Kunstig intelligensHafsteinn Runarsson · AI Konsulent06 Nov 2026 · 12 min

AI operating model: fra pilot til styrt drift

En operativmodell for AI (AI operating model) beskriver hvordan en virksomhet gjør AI til en styrt og repeterbar del av driften. Den kobler forretningsmål til ansvar, beslutninger, data, teknologi, arbeidsprosesser og risikostyring. Resultatet skal ikke være flere piloter, men en tydelig måte å velge, bygge, innføre og følge opp AI-løsninger på.

Den korte oppskriften er:

1. Prioriter problemer med målbar forretningsverdi.
2. Gi hver løsning en eier med beslutningsmyndighet.
3. Bruk én livssyklus fra idé til drift og avvikling.
4. Tilpass styring og kontroll til risikoen.
5. Mål både effekt, bruk, kvalitet og risiko.

Hva er en AI operating model?

En AI operating model er systemet som oversetter AI-strategien til daglig gjennomføring. The Hackett Group beskriver den som strukturen for hvordan virksomheten organiserer, styrer og gjennomfører AI-initiativer i skala, inkludert roller, beslutningsrettigheter, leveranseprosesser, data, teknologi og styring.

Det er nyttig å skille mellom tre nivåer:

• AI-strategien bestemmer hvorfor virksomheten skal bruke AI, og hvilke resultater som er viktigst.
• Operativmodellen for AI bestemmer hvem som gjør hva, hvordan beslutninger tas, og hvilke felles mekanismer som gjelder.
• AI-plattformen og verktøyene støtter utvikling, integrasjon, overvåking og bruk.

En strategi uten operativmodell ender ofte som en liste med ambisjoner. En plattform uten operativmodell kan bli teknologi uten tydelig eierskap. Operativmodellen binder delene sammen.

Hvilke byggesteiner må modellen inneholde?

En komplett operativmodell dekker forretningsverdi, organisering, styring, leveranse, data, teknologi og endring. Dette samsvarer med bredden i modeller som beskriver strategi, governance, data, mennesker, prosesser og teknologi, blant annet i Diconiums gjennomgang av AI operating models.

1. Mål og verdihypoteser

Start med forretningsproblemet, ikke modellen eller verktøyet. Hver kandidat bør ha:

• et konkret problem eller en mulighet
• en navngitt prosesseier
• et utgangspunkt som kan måles
• en forventet effekt
• tydelige begrensninger og risikofaktorer
• kriterier for å stoppe, endre eller skalere

Dette gjør porteføljen sammenlignbar. En idé som ikke kan knyttes til en prosess, en eier og et ønsket resultat, er ikke klar for prioritering.

2. Beslutningsrettigheter og ansvar

Alle sentrale beslutninger må ha én tydelig eier. Det gjelder særlig prioritering, datatilgang, risikovurdering, produksjonssetting, endringer og avvikling.

Et praktisk rollebilde kan være:

• Ledelsen fastsetter retning, risikovilje og investeringsrammer.
• Forretningseieren eier utfallet, arbeidsprosessen og gevinstene.
• Produkteieren prioriterer behov og leder løsningens livssyklus.
• Data- og AI-teamet utvikler, tester og overvåker løsningen.
• Juridisk, personvern, sikkerhet og risikofunksjoner setter kontrollkrav og vurderer relevante saker.
• Brukerne prøver løsningen i reelle arbeidsprosesser og gir tilbakemeldinger.

Et tverrfaglig råd kan samordne beslutninger, men bør ikke bli en kø for alle små endringer. Definer hvilke beslutninger som tas sentralt, og hvilke teamene kan ta selv innenfor godkjente rammer.

3. Porteføljestyring

Porteføljen bør styres etter verdi, gjennomførbarhet og risiko samtidig. En enkel prioritering vurderer:

• forventet effekt for kunde eller virksomhet
• hvor ofte behovet oppstår
• datatilgang og datakvalitet
• integrasjonsbehov
• påvirkning på mennesker og beslutninger
• juridisk, sikkerhetsmessig og omdømmemessig risiko
• kostnad ved utvikling og drift

Da unngår virksomheten at den mest synlige demonstrasjonen automatisk får mest ressurser.

4. En felles livssyklus

Alle AI-løsninger trenger en definert vei fra idé til avvikling. Kontrollnivået kan variere, men stegene bør være gjenkjennelige:

1. Oppdag: Beskriv problemet, brukerne og dagens resultat.
2. Vurder: Test verdi, datagrunnlag, gjennomførbarhet og risiko.
3. Eksperimenter: Bygg den minste testen som kan avkrefte eller styrke hypotesen.
4. Valider: Mål kvalitet, nytte, robusthet og konsekvenser i en realistisk kontekst.
5. Sett i drift: Avklar ansvar, integrasjoner, støtte, overvåking og beredskap.
6. Forvalt: Følg effekt, bruk, feil og endringer over tid.
7. Avvikle: Stopp løsningen når verdien forsvinner, risikoen blir uakseptabel eller en bedre løsning tar over.

Hver overgang bør ha få, konkrete beslutningskriterier. Målet er raskere og tryggere beslutninger, ikke mer dokumentasjon for dokumentasjonens skyld.

5. Data og teknologi

Data- og teknologivalg skal støtte den valgte arbeidsprosessen. Operativmodellen bør avklare:

• hvilke datakilder som kan brukes til hvilke formål
• hvem som eier datakvalitet og tilgang
• hvordan modeller, leverandører og versjoner registreres
• hvordan løsninger integreres med eksisterende systemer
• hvordan logging, tilgangskontroll og overvåking håndteres
• hva teamene kan velge selv, og hva som er standardisert

En felles plattform kan redusere dobbeltarbeid, men bør ikke bli et mål i seg selv. Standardiser det som gir sikkerhet og gjenbruk; behold fleksibilitet der behovene faktisk er forskjellige.

6. Kompetanse og endringsledelse

AI skaper først verdi når arbeidsmåten endres. Derfor må opplæring handle om den konkrete prosessen, ikke bare om et verktøy.

Avklar hva brukeren skal gjøre før, under og etter et AI-forslag. Beskriv når et menneske skal kontrollere, overstyre eller eskalere. Gjør det enkelt å rapportere feil og uventede resultater. Ledere må samtidig følge opp om løsningen brukes riktig og om den ønskede effekten oppstår.

7. Måling og læring

Et felles målbilde gjør det mulig å styre etter mer enn modellkvalitet. Følg fire typer signaler:

• Forretningseffekt: tid, kostnad, inntekt, kvalitet eller kundeverdi
• Bruk: aktive brukere, fullførte arbeidsflyter og frafall
• Leveranse: tid fra idé til test, tid til produksjon og endringsfrekvens
• Kvalitet og risiko: feil, overstyringer, avvik, stabilitet og datadrift

Målene må være relevante for brukstilfellet. Det finnes ikke ett universelt AI-mål som forklarer om en løsning virker i praksis.

Sentralisert, føderert eller hub-and-spoke?

For de fleste mellomstore og store virksomheter er hub-and-spoke et godt utgangspunkt: et sentralt miljø setter standarder og bygger felles kapabiliteter, mens domeneteamene eier problemer, innføring og effekt. KPMG fremhever hub-and-spoke som en måte å balansere sentral styring med lokalt eierskap.

De tre vanlige organisasjonsformene er:

• Sentralisert modell: Ett AI-team leverer på tvers. Den passer når kompetansen er knapp og virksomheten trenger felles kontroll, men kan skape avstand til fagmiljøene.
• Føderert modell: Hvert forretningsområde bygger egne kapabiliteter. Den gir nærhet og fart, men krever sterke minimumsstandarder for å unngå fragmentering.
• Hub-and-spoke: Et sentralt nav utvikler plattform, standarder og spesialistkompetanse, mens lokale team eier brukstilfellene. Den kombinerer gjenbruk med domeneansvar, men krever tydelige grenseflater.

Velg etter organisasjonens faktiske flaskehals. Er utfordringen mangel på kompetanse, taler det for mer sentralisering. Er utfordringen avstand til arbeidsprosessene, bør mer ansvar ligge i domenene.

AI-assistert, AI-first eller AI-native?

Organisasjonsform og arbeidsmåte er to forskjellige valg. En virksomhet kan være organisert som hub-and-spoke og samtidig ha både AI-assisterte og AI-first arbeidsprosesser.

Flexion skiller mellom tre arbeidsmodeller ut fra hvor AI befinner seg i arbeidet:

• AI-assistert: Den enkelte bruker AI i en eksisterende prosess. Prosessen fungerer fortsatt uten verktøyet.
• AI-first: Arbeidsflyten er utformet slik at AI utfører definerte deler, mens mennesker leder, kontrollerer og beslutter.
• AI-native: AI deltar også i koordinering, ruting og håndheving av arbeidsflyten, mens mennesker fortsatt setter reglene og eier beslutningene.

Dette er ikke en modenhetsstige der alle må ende på AI-native. Velg den enkleste modellen som løser problemet. En sjelden oppgave med høy skjønnsbruk kan egne seg for AI-assistanse, mens en hyppig og standardiserbar prosess kan forsvare en mer integrert arbeidsflyt.

Hvordan bør governance og risiko bygges inn?

God AI-governance betyr at kontroll skjer gjennom hele livssyklusen, med strengere krav når konsekvensene er større. NISTs AI Risk Management Framework er laget for frivillig bruk og for å integrere hensyn til pålitelighet i utvikling, bruk og evaluering av AI-systemer.

Et minimumsoppsett bør omfatte:

• oversikt over AI-løsninger, eiere, formål og status
• risikoklassifisering før utvikling og ved vesentlige endringer
• dokumenterte krav til data, testing og menneskelig kontroll
• godkjenning før produksjonssetting når risikoen krever det
• overvåking av effekt, feil og hendelser
• en tydelig prosess for avvik, eskalering og avvikling

EU-kommisjonens oversikt over AI Act beskriver en risikobasert tilnærming med ulike krav etter bruksområde og risikonivå. Operativmodellen bør derfor gjøre det mulig å identifisere roller, formål, risiko og dokumentasjon tidlig. Juridiske vurderinger må gjøres for det konkrete systemet og bruksområdet; en generell sjekkliste erstatter ikke faglig rådgivning.

Slik etablerer dere modellen på 90 dager

En første operativmodell kan etableres på 90 dager hvis dere avgrenser arbeidet til noen få beslutninger, ett pilotområde og mekanismer som kan gjenbrukes.

Dag 1–30: Kartlegg og bestem

1. Knytt initiativet til AI-strategien og virksomhetens viktigste mål.
2. Kartlegg aktive piloter, verktøy, data, eiere og leverandører.
3. Velg ett prioritert domene og to til tre brukstilfeller.
4. Definer beslutningsrettigheter, risikonivåer og minimumskrav.
5. Mål dagens arbeidsprosess før dere endrer den.

Dag 31–60: Bygg og prøv

1. Etabler et tverrfaglig kjerneteam.
2. Kjør brukstilfellene gjennom den felles livssyklusen.
3. Lag minimumsstandarder for data, testing, tilgang, logging og overvåking.
4. Test løsningen med faktiske brukere i en avgrenset prosess.
5. Dokumenter hva teamet kan beslutte selv, og hva som må eskaleres.

Dag 61–90: Sett i drift og lær

1. Produksjonssett bare løsninger som oppfyller kriteriene.
2. Følg effekt, bruk, kvalitet og risiko i samme målbilde.
3. Tren brukere og ledere i den nye arbeidsflyten.
4. Gjennomfør en beslutningsgjennomgang: skaler, endre eller stopp.
5. Oppdater modellen ut fra erfaring før neste domene kobles på.

Se også hvordan digital transformasjon kan brytes ned i en praktisk endringsplan, og hvordan virksomhetsarkitektur kobler strategi til gjennomførbare endringer.

Vanlige feil når AI skal skaleres

De vanligste feilene skyldes manglende kobling mellom teknologi, ansvar og arbeidsprosess.

• Verktøy før problem: Teamet kjøper teknologi uten et prioritert behov eller en målelinje.
• Pilot uten eier: Ingen har ansvar for prosessen, gevinsten eller driften etter testen.
• Én kontroll for alt: Små interne hjelpemidler og løsninger med store konsekvenser behandles likt.
• Sentral flaskehals: Et råd eller et plattformteam må godkjenne enhver endring.
• Lokal fragmentering: Domeneteam bygger parallelle løsninger uten felles standarder eller gjenbruk.
• Produksjon uten forvaltning: Modellen overvåkes teknisk, men ingen følger om forretningseffekten består.
• Opplæring uten prosessendring: Brukerne lærer et verktøy, men ikke når og hvordan det skal brukes i arbeidet.

Mottiltaket er ikke en mer omfattende modell. Det er en enklere modell med tydelige eiere, få beslutningspunkter og synlige mål.

Hva er forskjellen på en AI-strategi og en AI operating model?

AI-strategien velger retning; operativmodellen gjør retningen gjennomførbar. Strategien beskriver ønskede resultater og prioriteringer. Operativmodellen beskriver roller, beslutninger, prosesser, teknologi, kontroll og måling som gjør det mulig å levere dem.

Trenger små virksomheter en AI operating model?

Ja, men den bør være lett. En liten virksomhet kan starte med én porteføljeoversikt, navngitte eiere, en enkel risikovurdering, kriterier for produksjonssetting og et månedlig beslutningsmøte. Modellen skal redusere uklarhet, ikke skape et nytt administrativt lag.

Hvem bør eie operativmodellen for AI?

Eierskapet bør ligge hos en leder som kan koble forretning, teknologi og risiko. Den kan ikke eies av IT alene hvis verdien skapes i forretningsprosessene. Utformingen og driften bør være tverrfaglig, med tydelig ansvar for både helheten og hvert brukstilfelle.

Når bør modellen oppdateres?

Oppdater den når erfaring eller rammebetingelser endrer beslutningene. Typiske triggere er nye brukstilfeller, nye datakilder, endrede leverandører, vesentlige modellendringer, hendelser, nye regulatoriske krav eller vedvarende avvik mellom forventet og faktisk effekt.

Fra modell til gjennomføring

En god AI operating model er liten nok til å bli brukt og tydelig nok til å styre. Begynn med ett område, ett sett med beslutningsrettigheter og en felles livssyklus. Mål hva som skjer i praksis, og utvid først når modellen har gjort det enklere å levere verdi med kontroll.

Hvis dere trenger hjelp til å avklare ansvar, portefølje og styringsmekanismer, kan dere lese hva en AI-konsulent bør bidra med før dere velger støtte.