De fleste norske bedrifter som «skal i gang med AI» starter i feil ende: et stort, udefinert mandat («vi må bruke AI mer») uten et konkret problem å måle det mot. Resultatet blir ofte en lang utredning som aldri lander i noe som faktisk er i drift. Denne artikkelen går gjennom rekkefølgen som fungerer i praksis — fra å finne riktig førsteprosjekt til å faktisk sette det ut i live drift.
Steg 1: Finn ett avgrenset problem, ikke en visjon
Det beste førsteprosjektet er kjedelig, konkret og lett å måle — ikke det mest ambisiøse. Se etter oppgaver som er repeterende, tar tid, og har et tydelig «før» og «etter» du kan sammenligne: kundehenvendelser som i dag besvares manuelt, dokumenter som leses og kategoriseres for hånd, eller rapporter som settes sammen manuelt hver uke. Jo lettere det er å si «dette tok X timer før, Y minutter nå», jo lettere blir resten av prosessen — inkludert å få intern støtte til neste prosjekt.
Steg 2: Sjekk om data og systemer faktisk henger sammen
Før noe bygges, kartlegg hvor informasjonen faktisk bor i dag — CRM, e-post, regneark, interne systemer — og om den er tilgjengelig gjennom et API eller må hentes ut manuelt. Dette er ofte den reelle flaskehalsen, ikke selve AI-delen. Et prosjekt som ser enkelt ut på papiret kan stoppe helt opp hvis dataene ligger spredt og usammenhengende.
Steg 3: Bygg en avgrenset pilot, ikke en ferdig plattform
Målet med første versjon er å teste om løsningen faktisk løser problemet — ikke å dekke alle tenkelige unntakstilfeller. En pilot som kjører for én avdeling, ett produkt eller ett begrenset utvalg av henvendelser gir raske, ekte svar. Skaleringen til resten av organisasjonen er et eget, senere steg, ikke noe som må løses i første runde.
Steg 4: Test med ekte brukere, ikke bare internt
Et AI-verktøy som fungerer fint i en demo kan oppføre seg annerledes i møte med ekte, rotete forespørsler fra kunder eller ansatte. Sett piloten i hendene på et lite, ekte utvalg brukere så tidlig som mulig, og bygg inn en enkel måte å fange opp når svaret er feil eller utilstrekkelig — dette er datagrunnlaget som gjør neste versjon bedre.
Steg 5: Sett den i drift, og la resultatet styre neste prioritet
Når piloten viser reell verdi, er neste steg å sette den ordentlig i drift — med eierskap, overvåking og en plan for hva som skjer når noe går galt. Herfra er det resultatene fra prosjekt nr. 1 som bør avgjøre hva prosjekt nr. 2 blir, ikke en forhåndsdefinert veikart satt opp før man visste hva som faktisk fungerte.
Vanlige fallgruver underveis
- For bred ambisjon i starten. Et mandat som «automatiser kundeservice» er vanskeligere å lykkes med enn «automatiser svar på de 5 vanligste spørsmålene».
- Ingen tydelig eier internt. Uten én person som faktisk følger opp resultatene, stopper de fleste AI-prosjekter opp etter piloten. En fractional CTO dekker ofte nettopp denne rollen for bedrifter uten egen teknisk leder.
- Ingen plan for hva som skjer når AI-en tar feil. Alle AI-løsninger gjør feil av og til — de gode systemene har en enkel vei for brukeren til å melde fra, og en prosess for å rette det opp.
Neste steg
Det raskeste er en kort samtale om hvor bedriften din faktisk har mest å hente — ofte er det ikke der man tror.
- Hva er det vanligste feilgrepet når bedrifter starter med AI?
- Å starte for bredt — et generelt «AI-prosjekt» uten en konkret oppgave å løse. Det vanligste feilgrepet er å ville automatisere «alt» eller bygge en avansert løsning før man har testet om et enkelt, avgrenset tilfelle faktisk gir verdi.
- Trenger vi eget datagrunnlag eller en AI-modell fra bunnen av for å komme i gang?
- Sjelden ved oppstart. De fleste norske SMB-er kommer langt med eksisterende språkmodeller koblet til egne data og systemer, ikke en modell trent fra bunnen av. Det er som regel først når man har et modent, validert bruksområde at et skreddersydd modell-løp blir aktuelt.
