Styrning som dina agenter kan följa, på uttalandenivå
De flesta plattformar lägger observerbarhet ovanpå agenternas utdata. Dictiva gör själva policyn maskinläsbar, verkställbar för agenter och redo för revision, ända från schemat.
Gratis för alltid med Community · MCP-åtkomst för agenter från Business
Dina agenter fattar beslut. Kan du bevisa att de följer policyn?
De flesta team lanserar AI-agenter med skyddsräcken utspridda över prompter, tillåtelselistor, regex-filter och regelkontroller i efterhand. När revisorer frågar ”vilken policy följde agenten när den utförde åtgärden?” är svaret sällan tillfredsställande.
Policyer finns i PDF-filer, SharePoint-mappar och Notion-sidor. Skyddsräcken finns i koden. Godkännandeflöden finns i Jira eller ingenstans. Granskningsspår finns i ett dussin instrumentpaneler hos LLM-leverantörer. Det finns ingen enda källa till sanning för policyer, och definitivt ingen som dina agenter kan läsa.
Policy som text räcker inte. Du behöver policy som data.
Sex förmågor som gör policyer körbara
Var och en finns i produkten i dag och bygger på en konkret funktion. Det som ännu inte finns har ett eget avsnitt längre ned, så det finns inga dolda luckor.
Maskinläsbara policyer byggda på uttalanden
Varje styrningsuttalande har modalitet, verkställighetsläge och tillämplighet per aktör: människa, agent eller båda. Policyer blir körbara från grunden i stället för vägledning som måste tolkas.
Lanserat: kolumnerna enforcementMode + actorApplicability i uttalandetabellen
Agentvägledning i varje policy
Strukturerad agentmetadata per uttalande: allowedActions, prohibitedActions, requiredContext, requiredApprovals, evidenceRequirements, escalationRules och failureMode, alla sökbara.
Lanserat: JSONB-kolumnen agent_guidance i hela uttalandeschemat
MCP-server för styrning i drift
Externa AI-agenter (Claude Code, Cursor, ChatGPT, Claude web) ansluter till din policykorpus via Model Context Protocol. Sex verktyg, två transporter och separat autentisering för läsning och skrivning.
Lanserat: /api/mcp (HTTP) + stdio-transport, 6 verktyg i drift
Fullständigt granskningsspår för agenter
Varje AI- och agentinteraktion loggas med prompter, svar, verktygsanrop, tokenförbrukning, latens och fel. Kan exporteras från Scale. Redo för regelefterlevnad från första dagen.
Lanserat: tabellen ai_audit_logs, 25 kolumner, 4 index
AI-kontextlager
Sex förankringsmoduler (uttalanden, regelverk, tenant, användare, domän, ordlista) förankrar agenternas resonemang i din faktiska policykorpus, inte i generisk förtränad kunskap.
Lanserat: 6 kontextleverantörer under lib/ai/context/
Bibliotek + antagandemodell
57 regelverk, över 600 förextraherade krav och över 1 300 typade ordlistetermer. Agenter utgår från ett kurerat bibliotek; avvikelser från antagna uttalanden spåras automatiskt.
Lanserat: spårning av antagande + avvikelser för biblioteksuttalanden
Det vi ärligt säger att vi skjuter upp
De här förmågorna har redan det underliggande schemat eller byggstenarna i produkten; gränssnittet för användarna är under utveckling. Vi berättar hellre när det lanseras än låtsas att det redan har gjort det.
Körning av SOP:er för agenter
Q3 2026Procedurer stöder redan steg, villkor, RACI, delprocesser och bevis. Nästa steg är motorn som kör dem (styrd av människor eller agenter) med tillståndsmaskiner per steg.
Gränssnitt för godkännandeflöden för agenter
Q3 2026Uttalanden anger redan requiredApprovals. Nästa steg är gränssnittet där agenter kan begära godkännanden och människor kan bevilja dem direkt i flödet.
Bevispanel redo för revision
Q4 2026Alla byggstenar (granskningslogg, intyg, bevislänkar) finns redan. Nästa steg är panelen för regelefterlevnad som sammanställer dem till ett bevispaket.
Anslut valfri MCP-kompatibel agent
Sex styrningsverktyg via stdio och Streamable HTTP. Bearer-autentisering med API-nycklar med avgränsad behörighet. Fungerar med Claude Code, Cursor, ChatGPT, Claude web och alla egna klienter som talar MCP.
Claude Code (stdio)
Lokal utveckling: AI kan fråga din tenants policyer direkt.
{
"dictiva": {
"command": "npx",
"args": ["@dictiva/mcp-server"],
"env": { "DICTIVA_API_KEY": "dv_live_..." }
}
}Cursor / fjärr-Claude Code (HTTP)
Fjärr-MCP: samma verktyg, åtkomliga via Streamable HTTP.
{
"mcpServers": {
"dictiva": {
"url": appUrl("/api/mcp"),
"headers": { "Authorization": "Bearer dv_live_..." }
}
}
}ChatGPT / Claude web (fjärr-MCP)
Klistra in URL:en och bearer-token i MCP-anslutningens inställningar.
URL: https://dictiva.com/api/mcp
Auth: Bearer dv_live_...
Scopes: statement:read, glossary:read, assembly:readAI-observerbarhet eller styrning av AI-agenter
Observerbarhet granskar i efterhand vad agenterna gjorde. Styrning gör det de får göra till en adresserbar, sökbar och versionshanterad resurs.
| Dimension | Verktyg för AI-observerbarhet | Dictiva |
|---|---|---|
| Policyns grundenhet | Modellutdata / spår | Uttalande (modalitet, aktör, verkställighet) |
| Var policyn finns | I din prompt | Versionshanterad policykorpus (bibliotek + tenant) |
| Agentens kännedom | Loggar i efterhand | Uppslag före åtgärd via MCP |
| Verkställighet | Regelkontroller av utdata i efterhand | Policyfråga före åtgärd + godkännandeflöde |
| Granskningsspår | Modellspår och användning | Prompter + verktyg + utfall + policyversion |
| Tillämplighet per aktör | Odifferentierad | Människa / agent / båda, per uttalande |
| Regelverkskoppling | Manuell | Per uttalande till 57 regelverk |
Byggt för team som driftsätter agenter
Om något av de här problemen låter bekant är resten av sidan för dig.
Produktansvariga för AI
Problem: Agenter lanseras med skyddsräcken utspridda över prompter, filter och kontroller i efterhand
Med Dictiva: En enda policykorpus som varje agent frågar, med maskinläsbar verkställighet och ett fullständigt granskningsspår
CISO:er och säkerhetsansvariga
Problem: Inget sätt att bevisa vilka policyer autonoma system faktiskt följde när beslutet fattades
Med Dictiva: Granskningsspår per åtgärd kopplat till specifika uttalandeversioner, hållbart vid revisioner och utredningar
Regelefterlevnad och juridik
Problem: EU:s AI-förordning, Colorado AI Act, OWASP Top 10 för agentiska applikationer: skyldigheter utan verktyg
Med Dictiva: Policyer kopplade till regulatoriska skyldigheter; agenter frågar vad som gäller i varje aktörskontext
Plattformsingenjörer
Problem: Varje agentteam bygger sitt eget halvfärdiga policyuppslag
Med Dictiva: Färdig MCP-server med 6 styrningsverktyg, autentisering, hastighetsbegränsning och behörighetsstyrning per plan
Vanliga frågor
Vad är styrning av AI-agenter?+
Styrning av AI-agenter är disciplinen att tillämpa policyer, procedurer och granskningsspår på AI-system som agerar å dina vägnar, inte bara på människorna som instruerar dem. Den omfattar vad en agent får göra, vad den måste eskalera, vilka bevis den måste samla in och hur varje åtgärd loggas. OWASP publicerade en Top 10 för agentiska applikationer i december 2025; högriskskyldigheterna i EU:s AI-förordning börjar gälla i augusti 2026; Colorados AI Act gäller från juni 2026. Kategorin tar form just nu.
Hur skiljer sig detta från verktyg för AI-observerbarhet (Fiddler, Arthur, Credo AI)?+
Verktyg för observerbarhet granskar modellutdata och spår i efterhand. Dictiva gör policyn till grundenheten: varje styrningsuttalande har verkställighetsläge och tillämplighet per aktör, och agenter frågar policykorpusen via MCP-servern innan de agerar. Du får fortfarande ett fullständigt granskningsspår, men det är kopplat till specifika versioner av policyuttalanden och inte bara till modelltelemetri.
Vad är MCP-servern och vilka klienter kan ansluta?+
Model Context Protocol-servern (MCP) exponerar 6 styrningsverktyg via två transporter: stdio (för lokal Claude Code / Cursor) och Streamable HTTP (för ChatGPT, Claude web och fjärr-Cursor). Verktygen omfattar search_statements, get_statement_guidance, list_applicable_policies_for_actor, search_glossary, get_assembly_bundle och export_ontology. MCP-åtkomst ingår i planerna Business och Enterprise.
Ersätter Dictiva en traditionell GRC-plattform?+
Inte i dag, och det är inte heller målet. Dictiva är styrningens policy- och procedurlager, optimerat för att människor och AI-agenter ska läsa, följa och granskas mot samma korpus. Riskregister, kontrolltester och bevispaneler för revision finns på färdplanen för 2026. För de delar som är lanserade är Dictiva mer användbart än en komplett GRC-svit; för de delar som inte är det säger vi det på den här sidan.
Vad är maskinläsbart i ett Dictiva-uttalande?+
Varje uttalande har strukturerade fält som en agent kan resonera kring: modalitet (must, should, may), verkställighetsläge (informational, human_review_required, machine_readable, machine_enforceable), tillämplighet per aktör (human, agent, both), samt en JSONB agent_guidance med allowedActions, prohibitedActions, requiredApprovals, evidenceRequirements, escalationRules och failureMode. Agenter behöver inte tolka en PDF på 30 sidor; de frågar den strukturerade policyn.
Hur fungerar prissättningen vid omfattande agentanvändning?+
I dag: prenumeration per användare med AI-krediter som ingår i varje plan. Q3 2026: en hybrid förbrukningsmodell med ”styrningsåtgärder” som mätare, där olika åtgärdsklasser (policyuppslag, policykontroll, fördjupad regelverksgranskning) debiteras olika. Det interna marginalmålet är ≥5x den sammanvägda tokenkostnaden; kunderna ser antal åtgärder, inte tokens. Inga överraskningar på fakturan på grund av mångordiga modellsvar.
Redo för företag från första dagen
Utforska styrningsstacken
Programvara för policyhantering
Det uttalandebaserade system som dina agenter läser från: livscykelhantering för policyer byggd för både maskiner och människor.
MCP-server för styrning
Ge agenter läs- och skrivåtkomst till dina styrningsuttalanden via Model Context Protocol.
Hanterade agenter eller lösa LLM-anrop
Varför ostyrda LLM-anrop blir en efterlevnadsrisk och hur bundna agenter undviker det.
Vad är uttalandebaserad styrning?
Den atomära, maskinläsbara styrningsenheten som gör det möjligt att verkställa policyer för agenter.
Styrningsuttalanden eller policyer
Varför atomära uttalanden fungerar bättre än monolitiska policydokument, för både människor och AI-agenter.
Bästa GRC-verktygen 2026
Var styrning av AI-agenter passar in i den moderna GRC-verktygslådan: en jämförelse för köpare.
Styrning som dina agenter
faktiskt kan följa.
Börja med Community-planen. Uppgradera till Business när dina agenter behöver MCP-åtkomst. Inget säljsamtal krävs.
Inget kreditkort krävs · MCP-åtkomst från Business och uppåt