Skrevet av: Anker Albert

_Bakgrunn

_{Virksomheten har testet AI, men mangler løsninger som gir målbar verdi i drift.}

_Utfordring

_{Data er spredt mellom systemer, integrasjoner mellom systemer er fragmenterte, og AI har begrenset tilgang til informasjon og handlinger.}

_Løsning

_{Avo gjennomfører en strategisk AI modenhetsvurdering, prioriterer én konkret use case og bygger nødvendig fundament med integrasjoner og MCP.}

_Resultat

_{Første AI-løsning kan settes i drift på få uker, samtidig som virksomheten etablerer et grunnlag som gjør neste AI-løsning raskere og enklere å gjennomføre.}

‍

AI er ikke lenger noe de færreste har prøvd. Tvert imot. Alle snakker om det. Mange har eksperimentert med ChatGPT, Copilot eller andre AI-verktøy. De har laget piloter, testet ideer og sett lovende demonstrasjoner, gøy! Vi er i en tid for fornying og forbedring med bruk at teknologi! Likevel stopper det ofte der. Det er ikke fordi teknologien er for dårlig. Dagens AI-modeller er kraftige nok til å løse mange oppgaver. Problemet er at AI sjelden har tilgang til riktig informasjon, eller mulighet til å gjøre noe med den.

Det er feil spørsmål som får mest oppmerksomhet

Når AI kommer på agendaen, dreier samtalen seg ofte om hvilken modell som er best, eller hvilken leverandør man bør velge. Det er forståelige spørsmål, men de er sjeldent de viktigste.

Spørsmålene som faktisk avgjør om AI skaper verdi er helt andre:

• Hvor i virksomheten finnes den største gevinsten?
• Hvilke data trenger AI tilgang til?
• Hvilke systemer må snakke sammen?
• Hva skal AI få lov til å utføre, og hva skal fortsatt være menneskestyrt?

Modeller kommer og går. Grunnmuren består.

Tre flaskehalser vi ser igjen og igjen

På tvers av bransjer møter vi mange av de samme utfordringene.

• Tilstrekkelig data blir ikke tilgjengeliggjort. Informasjon er spredt mellom ERP, CRM, SharePoint, e-post og andre fagsystemer. AI får bare en liten del av bildet.‍
• Integrasjoner blir enkeltprosjekter. Hver ny AI-idé krever en ny kobling mellom systemer. Det tar tid, koster penger og blir vanskelig å vedlikeholde.‍
• AI kan svare, men ikke handle. Mange AI-løsninger fungerer som en avansert chatbot. Den kan foreslå neste steg, men ikke opprette en sak, oppdatere en ordre eller hente riktig dokument. Konsekvensen er større enn mange tror. En manuell feil påvirker én oppgave. En AI som jobber på feil eller ufullstendig informasjon kan gjenta den samme feilen hundrevis av ganger.

Vi starter med én konkret verdi

En klassisk tilnærming er å bruke måneder på å rydde data, modernisere integrasjoner og bygge et stort AI-fundament før noe tas i bruk. Det kan være riktig i noen tilfeller, men ofte blir gevinsten for langt unna.

Hos Avo snur vi rekkefølgen. Vi starter med én konkret brukssituasjon som kan gi målbar effekt raskt og i riktig strategisk retning. Deretter bygger vi akkurat det fundamentet denne casen trenger, uten å gjøre hele moderniseringsløpet først. Det gjør at virksomheten får erfaring, resultater og et fundament som kan brukes videre.

Slik ser et typisk AI-løp ut

Workshop

Vi samler ledelse, fagpersoner og IT i en arbeidsøkt på noen timer. Målet er å finne hvor AI faktisk kan skape verdi, ikke hvor den virker mest spennende. Vi finner sammen muligheter for innovasjon og forbedring, og sorterer hva som er strategisk riktig å igangsette på kort og lenger sikt. Vi har hele tiden fokus på hva som skal til for å bygge grunnmuren for varig verdiskaping.

AI modenhetsvurdering

Deretter vurderer vi virksomheten på fem områder:

1. Forretningsverdi.
2. Datakvalitet.
3. Integrasjoner og systemlandskap.
4. Sikkerhet og tilgangsstyring.
5. Bruk og organisasjon.

Resultatet er et tydelig bilde av hvor virksomheten er i dag, og hvilke AI-caser som er realistiske å prioritere først.

Første case i produksjon

Vi velger én prioritert case, setter den i drift og måler effekten mot et definert nullpunkt. Poenget er ikke å bygge en perfekt AI-plattform. Poenget er å skape verdi raskt, samtidig som fundamentet blir sterkere.

Når AI går fra å foreslå til å utføre

En viktig del av moderne AI-arkitektur handler om hvordan AI kommuniserer med eksisterende systemer. Her kommer Model Context Protocol (MCP) inn. Kort forklart er MCP en standard som gjør det mulig å koble AI sikkert til virksomhetens systemer. AI kan få kontrollerte tilganger til data og handlinger, med tydelige regler for hva den har lov til å gjøre. Det betyr at AI ikke bare kan svare på spørsmål. Den kan også:

• hente informasjon fra flere systemer samtidig,
• opprette eller oppdatere saker,
• finne kontrakter eller dokumentasjon,
• starte arbeidsflyter på vegne av brukeren.

Samtidig beholdes sporbarhet, tilgangsstyring og kontroll.

Den første casen gjør den neste enklere

Den største gevinsten kommer ofte etter den første leveransen. Når integrasjoner, tilgangsstyring og sporbarhet først er etablert, kan de brukes om igjen. Neste AI-case starter ikke fra null. Den bygger videre på det som allerede finnes. Det reduserer både ledetid og kostnader, og gjør det enklere å skalere AI til flere deler av virksomheten.

AI handler mindre om modellen enn om fundamentet

Virksomheter som lykkes med AI er ikke nødvendigvis de som velger den nyeste modellen først. De lykkes fordi AI får tilgang til riktige data, er koblet til riktige systemer og brukes der den skaper konkret verdi. Teknologien utvikler seg raskt. Derfor er det viktigere å bygge et fundament som tåler endring enn å optimalisere for én bestemt modell.