Inspill før praten på Arendalsuka: fem KI-temaer norske virksomheter bør ha et forhold til
KI er vanligvis et sentralt tema under Arendalsuka, fra mange vinkler. Selv om de fleste er eksponert for bruk og informasjon om KI daglig, kan det være krevende å følge med på det nyeste, og implikasjonene av dette. Vi deler dermed en oppdatering på noen av de temaene som vi synes er mest sentrale for norske organisasjoner og virksomheter, og håper det gir nyttig innspill til samtalene.
God lesning!
Dersom du ønsker å finne frem blandt de 2200+ arrangementene på Arendalsuka 2026, kan du spørre vår egenproduserte KI-løsning på https://arendalsuka.infuture.no/
KI-generert bilde
Tema 1 – Hva er KI i dag, og hvilke implikasjoner har det for virksomheten?
KI har beveget seg fra et snevert bruksområde, til å være forskjellige verktøy til forskjellige formål
For ti år siden betydde «KI» skreddersydde maskinlæringsmodeller (ML) til snevre formål. I 2022–23 ble KI synonymt med chatboter, og kort etter kom RAG – chatboter koblet mot egne dokumenter via semantisk søk. I 2025 utviklet disse seg til agenter («det nye RPA»), som kobler seg til informasjon og verktøy og faktisk utfører oppgaver. Denne utviklingen har særlig økt tempoet i programvareutvikling, som nå er mer tilgjengelig og vesentlig raskere.
Fremover peker forskningen blant annet mot modeller som forbedrer seg selv med mindre menneskelig innblanding, «world models» som resonnerer om fysikk, og mer handlingsorientert KI. Utviklingstakten er høy, og peker i mange retninger parallelt.
Kort sagt: KI har gått fra snevre spesialverktøy til en bred verktøykasse som utfordrer både forretning og teknologi. For mange virksomheter kan dette føre til nye muligheter for å utvikle, produsere og selge produkter eller tjenester, mens for andre handler det om å gjøre det de har gjort før, men på en rimeligere, raskere eller bedre måte.
Når flere kan bygge forretningsnære løsninger, forskyves grensen mellom forretning, analyse og IT. KI kan gi fart og fleksibilitet, men også nye spørsmål om eierskap, teknisk gjeld og ansvar når prototypen plutselig er «i produksjon», og dette kan gå fra å gjelde et titalls løsninger, til hundrevis eller tusenvis.
Mange valg fra de siste årene, kan være modne for å vurderes på nytt. Har vi faktisk et konkurransefortrinn med produktene våre i dag, gitt hvor lett det er å bygge eller kopiere digitale produkter og løsninger med KI? Er vi sikre på om fordeling av internt ansvar, egenutvikling vs. leverandør, kjøp vs. bygg og sentral vs. desentral beslutningsstruktur er riktig i dagens kontekst? Riktig svar i dag kan avvike fra svaret for ti år siden, og mange kan være godt tjent med å vurdere dette på nytt.
Sitat: «Vi har vurdert påvirkningen av KI på tvers av bedriften, og tatt stilling til både forretningsmodell og driftsmodellen på nytt. Dette gjelder for eksempel områder som hvor godt våre tjenester står seg konkurransemessig, ansvarsmodellen mellom forretning, analyse og IT, samt på den tekniske siden innen buy vs. build, leverandørhåndtering og hvordan vi jobber med arkitektur.»
Tema 2 – Hva trenger vi av kompetanse?
Flere kan gjøre mer, noe som endrer kompetansebehovet i en bedrift, samt hvem som kan og bør gjøre hva
Bedre og mer fleksible modeller, modne brukergrensesnitt og etablerte standarder (MCP-lignende koblinger, agent-rammeverk etc.) har gjort at langt flere faktisk kan anvende KI til å for eksempel automatisere arbeidsflyter eller utvikle både tradisjonelle og KI-drevne løsninger.
Det flytter kompetansebehovet utover i organisasjonen: mange flere trenger et forhold til teknologien, og det gamle skillet mellom «IT og forretning» mykner, som også nevnt over.
Men mulighetene for å gjøre feil, eller misbruke arbeidstiden, vokser i takt med mulighetene for verdi. Dette fører til et økt og endret kompetansebehov på tvers av virksomheten.
Hvem som kan og bør gjøre hva er sjelden et rent kompetansespørsmål. Synergipotensial, autonomi og differensiering, kost/nytte, sikkerhet, compliance og datakvalitet trekker i ulike retninger. Svaret på hvem som skal gjøre hva avgjør hvilket kompetansebehov du får, og dermed hvilken endringsreise virksomheten faktisk står overfor.
Sitat: «Vi har engasjert en gruppe av de mest fremoverlente til alltid å teste det nyeste, og bygget en kompetanseplan som treffer ulike identifiserte grupper av ansatte, med forskjellig behov - fra enkel innføring til dyp spesialisering. Dette inkluderer blant annet valg rundt verktøy, teknisk frihetsgrad og økonomiske grenser.»
Tema 3 – Hvor mye koster det?
Kostnadsfokuset har økt: «Tokenomics» is coming!
Da språkmodellene ankom var det billig å være med – abonnementer på 200–300 kr/mnd dekket realistisk forbruk for de populære tjenestene. Med mer avansert agentisk bruk - særlig til applikasjonsutvikling - eksploderte etter hvert forbruket av såkalte «tokens» (tekstbiter: modellen deler opp tekst i ordfragmenter, og regningen følger antallet inn/ut). Initielt var dette kraftig subsidiert av leverandørene. Nå strammes det gradvis til. Men mens verdens beste språkmodeller («the frontier») blir stadig større og dyrere, har billigkroken blitt helt utrolig billig - og stadig bedre.
Spørsmålet for virksomheter: får vi god nok, og trygg nok, tilgang til rimeligere modeller som er tilstrekkelig gode - blir kost en reell begrensning? Og hvem hos oss vet hva som er godt nok, til hvilke formål?
Sitat:«Tiden for ren token-maxing er over. Vi kjører typisk en frontier-modell når det kreves, en billig modell for innsamling og tekstbehandling - den er forresten overraskende god til nettopp det - og noe på edge der personvern eller kost tilsier det. Det handler ikke om å bruke den beste modellen, men riktig modell.»
Tema 4 – Er KI den nye store sikkerhetstrusselen?
Sikkerhetsrisikoene er i stor grad de samme som før, men KI utfordrer tronen fra kvanteberegning som største mulighet og trussel mot digital sikkerhet
De siste årene har det blitt brukt en del spalteplass på hvordan kvanteberegning vil være et paradigmeskifte når det kommer til digital sikkerhet siden dagens kryptering da trues. Ved fremveksten av mer avansert KI har denne diskusjonen derimot snudd seg mer i retning av trusler og muligheter fra KI.
Nylig har hendelser som at både OpenAI og Anthropic ikke velger å slippe de siste modellene sine før de har blitt testet av utvalgte software-selskaper, at noen modeller har brutt seg ut av sandkassene sine og hacket reelle virksomheter, og at USA sin stat har tidvis blokkert internasjonal deling av frontier-modeller.
Det tydeligste eksempelet er bare noen dager gammelt. 30. juli publiserte Anthropic en gjennomgang av 141 006 testkjøringer fra sine egne sikkerhetsevalueringer, og fant tre tilfeller der Claude-modeller hadde skaffet seg uautorisert tilgang til produksjonssystemene til tre virkelige virksomheter. Modellene var fortalt at de befant seg i en simulering uten internettilgang. En feilkonfigurasjon hos Anthropic og deres testpartner hadde gjort at maskinene faktisk var på nett.
Anthropic-saken er kanskje ganske pinlig gjenkjennelig: noen trodde miljøet var isolert, og det var det ikke. Den feilen er antageligvis ikke bare forbeholdt verdens mest avanserte KI-laboratorier.
KI har blitt mest omtalt som et kappløp om verdiskaping og konkurransefortrinn, men ser nå ut til å utvikle seg til et parallelt kappløp om å ha prosesser, løsninger og plattformer som er trygge mot nye typer sikkerhetsangrep – som bruker nye digitale superkrefter til å være mest mulig effektive.
Sitat: «Vi har sluttet å spørre om KI klarer å bryte seg inn hos oss.. Spørsmålet er om vi ville sett det når det skjedde. I Anthropics egen rapport fra juli hadde to av tre virksomheter ikke oppdaget noe.»
Tema 5 – Handler det kun om data?
Å hente ut verdi fra KI løsriver seg til en viss grad fra interne data (selv om ikke alle er enig i dette)
Vi må avslutte med en liten kontrovers. Mantraet rundt KI var lenge «fiks dataene dine før du kan hente ut verdi». Det er i ferd med å endre seg, av bl.a. tre grunner: (1) Modellene er trent på enorme datamengder og bærer allerede mange nyttige mønstre i seg; (2) De har blitt bedre til å hente riktig ekstern informasjon på egen hånd; (3) De kan brukes til å kategorisere, kvalitetssikre og avdekke hull i dine egne data.
Ironisk nok er verktøyet som skulle kreve rene data, blitt en kritisk del av opprydningen.
Dette betyr ikke at data er blitt uviktig, men at kravene har endret seg: Det handler mindre om å polere alt på forhånd, og mer om å vite hva som faktisk er viktig og tilgjengelig.
Domenekunnskap om løsningsrelevante data er minst like verdifull som før. Det nye er at KI kommer med sin egen verdensforståelse i bagasjen - og den som forstår hva modellen allerede «kan», ser også hvor egne data gir størst merverdi, og hvor de bare dupliserer det modellen har fra før.
De som mestrer denne balansen, og justerer den i takt med at modellene utvikler seg, bygger et varig fortrinn.
Sitat: «Vi tar aktivt stilling til hvor eierskap til data kan gi oss et konkurransefortrinn i fremtiden, kontra hvor det er lurt å la modellene klarer seg på generiske eller offentlig tilgjengelige data. Det styrer datastrategien vår, samt tilhørende teknologier (DWH, etc.).»
Honorable mentions
Mye kunne blitt skrevet om chip-lock-in mot Taiwan, SaaSpocalypse, modellkappløpet mellom USA og Kina, hvor Magnificent Seven legger kruttet når det kommer til investeringer, samt hvorvidt de enorme KI-investeringene er en boble eller faktisk undervurdert når det kommer til endelig verdiskaping og verdsettelser. Det får komme gjennom praten i løpet av uka.
Mikkel Five Melvær
Partner | Data & AI | inFuture
Øyvind Storesund Hetland
Partner | Data & AI | inFuture
LinkedIn