Tankeledere
Før dere skalerer KI-agenter, bør dere spørre hva de ikke vet

Viktige punkterSelvsikre svar feiler når agenter utelater kontekst som utdaterte arkiveringsdatoer…
Vis mer
- Selvsikre svar feiler når agenter utelater kontekst som utdaterte arkiveringsdatoer eller forskjeller i regnskapsåret.
- Nesten 6 av 10 virksomheter sporet et selvsikkert, men feil, AI-svar til manglende eller ufullstendig forretningskontekst.
- Menneskelig gjennomgang må skalere med innsatsen, fordi korrekte data som deles feil fortsatt kan bryte regelverk.
Se for deg dette: En økonomidirektør skal forberede seg til et møte med en stor institusjonell investor. For å hjelpe med forberedelsene ber investorrelasjonsteamet (IR-teamet) et KI-verktøy hente fram litt bakgrunnsinformasjon – datoen for det siste møtet med selskapet, hvilke prioriteringer investoren ga uttrykk for, hvor mange aksjer vedkommende eier, og så videre.
Verktøyet oppgir selvsikkert at investoren eier 2,5 millioner aksjer. Ingen reagerer, og økonomidirektøren fortsetter å forberede seg til denne viktige samtalen i høyt tempo.
Men det er en hake: KI-en hentet tallet fra en innlevering av Form 13F, som viser beholdningene ved utgangen av forrige kvartal. Opplysningene var riktige da de ble rapportert … men nå er de flere måneder gamle. I mellomtiden har investoren i det stille solgt 2 millioner aksjer og dermed redusert eierandelen betydelig. Møteagendaen – og kanskje selve møtet også! – virker ikke lenger relevant.
Hva gikk galt? I dette tilfellet fant ikke KI-en på et svar eller et tall. Den hentet fram legitim informasjon, men unnlot å ta forbehold eller forklare begrensningene.
I dette tilfellet kan konsekvensene være en pinlig samtale eller en tapt mulighet, men i andre situasjoner kan et like skråsikkert svar uten avgjørende kontekst innebære enda større risiko.
Bedre modeller er ikke nødvendigvis løsningen
Grunnmodellene blir stadig bedre. Hvorfor virker det da som om skråsikre, men feilaktige svar dukker opp oftere og oftere – et problem bedrifter i alle bransjer prøver å håndtere?
For det første er generativ KI (GenKI) blitt helt allestedsnærværende. Ifølge McKinseys rapport KI-tilstanden i 2026 sier nesten 9 av 10 næringslivsfolk at organisasjonene deres regelmessig bruker KI i minst én forretningsfunksjon.
Etter hvert som organisasjoner går videre fra eksperimentering og i stadig større grad baserer seg på KI i daglige arbeidsoppgaver og beslutninger, støter de også på begrensningene i hva disse verktøyene vet og forstår.
En fersk bransjeundersøkelse viser hva som ofte ligger bak: Bare de siste seks månedene har nesten 6 av 10 bedrifter (57 %) sporet et skråsikkert, men feilaktig svar fra en KI-agent tilbake til manglende eller ufullstendig forretningskontekst.
Med alle dataene som er tilgjengelige for KI, kan dette komme som en overraskelse. Men det er viktig å skille mellom to ting: Kontekst er ikke det samme som data.
Hva kontekst er – og ikke er
Kontekst kan omfatte institusjonell kunnskap, unntak fra regler, relasjoner, prosesser og forventninger til hvordan arbeidet utføres – nyanser som ofte er særegne for hvert enkelt selskap.
I arbeidet mitt med investorrelasjonsteam ser jeg hvor viktige disse forskjellene kan være. Her er noen eksempler som ved første øyekast virker enkle:
- Regnskapsår: Første kvartal i ett selskap kan følge kalenderåret, mens et annet selskaps regnskapsår begynner i september. Uten denne konteksten kan en KI-agent sammenligne resultater fra feil rapporteringsperioder.
- Finansielle nøkkeltall: En organisasjon kan rapportere både resultat per aksje etter GAAP og resultat per aksje etter non-GAAP. En agent som ikke forstår hvilket tall som bør oppgis – og når – kan gi et feilaktig bilde av virksomhetens resultater.
- Selskapsfortellinger: Et selskaps budskap utvikler seg over tid og gjenspeiler bevisste valg om hva som skal framheves og utelates. Uten å forstå historikken og begrunnelsen bak den kan en KI-agent lage innhold som faktisk undergraver en nøye utarbeidet fortelling.
Det er derfor ikke overraskende at den samme grunnmodellen kan gi svært ulike resultater i forskjellige selskaper, avhengig av hvilken kontekst og spesialkunnskap den har tilgang til.
KI som er utviklet for et bestemt formål og en bestemt bransje (såkalt vertikal KI), kan bidra til å bygge bro over noen av disse gapene ved å ta høyde for en sektors spesialkunnskap, arbeidsflyter og nyanser. Men selv den mest avanserte teknologien kan ikke fange opp alt en organisasjon vet. Derfor spiller også mennesker en rolle.
Hva KI ikke vet om virksomheten din
Men mennesker blir ikke værende for alltid. Tenk på hva som skjer når en erfaren investorrelasjonsansvarlig (IRO) slutter i selskapet sitt etter for eksempel fem år. I løpet av den tiden har vedkommende sannsynligvis identifisert og målrettet potensielle investorer, analysert aksjonæraktivitet, pleid relasjoner, forberedt seg til resultatframleggelser, forberedt ledere … og gjort mye mer.
Selskapet beholder manusene til resultatframleggelsene, presentasjonene og andre filer. Men den institusjonelle kunnskapen som ligger bak dem? Mye av den forsvinner også ut døren, særlig når man tar i betraktning at nesten åtte av ti IRO-er (78 %) ikke har noen utpekt etterfølger i stillingen sin.
Derfor må organisasjoner gjøre en innsats for å bevare kunnskap og forståelse på en måte som KI-systemer kan bruke. Det er ofte ikke nok å bare koble en KI-agent til en delt mappe.
Det er viktig for virksomheter på tvers av bransjer å ha en måte å systematisk fange opp viktig kunnskap og arbeidsflyter på – som begrunnelsene bak viktige beslutninger, historikken i relasjoner og annen forretningskritisk informasjon som aldri ble tatt inn i et formelt dokument.
Det krever også mennesker å bygge opp en slik kunnskapsbase: både for å registrere informasjon og for å bruke skjønn i arbeidet med den. KI kan bidra til å organisere kunnskap, men det er de ansatte som tilfører den viktige konteksten teknologien ofte mangler.
I situasjoner med høy risiko kan manglende kontekst få alvorlige følger
Vi har diskutert hva som skjer når KI gir feil svar. Men noen ganger kan en KI-agent hente fram informasjon som er riktig – den er nøyaktig, oppdatert og relevant – og likevel skape problemer ved å dele den under feil omstendigheter.
I sterkt regulerte bransjer kan slike feiltrinn få særlig store kostnader.
Innen investorrelasjoner kan det for eksempel være et brudd på U.S. SECs Regulation Fair Disclosure (Reg FD) å dele vesentlig, ikke-offentlig informasjon (MNPI), som upubliserte økonomiske resultater, med en analytiker eller investor – noe som potensielt kan føre til økonomiske sanksjoner og omdømmetap.
Andre bransjer, som helsevesenet, finanssektoren og juridiske tjenester, står overfor lignende regulatorisk risiko. Dette understreker behovet for sikkerhetsmekanismer når KI-agenter har tilgang til sensitiv informasjon.
Dette viser også hvorfor mennesker fortsatt er avgjørende – de er en viktig del av gjennomgangen og godkjenningen av det som kommuniseres. Selskaper kan vurdere å tilpasse graden av menneskelig kontroll til hvor mye som står på spill, slik at ulike typer KI-arbeidsflyter opererer med ulik grad av autonomi.
Tre spørsmål du bør stille før du skalerer KI-agenter
Vi har nok alle opplevd situasjoner, på jobb eller ellers i livet, der vi ikke vet hva vi ikke vet. Noen ganger får det ingen store konsekvenser; andre ganger er følgene mer alvorlige.
Med de enorme datamengdene som er tilgjengelige for KI i dag, vet KI-modeller mye mer … men må likevel «si fra» når det finnes kunnskapshull. Når virksomheter bruker KI til å håndtere flere strategiske prioriteringer og arbeidsflyter, er det derfor viktig å stille disse spørsmålene før de skalerer:
- Kan agenten vår vise hvor svarene kommer fra – og når informasjonen sist ble oppdatert? Kan den oppgi dette uten at noen ber om det?
- Har agenten den nødvendige forretningskonteksten til å tolke og besvare forespørsler? Vil den gjøre rede for begrensningene sine?
- Vet vi når et menneske må gripe inn for å gjennomgå og godkjenne? Under hvilke omstendigheter vil det skje, og hvordan utløses gjennomgangen?
Løsningen er ikke å unngå KI
Jeg vil være tydelig: Jeg har stor tro på KI. Jeg bruker det daglig i jobben, ser fordelene både nå og i framtiden, og mener at vi – på mange måter – bare har skrapt i overflaten av KI-potensialet. Jeg er ikke i tvil om at selskaper som unngår KI, og de som ikke klarer å innføre teknologien på en strukturert og effektiv måte, risikerer å bli hengende etter.
Men å ta i bruk KI betyr ikke at man gir en generell modell tilgang til virksomhetsdata og lar den operere helt ukontrollert.
Slik jeg ser det, er fullt autonom KI ennå ikke egnet for alle oppgaver eller beslutninger i virksomheter. Organisasjoner må forstå hvor KI kan arbeide selvstendig, hvor den trenger mer kontekst, og hvor menneskelig skjønn er helt nødvendig.
Så før du spør hva en KI-agent vet, bør du spørre hva den ikke vet. Svarene legger føringer for hvordan du tar den i bruk, hva du stoler på at den kan gjøre, og hvordan du legger til rette for at den skal lykkes.












