Da språkmodellene kom, ble AI plutselig allemannseie. Samtidig blandes begrepene ofte. Tradisjonell maskinlæring, som blant annet brukes til svindeldeteksjon og prising basert på sanntidsdata, er en egen disiplin med egne metoder og teknologier.
I denne artikkelen handler det om språkmodeller, og om hvordan virksomheter kan bruke dem til å skape reell verdi, ikke bare følge hypen.
Chatboten ingen brukte
Noen virksomheter kom raskt i gang med sine første AI-prosjekter. I frykt for å havne bakpå investerte de i chatbotter og automatiserte løsninger, med forventning om betydelige effektivitetsgevinster. Det mange undervurderte, var at utrulling i en stor virksomhet er noe helt annet enn å bruke ChatGPT privat. Tilganger, datakvalitet, sikkerhet og hva systemene faktisk får lov til å gjøre, påvirker tempoet betydelig. I regulerte sektorer som bank, finans, forsikring, energi og helse blir disse vurderingene enda viktigere.
Standardsvaret har vært å investere i kursing og endringsledelse for å «få de ansatte med». Men tenk over det: Ingen trengte kurs for å ta i bruk ChatGPT hjemme. Spesialistverktøyene innen koding, design og analyse har fagfolkene lært seg helt selv. Når ansatte ikke bruker den interne chatboten, er det sjelden fordi de mangler opplæring – det er fordi verktøyet ikke er godt nok. Skygge-AI-en beviser det: Når folk betaler for private abonnementer av egen lomme for å få jobben gjort, har du allerede fått dommen over det interne verktøyet.
AI-reisen er todelt
Har virksomheten din ennå ikke kastet seg på, er dette innlegget for deg. Dere kan hoppe over de dyre feilene og gå rett på det som virker. Men da må man akseptere at reisen har to etapper: først en moderniseringsfase der virksomheten blir AI-klar, deretter selve transformasjonen – det agentiske laget.
Prinsippene våre er enkle:
- Ikke starte før dataene (fundamentet) og pipelinene (motorveien) er klare. Alt annet står og faller på dette.
- Eie teknologistacken selv, for kontroll over dataflyt og skalering.
- Lage verktøy som testes og gir verdi internt først, før de rulles ut til kundene.
- Tenke lean: shippe raskt, måle og iterere.
I praksis handler dette om å begynne smalt, bygge på riktig fundament og utvide først når løsningen viser verdi. Fem grep er særlig viktige.
Oppskriften: fem konkrete grep
1. Kartlegg skygge-AI-en. Kjør en anonym kartlegging av hvilke AI-verktøy ansatte bruker privat i jobbsammenheng, og hva de bruker dem til. Svarene gir en praktisk behovsanalyse: Der ansatte allerede finner egne løsninger, ligger ofte de første gevinstmulighetene. Samtidig får virksomheten bedre oversikt over hvor data kan være på avveie i dag.
2. Velg ett tekstområde og rydd. Ikke hele selskapet, bare ett område. For et forsikringsselskap er vilkårene et naturlig sted å starte, for andre kan det være rutiner, kontrakter eller produktdokumentasjon. Samle tekstene fra SharePoint, Confluence, e-post og intranett, og sørg for at innsamlingen automatiseres. Nye vilkår og rutiner kommer løpende, og modellene skal alltid jobbe på gjeldende versjon. Ikke fjorårets.
3. Bygg kunnskapsbasen og ei den selv. Alt samles i en kunnskapsbase, en database bygget for at modellene skal finne det mest relevante svaret, ikke bare eksakte treff. To råd fra dyrekjøpt erfaring: Tenk tilgangsstyring fra dag én, for ikke alle tekster skal være tilgjengelige for alle. Og bygg selv fremfor å lene deg på hyllevare som Microsoft Copilot. Det handler om kontroll over stacken, dataflyten og muligheten til å skalere dit du vil, ikke dit leverandøren vil.
4. Lanser en intern assistent til ett team. Heller ikke her: ikke hele organisasjonen. En rådgiverassistent for saksbehandlerne er et naturlig sted å begynne. «Hva dekker vilkåret ved avbestilling?» besvares med kilde på sekunder, i stedet for ti minutters blaing i saksmapper. Og grunnen til å starte internt er enkel: Systemet trenger en feedback-loop for å bli bedre, og feil koster mindre der enn ute hos kundene.
5. Mål, lær og utvid. Bestem to til tre måltall før lansering: tid per sak, andel spørsmål assistenten klarer å svare på, tilfredshet i teamet. Shipp raskt, mål, juster og utvid først når tallene er gode, til neste team eller neste tekstområde. Og husk at gevinsten ikke bare er spart tid: Ansatte som slipper det repeterende, bruker dagen på det som faktisk krever et menneske.
Dette er ikke et treårsprogram. Med riktig rekkefølge kan de første gevinstene hentes ut i løpet av noen måneder.
De neste ti årene blir agentiske
Får vi lov til å kikke i spåkula, tror vi det neste tiåret handler om digitale agenter: systemer som utfører oppgaver på egen hånd, samarbeider med hverandre og tar unna det repeterende. De fleste verktøy har allerede et grensesnitt modellene kan kobles på, og da handler det om å gi dem tydelige regler for når og hvordan verktøyene skal brukes.
Målet er å sette systemet i loop. En kundehenvendelse kommer inn, agenten sjekker tidligere samtaler, logger og kunnskapsbasen, og svarer selv, eller ruter saken til et menneske når det trengs. Samme tankegang fungerer i analyse, design og programvareutvikling. Trekker vi linjen litt lenger, ser vi programvare som forvalter seg selv, en slags DevOps på autopilot: Systemet feiler, feilen blir automatisk en oppgave, en modell prioriterer og beskriver den, og en kodeagent foreslår fiksen. Mennesket godkjenner.
Men merk rekkefølgen: Agentene blir aldri bedre enn fundamentet de står på. Det er derfor de fem grepene kommer først.
Grunnmur først, agenter etterpå
For virksomheter som vil videre fra AI-eksperimenter til målbar verdi, starter arbeidet med riktig grunnmur: datafundament, gode integrasjoner, kunnskapsbase, interne gevinster og deretter agentene. I Itera hjelper vi kunder med å bygge dette grunnlaget og utvikle praktiske AI-løsninger som passer inn i arbeidshverdagen.
Vil du finne ut hvor virksomheten din bør starte, tar vi gjerne en prat om hvilke grep som kan gi verdi raskest.
.png)
.png)
.jpg)
