Virksomheter diskuterer feil spørsmål om KI

Bill Gates tar til orde for sikkerhetstiltak for KI fordi teknologien kan føre til «en milliard dødsfall» hvis den ikke holdes under kontroll. Uttalelsen kommer kort tid etter at en ledende forsker hos Anthropic sa at han mener det er mer enn 10 prosent sannsynlighet for at KI «kan ta livet av alle mennesker» i løpet av det neste tiåret. Mens regjeringer, filosofer og en håndfull av de fremste KI-utviklerne diskuterer sikkerhetsrammer, er det avgjørende at virksomheter som bruker KI, innser at de kan overse de største risikoene de faktisk står overfor i KI-æraen hvis de retter oppmerksomheten mot det som dominerer overskriftene.

I tillegg til frykten for at roboter skal overmanne mennesker dreier mye av debatten om KI i næringslivet seg om farene ved ukontrollerte agenter, skyhøye tokenkostnader, relativt autonome banebrytende KI-modeller og ikke-suveren KI.

Slike trusler tar mye plass i debatten om KI-bekymringer, men hvis man fokuserer på disse trendene i stedet for reelle forretningsrisikoer, kan det føre til dårlige resultater som kunne vært unngått. Jeg har sett dusinvis av virksomheter redusere KI-risikoen betydelig ved å rette oppmerksomheten langt mer mot forretningsresultater enn mot teknologiske forhold. Her er en gjennomgang av hvordan de kan gjøre det – og hvorfor de bør.

Ta utgangspunkt i forretningsnytten, ikke KI-modellen

Virksomheter må forstå at de ikke trenger å bruke de nyeste KI-modellene – eller betale astronomiske tokenkostnader for å gjøre hver ansatt til en såkalt medborgerutvikler – for å øke avkastningen på investeringene sine betydelig.

De bør i stedet undersøke nøye hvilke konkrete områder de kan redusere pengebruken eller tidsbruken på, og lage en plan for å løse det aktuelle problemet med alle tilgjengelige verktøy – ikke bare agentbasert KI, men også generativ KI, løsningsverktøy, maskinlæring og til og med regelbaserte programmer. Slik kan de velge riktig verktøy til riktig oppgave.

Ifølge McKinsey kan KI-baserte prognosemodeller for eksempel oppnå en treffsikkerhet på over 90 prosent når det gjelder å forutsi bemanningsbehov. Jeg har nylig sett dette i praksis hos et vaktselskap som sender titusenvis av vektere ut til tusenvis av steder for globale giganter som Nike og Amazon. Som mange andre arbeidsintensive virksomheter med skiftarbeid opplevde selskapet kraftig økende kostnader til overtid og dyr innleie når etterspørselen skjøt i været.

Det var ikke nødvendig med banebrytende modeller for å øke selskapets avkastning på investeringene, og det var heller ikke nødvendig å binde seg til en bestemt KI-leverandør eller -teknologi. Vaktselskapet startet i stedet med å løse et av de største forretningsproblemene det sto overfor, og valgte verktøy ut fra hvor godt de løste akkurat denne utfordringen. Smarte løsningsverktøy kan sette sammen team på en optimal måte, redusere overtidskostnader og unngå dyr innleie ved å forutse bemanningsbehovet bedre. I dette tilfellet bidro generativ KI, kombinert med andre verktøy, til lavere turnover, bedre planlegging og arbeidsplaner som fungerte bedre både for kundene og de ansatte – for eksempel ved å foreslå hvordan man kunne redusere antallet skift som krevde lang reisevei, og fordele helgefri jevnere. Ved å følge slike anbefalinger ble overtidskostnadene redusert med 30 prosent, og utgiftene til innleie gikk ned. Samtidig tok det kortere tid å lage bemanningsplaner, og kvaliteten og holdbarheten til planene ble bedre. Da vaktselskapet tok i bruk KI-anbefalingene, økte EBITDA med 200 basispunkter. Det er en stor seier i en bransje som er kjent for svært lave marginer. At forretningsproblemet er stort, betyr ikke at KI-løsningen må innebære høy risiko.

Mange konkrete forretningsutfordringer løses allerede med KI-verktøy som gjør små inngrep. Det gjelder blant annet å forbedre fordelingen av lagerbeholdning, effektivisere avstemming av innbetalinger, få fart på bankavstemming, øke prognosenes treffsikkerhet, automatisere fakturamatching og søke i kataloger for å svare på spørsmål fra forbrukere. Dette kan øke bunnlinjen betydelig uten å risikere å utslette menneskeheten, og uten at man engang trenger å bruke banebrytende modeller eller ukontrollerte agenter.

Pass på: Hvis man beveger seg bort fra avkastning på investeringene, kan KI-hypeskatten bli kostbar

I tillegg til å redusere risikoen for at KI kommer ut av kontroll kan konkrete forretningsmål også beskytte virksomheter mot å pådra seg KI-hypeskatten som selskapet mitt avdekket i en analyse av aksjekursene og årsrapportene til 275 børsnoterte selskaper verden over.

KI-barometeret 2026 viste at aksjekursene til de største børsnoterte virksomhetene globalt hadde en sterk sammenheng med storsatsing på KI og en bedre kursutvikling. Denne sammenhengen holdt imidlertid bare så lenge virksomhetene oppga konkrete tiltak og presise mål. Den viktigste lærdommen fra analysen av aksjekursene er at generelle uttalelser om KI-transformasjon ikke er nok for investorene.

Så hva fungerte? Rapporten fant et stort gap i aksjeavkastning til fordel for selskaper som var konkrete om hvilke tiltak de skulle iverksette for å ta i bruk KI, og hvilke forbedringer i effektivitet eller inntekter tiltakene ville føre til. Året etter gjorde disse selskapene det 14 prosentpoeng bedre enn selskaper som omtalte KI på en vag måte i finansrapportene sine.

Jeg har selv sett at virksomheter i stor grad kan unngå den typen dommedagsutfall som får store overskrifter, og i stedet oppnå forretningsresultater som styrker bunnlinjen, ved å holde seg til konkrete mål for inntekter og produktivitet som kan nås med de mest effektive KI-verktøyene med lav risiko – ofte små applikasjoner integrert i IT-miljøet – fremfor de nyeste og mest prangende KI-modellene.