Den vanskeligste delen av KI i virksomheter er prioritering, ikke innovasjon

De fleste organisasjoner har mer enn nok KI-ideer. Men hvordan kan de lykkes med å gjøre ideene om til løsninger som faktisk gir avkastning på investeringen (ROI)?

For ledere innen næringsliv og teknologi høres spørsmålet enkelt ut, men det er overraskende vanskelig å besvare: Det ligger mye arbeid bak å identifisere, vurdere og prioritere KI-mulighetene som faktisk vil skape verdi.

Selv om teknologien er klar og kreativiteten er til stede, mislykkes de fleste KI-initiativer før de i det hele tatt kommer til gjennomføring. Avstanden mellom utprøving og gjennomføring er tydelig: S&P Global fant at organisasjoner i gjennomsnitt la bort 46 % av KI-prosjektene sine for konseptutprøving før de nådde produksjon. Dette skyldes at organisasjoner vurderer KI-ideer før de har definert problemet de prøver å løse, godt nok.

Mange organisasjoner er nå ferdige med utprøvingsfasen, der de forsøker å finne ut hvilke KI-satsinger de skal gå for, og i hvilken rekkefølge. Innføring gir likevel ikke nødvendigvis forretningsmessige resultater: McKinseys undersøkelse State of AI 2026 viste at mens 44 % av organisasjonene nå oppgir at de skalerer KI i hele virksomheten, rapporterer bare 37 % om en målbar effekt på driftsresultatet fra KI. Disse organisasjonene trenger et repeterbart beslutningssystem som skiller mellom raske gevinster, strategiske muligheter, forutsetninger og problemer som ikke kan løses med KI, før ressurser settes inn.

Problemet begynner med hvordan ideene kommer inn

I ledergrupper kommer ikke KI-ideer som ryddige, klart avgrensede muligheter. Ofte kommer de i pakker – omfattende, uoversiktlige og ambisiøse utsagn som: «Vi trenger KI til kommunikasjon, rapportering, møter, kunnskapsoverføring, resultatstyring og kanskje til og med KI-agenter som styrer prosjektene våre.»

Dette er ikke ett problem som krever én idé. Det krever minst seks, og hver av dem er grunnleggende forskjellig når det gjelder omfang, kompleksitet, krav til styring og forventet verdi.

Skjult i et utsagn som «vi trenger KI til rapportering» kan det ligge:

• En gjentakende oppgave som kan automatiseres i løpet av noen uker
• En prosess som må legges om før KI kan bidra
• En helt ny funksjon som KI gjør mulig for første gang
• Et data- eller systemproblem som KI alene ikke kan løse

Hvis alle disse behandles likt, med de samme vurderingskriteriene, tidsplanene og metodene for å beregne avkastning på investeringen, fører det til dårlig prioritering og bortkastet innsats. De raske gevinstene drukner i styringsordninger laget for store initiativer. De banebrytende ideene får aldri den støtten de trenger. Og problemer som ikke har noe med KI å gjøre, legger beslag på kapasitet som burde vært brukt andre steder.

Et rammeverk for å prioritere KI-muligheter

Organisasjoner trenger et standardisert sett med prinsipper som hjelper dem med å finne ut hvilke muligheter som egner seg for KI-løsninger. Jeg foreslår følgende:

1. Del opp før du prioriterer. Kvaliteten på KI-beslutningene avhenger helt av kvaliteten på ideene som kommer inn i prosessen. Det viktigste steget er å dele brede forespørsler opp i klart avgrensede muligheter, hver med et definert resultat, én ansvarlig og et realistisk omfang. Når brede ideer vurderes på denne måten, kan en håndfull innledende utsagn bli til flere tydelige muligheter som kan gis poeng. Noen kan prøves ut umiddelbart. Andre kan kreve at bestemte forutsetninger oppfylles først. Enkelte handler kanskje ikke om KI i det hele tatt.
2. Type avgjør styringen. Poengsum avgjør rekkefølgen. Typen KI-løsning som trengs for å håndtere en forretningsutfordring, og poengsummen (eller potensialet for å skape verdi) er to helt forskjellige spørsmål som de fleste prioriteringsprosesser blander sammen. Hva slags mulighet representerer ideen? Handler den om automatisering av oppgaver, omlegging av prosesser, en helt ny KI-funksjon eller noe annet? Svaret avgjør hvordan den bør håndteres: godkjenningsprosessen, tidsplanen og hvordan verdien skal måles. Hvordan den står seg sammenlignet med andre, avgjør når den bør gjennomføres. En rask automatisering og en taktisk KI-funksjon kan begge være verdifulle. De bør aldri følge samme styringsløp.
3. Definer problemet før du velger teknologi. En av de vanligste fallgruvene med KI er å gå for raskt over til spørsmål om modeller, plattformer eller leverandører. Det er bedre å begynne med å forstå selve problemet: Hvem opplever det, hva skaper friksjon, og hvilket resultat må forbedres? Dette skillet er viktig fordi organisasjoner kan være trygge på KI-strategien sin og samtidig mangle de grunnleggende forutsetningene for å gjennomføre den: En undersøkelse fra 2026 UST viste at 44 % av lederne i store virksomheter oppga datakvalitet som en hindring for å ta i bruk KI. Hvis teknologidiskusjonen begynner før man er enige om disse grunnleggende forholdene, er det som regel for tidlig. Ved å holde de første samtalene rettet mot problemet blir de endelige teknologivalgene ofte langt klarere.
4. Synliggjør hindringer like tydelig som muligheter. En høy score er ikke tilstrekkelig i seg selv. En idé med stor effekt og støtte fra ledelsen, men med en vesentlig gjennomføringshindring, for eksempel manglende data, en uavklart systemavhengighet eller et krav til etterlevelse, bør være synlig i veikartet, men ikke settes ut i livet før hindringen er fjernet. Styring og etterlevelse er allerede blant de største hindringene for å skalere KI: Moody’s undersøkelse fra 2025 viste at 33 % av respondentene oppga regulatorisk usikkerhet eller risiko knyttet til etterlevelse som en utfordring ved å ta i bruk KI i stor skala, mens 30 % oppga at det var vanskelig å integrere KI med eldre systemer. En mulighet kan for eksempel få høy score på alle dimensjoner unntatt gjennomførbarhet fordi den avhenger av at et annet team tetter et datagap. Denne muligheten kan fortsatt være tydelig markert i veikartet og klar til å gå videre når avhengigheten er løst.
5. Hold veikartet fleksibelt. Teknologiske muligheter utvikler seg, forretningsprioriteringer endres, og avhengigheter skifter over tid. En god portefølje bør gjøre det enkelt å vurdere enkeltmuligheter på nytt etter hvert som forholdene endrer seg, uten at hele planen må bygges opp på nytt. Årlige planleggingssykluser er ofte for rigide for et område i så rask utvikling.

Slik tar du rammeverket i bruk

Det er verdt å merke seg at KI selv kan bidra til å sette dette rammeverket ut i livet. Organisasjoner kan bruke verktøy som spesialutviklede KI-ferdigheter og enkle applikasjoner for veikartstyring til å lede beslutningstakere gjennom innmelding, oppdeling, klassifisering, poengsetting og prioritering av muligheter. I stedet for å basere seg utelukkende på workshops og manuell fasilitering kan KI gjennomgå ustrukturerte ideer, identifisere ulike muligheter, stille oppklarende spørsmål, utfordre antakelser og utarbeide strukturerte vurderinger av mulighetene som kan gjennomgås.

Disse vurderingene kan deretter føres inn i et sentralisert veikart, der muligheter, avhengigheter, hindringer og prioriteringer håndteres konsekvent på tvers av organisasjonen. Lederne får oversikt over hvilke muligheter som finnes, hvilke som er klare til å gå videre med, og hvilke som krever at bestemte forutsetninger oppfylles eller at det gjøres ytterligere vurderinger. Da endres samtalen fra «hvilke ideer har vi?» til «hva bør vi ta tak i først?»

Dette kan føre til langt mer produktive prioriteringsmøter. Lederne kommer forberedt etter allerede å ha arbeidet seg gjennom de viktigste spørsmålene, slik at diskusjonen kan dreie seg om å samordne prioriteringer og ta beslutninger i stedet for å begynne helt fra grunnen av.

I stedet for å håndtere KI-ideer i regneark og møter som ikke henger sammen, kan organisasjoner etablere et repeterbart beslutningssystem som kontinuerlig vurderer og prioriterer muligheter etter hvert som forretningsbehov og teknologiske muligheter utvikler seg.

Hva dette betyr for KI i større virksomheter

Organisasjonene som vil skape varig verdi med KI, er ikke nødvendigvis de som har de mest avanserte modellene eller de største budsjettene. Det er de som bygger opp organisatorisk kapasitet til å vurdere KI-muligheter grundig før de forplikter ressurser. Utfordringen handler i stadig større grad om disiplinerte investeringer: Deloittes forskning fra 2025 på avkastningen av KI viste at de fleste organisasjonene oppga at de oppnådde tilfredsstillende avkastning på en typisk KI-brukstilfelle innen to til fire år, sammenlignet med en forventet tilbakebetalingstid på sju til tolv måneder for teknologiinvesteringer.

Det betyr at man må hjelpe forretningsledere med å dele opp brede ideer i tydelig definerte muligheter før man går videre, samtidig som de tekniske teamene får rom til å teste antakelser og identifisere mulige utfordringer tidlig. Det betyr også å opprettholde et veikart som tar høyde for hindringer, avhengigheter og muligheter som kanskje passer bedre på et senere tidspunkt.

Til syvende og sist avhenger verdiskaping med KI i større virksomheter av mer enn modellene eller agentene organisasjonen tar i bruk. Det handler om å ta gjennomtenkte beslutninger om hvor, når og hvorfor de skal brukes.