Bedrifts-AI trenger kontekst som bygges opp over tid før den kan få autonomi

Tenk deg at det er mandag morgen, bare noen timer før kvartalsmøtet om prognosene. En finansleder spør en AI-agent: «Hvorfor gikk bruttomarginen ned? Hvilke forutsetninger må endres? Og hva bør selskapet gjøre videre?» I løpet av sekunder henter agenten informasjon fra flere systemer, identifiserer en håndfull drivere og anbefaler å kutte skjønnsmessige utgifter eller revurdere ansettelsesplanen. Svaret er tydelig, detaljert og plausibelt. Ingenting ved svaret virker åpenbart feil.

Det er nettopp derfor dette er så farlig. 

Ser man nærmere etter, viser det seg at flere viktige detaljer mangler. Agenten brukte feil versjon av prognosen. Den overså en godkjent regnskapsmessig justering fra forrige kvartal. Den tok ikke høyde for at én region følger andre forretningsregler. Ingen av grunnlagsdataene var nødvendigvis feil; agenten visste bare ikke hvordan organisasjonen tolket dataene, eller hvordan de ulike delene hang sammen. Problemet er ikke en svakhet ved modellen som enkelt kan løses ved å bruke en annen. Problemet er at modellen ikke kjenner denne virksomheten. 

Mye av utviklingen innen bedrifts-AI har vært konsentrert om modellkapasitet og agentautonomi. Men en modell kan ikke komme fram til en pålitelig, virksomhetsspesifikk konklusjon uten å forstå hvordan organisasjonen definerer tallene sine og knytter dem til måten virksomheten drives på. 

Det som mangler, er et lag med forretningskontekst som bygges opp over tid – en forvaltet forståelse av hva virksomhetsdata betyr: definisjonene, sammenhengene, forutsetningene, beregningene, arbeidsflytene, unntakene og beslutningene som gradvis kommer til over tid.

Denne konteksten utvikles gjennom planlegging, prognoser, scenariomodellering, avviksanalyse, korrigeringer, tilbakemeldinger, regnskapsavslutning og godkjente beslutninger. Uten den risikerer organisasjoner å gi AI større ansvar uten å gi den nok forretningsforståelse til å håndtere ansvaret på en pålitelig måte. 

AI-kapasiteten vokser raskere enn virksomhetenes beredskap

Ifølge Stanford sin AI Index for 2026 brukte 88 % av organisasjonene som ble spurt AI i 2025, men andelen virksomhetsfunksjoner der agenter var tatt i bruk, lå fortsatt på ensifret nivå i nesten alle tilfeller. 

Disse tallene viser at virksomheter har tilgang til AI-kapasitet, men at mange ikke er klare til å la AI utføre arbeid med store konsekvenser. Ledere vet at de må bygge med AI, men må fortsatt finne ut om de bygger på riktig lag i problemstillingen.

En modell kan lese data uten å forstå virksomheten

Grunnmodeller er gode til mønstergjenkjenning, sammenstilling, samhandling på naturlig språk og utforsking av store datasett. Dette er viktige fremskritt, men selve modellen blir stadig mindre av det som skiller løsningene fra hverandre. 

Den vanskeligere utfordringen for virksomheter er å lære AI hva informasjonen i selskapet betyr, og ikke minst hvordan den brukes i beslutninger og analyser.

Mye av samtalen om AI-styring har dreid seg om rene data. Dette er et nødvendig steg, men ikke tilstrekkelig når AI skal skaleres til bred bruk i virksomheten. To rene datasett kan fortsatt bygge på ulike definisjoner, tidsperioder og forretningsregler. 

IBMs CEO-studie fra 2025 viste at 25 % av AI-initiativene ga forventet avkastning på investeringen, og at bare 16 % ble skalert til bruk i hele virksomheten. Dette mønsteret samsvarer med en større utfordring ved implementering: Tilgang til modeller og data sikrer ikke at et AI-system kan forene organisasjonens regler for hvordan informasjon skal brukes.

Det er enkelt å skaffe mer kapable modeller. Virksomhetsspesifikk forståelse må bygges opp. 

Kontekst ved innhenting er ikke kontekst som bygges opp over tid

Mye av det som omtales som kontekst i bedrifts-AI, tilføres fortsatt gjennom innhenting når en forespørsel kommer. Systemet finner et relevant dokument, en post eller et datapunkt og bruker det til å generere et svar. Neste gang det får et spørsmål, begynner det på nytt. 

Innhenting er nyttig, men alene skaper den ikke en organisatorisk hukommelse som bygges opp over tid. Lite føres videre, noe som betyr at AI kan møte virksomheten som en fremmed i hver nye samhandling.

Det kan sammenlignes med å lære opp en ny, svært dyktig analytiker hver morgen. Analytikeren forstår økonomi og vet hvordan et datasett skal undersøkes, men må fortsatt lære hvordan akkurat dette selskapet definerer nøkkeltallene sine, hvilken prognose som er den gjeldende, hvorfor et unntak ble godkjent, og hvilke forutsetninger som gjentatte ganger viser seg å være feil.

Kontekst som bygges opp over tid, har et annet formål. I stedet for å nullstilles for hver forespørsel eller planleggingsrunde, bygges konteksten gradvis opp. Hver undersøkelse, hvert scenario, hver korrigering, godkjenning og beslutning kan bidra til en forvaltet forståelse av hvordan organisasjonen fungerer. Dermed kan senere runder bygge videre på det tidligere runder har etablert, i stedet for å måtte gjenoppdage de samme sammenhengene, den samme logikken og de samme arbeidsmåtene for hver forespørsel. 

Det betyr ikke at alt skal bevares på ubestemt tid. Nyttig kontekst for virksomheten må avgrenses bevisst, kunne korrigeres, ta hensyn til tilgangstillatelser og kunne spores tilbake til kilden. Organisasjoner må bevare det som er viktig, samtidig som de sørger for at utdaterte antakelser, midlertidige unntak og feilaktige tolkninger kan identifiseres og endres over tid.

Tillit bygges i laget under modellen

Modellen er den mest synlige delen av et KI-system, men det er sjelden den som avgjør om en virksomhet kan stole på resultatet. 

En kapabel modell kan undersøke et avvik, utforske mulige forklaringer og anbefale et tiltak. Om en virksomhet kan stole på anbefalingen, avhenger av arkitekturen rundt modellen. 

Gartner fant at organisasjoner som rapporterer om vellykkede KI-initiativer, investerer opptil fire ganger så mye, målt som andel av inntektene, i grunnleggende forutsetninger som datakvalitet, styring, KI-kompetanse og endringsledelse enn organisasjoner med svake resultater.

Det styrte kontekstlaget er en del av dette fundamentet, og ligger mellom kildesystemer, modeller og forretningshandlinger. 

Det er også her intelligens og deterministisk utførelse må skilles fra hverandre. KI kan undersøke, utarbeide utkast og komme med anbefalinger. Når en handling er gjennomgått og godkjent, bør den utføres ved hjelp av styrte beregninger, tilgangskontroller, kontroller for tilbakeskriving og revisjonsspor. Fleksibiliteten som gjør en modell nyttig til utforskning, er ikke alltid hensiktsmessig når en endring skal gjennomføres i virksomheten.

En modell kan anbefale hva som bør skje. Arkitekturen rundt den, inkludert menneskelig godkjenning og systemkontroller, avgjør hva som får skje.

Begrensninger som gjør agenter nyttige

Utrullingen av agenter går raskere enn innføringen av kontrollene rundt dem. KPMG fant at andelen organisasjoner som tar i bruk minst noen KI-agenter, økte fra 11 % i første kvartal 2025 til 42 % innen tredje kvartal. Likevel rapporterte Gartner at bare 13 % av organisasjonene var helt enige i at de hadde de rette strukturene for styring av agenter på plass.

Dette gapet er viktig fordi kapasitet og myndighet er to separate designvalg. Et system kan ha teknisk mulighet til å få tilgang til en database, revidere en prognose eller utløse en arbeidsflyt. Det betyr ikke at det bør ha tillatelse til å gjøre dette på egen hånd. 

Organisasjoner bør innføre tre begrensninger før de delegerer betydningsfulle oppgaver.

• Etabler en felles forståelse

Definisjoner, måltall, hierarkier, regnskapskalendere og beregningsregler må samordnes før en agent kan resonnere konsekvent på tvers av dem. 

Man bør ikke forvente at KI i stillhet løser uenigheter organisasjonen selv ikke har tatt tak i. Uten en felles forståelse kan KI behandle motstridende definisjoner som om de var utbyttbare og gi et svar som virker sammenhengende, men som er feil i praksis.

• Bestem hva som skal videreføres

Organisasjoner må definere hvilke korrigeringer, godkjenninger, beslutninger og resultater som skal bli gjenbrukbar kontekst. De trenger også retningslinjer for oppbevaring, tilgang og korrigering. 

Nyttig minne velges ut og styres; det samles ikke opp ukritisk. Ellers kan en utdatert antakelse eller et enkeltstående unntak i det stille påvirke framtidige anbefalinger.

• Skill anbefaling fra iverksetting

Analyse, en anbefaling, et foreslått tiltak, iverksetting godkjent av et menneske og avgrenset autonom iverksetting er ulike grader av myndighet. Agenter bør ha identiteter og tilgangstillatelser som passer til hver grad.

Evalueringen må også omfatte hele handlingskjeden: hvilken informasjon som ble hentet inn, hvilken kontekst som ble brukt, hvilke verktøy som ble kalt opp, hva som ble endret, og om endringen kan reverseres. 

Hvis man bare tester det endelige svaret, overser man de fleste måtene en agentbasert arbeidsflyt kan svikte på.

Kapasitet beskriver hva en agent kan gjøre, mens styring definerer hva den har lov til å gjøre.

Autonomi krever mer enn kapasitet

I det innledende scenarioet om marginene er hastighet bare nyttig hvis systemet også vet hvilken prognose som er styrende, hvilket unntak som ble godkjent, hvilke handlinger det kan utføre, og hvem som fortsatt har ansvaret. 

Jeg mener at KI i virksomheter først vil gjøre seg fortjent til tillit når det viderefører den rette konteksten og kan vise hvordan det kom fram til et resultat med betydelige konsekvenser. 

Organisasjoner bør bygge opp dette kontekst- og kontrollaget før de utvider agentenes autonomi. Arbeidet vil endre seg, men ansvaret vil bestå.