Fra leketøy til kraftig motor: Hvorfor fungerer ikke KI på våre egne data?

Silvija Seres er teknolog og strategisk rådgiver.

SYNSPUNKT. De fleste ledere har nå forstått at kunstig intelligens er viktig. Mange har også eksperimentert med ChatGPT, Copilot eller Claude. Likevel oppstår den samme frustrasjonen nesten overalt: KI fungerer imponerende godt på internett, men langt dårligere på organisasjonens egne data.

Forklaringen er at de fleste virksomheter fortsatt bare bruker det første laget i det som gjerne kalles «AI-stacken».

Skal en organisasjon få verdi ut av kunstig intelligens på egne data, må seks lag fungere sammen.

1. Det første laget er modellen. Dette er ChatGPT, Claude, Gemini eller andre språkmodeller. Modellene er blitt så gode at mange tror dette er hele løsningen. I virkeligheten er dette bare motoren. For de fleste virksomheter er modellene i ferd med å bli en standard innsatsfaktor, på samme måte som databaser, nettverk eller skytjenester. Valget av modell er viktig, men sjelden avgjørende.

2. Det andre laget er dataene. Kan modellen faktisk se organisasjonens informasjon? De fleste virksomheter har data spredt over SharePoint, Teams, CRM-systemer, ERP-systemer, filservere, e-postarkiver og spesialiserte fagapplikasjoner. Når ledere sier at de vil bruke KI på egne data, er det egentlig dette de mener. De ønsker at modellen skal kunne lese kontrakter, kundehistorikk, prosedyrer, rapporter, tilbud, tegninger og dokumentasjon. Dette krever integrasjoner. Og integrasjoner er sjelden gratis.

3. Det tredje laget er struktur. Mange organisasjoner oppdager at de egentlig ikke har et KI-problem. De har et dataproblem. Dokumenter finnes i fem versjoner. Prosjekter har ulike navnekonvensjoner. Kunder er registrert forskjellig i ulike systemer. Informasjon mangler metadata. KI fungerer overraskende godt på rotete informasjon, men verdien øker dramatisk når dataene er strukturert og kvalitetssikret. Mange av de første KI-investeringene handler derfor ikke om KI i det hele tatt. De handler om informasjonsforvaltning.

4. Det fjerde laget er tilgang og sikkerhet. En modell som kan lese alle dokumentene i organisasjonen kan også potensielt eksponere informasjon som enkelte ansatte ikke skal se. Derfor må virksomheten definere hvilke brukere som skal ha tilgang til hvilke data, hvordan sensitiv informasjon skal håndteres, og hvilke regler som skal gjelde for lagring og deling. Mye av det som i dag omtales som KI-sikkerhet er egentlig klassisk identitetsforvaltning og tilgangskontroll.

5. Det femte laget er agenter. På dette nivået går KI fra å være et verktøy som svarer på spørsmål til å bli et system som utfører oppgaver. En agent kan lese e-poster, hente informasjon fra flere systemer, skrive utkast til tilbud, opprette saker, oppdatere CRM eller følge opp arbeidsoppgaver. Forskjellen er betydelig. En chatbot gir råd. En agent gjør arbeid. Mange virksomheter vil oppleve at den største gevinsten kommer når KI ikke bare hjelper ansatte, men faktisk utfører deler av arbeidet sammen med dem.

6. Det sjette laget er prosesser. En enkelt agent skaper begrenset verdi. Den store effekten oppstår når flere agenter og mennesker samarbeider gjennom hele arbeidsflyten. En salgsprosess kan for eksempel starte med at en agent identifiserer en kunde, fortsette med at en annen agent utarbeider et tilbud, og avsluttes med at et menneske godkjenner og sender det. Det samme gjelder innkjøp, kundeservice, vedlikehold, HR og økonomi. På dette nivået handler ikke KI lenger om teknologi, men om hvordan virksomheten organiserer arbeidet sitt. Det er her produktivitetsgevinstene blir store, og det er her de fleste organisasjoner vil bruke mest tid de neste årene.

Mange undervurderer også hva som faktisk kreves av budsjetter, folk og tid.

For en mellomstor virksomhet er det ikke urealistisk å bruke mellom én og tre millioner kroner på de første seriøse KI-løsningene. Data må kobles sammen, sikkerhet må etableres, og arbeidsprosesser må tilpasses. De største kostnadene ligger sjelden hos OpenAI eller Microsoft, men i interne IT-avdelinger.

Det kreves også mennesker: de som forstår dataene, produksjonssystemene, arbeidsprosessene og digital sikkerhet. De mest vellykkede virksomhetene setter ofte sammen små tverrfaglige team med forretning, IT, data og sikkerhet rundt samme bord.

Og det kreves tid. De fleste organisasjoner bruker flere år på ERP-systemer, CRM-systemer og digitale transformasjoner. Selv om det er blitt enklere enn noen gang å bygge prototyper med KI, tar det fortsatt tid å etablere robuste løsninger som kan brukes på tvers av en virksomhet.  Gevinstene av KI kan komme raskt, men det tar gjerne 12–36 måneder å bygge en robust plattform som kan brukes på tvers av hele virksomheten.

Derfor er kanskje den viktigste innsikten for ledere at kunstig intelligens ikke først og fremst handler om å kjøpe Copilot-lisenser eller åpne for ChatGPT. Modellen er den synlige delen av løsningen.

Den virkelige jobben begynner når modellen skal kobles til organisasjonens egne data, systemer og arbeidsprosesser. Det er der AI-stacken starter. Og det er der de fleste investeringene, beslutningene og konkurransefortrinnene kommer til å ligge de neste årene.