren ikke data pipelines selv, men gennemgår en plan og godkender den. Hver ændring i clouden venter på operatørens godkendelse.
    Godkendelse
    "Operatøren godkender" hver ændring i clouden. En ændring i produktion kræver en ekstra, udtrykkelig godkendelse.
    Kan spores
    Hver væsentlig ændring bliver logget med et id, og hver beslutning har et notat.

Teknologivalg og begrundelser

Vi har truffet valgene selv, og vi ville træffe dem igen. Hvert valg har én begrundelse.

Google Cloud, i koncernens eget projekt
Data bliver hos koncernen, koncernen styrer selv adgangen, og intet flyttes over på en platform, vi ejer.
BigQuery i lag: raw, staging, core, marts
Hvert økonomiklart tal kan spores gennem lagene tilbage til sin rå fil.
Cloud Run-jobs, ét natligt Workflow, Cloud Scheduler
Det mindste antal tjenester, der kan køre en natlig pipeline pålideligt. Der er ingen orkestrator, som skal driftes.
Uændrede rå filer i Cloud Storage
De rå filer er dokumentationen. Bliver et tal betvivlet, ligger den fil, det kom fra, der stadig.
Ingen servicekontonøgler nogen steder: koden udrulles fra Git via Cloud Build, og hver pipeline kører med sin egen identitet
Der er ingen nøgle, som kan lække, og hver pipeline og hver server når kun det, den skal bruge.
Opsætningsscripts, der viser en plan og først udfører den efter godkendelse
Operatøren ser ændringerne, før de sker, og scriptene springer det over, der allerede findes.
MCP-servere på Cloud Run med login, ikke en delt API-nøgle
Hver medarbejder ser kun det, vedkommende må se. Adgangen er personlig og kan trækkes tilbage.
Kun læseadgang til kildesystemernes API'er, som koden håndhæver
Pipelines kan aldrig skrive tilbage i kildesystemerne.

Før og efter

  • For at besvare et spørgsmål om omkostninger måtte nogen trække data ud af tre systemer, og det tog to dage.

    Medarbejderen spørger i Claude Team og får svaret med de tilhørende bilag.

  • Posteringer blev indtastet og afstemt manuelt, én linje ad gangen.

    Agenten forbereder dem; bogholderen godkender dem samlet inde i økonomisystemet.

  • En ny kilde krævede et IT-projekt med et tilbud.

    Builder agenten skriver pipelinen ud fra et scope, og operatøren gennemgår planen.

Tech stacken i denne case

Vi nævner hvert produkt, så I kan se, om opsætningen passer til den tech stack, I allerede har.

Google Cloud

  • BigQuery
  • Cloud Run
  • Workflows
  • Cloud Scheduler
  • Cloud Storage
  • Secret Manager

AI-værktøjer og connectors

  • Claude Team
  • Claude Code
  • Model Context Protocol
  • GitHub

Produkt- og firmanavne og -mærker tilhører deres respektive ejere og bruges for at identificere de omtalte produkter. Ingen anbefaling eller partnerskab er underforstået. Google Cloud, BigQuery og Cloud Run er varemærker tilhørende Google LLC. Model Context Protocol-mærket ejes af LF Projects, LLC.

Kilder

Casen er skrevet 24. oktober 2026 ud fra projektet, som det er bygget; teknologihenvisningerne er tjekket samme dag.

DuffBeauty har sagt ja til at blive nævnt i casen.

Hvis jeres økonomiteam besvarer spørgsmål ved at eksportere regneark, så lad os tage en snak.

Book en samtale