Fem steder data gir verdi, og hva KI har endret

Data gir verdi på fem steder i en virksomhet, langs to spor: innsikt og automatisering. Kunstig intelligens har gjort automatiseringen billigere, men verdien kommer fortsatt av å velge hvor dataene skal brukes.

Bare 8 prosent av norske ledere oppgir at de har målt og dokumentert konkrete gevinster av kunstig intelligens (KI). Det viser en Norstat-undersøkelse blant 914 ledere i privat og offentlig sektor, som Computas publiserte i august 2026 (KI-paradoksene 2026). Samtidig tester, bruker eller utvikler seks av ti private virksomheter KI-løsninger, og i offentlig sektor er andelen sju av ti, ifølge IT i praksis 2026.

Å ta i bruk verktøyet er altså ikke det samme som å få verdi av det. IT i praksis finner samme mønster: gevinstene tas i stor grad ut av den enkelte ansatte, ikke av virksomheten. Vi i Glitni ser at forskjellen sjelden ligger i verktøyet. Den ligger i om virksomheten har bestemt seg for hvor dataene skal gi verdi, og hvilket spor som passer der.

Data gir verdi når de brukes til å øke omsetningen, redusere kostnadene eller ta bedre beslutninger som fører dit. I praksis skjer det på fem steder: i rutinearbeidet, i driften, i produktene, i markedsføringen og i planleggingen. Verdien hentes ut langs to spor, innsikt og automatisering. I innsiktssporet hjelper dataene noen å forstå og bestemme, og i automatiseringssporet utløser dataene handlingen selv.

Fem områder data gir verdi

Hver bransje har sine eksempler der data er sentralt for verdiskapningen. Her er noen vanlige områder der innsikt fra data kan gi verdi:

1. Øke utnyttelsen av ansattes tid og kompetanse gjennom å automatisere rutineoppgaver, for eksempel automatisk registrering av regnskapsbilag
2. Gjøre produksjon og intern drift mer effektiv og bærekraftig gjennom for eksempel å forstå kvalitetsutfordringer eller å kunne forutsi når utstyr trenger vedlikehold
3. Øke kvaliteten på produkter og tjenester, for eksempel gjennom å gi en bedre forståelse for hvem kundene eller brukerne er og hva de trenger, og deretter videreutvikle produkter og tjenester slik at de løser kundens behov bedre
4. Jobbe mer målrettet med markedsføring, kunderelasjoner og salg, for eksempel gjennom å kunne skreddersy markedsføring mot ulike segmenter
5. Forstå fremtidig tilbud og etterspørsel, slik at virksomheten for eksempel kan ha riktig varelager basert på forventet etterspørsel eller planlegge bemanning bedre

Hva KI har endret innen disse fem områdene

Listen over ble skrevet i 2022, før ChatGPT kom ut. Områdene er de samme i dag, men KI har flyttet grensen for hva som er mulig på flere av dem.

Rutineoppgaver: Automatisk registrering av regnskapsbilag fantes i 2022 også, men krevde som regel at dokumentene fulgte et fast oppsett. Språkmodeller kan lese fakturaer, kontrakter og e-poster som ser forskjellige ut, og trekke ut det som skal registreres. Mye mer av rutinearbeidet kan automatiseres enn da.

Drift og vedlikehold: Her har KI endret minst. Å forutsi når utstyr trenger vedlikehold bygger fortsatt på sensordata og maskinlæring. Det nye er at det er blitt lettere å stille spørsmål til dataene, så lenge definisjonene er på plass.

Produkter og kundeforståelse: Mye av det kundene forteller, står i fritekst, i anmeldelser, henvendelser til kundeservice og svar på spørreundersøkelser. Før måtte noen lese alt sammen. Nå kan en språkmodell sortere store mengder henvendelser etter tema, slik at folk kan bruke tiden på å gjøre noe med det de finner.

Markedsføring og salg: I 2022 handlet dette mest om å velge riktige segmenter. Nå kan også innholdet tilpasses, for tekst, emnefelt og produktutvalg kan lages i flere varianter og testes mot hverandre. Flaskehalsen har flyttet seg fra å lage innholdet til å vite hvilke segmenter som er verdt å snakke til.

Planlegging: Prognosene for etterspørsel og bemanning bygger i stor grad på de samme modellene som før. Endringen ligger i hvem som kan bruke dem. En innkjøper kan få en KI-assistent til å lage innkjøpsrapporten og forklare hvorfor tallene ser ut som de gjør, uten å gå veien om en analytiker.

To hovedspor for å skape verdi: innsikt og automatisering

Grovt sett kan vi si at data kan gi verdi langs to hovedspor: gi bedre innsikt eller forståelse i en problemstilling, eller bidra til å automatisere en handling eller sett av handlinger. I begge spor kan vi jobbe med data med enkle metoder (for eksempel visualisere en historisk utvikling), eller bruke sofistikerte metoder basert på avansert analyse (for eksempel maskinlæring for å predikere sannsynlighet for kundefrafall).

Rutineoppgavene på punkt 1 hører hjemme i automatiseringssporet, og kundeforståelsen på punkt 3 starter i innsiktssporet. De tre andre begynner gjerne som innsikt og ender som automatisering når virksomheten stoler nok på tallene. En prognose som treffer godt nok, kan etter hvert bestille varene selv.

Generativ KI har gjort automatiseringssporet billigere. Oppgaver med tekst og språk, som produkttekster, svar i kundeservice og oppsummeringer, krevde før et eget prosjekt. Nå kan de løses med verktøy de fleste har på jobben. 54 prosent av norske arbeidstakere bruker KI minst én gang i uka. Andelen som aldri bruker det, har falt fra 45 til 24 prosent på ett år, ifølge Microsofts Work Trend Index for Norge fra juli 2026. Bruken går likevel ofte til enkle oppgaver som tekstutkast og oppsummeringer, viser IT i praksis. Hindringen er kompetanse, ikke tilgang. Bare 3 prosent av lederne i Computas-undersøkelsen sier at de mangler tilgang til KI-verktøy, mens halvparten peker på manglende kompetanse hos de ansatte.

Grensen mellom sporene er også mindre tydelig enn i 2022. En KI-assistent kan hente innsikten og gjøre handlingen i samme steg. Den kan finne kundene som ikke har handlet på et halvt år, og skrive utkastet til e-posten de skal få.

Da blir det viktigere enn før at dataene KI-en handler på, er riktige og godt beskrevet, slik vi viser i guiden om dataprodukter som fundament for AI. En feil i en rapport har en leser som kan stoppe den. En feil i en automatisert handling går rett til kundene.

Case: Guttelus lærer av dataene, uke for uke

For at det skal bli litt mer håndfast, kan det være nyttig med et eksempel. Susanne Skou driver Guttelus.no, en nettbutikk for barneklær. Jeg er deleier i Guttelus, så dette er et case jeg kjenner fra innsiden.

2020: faktabaserte beslutninger

Før 2020 drev de butikken nesten uten å se på dataene de hadde. De hadde en liten vekst hvert år, men uten å tjene særlig penger. Dataene, som fantes primært i netthandelsplattformen og i Google Analytics, var ikke så komplekse, men var ikke lett tilgjengelige for ikke-tekniske personer.

Susanne innså at de måtte jobbe mer datadrevet, og fikk hjelp til å sette opp en liten dataplattform og ansatte en egen forretningsanalytiker - begge deler i 2020. Investeringene var begrenset. Dataene ble brukt daglig til å evaluere kampanjer og planlegge markedsføringen, målrette kundekommunikasjonen, kjøpe inn og supplere varer og sette priser. Dette ga høyere topplinjevekst, bedre kontroll på varelageret, riktigere priser og bedre marginer.

Indirekte bruker Guttelus også data til automatisering. Lagerdriften er satt ut til Colliflow, der varene står i en Autostore-løsning. Programvare styrer robotene og holder orden på hvor hver enkelt kasse befinner seg til enhver tid, og det gir lavere kostnader og raskere og sikrere leveranser til kundene.

2026: nye verktøy, mer KI

Guttelus flyttet butikken fra WooCommerce til Shopify i juni 2026. Kundene får e-post gjennom automatiserte flyter i Klaviyo, og flytene måles hver måned. Et ukesdashbord fra Shopify rangerer tiltakene etter hva de gir i kroner per arbeidstime, så et lite team kan bruke tiden der den gir mest.

Teamet bruker nå KI-assistenter til innkjøpsrapporter og til å analysere de betalte kanalene. De bygger også varsler i Slack som sier fra når noe ser galt ut i butikken, for eksempel produkter som mangler beskrivelse.

Mange av verktøyene er byttet ut siden 2020. Det viktigste er at de bruker dataene de besitter til å lære og justere, hele tiden.

Tre spørsmål før dere velger

Valget av sted og spor hører hjemme i datastrategien. Tre spørsmål kan hjelpe dere med å ta det:

1. Hvilket av de fem områdene koster mest tid eller penger i dag?
2. Trenger dere først å forstå problemet, eller vet dere nok til å automatisere løsningen?
3. Hva er det minste dere kan prøve i løpet av en måned, og hvordan kan dere vite om det virket?

Hvordan dere kommer dit, fra de første rapportene til data som brukes i hele virksomheten, skriver vi om i Slik skaper du verdi fra data: fire faser og fire fallgruver.

Dere må selv vurdere hvilke problemstillinger dere bør ta tak i, men kontakt oss gjerne for en prat om hvilke muligheter dere har.