KI-prosjekter feiler ikke på teknologi.

De feiler på prosessforståelse.

De fleste virksomheter som kommer til oss med et KI-prosjekt har allerede bestemt seg for teknologien. De vil ha en agent. De vil ha en chatbot. De vil ha automatisering. Det er ikke et problem i seg selv, men det er feil sted å starte.

Spørsmålet er ikke hvilken modell eller hvilken plattform. Spørsmålet er: Hvilke prosesser binder opp folk, skaper flaskehalser og koster mest – og hva skjer egentlig i de prosessene i dag?

Det er der ROI oppstår. Ikke i teknologivalget.

Teknologien er moden. Prosessforståelsen er ikke.

Språkmodeller har modnet dramatisk de siste to til tre årene. En stor språkmodell er i sin essens en matematisk komprimering av enorme mengder tekst – den predikerer neste sannsynlige ord, og gjør det med en presisjon som gjør den i stand til å løse de fleste kognitive oppgaver mennesker jobber med til daglig: forstå, klassifisere, oppsummere, formulere, analysere.

KI-agenter tar dette et steg videre. En agent er ikke bare en modell som svarer, det er et system som kan observere et miljø, bruke verktøy, hente informasjon fra ulike systemer og handle. Reaktivt, autonomt, proaktivt. Det er forskjellen mellom en assistent som svarer på spørsmål og en medarbeider som faktisk utfører oppgaver.

Men her er det mange går galt: De deployer agenter mot prosesser de ikke fullt ut forstår. De vet at noe tar for lang tid eller koster for mye, men de har ikke kartlagt nøyaktig hva som skjer, hvem som er involvert, hvilke systemer dataene flyter gjennom og hvilke beslutninger som faktisk tas underveis.

En agent som automatiserer en dårlig prosess, gjør den dårlige prosessen raskere. Det er ikke det vi er ute etter.

Domenekunnskap er det KI ikke kan erstatte

Det finnes én ting en språkmodell ikke kan gi deg, uansett hvor stor og avansert den er: forståelse for din virksomhet, dine data og dine prosesser.

En modell vet ikke at avviket i logg 4712 betyr noe helt annet i ditt produksjonsmiljø enn det ville gjort hos noen andre. Den vet ikke at kundekategorien «VIP» i ditt CRM-system faktisk hentes fra et legacy-felt som aldri er blitt ryddet opp i. Den vet ikke at den manuelle godkjenningsprosessen i innkjøp egentlig er en workaround for et integrasjonsgap som oppsto for sju år siden.

Den domenekompetansen sitter i hodet på menneskene som jobber med prosessene daglig. Og den er gull.

Det vi gjør er å bringe teknologiforståelsen – hva agenter faktisk kan gjøre, hvilke grenser de har, hvordan de bør styres – inn i møte med den domenekompetansen. Det er i det møtet de gode use casene oppstår.

Slik kartlegger vi der agenter gir størst verdi

Vi bruker en workshop-basert tilnærming for å finne de prosessene som har høyest potensial – ikke de som høres best ut i en presentasjon, men de som faktisk gir målbar effekt.

Steg 1: Prosessinventar – finn det som faktisk tar tid Vi starter med å kartlegge de manuelle, repetitive oppgavene som binder opp folk. De tidkrevende. De som krever at noen logger inn på tre ulike systemer for å svare på ett enkelt spørsmål. De oppgavene der svaret alltid er det samme, men noen likevel bruker 20 minutter på å finne det.

Disse prosessene er ikke åpenbare fra et organisasjonskart. De fremkommer i samtale med de som faktisk gjør jobben.

Steg 2: Verdivurdering – volum, mønster og risiko Ikke alle manuelle prosesser er like interessante å automatisere. Vi vurderer volumet – hvor mange ganger skjer dette per dag, uke, måned – opp mot kompleksiteten og risikoen ved automatisering. En beslutning som tas tusen ganger om dagen og alltid følger det samme mønsteret, er langt mer interessant enn en prosess som skjer sjelden og krever nyansert skjønn.

Steg 3: Domenekartlegging – forstå data, systemer og beslutninger For de prosessene som scorer høyt, går vi dypere. Hvilke systemer er involvert? Hvilke data trenger agenten tilgang til? Hvilke beslutninger tar den, og hvilke skal alltid løftes til et menneske? Hva er grensene for hva agenten har lov til å gjøre?

Dette er ikke en teknisk øvelse, men en forretningsøvelse. Og det er her domenekompetansen til de ansatte er avgjørende.

Steg 4: Prototype på reelle data – ikke i kunstige miljøer Vi tester raskt. En agent mot en avgrenset prosess, på reelle data, i et kontrollert miljø. Ikke for å bevise at teknologien virker – den virker; men for å kalibrere den mot den faktiske kompleksiteten i prosessen.

Det er her mange pilotprosjekter avslører ting ingen visste om sine egne prosesser. Det er det som gjør prototypingen verdifull.

Case: Fra sikkerhetskrav til produksjonsdrift

Et godt eksempel på hva denne tilnærmingen kan gi er pilotprosjektet vi gjennomførte med en av våre kunder; en stor offentlig aktør med strenge sikkerhetskrav, der de er midt i en modernisering av sin infrastruktur til en IP-basert plattform med sentralisert produksjon i to datasentre.

Kompleksiteten økte. Behovet for å avdekke feil raskere, forenkle operativ drift og øke kvaliteten i konfigurasjoner var tydelig. Men kunden har strenge sikkerhetskrav, så skybaserte KI-modeller var ikke et alternativ. Alle data måtte behandles lokalt.

Vi installerte og kjørte språkmodeller direkte på kundens infrastruktur, integrert med deres systemer for nettverksstyring og brannmur. Agentene kan nå hente og analysere trafikkdata på tvers av systemer, foreslå forbedringer i brannmurregler og gi steg-for-steg veiledning for implementering – uten at driftsoperatørene må logge inn på en rekke ulike plattformer, og uten at noen data forlater kundens miljø.

Et viktig prinsipp underveis: Vi gir ikke KI skrivetilgang til kritiske systemer. Agenter foreslår og veileder – mennesket godkjenner og implementerer. Dette er på ingen måter en begrensning, men et kontrollert, trygt og riktig design.

Da vi oppgraderte fra eldre GPU-arkitektur til H100-kort i NetNordic Private Cloud, åpnet det for bruk av vesentlig større og mer kapable modeller. Effekten var umiddelbar: Bedre nøyaktighet, mer avanserte funksjoner og evne til å håndtere den kompleksiteten som faktisk finnes i et stort og komplekst driftsnettverk.

Erfaringene fra prosjektet bygger nå et bibliotek av spissede agenter som kan gjenbrukes og tilpasses for andre kunder i tilsvarende miljøer.

Overføringsverdien er bred. En kulturinstitusjon bruker lokal språkmodell for å gjøre historiske arkiver søkbare og tilgjengelige. Teleoperatører lar KI-agenter hente kundeinformasjon på sekunder fremfor minutter. Kundeserviceavdelinger får automatisk oppsummering av samtaler og sanntidsassistanse til agentene. Fellesnevneren er den samme: domenekunnskap kombinert med riktig infrastruktur og tydelige grenser for hva KI har lov til å gjøre.

Agenter som faktisk kjenner virksomheten din

Det som skiller en KI-agent som skaper verdi fra en som skaper støy, er kontekst. Og kontekst bygges på to ting: riktig data og riktig domenekunnskap innbakt i designet.

GraphRAG – graph-basert henting av relevant informasjon, er en av metodene vi bruker for å sikre at agenter henter riktig informasjon fra riktig kilde, strukturert og sporbart. Det betyr at agenten ikke bare har tilgang til data, men forstår relasjonene mellom dataene – hvem som er involvert, hvilke systemer som henger sammen, hva som er normalt og hva som er et avvik.

Guardrails sikrer at agenten opererer innenfor definerte grenser: ingen hallusinering presentert som fakta, ingen uautoriserte handlinger, ingen datalekkasjer. KI-modeller vet ikke om det de predikerer er sant. Dette er ikke en svakhet ved teknologien, det er en egenskap man må designe rundt.

Fra eksperiment til produksjonssatt drift

Det finnes et gap mellom «vi har testet KI» og «KI er en del av hvordan vi driver virksomheten». De fleste norske virksomheter befinner seg et sted i det gapet akkurat nå.

Gartners hype-kurve er relevant her: Generativ KI er på vei ned i skuffelsens dal. Ikke fordi teknologien ikke leverer, men fordi forventningene ble satt feil og implementeringene ikke ble gjort riktig. Den neste fasen – produktivitetsplatået – er der de virksomhetene som har gjort dette riktig vil skille seg ut.

Å gjøre det riktig betyr ikke å vente. Det betyr å starte med de prosessene som faktisk gir verdi, bruke domenekunnskap til å kalibrere agentene, kjøre på infrastruktur der data er under kontroll – og bygge seg systematisk opp mot produksjonsdrift. NetNordic Private Cloud gir virksomheter den infrastrukturen de trenger for å kjøre KI-agenter på nordisk jord, under norsk jurisdiksjon, uten at sensitive data forlater eget miljø.

Vi hjelper virksomheter med hele løpet: kartlegging, prototyping, produksjonssetting og løpende forbedring. Ikke som et teknologiprosjekt, men som et forretningsprosjekt med teknologi som virkemiddel.

Vil du kartlegge hvilke prosesser i din virksomhet som har størst potensial for KI-automatisering? Ta kontakt for en workshop der vi bruker din domenekunnskap og vår teknologiforståelse til å finne der verdien faktisk ligger.