Modellene er smarte nok. Det er konteksten som mangler.

Det finnes en stille misforståelse i mange AI-prosjekter. Man tror at resultatet står og faller på modellen: at neste versjon endelig blir god nok, eller at man valgte feil leverandør. Så man venter, bytter og prøver igjen.

Men de ledende språkmodellene er allerede gode nok til det meste en bedrift trenger. De skriver, oppsummerer, regner, sammenligner og resonnerer bedre enn det de fleste oppgavene i en vanlig arbeidsdag krever. Når en AI likevel gir svar som er generelt riktige, men ubrukelige i praksis, er det nesten alltid fordi den ikke vet nok om akkurat dere.

Modellen er motoren. Konteksten er drivstoffet. Uten den går det ingen steder, uansett hvor mange hestekrefter man har.

Et spørsmål, to svar

Tenk deg at en prosjektleder spør: «Hva gjenstår før vi kan sende sluttoppstillingen på Gressvik-prosjektet?»

Uten kontekst svarer modellen med en god sjekkliste. Kontroller at alle endringsmeldinger er avklart, at leverandørfakturaer er ført, at det er avregnet mot kontrakten. Det er ikke feil. Det er bare ikke et svar på spørsmålet.

Med kontekst er svaret et annet. Endringsmelding 3 står fortsatt til vurdering hos byggherren. To leverandørfakturaer for beslag er ført i regnskapet, men ikke viderefakturert. Juni er avregnet og låst. Så følger en lenke til hver av dem.

Samme modell, samme spørsmål. Forskjellen er at den andre gangen fikk agenten se prosjektets faktiske tilstand, og kunne vise hvor den hadde det fra.

Hva kontekst egentlig er

Når vi sier kontekst, mener vi fem ting:

1. Tall fra systemene som er fasit, som regnskapet, timene og kalkylen.
2. Dokumenter som kontrakter, tilbud, endringsmeldinger og standarder.
3. Historikk, altså hva som er sagt og avtalt, ofte i en e-posttråd ingen andre har sett.
4. Regler for hvem som godkjenner hva, hva som binder bedriften, og hva en agent ikke har lov til.
5. Kilder: hvor hver opplysning kommer fra, og om det er originalen eller noens tolkning av den.

Det siste punktet er det mest oversette. En agent som kan vise at tallet kommer fra regnskapet, og at påstanden kommer fra kontraktens punkt 12, kan man stole på og kontrollere. En agent som bare påstår, kan man ikke. Derfor holder vi alltid kilde og tolkning fra hverandre. Les mer om hvorfor datagrunnlaget avgjør.

Mer data er ikke bedre kontekst

Den vanligste snarveien er å laste opp alt: hele fellesområdet, alle e-postene, alle versjonene. Det føles grundig. Det gir som regel dårligere svar.

Tre ting går galt. Støy: jo mer irrelevant stoff en modell må lete gjennom, jo lettere griper den feil. Versjoner: kontrakten finnes i fire utgaver, og det er ikke gitt at den nyeste er den gjeldende. Tilgang: en agent som ser alt, kan også vise alt, også lønn, personalsaker og tall som ikke skal ut av økonomiavdelingen.

God kontekst er ikke mest mulig. Den er det riktige, med kilde, i riktig øyeblikk og med tilgangen til den som spør.

Derfor må jobben gjøres først

Alt dette er arbeid som må gjøres før agentene slippes løs. Man må finne ut hva som faktisk finnes, også det som bare står i hodet til en erfaren prosjektleder. Man må hente dataene der de bor, uten å tvinge noen til å bytte system. Og man må skille det som er kilde fra det som er tolkning.

Det er ikke glamorøst, og det tar tid. Det er også grunnen til at så mange AI-piloter stopper opp: de hoppet over grunnmuren og begynte med taket.

Der vi har gjort denne jobben først, står agentene i dag for over 40 prosent av aktivitetene i systemene. Det er ikke fordi vi har tilgang til en hemmelig modell. Det er fordi grunnlaget lå der da agentene kom.

Konteksten er det som varer

Det finnes en god nyhet i dette. Modellene blir bedre og billigere på måneder, ikke år, og dere kan bytte modell når det kommer en bedre. Konteksten dere bygger, følger med over. Den blir mer verdt for hver modell som kommer, fordi hver nye modell får mer ut av den.

En modell kan kjøpes. Et datagrunnlag som beskriver akkurat deres bedrift, kan ikke det. Det er der forspranget ligger.