Effektivisering med AI – Hva skal til for å lykkes?

De siste årene har bedrifter over hele verden investert massivt i teknologien, men svært få har klart å hente ut reell verdi. Her snakker vi ikke om generell bruk av ChatGPT eller Claude som et støtteverktøy, men store investeringer for å integrere generativ AI i eksisterende verktøy og arbeidsprosesser. Samtidig har norske virksomheter bare det siste året varslet nedbemanning og kostnadskutt for flere titalls milliarder. Denne trenden kan indikere at virksomhetene har ambisjoner om ytterligere besparelser i samme størrelsesorden i årene fremover.

En fersk studie fra MIT (State of AI in Business 2025: The GenAI Divide) viser at 95 prosent av virksomheter ikke ser noen målbar effekt av sine AI-investeringer, mens bare fem prosent rapporterer betydelige gevinster. Studien beskriver et tydelig skille mellom organisasjoner som “eksperimenterer med AI” og de som faktisk klarer å integrere teknologien i sine kjerneprosesser.

McKinsey finner det samme i sin rapport The State of AI: How Organizations Are Rewiring to Capture Value (2025). Selv om 78 prosent av virksomheter bruker AI i minst én forretningsfunksjon, er det bare omtrent én av fem som rapporterer reell effekt på bunnlinjen.

Og i Norge finner forskere fra Universitetet i Oslo og SINTEF i en studie av NAV IT (2025) at selv når AI-verktøy tas i bruk, uteblir de målbare produktivitetsgevinstene.

Funnene er slående like på tvers av studiene. Enten vi ser til MIT, McKinsey eller forskningen på NAV IT, peker de på det samme: de fleste får ikke ut verdien, og forskjellen mellom de som lykkes og de som ikke gjør det, handler sjelden om teknologien i seg selv. Forskningen viser at de som lykkes, gjør et par ting likt:

For effektiviseringsinitiativer er ikke statistikken mye lysere. 60-90 % av større transformasjoner feiler. Sett i sammenheng med varslede kostnadskutt og effektiviseringsgevinster de kommende årene er det grunn til å tro at store deler av de potensielle besparelsene i norske virksomheter vil forbli urealiserte. I praksis er det snakk om betydelige verdier.

Vårt syn: Effektivisering med AI behøver ikke være revolusjonerende

Dette er ikke første gang vi ser et slikt mønster. Da IT gjorde sitt inntog på 80- og 90-tallet, slet virksomheter med det samme. Erik Brynjolfsson beskrev i 1993 det han kalte produktivitetsparadokset, populært kalt Solow-paradokset etter økonomen Robert Solow som i 1987 sa “you can see the computer age everywhere but in the productivity statistics”. Amerikanske virksomheter investerte på denne tiden mer enn noen gang i IT, men produktivitetsveksten falt samtidig.

Forskere utarbeidet en rekke hypoteser som mulige forklaringer på paradokset, hvor noen av de ledende var:

1. Feilmålingshypotesen: Produktivitetsgevinstene finnes, men fanges ikke opp i offisiell statistikk fordi forbedringer i kvalitet, effektivitet og digitale tjenester er utfordrende å måle presist.
2. Omfordelingshypotesen: Økte investeringer i IT kan gi konkurransefortrinn, men gevinstene fører hovedsaklig til en omfordeling av overskudd mellom aktører, heller enn å øke den totale verdiskapingen i økonomien.
3. Feil forvaltning av IT-hypotesen: Virksomhetene investerer i IT uten å gjøre nødvendige endringer i prosesser, kompetanse og organisasjonsstruktur, og dermed realiseres ikke de potensielle effektiviserings- og produktivitetsgevinstene.

Mot slutten av 90-tallet ble det derimot funnet betydelige positive sammenhenger mellom IT-investeringer og produktivitetsvekst. Så kanskje er det en lignende effekt vi ser med AI i dag?

Mange AI-satsinger feiler kanskje ikke fordi teknologien er dårlig, men heller fordi forventningene er feil. For mange ser på AI som en “ferdig løsning” og ikke som et verktøy som krever like mye læring, tilpasning og kulturendring som tidligere teknologiske sprang.

Det er lett å tro at AI skal levere raske, målbare effektiviseringsgevinster, men effekten av AI oppstår først når organisasjonen lærer å bruke teknologien riktig. Vi mener at effektiviseringsinitiativer med AI i sentrum ikke må angripes annerledes enn tradisjonelle initiativer. Det er fortsatt avgjørende å identifisere de største kostnadspostene med størst potensial for reduksjon. Det er fortsatt viktig å jobbe iterativt og eksperimenterende med å utvikle AI-løsninger som virker. Og det er ikke minst fortsatt viktig å sikre at eksisterende verktøy og strukturer erstattes av AI-løsningene snarere enn at virksomheten ender opp med doble kostnader.

Realisering av gevinster handler derfor om å stå i det over tid:

Å bygge kompetanse, justere prosesser og utvikle løsninger som faktisk løser problemer, og ikke bare demonstrerer teknologiske muligheter.

Hva vi vil se nærmere på

I denne artikkelserien skal vi forsøke å gå fra problem til løsning. Hvordan kan virksomheter faktisk lykkes med å hente ut effektiviseringsgevinster fra AI?

AI-løsninger har tilnærmet uendelig muligheter for anvendelse. Nye løsninger kan i varierende grad utvikles kunderettet for å styrke kundeopplevelsen, eller på den andre siden utvikles mer internt rettet for å styrke de ansattes hverdag. Samtidig kan nye løsninger utvikles for å generere helt nye inntektsstrømmer, eller i motsatt ende for å forbedre og effektivisere eksisterende prosesser og portefølje. I de kommende ukene skal vi forsøke å rette et særlig fokus mot hvordan man kan lykkes med å hente ut effektiviseringsgevinster fra interne AI-løsninger utviklet for å styrke eksisterende prosesser.

I de ulike delene skal vi utforske:

• hvordan man identifiserer og prioriterer områder der AI kan skape reell verdi,
• hvordan man bør teste og utvikle løsninger hyppig og i liten skala,
• hvordan man rigger organisasjonen for å faktisk hente ut gevinstene
• og avslutningsvis hvordan man kan skalere AI-løsninger for å realisere gevinster på tvers av virksomheten.

Målet er å vise hvordan virksomheter gjennom strukturert og læringsorientert arbeid kan oppnå effektivisering som gir reell effekt på bunnlinjen, ikke bare flere AI-prosjekter.