De fleste nordiske bedrifter er fortsatt KI-nybegynnere, skriver Henrik Bibow i i PA Consulting i et debattinnlegg på Digi.
Som en del av en KI-undersøkelse konsulentselskapet gjennomførte på tvers av Norden, beskriver han at få (15 prosent) har tatt steget til å bruke kunstig intelligens (KI) fullt ut med autonome agenter, mens resten primært benytter seg av «hyllevare»-produkter som Copilot og Chat GPT.
Artikkelen peker på at de fleste nordiske virksomheter fortsatt bare har tatt de første stegene på KI-reisen. Dette fremstilles ofte som at virksomhetene «henger etter» eller ikke evner å utnytte potensialet, men dette er bare halve bildet.
Som en sterk forkjemper for å utforske mulighetene KI gir, mener jeg det er avgjørende å forstå at økosystemet for kunstig intelligens fortsatt er ungt og under utvikling. Før nordiske virksomheter kan ta i bruk avanserte KI-løsninger, må flere tekniske forutsetninger være på plass. Det handler ikke bare om vilje, men også om at teknologien og infrastrukturen ikke alltid er moden nok.
For nordiske virksomheter som ønsker å utnytte generativ KI som en integrert del av virksomheten – for eksempel til å utvikle autonome agenter eller agenter for å understøtte forretningsprosesser – er det flere tekniske forutsetninger som må være på plass.
Både-og-forståelse
For det første må man ha språkmodeller som forstår både språket og det datagrunnlaget de skal jobbe med. Språkrådet har tidligere påpekt at selv ledende modeller som Chat GPT ikke alltid er treffsikre i bokmål og nynorsk. Selv om dette ikke nødvendigvis gir store problemer i generelle sammenhenger, kan modellene fortsatt gjøre feil – og norske data utgjør fortsatt mindre enn 1 prosent av treningsgrunnlaget i de store språkmodellene fra Google og Open AI.
Det finnes riktignok norske språkmodeller med mye bedre forståelse for norsk, men disse mangler ofte funksjonalitet som trengs for å lage avanserte agenter – som for eksempel GPT functions, evne til å håndtere større mengder informasjon eller støtte for multimodalitet.
En utbredt misforståelse er også at slike agenter er «trent opp» på organisasjonens data. I praksis handler det som oftest om en arkitektur kalt RAG (Retrieval-Augmented Generation), der en søkemotor henter relevante data som språkmodellen deretter bruker til å generere svar. For at dette skal fungere effektivt, må virksomheten ha strukturert og tilgjengelig data som modellen faktisk kan søke i.
Trenger tilpasning
Men det stopper ikke der: Dataene må også transformeres og tilpasses før de kan brukes effektivt i slike løsninger. Alternativt kan man bruke ferdige SaaS-tjenester (programvare som en tjeneste), men disse har ofte begrenset støtte for integrasjon mot virksomhetens øvrige systemer.
Selv når man har tilgang til gode språkmodeller og har strukturert dataene, er det ikke nødvendigvis rett frem å bygge autonome agenter som fungerer i praksis.
Agenter må enten utvikles ved hjelp av ferdige SaaS-løsninger som Copilot Studio, Google Agent Space eller Taskade – eller bygges fra bunnen av med rammeverk som Lang Graph, Crew AI, Semantic Kernel, Datastax eller n8n. Hver av disse har sine fordeler og begrensninger, både i funksjonalitet og hvilke språkmodeller de støtter. Noen binder deg også til én spesifikk modell.
Et stykke frem
For at slike agenter faktisk skal kunne utføre arbeidsoppgaver, må de også integreres med virksomhetens IT-systemer. Dette er ofte et omfattende arbeid – selv om nye standarder som MCP, introdusert i november i fjor, gradvis vil gjøre dette enklere.
Så det å ta i bruk KI handler ikke bare om å trykke på en knapp – det krever en teknologisk grunnmur som er moden og skreddersydd for formålet. Først når språkmodellene forstår konteksten, dataene er tilgjengelige og strukturert og IT-systemer kan samhandle sømløst med agenter, kan vi virkelig begynne å realisere potensialet med KI.
Bruker KI for å forenkle dialog mellom hørende og døve
