Kunstig intelligens og AI-automatisering for norske bedrifter
AI-bølgen har lagt seg litt, og teknologien har blitt voksen. Å generere tekst og bilder er ikke lenger poenget. Nå setter vi kunstig intelligens (KI) i produksjon for å løse reelle, kjedelige og viktige oppgaver, og for å drive digital transformasjon i virksomheten.
For å lykkes med dette i en norsk bedriftshverdag holder det ikke med en lisens hos OpenAI. Dere trenger skikkelig systemutvikling, kontroll på dataene og etterlevelse av lovverk.
Vår tilnærming er jordnær. Vi er opptatt av arkitekturen, limet som binder de nye, smarte AI-modellene sammen med de kjernesystemene dere allerede bruker. Det er slik vi lager løsninger som faktisk virker i hverdagen og leverer stabil verdi over tid.
Hva trenger dere egentlig? (Tre nivåer av AI)
Dette er «støttehjulene». Verktøy som hjelper de ansatte å skrive e-poster, kode eller analysere tall raskere. Mennesket styrer prosessen, men AI-en gir mer kraft.
Systemer som gjør bedriftens interne data (PDF-er, SharePoint, databaser) tilgjengelige gjennom vanlig språk. Poenget er å finne rett informasjon raskt og presist uten å lete i mappestrukturer.
Her går vi fra å prate til å gjøre. En agent kan lese en e-post, gjøre oppslag i et ERP-system, utføre en beregning og klargjøre en handling for godkjenning.
RPA vs. kunstig intelligens: Hva er forskjellen?
RPA (Robotic Process Automation) har lenge vært standarden for automatisering av repetitive oppgaver. Forskjellen er at RPA følger rigide regler og klikker seg gjennom skjermbilder: «dum» automatisering som knekker når grensesnittet endres.
Kunstig intelligens og maskinlæring tilfører noe RPA mangler: forståelse og tilpasningsevne. Der en RPA-bot stopper opp når fakturaformatet endrer seg, kan en AI-løsning tolke innholdet og håndtere variasjoner. Vi bygger det smarte laget på toppen, systemene som faktisk forstår hva de jobber med.
For bedrifter med eksisterende RPA-investeringer kan vi integrere maskinlæring så automatiseringen tåler variasjon og forstår innholdet, uten å erstatte det som allerede virker.
Ingen magi uten gode data
En språkmodell er aldri bedre enn datagrunnlaget den får servert. Det vanligste hinderet for vellykket AI-bruk er forsøk på å koble avanserte modeller på ustrukturerte data. Da får du unøyaktige svar og potensielle sikkerhetshull.
Vi bygger løsninger basert på RAG-arkitektur (Retrieval-Augmented Generation). Det betyr enkelt forklart at AI-en tvinges til å basere svaret sitt på fakta dere faktisk har. Det reduserer risikoen for «hallusinasjoner» betraktelig.
Slik sikrer vi presisjon
- Vi etablerer rørledninger som henter data fra kilder som SharePoint eller SQL, og rensker dem for støy før de indekseres.
- Data konverteres til «vektorer» slik at systemet forstår meningsinnholdet, ikke bare nøkkelord. Dette gir treffsikre søk selv ved komplekse spørsmål.
- Sikkerhet er kritisk. Vi speiler bedriftens tilgangsrettigheter. En ansatt skal aldri få generert svar basert på dokumenter de ikke har lov til å lese (f.eks. lederlønninger eller HR-referater).
Teknologi vi bruker for AI-løsninger
- OpenAI, Claude, Gemini, DeepSeek: vi velger riktig modell for oppgaven
- Selvhostede modeller via Ollama når data er sensitivt
- Microsoft Copilot Studio for enklere bruksområder
- Qdrant for semantisk søk og RAG
- Meilisearch for fulltekst-søk
- PostgreSQL med pgvector for enklere oppsett
- Python med FastAPI for ML-tjenester
- Laravel for API og forretningslogikk
- Celery og Redis for asynkrone jobber
Når AI-en faktisk gjør jobben (Agentic AI)
Overgangen fra en passiv chatbot til en aktiv agent handler om å koble teknologien på fagsystemene deres, enten det er Salesforce, Visma eller SAP. Det er her vi går fra å prate om ting, til å få ting gjort.
Eksempler på oppgaver AI-agenter kan løse
Tenk deg en agent som overvåker Doffin/Mercell, laster ned konkurransegrunnlag, sammenligner kravene med bedriftens CV-base, og lager et førsteutkast til besvarelse. Det sparer enorme mengder manuelt arbeid.
En agent kan ta de administrative oppgavene ved nyansettelser: bestille utstyr, opprette brukertilganger i systemene og svare på spørsmål, så HR-avdelingen får tid til de menneskelige møtene.
I stedet for manuell sjekk, kan en agent lese inngående fakturaer og matche linjene mot bestillinger i ERP-systemet. Den godkjenner det som stemmer, og varsler et menneske kun når den finner avvik.
Chatbots og AI-assistenter for bedrifter
Mange bedrifter starter AI-reisen med en chatbot. Det kan være et godt utgangspunkt, men en chatbot er bare så god som systemene den er koblet til. En frittstående chatbot som kun svarer på generelle spørsmål gir begrenset verdi.
Vi bygger chatbots og AI-assistenter som er integrert med bedriftens systemer og data. Det betyr at chatboten faktisk kan hjelpe kunder med ordrestatus, ansatte med HR-spørsmål eller selgere med produktinformasjon, basert på sanntidsdata fra kjernesystemene deres.
Hva skiller en god chatbot fra en dårlig?
- Koblet til CRM, ERP, helpdesk og andre fagsystemer via sikre API-er.
- Forstår hvem brukeren er og tilpasser svarene deretter, så en kunde får annen informasjon enn en ansatt.
- Vet når den skal gi fra seg til et menneske, og overfører hele samtalehistorikken samtidig.
KI-forordningen og ansvarlig AI
KI-forordningen (EU AI Act) setter nye krav til hvordan kunstig intelligens kan brukes i næringslivet. Selv om regelverket ikke er formelt implementert i norsk lov ennå, er det rett rundt hjørnet. Kravene vil treffe norske bedrifter, spesielt AI-systemer innen HR, rekruttering og kritisk infrastruktur.
Vi tar ingen sjanser på compliance. Vi bygger AI-løsninger som oppfyller fremtidens krav allerede i dag:
Sporbarhet: Dere skal kunne se nøyaktig hvilke kildedokumenter AI-en har basert svaret sitt på.
Logging: Vi logger alle interaksjoner for revisjon og kvalitetssikring.
Mennesket i loopen: Vi designer kritiske beslutninger slik at et menneske alltid må godkjenne dem før utførelse.
Vi sikrer også at løsningene følger krav til universell utforming (WCAG), slik at de er tilgjengelige for alle ansatte.
Veien fra sandkasse til produksjon
Vi unngår at prosjekter stopper opp etter testfasen ved å planlegge for drift fra dag én.
Teknisk kartlegging: Vi vurderer datakvalitet og infrastruktur. Ligger dataene i skyen? Vi identifiserer use-cases med lav risiko og høy verdi.
Prototyping (MVP): Vi bygger en fungerende løsning i et lukket miljø for å validere at teknologien faktisk løser problemet.
Sikkerhetstesting: Vi stresstester løsningen (Red Teaming) for å avdekke sårbarheter eller potensielle datalekkasjer.
Driftssetting: Vi ruller ut med overvåkning, opplæring og en klar modell for vedlikehold.