Din AI-personlighet betyr like mye som dens IQ — og vil bestemme eller bryte bedriftsleveringen

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

Så langt har de fleste samtaler om store språkmodeller i bedriftsmiljøer vært dominert av benchmark. Teamene trekkes mot målbare ytelse, som hvilken modell som er mest intelligent, sterkere i kode, mest nøyaktig i sammenfatting eller i matematisk resonnering.

Men når teamene begynner å gå utover eksperimentfasen og dykke ned i faktisk levering i stor skala, vil andre viktige faktorer, som i stor grad overses av de fleste CEO-er, raskt vise seg å være like avgjørende for en bedrifts suksess.

AI-ansettelighet

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

Når man implementerer AI, må bedriftene ta samme tilnærming som de ville når de ansatte 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 riktig 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 nyanser i interaksjoner, kan bli misbrukt av bedrifter, frustrere brukere, redusere engasjement og til slutt redusere effektiviteten til AI og suksessen til bedriften.

Dette er spesielt viktig i bransjer som kundeservice, politisk utreaching 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 på å utføre analytiske oppgaver som kode eller matematikk, mens andre utfører mye bedre på konversasjonskriving og sammenfatting av møter.

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

Et flytende mål

AI-landskapet utvikler seg raskere enn de fleste organisasjoner kan holde tritt med. Nye versjoner utgis hyppig, og ytelsesegenskaper kan skifte fra en oppdatering til den neste. Google’s 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 det 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 bruke verktøy som Google Søk og til og med skrive kode.

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

Over natten var modellen som bare hadde vært det beste valget på markedet allerede erstattet mindre enn to måneder etter lanseringen. Men tidlige adoptører merket raskt at endringene ikke bare var inkrementelle eller analytiske — Gemini’s 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” — konsekvent produserte langsommere svar, mindre kohesive utdata og viste inkonsistenser i hvordan den håndterte forespørsler den tidligere hadde ingen problemer med og oppgaver som en gang føltes flytende, ble plutselig rigide.

Og dette er hvor en bedrifts strategi rundt AI-levering begynner å fundamentalt skifte.

Forbi benchmarkene

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

I praksis endret disse endringene fullstendig hvordan pålitelig modellen var, hvordan den oppførte seg, svarte på forespørsler og, i tur, sendte teamene som bare hadde brutt banken og brukt uendelig med timer på å bygge rundt disse systemene tilbake til starten hvis modellens nye evner ikke stemte overens med deres eksisterende pipeline.

Even 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, da enhver oppdatering kan introdusere umiddelbar ustabilitet til teamene som avhenger av disse systemene.

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

Dette tilnærmingen ikke bare forbedrer ytelsen tilpasset hver oppgave, men reduserer også risikoen assosiert med AI-implementering, fordi hvis en modell skulle forverre etter en oppdatering, ville den ikke ta hele systemet som avhenger av det med seg ned.

Kort sagt er AI-personligheten og påliteligheten like viktige som dens rå intelligens når det kommer til å anvende modellen i en arbeidsmiljø for å fullføre forskjellige oppgaver. Denne skiftningen i tenkning representerer en fundamental endring i hvordan bedrifter ikke lenger bare kjøper en “smartere verktøy”, men bygger og administrerer et helt digitalt infrastruktursystem.

For at selskaper skal ikke bare overleve, men trives i dagens bedriftslandskap, 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 matche. 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.