> For the complete documentation index, see [llms.txt](https://library.zoom.com/llms.txt). Markdown versions of documentation pages are available by appending `.md` to page URLs; this page is available as [Markdown](https://library.zoom.com/technical-library/sv/ai/ai-whitepaper/introduction-ai-at-zoom.md).
# Introduktion: AI på Zoom
Artificiell intelligens utvecklas snabbt och blir en integrerad del av vardagen, och driver allt från stora och små språkmodeller till specialiserade algoritmiska funktioner. Medan generativ AI möjliggör sömlös interaktion mellan människor och maskiner för innehållsskapande, problemlösning och beslutsfattande, finns AI också i mer specialiserade applikationer. Automatiseringsverktyg effektiviserar arbetsflöden, medan tjänster som textning och översättning bryter ner kommunikationsbarriärer och gör samarbete mer effektivt och tillgängligt. När AI fortsätter att utvecklas förändrar dess applikationer branscher genom att förbättra effektivitet, noggrannhet och innovation, och omformar i grunden hur företag arbetar.
Med AI:s växande roll på den moderna arbetsplatsen förklarar detta dokument hur AI används på Zoom-plattformen. Det beskriver Zooms gemensamma AI-grund, de produktspecifika AI-funktionerna som är inbyggda i olika Zoom-produkter, och ZoomMate som den bredare AI-arbetsytan som hjälper användare att gå från samtal till slutförande. Tillsammans är dessa avsnitt avsedda att hjälpa läsarna förstå hur Zoom använder AI inom kommunikation, samarbete, produktivitet och uppföljning.
## **Zoom AI**
Zoom AI är det gemensamma lagret för artificiell intelligens som driver AI-aktiverade upplevelser på Zoom-plattformen. Det omfattar det bredare utbudet av AI-tekniker, modeller och stödsystem som Zoom använder för att leverera intelligenta funktioner i sina produkter. I praktiken är Zoom AI grunden som gör det möjligt för Zoom att erbjuda AI-assisterade upplevelser inom kommunikation, samarbete, produktivitet och uppföljning, i stället för att begränsa AI till en enda fristående funktion eller applikation.
Detta gemensamma AI-lager stöder ZoomMate såväl som ett brett utbud av produktspecifika funktioner, inklusive sådana som realtidsöversättning, transkription, frågor under möte, personlig ljudisolering, chattkomponering och andra AI-assisterade upplevelser. Det omfattar Zooms multi-modell- och multi-distributionsansats till AI, inklusive dess federerade arkitektur, Zoom-hostade modeller Plus (ZM+), Endast Zoom-hostade modeller (ZMO) och lokala AI-erbjudanden. Tillsammans utgör dessa ansatser den tekniska grunden för AI på Zoom-plattformen.
## **AI-funktioner**
#### AI-funktioner: Inbäddade AI-funktioner som ger fokuserat stöd i Zoom-produkter
Zoom AI-funktioner är produktspecifika funktioner som använder artificiell intelligens i särskilda Zoom-produkter och arbetsflöden, och de är vanligtvis inbäddade direkt i produktupplevelsen där uppgiften utförs. De är utformade för att hjälpa till med specifika aktiviteter som att sammanfatta ett möte, skriva ett chattmeddelande, föreslå ett e-postsvar, besvara en fråga under ett live-möte eller generera en sammanfattning efter samtal.
Dessa funktioner kan fungera på egen hand i den produkt där de visas, men de kan också skapa resultat som stöder bredare ZoomMate-upplevelser. Till exempel kan en mötessammanfattning som skapats efter ett Zoom-möte senare bli användbar kontext för ZoomMate, medan en funktion som Chattkomponering eller frågor under möte främst är utformad för att hjälpa i den omedelbara produktupplevelsen. På så sätt är Zoom AI-funktioner det distribuerade AI-lagret på produktnivå över Zoom.
Exempel är funktioner i möten, chatt, whiteboard, event, post, kalender och telefon, till exempel mötessammanfattningar, frågor under möte, transkription, My Notes, chattkomponering, chattsammanfattning, kanalsammanfattningar, översättning, e-postutkast och svar, schemaläggningsassistans, samtalssammanfattningar, röstbrevlådefunktioner och uppgiftsutdragning.
## **ZoomMate**
#### ZoomMate: Din intelligenta kollega i Zoom Workplace som hjälper dig att åstadkomma mer från samtal till slutförande
ZoomMate är en intelligent, konversationsbaserad digital teamkamrat i kärnan av Zoom Workplace-plattformen, utformad för att öka produktiviteten, effektivisera samarbetet och minska medarbetarnas arbetsbörda.
Varje dag blir AI-verktyg alltmer integrerade i den moderna arbetsstyrkan och är inte längre begränsade till att utföra specifika uppgifter — som att automatisera datainmatning, skriva e-post, generera rapporter eller utföra grundläggande algoritmiska funktioner. I stället representerar framväxande AI-verktyg ett transformativt skifte som i grunden förändrar hur vi arbetar. ZoomMate exemplifierar detta genom att gå längre än enkel uppgiftsautomatisering och fungera som en dedikerad teamkamrat som hjälper användare att åstadkomma mer från samtal till slutförande.
Till exempel kan man tänka sig en ledare inom Försäljning som förbereder sig för ett kundmöte med höga insatser. Arbetet kan börja med ett nyligt Zoom-möte där teamet diskuterar kundens prioriteringar, konkurrensrisker och öppna tekniska frågor. Utifrån det samtalet kan Zooms AI-funktioner generera en mötessammanfattning, identifiera åtgärdspunkter och lyfta fram de uppföljningsansvar som tilldelats olika teammedlemmar. En användare kan sedan vända sig till ZoomMate för att fortsätta arbetet därifrån i stället för att börja om i ett separat verktyg.
Med kontext från hela Zoom Workplace och anslutna system kan ZoomMate samla in mötessammanfattningen, granska relaterade chattdiskussioner, använda stödmaterial i Zoom Canvas, hämta kontokontext från ett anslutet CRM och införliva ytterligare research från godkända interna eller externa källor. Utifrån den samlade kontexten kan ZoomMate hjälpa till att ta fram en kundgenomgång, skriva en disposition för ett förslag, skapa uppföljningsuppgifter och generera ett strukturerat strategidokument. Om användaren behöver presentera arbetet kan ZoomMate också hjälpa till att omvandla samma underliggande kontext till presentationsmaterial med hjälp av Zoom Slides.
Det som gör ZoomMate annorlunda än en konventionell generativ AI-assistent är att arbetet inte stannar vid sammanfattning eller utkast. ZoomMate kan hjälpa till att föra kontexten vidare genom hela processen, från den ursprungliga konversationen till de beslut som fattats och vidare till de dokument och åtgärder som följer. I den bemärkelsen fungerar ZoomMate mindre som ett verktyg för ett enda syfte och mer som en arbetskamrat som hjälper användare att koppla samman information, samordna uppföljning och omvandla pågående arbete till färdiga resultat.
## **Gränssnittsprotokoll**
Innan vi går vidare till mer detaljerade funktioner och dataflöden är det hjälpsamt att förstå några av de underliggande protokoll som hjälper till att driva Zooms AI-funktioner. Det här avsnittet förklarar Model Context Protocol (MCP), en av de ledande interoperabilitetsstandarderna som hjälper AI att ansluta till verktyg, data, arbetsflöden och andra agenter.
### Model Context Protocol
#### Model Context Protocol (MCP): En standard för hur AI ansluter till verktyg för att åstadkomma mer
Som en del av sin AI-arkitektur använder Zoom Model Context Protocol (MCP) — en öppen standard som möjliggör säkra anslutningar mellan modeller, verktyg, datakällor och arbetsflöden. MCP spelar en nyckelroll i utvecklingen av agentisk AI genom att ersätta behovet av specialanpassade integrationer som varje företag annars måste bygga och underhålla separat. I stället tillhandahåller den ett gemensamt, strukturerat ramverk som exponerar funktioner för AI-modeller på ett konsekvent sätt. Denna grund gör att AI-system kan agera mer som intelligenta agenter — genom att inte bara svara på frågor, utan också vidta åtgärder direkt i de system som användarna förlitar sig på.
Se Zooms utvecklardokumentation för mer information om [MCP hos Zoom](https://developers.zoom.us/docs/mcp/).
#### Hur MCP fungerar i praktiken — som att beställa från en meny
Kärnan i MCP är att det bygger på en klient–servermodell. Tänk dig AI-miljön (som ChatGPT eller Claude) som en klient som vill få arbete gjort, och externa system (som Jira, Confluence eller en databas) som servrar som publicerar vad de kan göra. Varje server tillhandahåller en tydlig lista över funktioner — som ”sök kunskapsbas” eller ”skapa uppgift”. AI-klienten avgör sedan, mitt i ett samtal, när och hur dessa funktioner ska användas.
Med andra ord är det som att beställa på en restaurang att ansluta AI till en MCP-server. Du (AI:n) går in på en restaurang, får en meny (en lista över tjänster eller funktioner som är tillgänglig via MCP-servern) och säger vad du vill ha, och den svarar. Det finns inget gissande om vad som finns tillgängligt eller inte — allt finns med i menyn från början.
Följande avsnitt ger ytterligare detaljer om hur MCP fungerar:
#### Steg 1: Exponera funktioner genom servrar
Alla system kan köra en MCP-server. Den servern fungerar som ”menyn” och publicerar en strukturerad beskrivning av de åtgärder den stöder. Till exempel kan Jira publicera funktioner som ”sök ärenden” eller ”uppdatera ärende”. Eftersom dessa funktioner följer MCP:s gemensamma format kan AI:n förstå dem direkt utan specialanpassad utveckling.
#### Steg 2: AI fungerar som en klient
På den andra sidan spelar AI-miljön rollen som klient. Den läser menyn med tillgängliga funktioner, kommer ihåg dem och avgör vilka som ska anropas när den svarar en användare. Det betyder att AI:n inte behöver programmeras i förväg med tusentals möjliga integrationer — den lär sig helt enkelt vad som finns tillgängligt när anslutningen upprättas.
#### Steg 3: Förmedla kontext på ett säkert sätt
MCP definierar också hur kontext och behörigheter förs vidare. Detta hjälper till att säkerställa att när AI:n använder en funktion gör den det endast inom gränserna för vad användaren får åtkomst till. Om en användare till exempel har behörighet att bara se sitt teams Jira-ärenden ser MCP till att AI:n respekterar den omfattningen. Detta säkerhetslager är det som gör MCP praktiskt för Enterprise-användning, där känsliga data och åtkomstkontroller inte är förhandlingsbara.
#### Varför MCP är viktigt
Genom att standardisera hur AI ansluter till externa system tar MCP bort friktionen från specialanpassade integrationer och säkerställer säkerhet och konsekvens. Användare drar nytta av det eftersom AI:n inte bara kan svara på frågor utan också vidta välgrundade åtgärder över en mängd olika verktyg på ett sätt som känns sömlöst och säkert.
---
# Agent Instructions
This documentation is published with GitBook. GitBook is the documentation platform designed so that both humans and AI agents can read, navigate, and reason over technical content effectively. Learn more at gitbook.com.
## Querying This Documentation
If you need additional information that is not directly available in this page, you can query the documentation dynamically by asking a question.
Perform an HTTP GET request on the current page URL with the `ask` query parameter, and the optional `goal` query parameter:
```
GET https://library.zoom.com/technical-library/sv/ai/ai-whitepaper/introduction-ai-at-zoom.md?ask=&goal=
```
`ask` is the immediate question: it should be specific, self-contained, and written in natural language.
`goal` is optional and describes the broader end goal you are ultimately trying to accomplish on behalf of the user. GitBook uses it to tailor the answer towards what is most useful for that goal.
The response will contain a direct answer to the question and relevant excerpts and sources from the documentation.
Use this mechanism when the answer is not explicitly present in the current page, you need clarification or additional context, or you want to retrieve related documentation sections.