Finne riktige bruksområder for AI

Start med problemet, ikke teknologien

De fleste virksomheter møter AI fra feil ende. Spørsmålet blir «hva kan AI gjøre for oss?», og så leter man etter et sted å bruke teknologien. Det er baklengs.

KI Norge, den nasjonale KI-satsingen under Digitaliseringsdirektoratet, snur rekkefølgen: «Ulike former for KI egner seg til å løse ulike problemer. Det betyr at problemet du skal løse påvirker om du skal bruke KI og hvilken type KI du bør velge.» Bruksområdet er med andre ord et problem du skal løse. For en liten eller mellomstor bedrift betyr det at det første AI-prosjektet bør velges ut fra hvilket konkret problem det løser.

Hvorfor eksperimentering alene ikke holder

Mange virksomheter tester AI ved å prøve seg frem. Det er en naturlig start, og KI Norge anbefaler å bygge videre på den: «Men eksperimentering alene er ikke nok. For å lykkes med KI, anbefaler vi en strukturert prosess som går fra idé til drift. Denne prosessen sikrer at teknologien løser reelle behov, at risikoene håndteres, og at løsningen blir bærekraftig over tid.»

Grunnen ligger i hvordan teknologien fungerer. Tradisjonell programvare er forutsigbar fordi all logikk er kodet inn eksplisitt av mennesker. AI trenes til å gjenkjenne mønstre i store datamengder, noe som gjør systemene, med KI Norges ord, «vanskeligere å forstå og kontrollere». De kan dessuten «påvirke folks rettigheter og sikkerhet på måter som vanlige dataprogrammer aldri ville gjort». Nettopp derfor fortjener valget av bruksområde struktur.

De tre typene AI: din beslutningslinse

Det finnes tre hovedtyper AI, og de skiller seg i hva de gjør, hva de krever og hva de egner seg til. Når du har beskrevet problemet ditt, peker det som regel mot én av de tre.

Prediktiv AI analyserer data og gir anbefalinger, prediksjoner eller klassifiseringer ut fra mønstre i data den har sett før.

Generativ AI lager nytt innhold, som tekst, kode, bilder eller lyd. Kjente verktøy er ChatGPT, Claude og Mistral AI.

Agentisk AI er generativ AI som har fått «hender»: tilgang til verktøy og API-er som lar den utføre handlinger på egen hånd. Den kan gjennomføre oppgaver, ikke bare foreslå dem.

Tabellen under stiller de tre opp side om side.

Prediktiv AI: forutsi, oppdag, sorter

Prediktiv AI er den mest modne av de tre typene, der muligheter og risiko er best kjent.

Den krever gode, strukturerte data og kompetanse til å tolke resultatene, og ofte en betydelig investering for å integreres i egne systemer. Til gjengjeld er den enklere å evaluere enn de andre typene: du kan måle treffsikkerheten mot et testsett, og resultatene er etterprøvbare. Trenger du å vise hvorfor systemet konkluderte som det gjorde, er det en styrke.

Kreativ tekst er derimot feil oppgave for prediktiv AI. Og fordi typen står og faller på datagrunnlaget, bør du tidlig tenke gjennom hvilke data du har og om de er ryddige nok (Koble AI til egne data).

For en SMB kan prediktiv AI se slik ut:

• Prediksjon: forutsi ressursbehov, for eksempel varelager eller bemanning i travle perioder.
• Deteksjon: oppdage uvanlige mønstre i transaksjoner eller ressursbruk.
• Klassifisering: sortere innkommende kundehenvendelser til rett kø eller kategori.
• Optimalisering: planlegge ruter eller styre energibruk i bygg.

Generativ AI: lag utkast, sammendrag og oversettelser

Generativ AI er typen de fleste SMB-er møter først. KI Norge beskriver både hvorfor og hva det krever: generativ KI har «lavere terskel for å komme i gang, men stiller store krav til kritisk vurdering og menneskelig tilsyn siden modellen kan produsere innhold som virker troverdig uten å være korrekt». Skal den integreres i egne systemer, øker både kompleksiteten og kompetansekravene.

Den viktigste advarselen gjelder fakta: «Generativ KI egner seg ikke som en pålitelig kunnskapskilde. Bruk den derfor aldri alene som grunnlag for fakta eller beslutninger med større konsekvenser […] Sjekk alltid svar fra generativ KI opp mot pålitelige kilder.» Bruk den til å produsere utkast, ikke til å avgjøre fakta.

Fellesnevneren for god bruk er at et menneske alltid har siste ord: generativ AI produserer råmateriale, du står for vurderingen. For en SMB kan generativ AI se slik ut:

• Sammendrag av lange dokumenter, møtereferat eller rapporter.
• Utkast til kundesvar eller interne notater, som et menneske deretter kvalitetssikrer.
• Hjelp til å skrive kode eller finne feil i kode.
• Oversette eller forklare kompliserte begreper.

Agentisk AI: fra forslag til handling

Agentisk AI krysser grensen fra tekst til handling. Verktøy og API-er gir modellen «hender», slik at den kan utføre en hel prosess selv: søke opp ledig tid, booke, sende bekreftelse og legge avtalen i kalenderen.

Denne typen krever mest av de tre. Den fordrer, ifølge KI Norge, «god teknisk kompetanse, tydelige styringsrammer og solide rutiner for å overvåke og korrigere systemet», og den egner seg dårlig der ansvaret er uklart eller beslutningene har høy risiko. En feil i instruksjonen kan føre til at den «sletter data, sender informasjon til feil mottaker eller endrer systeminnstillinger». Derfor kreves «høye sikkerhetsgjerder».

Velger du agentisk AI, hører kontroll med fra dag én. Hvordan sikkerhetsgjerder og tilsyn bygges inn, er tema i Sikkerhet og kontroll i AI-agenter.

For en SMB kan agentisk AI se slik ut:

• Håndtere en prosess ende-til-ende, som å finne tid, booke og bekrefte en avtale.
• Utføre handlinger i baksystemer.
• Flytte eller sammenstille data mellom systemer som ikke snakker sammen.

Fra idé til drift: bruksområdet velges i fase 1

Når problemet er beskrevet og AI-typen valgt, gjenstår resten av veien. KI Norge anbefaler en prosess i fem faser, fra idé via anskaffelse, testing og implementering til drift, hver med konkrete oppgaver:

Fase 1 er å kartlegge behovene, dataene og rammevilkårene: beskriv behovet, vurder risiko, kartlegg data, vurder lovverket, jobb tverrfaglig og velg riktig KI.

Fase 2 er å anskaffe, utvikle eller videreutvikle: undersøk markedet, forstå prismodeller, velg modelltype og kjøremiljø. Fase 3 er å teste og evaluere, fase 4 å implementere med opplæring og KI-styring, og fase 5 å drifte og forvalte.

Selve utvelgelsen av bruksområde skjer i fase 1, og kjernen er oppgavene «beskriv behovet» og «velg riktig KI». Får du den fasen riktig, har du et reelt behov i den ene enden og en passende AI-type i den andre.

KI Norge minner samtidig om at anskaffelse og drift krever forståelse for kostnadsmodeller, miljøpåvirkning og risiko. Bruksområdevalget er dermed også en vurdering av hva løsningen koster og innebærer over tid.

Slik jobber Agnito, og hvor myndighetene peker

Slik jobber vi i Agnito også. Før noe bygges, vurderer vi alltid tre ting: problemet som skal løses, datagrunnlaget som finnes, og hvem som eier løsningen etterpå. Er ikke de tre på plass, sier vi fra tidlig, også når svaret er at noe ikke bør bygges.

Vil du teste et konkret bruksområde mot problem, datagrunnlag og eierskap, er det jobben til vår AI-rådgivning. Testen er beskrevet i sin helhet i Når lønner AI-agenter seg?.

Retningen fra norske myndigheter peker samme vei. Regjeringen vil frem mot 2030 «få på plass en nasjonal infrastruktur for kunstig intelligens (KI)», og slår fast at «næringslivet skal ha gode rammevilkår for å utvikle og bruke KI». KI-forordningen (EUs AI Act) skal gjennomføres i norsk rett. For offentlig sektor har regjeringen, i digitaliseringsstrategien fra 2024, satt som mål «at 80 prosent av offentlige virksomheter skal ha tatt i bruk KI i løpet av 2025, og 100 prosent innen 2030». Målet gjelder det offentlige, men sier noe om tempoet i satsingen. For en SMB er hovedpoenget at rammene er på vei på plass, og at et godt valgt bruksområde nå er en god start.