Din AI sin personlighet betyr like mye som dens IQ — og vil gjøre eller ødelegge bedrifts distribusjon

De fleste bedrifter velger fortsatt AI-modeller basert på benchmark. I praksis er det sjelden hva bestemmer om disse systemene faktisk fungerer.

Hittil har de fleste samtaler om store språkmodeller i bedriftsmiljøer vært dominert av benchmark. Teamene trekkes mot målbare ytelse, som hvilken modell som er den mest intelligente, den sterkeste i kode, den mest nøyaktige i sammenfatting eller i matematisk resonnering.

Men når teamene begynner å gå utenfor eksperimentfasen og dykke inn i faktisk distribusjon i stor skala, vil andre viktige faktorer, som i stor grad oversees av de fleste CEO-er, raskt vise seg å være like kritiske for en bedrifts suksess.

AI sin ansettelighet

Rå intelligens og analytisk evne er åpenbart viktige, men den mest undervurderte variabelen i bedrifts AI-distribusjon er personlighet. Personlighet, i sammenheng med store språkmodeller, refererer til den konsekvente stemmen, tonen og atferden som en modell formidler over interaksjoner. Det er hva gjør en AI føles koherent og pålitelig.

Når man implementerer AI, må bedriftene ta samme tilnærming som de ville når de ansetter en menneskelig ansatt: vurdere ikke bare hvor godt en modell kan fullføre en oppgave, men også dens holdning til jobben, hvordan den kommuniserer og hvordan den passer inn i den større arbeidsflyten.

En modells evne til å opprettholde konsistens, svare passende og håndtere nyanser i forskjellige sammenhenger, kan ha en betydelig innvirkning på bedriftsresultater. En teknisk briljant AI som svarer sakte, drifter i tone eller mishandler nyanserte interaksjoner, kan være misbrukt av bedrifter, frustrere brukere, redusere engasjement og til slutt redusere effektiviteten av AI og suksessen til bedriften.

Dette er særlig viktig i bransjer som kundesupport, politisk oppsøking eller intern kommunikasjon, da små endringer i tone eller formulering mellom svar kan forårsake forvirring, underminere tillit og redusere det totale engasjementet. Som med mennesker, finnes det ingen enkelt drømmemodell som overgår konkurransen i hver kategori. Noen modeller er bedre til å utføre analytiske oppgaver som kode eller matematikk, mens andre utfører mye bedre ved konversasjonskriving og sammenfatting av møter.

Men en utfordring for teamene som bygger på disse systemene er at disse karakteristikkene ikke er faste.

Et flytende mål

AI-landskapet utvikler seg raskere enn de fleste organisasjoner kan holde tritt med. Nye versjoner utgis hyppig, og ytelseskarakteristikkene kan skifte fra en oppdatering til den neste. Google sin Gemini-modellserie er et nylig eksempel.

Gemini 2.0 Pro ble lansert i februar 2025 og ble umiddelbart framhevet som flaggskipet for utviklere og bedrifter som bruker det til kode og komplekse forespørsler verden over.

Det kom med hva som på det tidspunktet var den største kontekstvinduet Google noensinne hadde tilbudt, på to millioner token, som ga det evnen til å omfattende analysere og forstå enorme mengder informasjon på en gang, samt å kunne bruke verktøy som Google Søk og sogar skrive kode.

For teamene som bygger systemer som trenger å prosessere store volumer av data raskt og nøyaktig, så det ut som det klare valget. Men innen få uker lanserte Google Gemini 2.5 Pro, som umiddelbart toppet liste over ledere og fløy forbi sin forgjenger med forbedringer i kode, matematikk og vitenskap.

Over natten var modellen som nettopp hadde vært det beste valget på markedet, allerede erstattet mindre enn to måneder etter lansering. Men tidlige adoptanter merket umiddelbart at endringene ikke bare var inkrementelle eller analytiske — Gemini sin hele personlighet hadde blitt endret over natten. Flere utviklere gikk så langt som å si at AI-en oppførte seg som om den hadde blitt “lobotomert” etter oppdateringen.

De klaget over at AI-en syntes å bli, bokstavelig talt, “dummere” — konsistent produserte langsommere svar, mindre koherente utdata og viste inkonsistenser i hvordan den håndterte forespørsler den tidligere hadde ingen problemer med og oppgaver som en gang føltes flytende, ble plutselig stive.

Og dette er hvor en bedrifts strategi rundt AI-distribusjon begynner å fundamentalt endre seg.

Forbi benchmarkene

På papir burde Gemini 2.5 Pro ha vært den klare vinneren med sine enorme forbedringer i evne og sikkerhet.

Men i praksis endret disse endringene fullstendig hvordan modellen var pålitelig, hvordan den oppførte seg, svarte på forespørsler og, i tur, sendte teamene som nettopp hadde brukt en formue og tilbragt utallige timer med å bygge rundt disse systemene, tilbake til kvadrat ett hvis modellens nye evner ikke stemte overens med deres eksisterende pipeline.

Selv små endringer i atferd kan forstyrre systemer bygget rundt konsistens og forutsigbarhet. Dette skaper en reell operasjonell risiko hvis en bedrift er tett koblet til en enkelt modell, siden enhver oppdatering kan introdusere umiddelbar ustabilitet til teamene som er avhengige av disse systemene.

For å bekjempe dette, har mange fremtidsrettede bedrifter begynt å implementere en flermodellstrategi hvor de ruter forskjellige oppgaver til modellene som er best egnet for dem, i stedet for å være avhengig av en enkelt modell til å håndtere alt.

Dette tilnærmingen ikke bare forbedrer ytelsen tilpasset hver oppgave, men reduserer også risikoen forbundet med AI-implementering, fordi hvis en modell skulle forverre seg etter en oppdatering, ville det ikke føre hele systemet som er avhengig av det ned med det, da det finnes reservevalg.

Enkelt sagt, AI sin personlighet og pålitelighet er like viktige som dens rå intelligens når det kommer til å anvende modellen i en arbeidsmiljø for å fullføre forskjellige oppgaver. Denne endringen i tenkning representerer en fundamental endring i hvordan bedrifter ikke lenger bare kjøper en “smartere verktøy”, men bygger og forvalter en hel digital infrastruktur.

For at bedrifter skal ikke bare overleve, men trives i dagens forretningslandskap, må teamene etablere pipelines som kan bytte ut og inn forskjellige modeller avhengig av oppgaven, og konstant overvåke hvordan oppdateringer påvirker både ytelse og interaksjonskvalitet.

Til slutt vil modellene selv fortsette å utvikle seg i en takt som er vanskelig å følge. Men bedrifter som planlegger for endring, bygger redundans og behandler AI som både et verktøy og en teammedlem, vil være de som omdanner disse raske skiftene til en konkurransefordel.