KI i en norsk bedrift: hvor du faktisk bør begynne

De fleste norske ledere jeg snakker med er på samme sted med kunstig intelligens (KI). De har forstått at det er noe her. De har sett demoer, lest at de bør gjøre noe, og kjent på en lett uro over å henge etter. Men når de skal ta det første konkrete steget, stopper det opp. Ikke fordi de mangler vilje — men fordi spørsmålet «hvor begynner vi egentlig?» ikke har et opplagt svar.

Det er en god grunn til at det føles uklart: nesten alt du leser om KI er enten skremsel («dette endrer alt») eller salg («kjøp plattformen vår»). Veldig lite handler om det kjedelige, konkrete første steget en helt vanlig bedrift kan ta allerede denne uken.

Det er det jeg vil skrive om her: hvor du faktisk bør begynne.

Ikke begynn med teknologien

Den vanligste feilen er å gjøre KI til et IT-prosjekt. Man spør «hvilket verktøy skal vi velge?», setter ned en arbeidsgruppe, og ender opp med en utredning som tar tre måneder og konkluderer med at man bør utrede mer.

KI er ikke et verktøyvalg. Det er en ny måte å løse oppgaver på. Og du oppdager ikke hvilke oppgaver KI er god til ved å lese om modeller — du oppdager det ved å peke teknologien mot noe du allerede gjør, og se hva som skjer.

Så det første rådet er nesten banalt: start med arbeidet deres, ikke med et produkt.

Men hva med dataene våre?

Dette er innvendingen som melder seg først, og den er berettiget. Det de fleste norske ledere og fagfolk faktisk er redde for, er at intern informasjon havner hos en leverandør de ikke har avtale med — og at det ender som et oppslag i avisen.

Så ta den før dere begynner, ikke etterpå. Før noen limer bedriftsinformasjon inn i et KI-verktøy, må noen ta stilling til fire ting: hva slags data det er, hvor de lagres, om de brukes til å trene modellen, og hva leverandøren har lov til å gjøre med dem. Handler det om personopplysninger eller taushetsbelagt informasjon, er ordet dere leter etter databehandleravtale. Det er det juristen eller den sikkerhetsansvarlige kommer til å spørre om, og det er et krav, ikke en formalitet.

Jeg er utvikler, ikke jurist, så jeg sier det rett ut: dette må dere verifisere ordentlig, og med riktig fagkompetanse. Ikke ta min magefølelse på det, og ikke leverandørens.

Samtidig er svaret på dette det samme grepet som resten av innlegget handler om: velg en første oppgave som ikke inneholder personopplysninger i det hele tatt. Da får folk lære mens rammene kommer på plass, i stedet for å vente på at rammene er ferdige før noen får lære noe. Å vente er også et valg, og det har en pris.

Steg 1: Finn én kjedelig, gjentakende oppgave

Gå gjennom en vanlig uke i bedriften og let etter oppgaver som har fire kjennetegn:

• De gjøres ofte — hver dag eller hver uke, ikke en gang i kvartalet.
• De handler i stor grad om tekst eller informasjon — skrive, oppsummere, lete, sortere, svare.
• De er irriterende — den typen arbeid folk sukker over, ikke den de er stolte av.
• De kan løses uten personopplysninger — ingen navn, kundedata eller taushetsbelagt informasjon inn i verktøyet på det første forsøket.

Noen eksempler som går igjen i norske bedrifter:

• Å skrive førsteutkast til tilbud, e-poster eller møtereferater.
• Å lete frem svar i interne dokumenter, avtaler eller gamle e-poster.
• Å oppsummere lange tråder, rapporter eller møtenotater.
• Å besvare den samme typen kundehenvendelser om og om igjen.

Legg merke til at dette ikke er spektakulært. Du skal ikke lete etter «det som vil revolusjonere bransjen», men etter en kjedelig, gjentakende oppgave som stjeler tid fra noen hver uke. Det er der KI gir tidligst og tryggest gevinst — og ingen har prestisje investert i at det skal virke.

Steg 2: La én person prøve, på ekte, i to uker

Når du har én oppgave, trenger du ikke en utrulling. Du trenger én person og litt tid.

Velg noen som faktisk gjør oppgaven i dag, og som er nysgjerrig nok til å prøve. Gi dem tilgang til et alminnelig KI-verktøy og en enkel beskjed: bruk dette på denne oppgaven de neste to ukene, og noter hva som funket og hva som ikke funket.

Dette er hele forsøket. Ingen plattform, ingen integrasjon. På to uker, og for nesten ingen penger, har du svar på spørsmålet mange bruker et halvår på å utrede: gjør KI denne oppgaven merkbart bedre hos oss, eller ikke?

En viktig detalj: oppgaven skal være en de kan vurdere kvaliteten på. Poenget er ikke at KI gjør noe — det er at en som kan faget ser på resultatet og sier «ja, dette er brukbart» eller «nei, dette holder ikke». Uten den vurderingen lærer du ingenting. (Akkurat den ferdigheten — å verifisere det KI lager — kommer jeg tilbake til i et eget innlegg, for den blir bare viktigere.)

Steg 3: Se ærlig på resultatet

Etter et par uker har du noe du ikke hadde før: et faktisk inntrykk, basert på din egen bedrift og deres egne oppgaver, ikke på en demo.

Still tre nøkterne spørsmål:

• Sparte det tid? Ikke «kunne det tenkes å spare tid» — gjorde det det, for denne personen, på denne oppgaven?
• Var kvaliteten god nok? Måtte resultatet rettes så mye at gevinsten forsvant, eller var det et reelt og brukbart utgangspunkt?
• Vil personen fortsette å bruke det frivillig? Det er den ærligste indikatoren som finnes. Folk slutter raskt med verktøy som ikke hjelper dem.

Hvis svaret er ja, har du noe konkret: ett område der KI beviselig hjelper, hos dere. Det er verdt mer enn enhver strategi — for nå snakker dere om noe ekte, ikke om noe dere har lest.

Hvis svaret er nei, har du også lært noe verdifullt — og billig: den oppgaven var ikke den rette. Da prøver dere en annen. Det er ikke en fiasko, det er hvordan man finner ut av det.

Slik så det ut da jeg prøvde det selv

Ta ett av punktene over — å lete frem svar i avtaler og dokumenter. Jeg gjorde akkurat det i sommer, med en 25 siders avtale jeg hadde utsatt å lese ordentlig i over et år.

Jeg ga et KI-verktøy hele avtalen og ett konkret spørsmål jeg gikk og lurte på. Det tok en ettermiddag. Ut kom seks nummererte funn med henvisning til hvert enkelt punkt — og antakelsen jeg hadde gått rundt med i et år, viste seg å ikke ha dekning i avtalen i det hele tatt.

To forbehold hører med. Ett av funnene valgte jeg å ikke gjøre noe med — verktøyet fant det, jeg vurderte at det ikke var verdt å forfølge. Og det var min egen avtale, i mitt eget selskap; med en kundes kontrakt ville jeg ikke gjort det uten å vite nøyaktig hvor dataene havnet.

Jeg driver et enmannsselskap, så dette er et lite eksempel. Men framgangsmåten er den samme: én kjedelig oppgave, avgrenset innsats, og en som kunne vurdere om svaret var brukbart.

Steg 4: Først da begynner du å tenke bredere

Det er nå — etter at noe har bevist seg på ett område — at det gir mening å løfte blikket. Kan flere i samme team bruke det samme grepet? Finnes det en nabooppgave som ligner? Er det nå, med et konkret eksempel i hånden, verdt å se på et verktøy som kobler seg tettere til systemene deres?

Nå utvider du noe som virker, i stedet for å satse på noe du håper vil virke. Du har et internt eksempel folk kan kjenne seg igjen i, og en målestokk for hva «bra» betyr hos dere — noe et vedtak i et møterom aldri gir deg.

Mange hopper rett til dette steget. Det er derfor så mange KI-satsinger blir dyre og diffuse: man skalerer noe man aldri rakk å bevise i det små.

Hvor du faktisk bør begynne

Hvis du tar med deg én ting, la det være denne: du trenger ikke en KI-strategi for å komme i gang. Du trenger ett ekte problem og et lite, ærlig forsøk.

Det konkrete første steget ser slik ut:

1. Velg én kjedelig, gjentakende oppgave som handler om tekst eller informasjon — og som klarer seg uten personopplysninger.
2. La én person prøve KI på den, på ekte, i to uker.
3. Se ærlig på om det sparte tid og holdt kvalitet.
4. Utvid bare det som faktisk virket — og ikke før.

Det er mindre imponerende enn en lansering. Men det er sånn du finner ut hva KI faktisk er verdt hos dere, og det koster deg to uker. Resten kan vente til du har det første eksempelet i hånden.