Pragmatisk tilnærming

er fleksibel, praktisk og resultatorientert, og fokuserer på hva som virker og er nyttig i en gitt situasjon fremfor å følge strenge regler eller teorier blindt

Savner du noe?

Send inn en forespørsel

Send inn en forespørsel

AI transformasjon kick-off

Det kan oppleves komfortabelt å gjemme seg bak skepsis til effekten av AI og man vil definitivt finne eksempler for å utsette, avvente eller fortsette som tidligere. Slik er det i alle tidlig-faser, men etterhvert vil de solide use-casene bli tydeligere og starter du nå har du bygd både kompetanse, organisasjon og systemstøtte til å utnytte mulighetene når de åpenbarer seg.

Blueprint og tilhørende arbeidsstrømmer

Blueprint gir ledergruppen mulighet til å kommunisere til organisasjonen hvorfor man starter med en solid plattform før man løper etter storskala effekt, mens arbeidsstrømmer gir trygghet og forutsigbarhet ved at alle relevante kompetansepersoner/ avdelinger bidrar med tydelige ansvar.

Blueprint

Steg 1 Etabler en AI plattform
Etabler en felles forståelse av hva AI betyr for virksomheten. Få flere til å forstå mulighetene AI representerer ved å fokusere på kunnskap, verktøy som raskt gir erfaring og sett tydelige forventninger i organisasjonen. Når det er på plass tar man steget over i mer systemisk effektivitetsøkning, utvidelse av tjenestetilbudet eller AI støtte for hele arbeidsprosser.
Steg 2 Ta ut effekten i kjerneprosesser
Neste steg er å gjøre AI til en del av kjerneprosessene. Med hybride team og bransjespesifikke assistenter får organisasjonen fart, kvalitet og målbare resultater. En felles AI-plattform gir gjenbruk i stedet for dobbeltarbeid og tilgjengelig kunnskapspersoner. Smarte juridiske- og innkjøpsstrategier reduserer risiko for leverandør lock-in og sikrer trygg og kostnadseffektiv skalering.
Steg 3 Skaler og standardiser
Til slutt flyttes fokuset fra enkeltprosjekter til en helhetlig AI-plattform. Egne agenter, dashboards og styringsverktøy gjør det mulig å skalere det som gir reell forretningsverdi. Med løpende oppdateringer og governance blir AI en integrert del av virksomheten og en motor for fremtidig vekst.

Arbeidsstrømmer

AI-strategi og -portefølje, Data og dataprodukter, MLOps / ModelOps, AI-styring, risiko og etikk, Plattform og infrastruktur, Produktisering og UX, Sikkerhet, personvern og compliance, Talent, roller og kompetanseheving, Programkontor og måling av verdi, Økosystem- og leverandørhåndtering

Kick-off (dag 0-30 )

Start med et Kick-off med ledergruppen.

  • Bli enige om målsetning og hvordan man kan måle suksess. (margin, NPS, tid spart, adopsjon).

  • Oppsummer (1-pager) blueprint og de 10 arbeidsstrømene slik at ledergruppen kjenner igjen rammeverket og enkelt kan videreformidle til organisajonen. Etabler ett veikart ved å legge inn de identifiserte hovedarbeidsoppgavene for de første ukene/ månedene pr arbeidsstrøm.

  • Identifisere 2–3 prioriterte use-cases hvor dere allerede har god nok datakvaliet (f.eks butikkassistent for ansatte). Gjør enkel kvalifisering basert på ROI og sett målingsparameter.

  • Sett opp et lite team som som støtter organisajonen og leder transformasjonen. Typiske roller er programleder, Forretnings- / dataeier (for ett domene). Vurder ekstern AI-fasilitator for støtte.

90-dagers sprint (dag 31–90)

For å komme igang må man opparbeide seg erfaring. Ved å sette seg et tydlige mål om "Ett definert use-case i produksjon eller «prod-like» prototype samt plattform-grunnmur" kan man jobbe fokusert og vite at man leverer verdi.

En mulig sprint kan se slik ut (2-ukers iterasjoner):

  • Uke 1–2: Få oversikt over data du har tilgjengeligelig med data discovery og etabler dataprodukt, finn og kvalitetssikre kilder (POS, lager, CRM, kundeservice-chat).

  • Uke 3–4: Rask prototyping (hybrid: prompt/LLM for idegenerering og enklere ML-modell for prognoser).

  • Uke 5–6: Brukertesting i operasjon; samle målinger (accuracy, tidsbesparelse, brukeraccept).

  • Uke 7–8: Safety review & minimal MLOps (versjon, container, rollback plan), lansering i «pilot».

KPI-eksempler: redusert tid per kundeservice-sak (sekunder/minutter), økt conversion rate fra personalisering. Målbare KPIs er definert i kickoff.

Arbeidsstrømmer kick-off (starter dag 1, modnes over 6–12 mnd)

AI strategi & portefølje

En virksomhet kan ikke prøve alt på én gang. Derfor trengs en portefølje av initiativer, prioritert etter verdi og gjennomførbarhet. Dette gir fokus og gjør at ressursene brukes på de riktige stedene. Vel så viktig som å starte er å vite når man skal stanse et initiativ.

  • Oppgaver: Prioritere use cases, vedlikeholde veikart, definere suksesskriterier.

  • Leveranser: Use case-portefølje, AI-veikart, KPI-oversikt, beslutnings-stage-gates.

Data & dataprodukter

Uten gode data er AI verdiløs. Data må være pålitelige, gjenbrukbare og lett å finne igjen. Dette gir bedre modeller og raskere utvikling.

  • Oppgaver: Kartlegge datasett, rydde og kvalitetssikre, lage dataprodukter.

  • Leveranser: Datakatalog, dokumenterte dataprodukter, data-eiere utpekt.

MLOps/ModelOps

For at AI skal fungere i drift må vi kunne trene, oppdatere og overvåke modeller på en forutsigbar måte.

  • Oppgaver: Sette opp pipelines for trening, deploy, overvåkning og rollback.

  • Leveranser: CI/CD-pipeline for modeller, overvåkningsdashboard, rollback-plan.

AI-styring, risiko og etikk

AI må være trygg, lovlig og etisk. Ledergruppen må kunne stå inne for beslutningene som tas. Derfor trengs rammer for personvern, forklaringsevne og menneskelig tilsyn.

  • Oppgaver: Lage policy for AI-bruk, definere risikokontroller, etablere mulighet for revisjon.

  • Leveranser: AI-policy, etikk-rammeverk, compliance-rapport.

Plattform & infrastruktur

For å unngå å bygge alt fra bunnen hver gang, må teamene ha en felles plattform med verktøy, API-er og hosting av modeller. AI kostnader ved skalering og leverandør lock-in er essensielt å ha med seg.

  • Oppgaver: Velge infrastruktur (sky/on-prem/ hybrid), bygge API-lag, hosting av modell.

  • Leveranser: AI-plattform (MVP), API-katalog, hosting-miljø.

Produktisering & UX

AI må presenteres på en måte som gir mening for brukerne. Gode grensesnitt og kontroller er avgjørende for tillit.

  • Oppgaver: Oversette svar fra modeller til funksjonalitet, bygge enkle prototyper, teste med brukere.

  • Leveranser: Prototyper, brukerfeedback-rapport, første produksjonsklare UI.

Sikkerhet, personvern & compliance

Kundedata, betalinger, lagerinformasjon er sensitivt og underlagt regler.

  • Oppgaver: Implementere tilgangskontroll, datamasking, kryptering, gjennomføre revisjon.

  • Deliverables: Sikkerhetsrapport, tilgangs- og loggingstruktur, compliance-checkliste.

Talent, roller og kompetanseheving

Uten riktige roller og kunnskap stopper alt opp. Vurder behovet for nye roller (som AI-produktansvarlig eller prompt-ingeniør) og gi eksisterende ansatte opplæring.

  • Oppgaver: Definere roller, rekruttere/leie inn, sette opp opplæringsprogram.

  • Leveranser: Rollestruktur, kompetanseplan, kursmateriell.

Programkontor & måling

For å sikre retning og kontroll kan man etablere et programkontor som koordinerer prosjekter og måler faktisk forretningsverdi, ikke bare tekniske resultater. Her er det viktig å tilpasse seg størrelsen på organisasjonen og kulturen.

  • Oppgaver: Etablere PMO, stage-gates, lage modell for å måle verdi.

  • Leveranser: PMO-rammeverk, dashboard, statusrapporter.

Økosystem- og leverandørhåndtering

Ingen gjør alt selv. AI krever samarbeid med leverandører og partnere, men man har selv ansvaret for digital suverenitet, exit muligheter og rettigheter til egen data. Forhandle få, men klare krav: dataportabilitet, exit-plan, kostnadsplafond for API-calls. Start med en «mix & match»-strategi hvor du bruker åpne APIer og kjøp managed tjenester for komponenter som ikke er unike. Dette minimerer initial build-cost og gir fleksibilitet

  • Oppgaver: Kartlegge leverandører, forhandle kontrakter, lage exit-planer.

  • Leveranser: Leverandørkart, kontraktsmaler, exit-strategi.

Fallgruver

  • Starter for bredt og verdien blir utydelig. Begynn med tydelige use case, bygg business case og lever konkret gevinst.

  • Fragmentert eierskap av data. Opprett dataeiere/ systemeiere tidlig.

  • Manglende opplæring / change management undervurderes ofte. Bygg brukerstøtte og incentiver for adopsjon.

Promptbibliotek

Bruk en mal for å øke kvalitet på svarene fra chat og redusere feil.

KI-ordbok

Felles forståelse og god kommunikasjon er grunnleggende for endring.

Guider

Finn veiledninger som gjør deg istand til å utvikle bedriften og deg selv.

AI transformasjon

En blueprint og lederguide for effektiv AI transformasjon.