Se for deg at du leder en bedrift med 150 ansatte. Økonomiavdelingen vil bruke mindre tid på fakturabehandling. HR vil slippe å svare på de samme spørsmålene om og om igjen. Utviklerne ønsker en KI-assistent som kan skrive kode og rette feil. Alle forslagene høres fornuftige ut. Men hvilke oppgaver skal teknologien få utføre på egen hånd, og hvordan vet du om den faktisk gjør arbeidet bedre?
Jeg ville begynt med arbeidsoppgavene: Hva bruker vi unødvendig mye tid på? Hva koster det hvis noe går galt? Og hvem har ansvar for å rette opp feil? Svarene sier mer om nytten enn en imponerende demonstrasjon.
Jeg har sett nærmere på fire eksempler. De to første handler om bedrifter med noen titalls til noen hundre ansatte og små fagmiljøer. Det er denne størrelsen jeg sikter til med «mellomstore», uten å bruke en formell SMB-definisjon. De to siste viser hva som kan gå galt i andre typer virksomheter og prosjekter. Jeg presiserer forskjellene underveis. Poenget er å undersøke hva vi kan lære av løsningene og feilene.
Harbor Compliance: Bedre håndtering av HR-henvendelser
ClearFeeds kundehistorie om Harbor Compliance beskriver en HR-avdeling på to personer som betjener over 200 ansatte. KI henter svar fra bedriftens dokumenter i Google Drive, mens henvendelser fordeles og følges opp i Slack. Leverandøren oppgir at tiden det tar å løse henvendelsene, er redusert med 40 prosent. Tallet gjelder hele løsningen. Det er ikke dokumentert hvor mye av forbedringen som skyldes KI alene, og resultatet er ikke uavhengig evaluert.
Det interessante er at oppgaven er tydelig avgrenset. Assistenten kan hjelpe ansatte å finne gjeldende retningslinjer. Å avgjøre hva den enkelte har krav på, krever andre vurderinger. Jeg ville trukket en klar grense mellom å finne permisjonsreglene og å behandle en permisjonssøknad det er uenighet om.
I en slik løsning må noen ha ansvar for å holde retningslinjene oppdatert. Assistenten må heller ikke røpe opplysninger den ansatte mangler tilgang til. Sensitive saker bør enkelt kunne overføres til en HR-medarbeider. Et raskt svar har begrenset verdi hvis det er feil, eller hvis den ansatte ikke får hjelp til å avklare saken.
Nordell: Automatisert fakturabehandling med tydelige kontrollpunkter
I Made Smarters omtale av Nordell fra juli 2026 beskrives en plastprodusent med over 80 ansatte. KI-løsningen for fakturabehandling kobles til bedriftens ERP-system, kontrollerer fakturaer mot registrerte opplysninger og markerer avvik for gjennomgang. Prosjektet omfatter også opplæring av ledere og medarbeidere. Målet er å spare over 60 timer administrativt arbeid i måneden. Kilden oppgir forventede besparelser; den dokumenterer ikke at disse er oppnådd.
Her er det flere gode grep: Oppgaven gjentas ofte, fakturaene kan kontrolleres mot eksisterende opplysninger, og avvik sendes til gjennomgang. Før en investering ville jeg likevel undersøkt om enklere regler eller vanlig automatisering kunne løst oppgaven rimeligere. Behovet bør avgjøre valg av teknologi.
Tankeeksperiment 1 · Hypotetisk
Når spart tid ikke blir sparte penger
Anta at en KI-assistent sparer økonomiavdelingen for 60 timers fakturaarbeid i måneden. Kontroll og retting tar 15 timer. Da er den reelle tidsbesparelsen 45 timer. Med en samlet arbeidskostnad på 600 kroner i timen tilsvarer det arbeidstid verdt 27 000 kroner. Etter 8 000 kroner i månedlige programvare- og driftskostnader står 19 000 kroner igjen, før kostnadene ved å innføre løsningen.
Bedriften får likevel ikke automatisk 19 000 kroner mer på konto. Hvis lønnskostnadene er uendret, avhenger gevinsten av hva den frigjorte tiden brukes til. Kan medarbeiderne ta unna oppgaver som har hopet seg opp, redusere overtid eller håndtere mer arbeid? Det ville jeg avklart før prosjektet ble godkjent. Tallene er valgt for å illustrere poenget og er ikke hentet fra Nordell.
Replit og SaaStr: Når agenten får for vide tilganger
I en redegjørelse fra juli 2025 bekreftet Replit at agenten deres slettet data fra databasen til en applikasjon SaaStr-medgründer Jason Lemkin bygget. Replit opplyser at databasen ble gjenopprettet i sin helhet. Selskapet innførte deretter separate databaser for utvikling og produksjon som standard. Dette var en gründers utviklingsprosjekt. Redegjørelsen beskriver ikke innføring av KI i en mellomstor bedrift, og den dokumenterer ikke at hele organisasjonen mistet data.
For meg er lærdommen at instruksjoner må følges opp med tilgangskontroll. Det må finnes tekniske begrensninger for hva agenten kan endre. En assistent som bare skal foreslå endringer, trenger ikke skrivetilgang til bedriftens kunderegister.
Jeg ville brukt et eget testmiljø, begrenset tilgangene og krevd godkjenning av endringer som kan få vesentlige konsekvenser. Rutinen for gjenoppretting må også testes. Det er ikke nok å ha en sikkerhetskopi: Noen må kunne finne riktig versjon, gjenopprette dataene og kontrollere at driften fungerer igjen.
Tankeeksperiment 2 · Hypotetisk
Samme feil, ulike konsekvenser
Gi to identiske agenter i oppgave å rydde opp i dobbeltregistrerte kunder. Den ene jobber på en kopi og foreslår endringer. Den andre kan slette opplysninger direkte i CRM-systemet som bedriften bruker til daglig. Begge misforstår den samme instruksen.
Den første skaper merarbeid for den som skal kontrollere forslaget. Den andre kan forstyrre salg, fakturering eller kundeservice. Forskjellen ligger i tilgangen vi valgte å gi. Før jeg utvidet en agents rolle, ville jeg spurt: Hvor stor skade kan agenten gjøre med denne tilgangen, og hvordan begrenser vi konsekvensene?
Air Canada: Bedriften har ansvar for svarene kundene får
Air Canada er et eksempel fra en stor virksomhet. I Moffatt v. Air Canada, 2024 BCCRT 149 fant et kanadisk tvisteløsningsorgan selskapet ansvarlig for uaktsom feilinformasjon etter at en kunde stolte på feilaktige svar fra en chatbot om rabatter på flyreiser ved dødsfall i familien. Chatboten lenket også til en side med andre opplysninger om vilkårene. Det fritok ikke selskapet for ansvar i denne saken. Avgjørelsen fastslår ikke hvilken teknologi chatboten brukte. Saken dokumenterer derfor ikke en feil ved generativ KI.
Lederansvaret er like relevant for en KI-tjeneste: Hvem har ansvar for løftene som gis på nettstedet ditt? Jeg ville testet svar om refusjoner, priser, vilkår og frister særlig grundig. En kildehenvisning er nyttig, men noen må kontrollere at svaret faktisk stemmer med kilden.
Tankeeksperiment 3 · Hypotetisk
Hva gjør assistenten når kildene motsier hverandre?
KI-assistenten i salgsavdelingen finner to dokumenter: ett med gamle rabattregler og ett med gjeldende regler. En kunde spør om en stor bestilling gir rett til rabatt. Skal assistenten svare med en gang, eller be om at noen sjekker hvilke vilkår som gjelder?
Når kildene motsier hverandre, bør det regnes som god saksbehandling å be en medarbeider om hjelp. Jeg ville målt hvor raskt kunden får en avklaring. Hvis suksess bare måles i antall samtaler som avsluttes automatisk, risikerer vi å belønne løsningen for å hoppe over nødvendig kontroll.
Spørsmålene jeg ville stilt før oppstart
Kildene har ulik bevisverdi: Én leverandør oppgir en forbedring, et annet prosjekt anslår fremtidige besparelser, og de to siste eksemplene bygger på en hendelsesrapport og en avgjørelse i en tvistesak. De gir ikke grunnlag for å love en bestemt avkastning på KI. Men de gir noen nyttige spørsmål å ta med inn i et pilotprosjekt.
- Hva skal forbedres? Velg én oppgave, og mål hvor lang tid den tar i dag, hvor ofte det oppstår feil, og hvor mye arbeid som må gjøres på nytt.
- Hvem kjenner de vanskelige sakene? Involver medarbeiderne som gjør jobben. Be dem finne unntakene og problemene som sjelden vises i en demonstrasjon.
- Hvilke opplysninger skal løsningen få tilgang til? Avklar hvilke opplysninger verktøyet trenger, hvem som kan se dem, og hva leverandøren kan lagre eller bruke.
- Hva kan assistenten gjøre på egen hånd? Skill mellom å foreslå en handling og å gjennomføre den. Avklar hvem som kan godkjenne betalinger, endre opplysninger og gi bindende løfter til kunder.
- Hvordan skal resultatet vurderes? Sammenlign løsningen med dagens arbeidsmåte, både for vanlige og vanskelige saker. Ta med tiden til kontroll, uløste henvendelser, feil og driftskostnader. Antall brukere sier lite om nytten alene.
- Når skal vi stoppe? Avtal hvilke feil eller resultater som skal føre til at løsningen settes på pause, og hvem som tar beslutningen. Test hvordan dere går tilbake til vanlig drift.
Jeg ville startet i liten skala, med mulighet til å gå tilbake til den gamle arbeidsmåten. Videre bruk må begrunnes med resultater. For meg er et godt resultat at medarbeiderne får gjort jobben mer pålitelig, samtidig som de vet når assistenten trenger hjelp. Det er dette jeg ville ønsket å kunne vise styret.
Kilder og forbehold
Kildene ble gjennomgått 11. oktober 2026. Vurderingene er mine egne og bygger på offentlig tilgjengelige kilder. Tankeeksperimentene er tenkte situasjoner.
- ClearFeed: Kundehistorien om Harbor Compliance — leverandørens fremstilling; publiseringsdato er ikke oppgitt.
- Made Smarter: Nordell — prosjektomtale fra støtteprogrammet, 3. juli 2026; forventede gevinster.
- Replit: Doubling down on our commitment to secure vibe coding — leverandørens redegjørelse, 29. juli 2025.
- Moffatt v. Air Canada, 2024 BCCRT 149 — Civil Resolution Tribunal, 14. februar 2024; se avsnitt 14–17 og 24–32.