Kort svar: slik bør en bedrift starte med AI
Begynn med en gjentakende oppgave som tar tid, skaper friksjon eller fører til at kunder og kolleger må vente. Kartlegg input, ønsket output og hva som kan gå galt. Test deretter AI som støtte til et menneske. Hvis nytten er tydelig, kan prosessen kobles til data og systemer og gradvis få mer automasjon.
Dette er viktig fordi AI-prosjekter ofte feiler i feil ende: virksomheten velger modell eller plattform før den har bestemt hvilken jobb som faktisk skal bli bedre.
1. Definer jobben før dere velger teknologien
En god AI-oppgave kan beskrives uten å nevne AI. Eksempel: «Når en ny kunde fyller ut skjemaet, bruker selgeren 15 minutter på å lese fritekst, finne kriterier, opprette oppgave og bestemme neste steg.» Det er en arbeidsflyt som kan analyseres.
En dårlig prosjektbeskrivelse er «vi trenger en AI-agent». Den sier ingenting om hvem som skal bruke løsningen, hvilke data den trenger eller hva som er et bedre resultat.
- Hva skjer i dag?
- Hvor starter prosessen?
- Hvilke data brukes?
- Hva må et menneske vurdere?
- Hva er ønsket sluttresultat?
- Hva er konsekvensen hvis AI tar feil?
2. Velg riktig nivå: verktøy, automasjon, agent eller eget system
Ikke alle problemer trenger et skreddersydd system. Vi bruker fire nivåer som beslutningsmodell.
Start så lavt som mulig. Dersom et eksisterende verktøy gir 80 prosent av verdien uten utviklingsrisiko, er det ofte riktig førstevalg.
3. Data er viktigere enn modellen
En språkmodell kan være svært god, men dårlig data gir fortsatt dårlig arbeidsflyt. Før automasjon bør dere vite hvor sannheten ligger: CRM, ERP, dokumenter, e-post, produktdatabase, nettside eller andre systemer.
Skilj mellom tre typer data:
- Kanoniske fakta: data systemet kan stole på, som kunde-ID, pris, ordrestatus eller eiendomsreferanse.
- Ustrukturerte signaler: e-post, fritekst, notater eller dokumenter som AI kan tolke.
- AI-genererte vurderinger: forslag, oppsummeringer, scorer eller prioriteringer som aldri bør forveksles med originale fakta.
Dette skillet er sentralt i RealtyFlow og Nexus: systemet skal kunne vise hva som er registrert fakta og hva som er en AI-vurdering.
4. Skill forslag, godkjenning og handling
En av de viktigste arkitekturreglene er å ikke blande «AI foreslår» med «systemet utfører». En modell kan være nyttig til å utarbeide svar, velge kandidater eller foreslå neste steg uten å få lov til å sende e-post, publisere innhold eller endre kritiske data automatisk.
Vi bruker derfor et enkelt prinsipp:
- AI analyserer eller foreslår.
- Regler og data kontrollerer at forslaget er gyldig.
- Mennesket godkjenner der konsekvensen tilsier det.
- Systemet utfører handlingen.
- Resultatet logges slik at det kan vurderes senere.
5. Bygg den minste fungerende arbeidsflyten
En første versjon bør være smal nok til at dere forstår hvorfor den lykkes eller feiler. Hvis første prosjekt forsøker å løse kundeservice, markedsføring, salg, rapportering og fakturering samtidig, blir det vanskelig å lære noe.
Et godt første løp kan være: ny henvendelse → strukturert kundeprofil → foreslått neste steg → menneskelig godkjenning → oppgave i CRM. Når dette fungerer, kan dere legge på matching, e-postutkast, prioritering eller rapportering.
6. Mål oppgaven, ikke hvor mye AI dere bruker
Antall prompts, tokens eller AI-funksjoner sier lite om forretningsverdi. Målingen bør kobles til den opprinnelige jobben.
- Tid fra kundehenvendelse til første kvalifiserte svar.
- Tid brukt på manuell research.
- Andel oppgaver som må gjøres om.
- Andel leads som får et tydelig neste steg.
- Antall publiseringer som faktisk består kvalitetskontroll.
- Hvor raskt ledelsen får et beslutningsgrunnlag.
Hvis prosessen ikke blir bedre, skal mer AI ikke være standardløsningen. Da må arbeidsflyten eller problembeskrivelsen vurderes på nytt.
7. Når bør AI bli en del av et eget system?
Skreddersøm blir mer interessant når AI må jobbe tett med virksomhetens egne data, flere roller og flere systemer. Det gjelder særlig når informasjon må huskes over tid, når oppgaver skal flyttes mellom brukere eller når ett resultat avhenger av flere datakilder.
Tegn på at et eget system kan være riktig:
- Teamet kopierer data mellom flere systemer hver dag.
- Standardverktøy mangler sentral faglogikk.
- Det trengs rollebasert tilgang og historikk.
- AI må kunne bruke både strukturerte fakta og dokumenter.
- Samme arbeidsflyt gjentas for mange kunder eller enheter.
- Prosessen har potensial til å bli et eget produkt eller SaaS.
8. Fra RealtyFlow og Nexus til vertikale AI-systemer
RealtyFlow startet rundt eiendom, CRM, leads og markedsføring, men utviklingen har vist et mer generelt mønster. En delt datakjerne kan holde orden på kunder, selskaper, innhold, oppgaver, dokumenter og hendelser. Et intelligenslag – Nexus – kan tolke signaler, oppdage mangler og foreslå hva som bør skje videre.
Det betyr ikke at samme program kan kopieres ukritisk til andre bransjer. Det som kan gjenbrukes er arkitekturmønsteret: delt kjerne, tydelige entities, signaler, arbeidsoppgaver, rettigheter, AI-vurderinger og godkjenningsporter. Faglogikken må bygges på nytt for hver vertikal.
9. Olivia viser hvorfor vertikal kunnskap betyr noe
På en gård er ikke «kunde», «lead» og «pipeline» de sentrale objektene. Der er det skifter, parseller, trær, vann, vær, behandlinger, bilder, produksjon, dokumentasjon og sesongoppgaver som må forstås.
Olivia bygges derfor som et eget vertikalt drifts-OS. GEO-merking av bilder kan knytte observasjoner til riktig område. Felt- og beskjæringsanalyse kan bruke historikk og spørre når den er usikker. Dokumenter, årshjul, regn, vann og sensordata kan samles rundt den fysiske driften. Arkitekturen kan ha likhetstrekk med RealtyFlow, men språket, entities og beslutningslogikken er landbruksspesifikk.
10. Corporate Intelligence viser en annen vertikal
I B2B-salg er utfordringen ofte motsatt: det finnes mange selskaper og datapunkter, men selgeren trenger å vite hvem som er relevant for et bestemt tilbud, hvorfor og hva neste steg bør være.
Her er retningen å starte med tilbudet – hva selger virksomheten faktisk? – og deretter vurdere selskaper mot dette. Firmadata, historikk, signaler og beslutningspunkter kan samles i et kontoarbeidsrom, mens AI hjelper med research, prioritering og beslutningsgrunnlag. Dette er også mønsteret bak Corporate-delen som er utviklet i RealtyFlow.
11. En praktisk 30-dagers startplan
- Uke 1: Velg én arbeidsoppgave og mål dagens tidsbruk og kvalitet.
- Uke 2: Test standardverktøy manuelt og dokumenter hva som fungerer og ikke fungerer.
- Uke 3: Bygg én kontrollert arbeidsflyt med tydelig input, output og godkjenning.
- Uke 4: Mål effekten. Bestem om dere skal beholde løsningen, forenkle den, automatisere mer eller bygge et eget system.
Dette er normalt mer verdifullt enn å starte med et stort «AI-transformasjonsprosjekt» uten en konkret første jobb.
Vanlige feil når bedrifter starter med AI
- Kjøper mange lisenser uten å definere oppgavene.
- Gir AI for mye tilgang før datakvalitet og roller er klare.
- Automatiserer kundekontakt før kvaliteten er stabil.
- Blander fakta og AI-genererte vurderinger.
- Måler aktivitet i stedet for forretningsresultat.
- Bygger et stort system før den første arbeidsflyten er bevist.
- Publiserer AI-innhold uten faglig kontroll, kilder eller tydelig ansvar.
Vanlige spørsmål
Hva er den beste måten for en bedrift å starte med AI?
Start med én konkret, gjentakende arbeidsoppgave med tydelig resultat og moderat risiko. Test AI som støtte før du automatiserer mer.
Bør vi kjøpe et AI-verktøy eller bygge et eget system?
Bruk standardverktøy når de løser oppgaven godt nok. Bygg eget system først når arbeidsflyt, data, integrasjoner eller behov for kontroll gjør standardverktøy utilstrekkelige.
Hva er forskjellen på AI-støtte, automasjon og AI-agent?
AI-støtte lager forslag til et menneske. Automasjon utfører faste steg. En agent kan velge mellom flere verktøy eller handlinger ut fra mål og kontekst og trenger derfor tydeligere grenser.
Hvor mye bør automatiseres?
Bare så mye som datakvalitet, risiko og kontrollmulighet forsvarer. Viktig kundekontakt, publisering og økonomiske handlinger bør ofte ha eksplisitt godkjenning.
Trenger alle bedrifter AI-agenter?
Nei. Mange oppgaver løses bedre og billigere med et vanlig AI-verktøy eller en enkel automatisert arbeidsflyt.
Hvordan måler vi om AI faktisk virker?
Mål den opprinnelige arbeidsoppgaven: spart tid, færre feil, raskere responstid, bedre kvalitet eller bedre gjennomføring.
Kan samme arkitektur brukes i flere bransjer?
Ja, tekniske mønstre kan gjenbrukes, men faglogikk, data, entities og brukeropplevelse må bygges for den konkrete vertikalen.
Hva bør aldri overlates ukritisk til AI?
Handlinger med høy konsekvens bør ha klare regler og ofte menneskelig godkjenning, særlig økonomi, juridiske forhold, sensitiv kundekontakt og publisering som representerer virksomheten.