Budsjettrunden for 2027 er i gang i de fleste virksomheter, og KI dukker opp i nesten hvert eneste forslag. Noe av det vil gi målbar effekt neste år, men langt fra alt. Under finner du en enkel matrise og et sett spørsmål ledergruppen kan bruke for å sortere KI-investeringer før pengene er fordelt.
Hvorfor KI-forslagene trenger et filter
Bruken vokser raskt. Ifølge SSB brukte 30 prosent av norske foretak med minst ti ansatte KI i 2025, opp fra 20 prosent året før. Blant foretak med over 100 ansatte var andelen 58 prosent. SSB har varslet nye tall for 2026 den 25. september.
Effekten på bunnlinjen henger etter. I McKinseys State of AI 2026, publisert i august, oppgir 37 prosent at KI har gitt i det minste noe effekt på driftsresultatet (EBIT). Det er omtrent som året før. Bare rundt 6 prosent kan kalle seg «high performers», som McKinsey definerer som virksomheter der minst 5 prosent av driftsresultatet kan tilskrives KI. Omtrent én av fem svarer også at driftskostnader for KI, inkludert tokenkostnader, har begrenset bruken.
To andre tall går igjen i mange budsjettmøter. MITs NANDA-initiativ rapporterte i august 2025 at rundt 95 prosent av pilotene med generativ KI i studien ikke ga målbar effekt på resultatregnskapet. Utvalget var begrenset (52 intervjuer, 153 spørreundersøkelsessvar og en gjennomgang av over 300 offentlig kjente initiativ), så tallet egner seg best som et varselsignal. Gartner spår at over 40 prosent av prosjektene med KI-agenter blir kansellert innen utgangen av 2027, på grunn av økende kostnader, uklar forretningsverdi eller mangelfull risikokontroll.
Matrisen: to spørsmål til hvert forslag
Still to spørsmål til hvert KI-forslag, og plasser det deretter i en av fire ruter.
Akse 1: Verdi og målbarhet. Kan forslagsstilleren si hvilken prosess som endres, hva den koster i dag og hvordan dere måler endringen innen tolv måneder? Kroner, timer, ledetid og feilrate teller. «Bedre kundeopplevelse» uten et mål gjør det ikke.
Akse 2: Dataavhengighet og risiko. Hvor mye må være på plass av data, integrasjoner og tilgangsstyring før løsningen virker? Og hva skjer hvis den tar feil? Et verktøy som lager utkast en ansatt leser gjennom, har lav risiko. En agent som oppdaterer kundedata eller sender e-post på egen hånd, har høy.
Dette gir fire ruter:
- Høy målbarhet, lav dataavhengighet: sett i gang.
- Høy målbarhet, høy dataavhengighet: budsjetter som et prosjekt, med dataarbeidet inkludert.
- Lav målbarhet, lav dataavhengighet: gi en liten, tidsbegrenset ramme.
- Lav målbarhet, høy dataavhengighet: si nei eller parker.
Rute 1: Målbart og lite dataavhengig
Her ligger forslag som bruker ferdige verktøy på oppgaver dere allerede vet hva koster. Eksempler kan være møtereferater, første utkast til svar i kundeservice, oversettelse og kodeassistanse for utviklerne. Gevinsten måles i tid, og løsningen trenger lite mer enn lisenser, opplæring og en KI-policy.
Budsjetter lisenser og opplæring sammen. Et verktøy uten opplæring blir ofte brukt av noen få entusiaster, og da ser dere aldri gevinsten i tallene. Sett et mål for bruk og for tid spart, og følg det opp etter tre måneder.
Rute 2: Målbart, men krever orden i data
Dette er ofte de mest verdifulle forslagene: KI koblet til CRM, ordresystem, dokumentarkiv eller kundedialog, der gevinsten kan bli stor. De er også dem som oftest sprekker, fordi dataene ikke er klare når prosjektet starter.
Behandle dem som et digitaliseringsprosjekt med KI som én del. Del budsjettet i to faser: først data, integrasjoner og tilgangsstyring, deretter KI-funksjonen. Da kan dere stoppe etter fase én uten å ha kastet bort pengene, fordi ryddigere data gir verdi uansett.
MIT-rapporten fant at løsninger virksomheter kjøpte eller bygde sammen med eksterne partnere lyktes omtrent dobbelt så ofte som rene egenutviklinger (rundt 67 mot rundt 33 prosent). Det er et argument for å kjøpe eller samarbeide der det finnes gode løsninger, og bygge selv der dere har noe ingen andre har. [QA: legg inn eget eksempel fra et kundemøte der dataarbeidet måtte komme før KI-funksjonen]
Rute 3: Uklar gevinst, lite dataavhengig
Her havner forslag som kan bli nyttige, men der ingen kan si hvor mye. Det kan være et internt KI-verktøy for idéarbeid eller en test av en ny KI-funksjon i markedsføringen. Risikoen er lav, så dere trenger ikke si nei.
Gi dem en fast ramme i kroner og tid, for eksempel åtte uker, og krev at forsøket ender med et svar: fortsett, flytt til rute 1 med et målbart mål, eller avslutt. Uten en sluttdato blir slike forsøk liggende som faste kostnader.
Rute 4: Uklar gevinst og tung dataavhengighet
Dette er KI-støyen. Typiske kjennetegn er store ord («autonome agenter i hele verdikjeden»), en leverandør som ikke kan vise til tilsvarende løsninger i drift, og en plan som forutsetter data dere ikke har. Gartner peker på «agent washing», der eksisterende assistenter, RPA-verktøy og chatboter får nytt navn uten å ha reelle agentegenskaper. Ifølge Gartner er bare rundt 130 av de tusenvis av leverandørene som markedsfører agentisk KI, reelle.
Ideen kan godt være god, men komme for tidlig. Be om at forslaget kommer tilbake når dataarbeidet i rute 2 er gjort, eller når forslagsstilleren kan måle gevinsten.
Ti spørsmål til budsjettmøtet
Still disse spørsmålene til hvert KI-forslag. Svarene avgjør hvilken rute forslaget havner i.
- Hvilken prosess endres? Navngi den, og si hvem som eier den i dag.
- Hva koster prosessen nå? I timer, kroner eller feil. Uten et utgangspunkt kan dere ikke måle forbedringen.
- Hvordan måler vi effekten, og når? Et tall og en dato, gjerne innen tolv måneder.
- Hvilke data trenger løsningen, og er de klare? Hvem har kontrollert det?
- Hva skjer når løsningen tar feil? Hvem oppdager det, og hva koster en feil?
- Hva er de løpende kostnadene? Lisenser, bruk av modeller (tokens), drift og vedlikehold. Be om et anslag for år to og tre, ikke bare for oppstarten.
- Kjøper vi, bygger vi eller gjør vi det sammen med noen? Og hvorfor det valget?
- Hvem skal bruke det, og hvilken opplæring får de? Endring i arbeidsflyten er en del av kostnaden.
- Hvilke krav gjelder? Personvern, informasjonssikkerhet og kommende KI-regulering.
- Hva er stoppunktet? Hvilket resultat, på hvilken dato, gjør at vi avslutter?
McKinsey finner at virksomhetene med best resultater oftere har bygget om arbeidsflyten rundt KI, i stedet for å legge KI oppå prosesser som allerede finnes. Spørsmål 1, 2 og 8 er de som får fram om et forslag gjør det.
Jeg jobber med virksomheter som vil videre fra enkeltbruk av KI-chat til KI som en del av driften, og mye av det arbeidet starter med å sortere forslagene på denne måten.
Kilder
- Bruken av KI har skutt fart det siste året, SSB, 24. september 2025
- The state of AI in 2026: On the road to ROI, McKinsey, 25. august 2026
- MIT report: 95% of generative AI pilots at companies are failing, Fortune (via Yahoo Finance), 18. august 2025
- Gartner Predicts Over 40% of Agentic AI Projects Will Be Canceled by End of 2027, Gartner, 25. juni 2025
Åpenhetsmerknad: Denne artikkelen bygger på forfatterens egne analyser og erfaringer. AI har vært brukt som et redaksjonelt hjelpemiddel for språk og struktur.
