Hvilken oppgave bør bedriften gi til AI først, og hvem skal få se svaret?

Mange bedrifter har tatt AI i bruk. Færre kan vise gevinsten til noen utenfor teamet. Det skyldes sjelden teknologien. Det skyldes to valg: hvilken oppgave AI får først, og hvem som skal få se svarene når AI begynner å svare fra bedriftens egen kunnskap.

Her går vi gjennom begge. Først kriteriene vi bruker for å velge første oppgave, og hvordan dere rangerer kandidatene. Deretter tilgangsstyringen, som må være på plass før oppgaven går i drift, ikke etter. Vil dere se det større bildet først, står eierskap og roller i AI-strategi for bedriften.

Hvorfor stopper så mange AI-prosjekter i piloten?

Bruken vokser raskt. I en undersøkelse fra Samfunnsøkonomisk Analyse for NHO og flere bransjeforeninger svarte 55 prosent av norske virksomheter at de brukte AI i 2025, mot 24 prosent i 2023. Rapporten peker samtidig på at mye fortsatt er testing og utprøving av ferdige verktøy.

Undersøkelsen IT i praksis 2026 viser det samme mønsteret. Syv av ti offentlige og seks av ti private virksomheter tester, bruker eller utvikler AI, men bruken går ofte til tekstutkast og oppsummeringer, og gevinstene tas i stor grad ut på individnivå, ikke på organisasjonsnivå.

I praksis betyr det at enkeltpersoner sparer tid, men ingen ser det i tallene. Da blir AI aldri mer enn en pilot. Hvordan det ser ut hos entreprenører spesielt, har vi skrevet om i AI i byggebransjen: fra pilot til drift.

Hvilken oppgave bør bedriften gi til AI først?

Vi prioriterer etter tre kriterier. Det er vårt resonnement og vår erfaring, ikke et forskningsfunn. Oppgaven skal være hyppig, regelstyrt og allerede ha et tall noen følger med på. Hyppigheten gir volum, regelen gir forutsigbarhet, og tallet gir retning.

1. Oppgaven må være hyppig

Hyppig betyr daglig eller ukentlig. Fem minutter spart på en oppgave ti personer gjør hver dag, flytter et tall i løpet av en måned. Ti minutter spart på noe som skjer fire ganger i året, blir aldri synlig.

Hyppighet gir også nok tilfeller til at unntakene viser seg. Det er dem dere må ta høyde for før oppgaven flyttes. Still to spørsmål: Hvor mange ganger i uka skjer dette? Hvor mange gjør det?

2. Oppgaven må ha klare regler

Regelstyrt betyr at det finnes et riktig svar eller en godkjent fremgangsmåte som kan beskrives med ord. Oppgaver som krever skjønn, forhandling eller vurdering av enkelttilfeller, er dårlige kandidater uansett hvor mye tid de tar. Det samme gjelder oppgaver der et feil svar får store følger. De hører hjemme senere i rekkefølgen. Hvordan menneskene beholder kontrollen, står i Nei-sigerne har ofte rett om noe.

3. Noen måler allerede resultatet

Tallet skal finnes i dag, ikke lages for prosjektet. Eksempler er timer brukt på oppgaven per uke, antall henvendelser per måned, behandlingstid fra mottak til svar og antall rettinger i etterkant.

Et tall som allerede står i rapporteringen, er det som flytter gevinsten fra enkeltpersoner til organisasjonen. Måler ingen noe i dag, er første steg å begynne å måle, ikke å starte AI-arbeidet.

Slik rangerer dere kandidatene

1. Skriv opp alle oppgaver som gjentas daglig eller ukentlig, på tvers av avdelinger. Ikke bare i teamet som er mest ivrig.
2. Stryk dem som krever skjønn, forhandling eller unntak uten en klar regel.
3. Stryk dem der ingen i dag følger et tall som beskriver resultatet.
4. Ranger resten etter hvor raskt en endring vil vises i tallet.
5. Velg én. Ikke tre, og ikke et pilotprosjekt som skal dekke hele virksomheten.

Skriv ned hvilke kandidater som ble strøket, og hvorfor. Da er valget etterprøvbart, og dere har et språk for å si nei til neste forslag.

Eksempel: første AI-oppgave i en prosjektbedrift

I prosjektbedrifter går de samme oppgavene igjen for hvert prosjekt. Typiske kandidater er å lese inn og sortere tilbudsforespørsler, følge opp avvik og svare på de samme spørsmålene fra kunder og underleverandører. Det er et eksempel fra bransjen, ikke statistikk.

Siler dere disse gjennom kriteriene, er det ofte svar på gjentatte spørsmål om prosjektet som står igjen. Det skjer daglig, svaret finnes et sted i bedriften, og tiden det tar å finne det kan måles. I Selskapshjernen viser vi hvordan det ser ut når alt bedriften vet, er ett oppslag unna.

Men akkurat den oppgaven reiser neste spørsmål med en gang. Svaret på et prosjektspørsmål kan inneholde marginer, lønn eller kundeopplysninger. Hvem skal få se hva?

Sett måltallet før dere starter

Før dere går videre til tilgangene: mål tallet i to til fire uker før oppgaven flyttes. Da har dere et utgangspunkt å sammenligne mot, ikke bare en følelse av at noe ble bedre.

Sett to tall: ett for tiden oppgaven tar, og ett for kvaliteten, for eksempel feil eller etterarbeid. Avtal hvem som følger tallene, hvor ofte de leses, og hva som skjer hvis de ikke beveger seg. Uten en eier blir målingen liggende.

Hvem skal få se svaret? Tilgangsstyring før AI får kunnskapen

Ni av ti offentlige virksomheter peker på usikkerhet om risiko som en barriere, og når AI tas i bruk i kjerneoppgaver, blir spørsmål om personvern og ansvar mer konkrete. Private virksomheter møter de samme spørsmålene så snart oppgaven berører kunde- og prosjektdata.

Samme spørsmål, tre riktige svar

Tenk deg at en prosjektleder, en økonomimedarbeider og en fagarbeider stiller samme spørsmål om samme prosjekt. Prosjektlederen skal få hele bildet. Økonomimedarbeideren skal se tallene, men ikke personopplysningene. Fagarbeideren skal se det som gjelder egen oppgave. Tre ulike svar, og alle tre er riktige.

En kollega som får et spørsmål om noe hen ikke har tilgang til, sier nei. En AI-agent uten styring på tilgangen svarer like gjerne. Derfor er det ikke nok at kunnskapen er samlet. Svaret må være avgrenset av den som spør.

Hvorfor tilgang ikke kan legges på etterpå

Mange gjør det i denne rekkefølgen: samle alt, gjøre det søkbart, og legge på begrensninger når noen reagerer på et svar som var for åpent. Problemet er at et svar som er gitt, ikke kan trekkes tilbake. Begrensninger i etterkant blir et lappeteppe av unntak som noen må huske og vedlikeholde.

Personvernforordningen peker samme vei. Artikkel 25 om innebygd personvern krever at beskyttelsen bygges inn i behandlingen, ikke legges utenpå. For et kunnskapsgrunnlag betyr det at hvert dokument og hver opplysning tar med seg hvem som har lov til å se den, fra første dag. Det er forskjellen på å bygge et hus med låsbare rom og å sette lås på dørene etter at alle har flyttet inn.

Når en ansatt bytter prosjekt eller mister en tilgang, skal svaret endre seg med det. Kunnskapen skal ikke henge igjen i et rom den som spør ikke lenger har nøkkel til.

Hvilke rettigheter skal en AI-agent ha?

Ingen egne. En agent som henter tall til et tilbud eller oppsummerer et prosjekt for noen, skal arve tilgangen til den den jobber for. Får den brede rettigheter for å være effektiv, hentes effektiviteten fra noen andres tilganger, og agenten blir en omvei rundt hele tilgangsstyringen.

Det gjør også svarene etterprøvbare. Når et svar er knyttet til en bestemt kilde og en bestemt person, kan dere forklare hvor det kom fra. Hvorfor kilden betyr mer enn modellen, står i Samme modell, samme spørsmål. Den ene agenten gjetter, den andre vet.

Fire feil vi ser når AI får bedriftens kunnskap

1. Pilot på tvers av alt. Ti oppgaver samtidig, ingen måltall, og etter et halvt år kan ingen si hva som virket.
2. Samle først, rydde tilganger etterpå. Da har kunnskapen allerede vært synlig for flere enn eierne.
3. Brede rettigheter til agenten. Agenten blir effektiv på andres bekostning, og ingen kan si hvem den egentlig svarte for.
4. Tilgang som et eget IT-prosjekt. Når reglene bor i et regneark ved siden av kunnskapen, glir de ut av takt med roller og prosjekter. Et lukket system er heller ikke det samme som riktig tilgang. Det gir bare alle innenfor tilgang til alt.

Slik gjør Relation Brain det

Relation Brain er selskapshjernen vi har bygget for nettopp dette. Den samler det bedriften vet fra kildene dere selv velger, som prosjekter, fakturaer, dokumenter og e-post, og gir ansatte og AI-agenter svaret med samme tilgang som den som spør.

• Tilgangen følger kilden. Det du ikke får se i SharePoint eller Relation OS i dag, får du heller ikke se gjennom Brain.
• Agenter arver tilgangen til den de spør for. Aldri mer.
• Hvert oppslag kan etterprøves, så dere kan vise hvor et svar kom fra.

Det betyr at dere kan gi AI den første oppgaven uten å samtidig åpne hele bedriftens kunnskap for alle. Hvordan tilgangen virker, står på Brain-siden. Hvorfor kunnskapsgrunnlaget betyr mer enn modellen, har vi skrevet om i Modellene er smarte nok. Det er konteksten som mangler.

Sjekkliste før den første oppgaven går i drift

1. Oppgaven er hyppig, regelstyrt og har et tall noen følger.
2. Tallet er målt i to til fire uker, og noen eier det.
3. Det står skriftlig hvem som er ansvarlig for resultatet, og hvem som godkjenner unntak.
4. Dere vet hvilke kilder oppgaven trenger, og har latt resten ligge.
5. Tilgangene er ryddet før kildene kobles på, ikke etter.
6. En prosjektleder, en økonomimedarbeider og en fagarbeider har stilt samme spørsmål, og fått de svarene tilgangene tilsier.
7. Det står hvem som vedlikeholder tilgangene når folk bytter rolle. NSMs grunnprinsipper for IKT-sikkerhet anbefaler det samme: kartlegg brukere og behov for tilgang, og ha kontroll på identiteter og tilganger over tid.

Berører oppgaven personopplysninger eller beslutninger om enkeltpersoner, bør dere også vite hva AI-loven krever. Det står i EU AI Act i Norge.

Oppsummering

Velg én oppgave som er hyppig, regelstyrt og allerede målt. Mål tallet før dere flytter den. Og før AI får svare fra bedriftens kunnskap, sørg for at svaret er avgrenset av den som spør, også når det er en agent som spør.

Neste steg er konkret: plukk ut tre kandidater, ranger dem etter kriteriene, og se hvilke kilder den øverste trenger. Vil dere se hvordan det ser ut med deres egne kilder og tilganger, ta kontakt.