Agentisk koding bak DNBs kutt av 400 årsverk

Nøkkelpunkter per 7. oktober 2026:

• 400 årsverk kuttes i DNBs teknologi- og tjenesteområde innen fjerde kvartal 2026, med AI-agenter innen KYC og koding som uttalt begrunnelse (kode24).
• Nærmere 4 prosent av arbeidsstyrken forsvinner, men banken har ikke sagt at stillingene erstattes en-til-en av AI (fintechfutures.com).
• Kostnadseffekten treffer regnskapet fullt ut først i andre kvartal 2027, mens restruktureringskostnaden bokføres i kuttkvartalet (gadgetsnow.indiatimes.com).
• Finansforbundet advarer mot å gjøre AI til en naturlov som automatisk betyr færre ansatte, og reagerer på tempoet i gjennomføringen (E24).
• 540 nordmenn har mistet en programvarejobb på et halvt år, og 21 prosent frykter at AI gir behov for færre utviklere i Norge (kode24).

---

Hva agentisk koding faktisk betyr i praksis

Agentisk koding er når en AI-modell får en oppgave i stedet for et spørsmål. Den leser kodebasen, planlegger flere steg, endrer filer, kjører tester og retter sine egne feil før den leverer et forslag til gjennomgang. Forskjellen fra en kodeassistent som fullfører linjer er at ingen godkjenner hvert enkelt steg underveis. Det er nettopp denne forskjellen DNB viser til når banken skriver at AI-agenter erstatter oppgaver som tidligere ble gjort manuelt (kode24).

Ordet dekker i praksis flere ulike modenhetsnivåer, og de blandes sammen i de fleste styrepresentasjoner. Skillet er viktig, fordi gevinsten og risikoen ligger på helt forskjellige steder på hvert nivå.

Fra kodefullføring til agent som utfører oppgaver

Nivåene skilles av ett spørsmål: hvor mange steg maskinen tar før et menneske ser resultatet. Kodefullføring endrer hvor fort en utvikler skriver. En agent endrer hvilke oppgaver som i det hele tatt havner i køen. Det er et organisatorisk skift, ikke et verktøyskift, og det er grunnen til at det ender i bemanningsplanen. DNB oppgir selv at agentisk AI er tatt i bruk i flere deler av virksomheten, ikke bare i utviklingsmiljøet (fintechfutures.com).

Nivå	Hva mennesket gjør	Hva maskinen gjør	Typisk gevinst
Kodefullføring	Skriver og styrer hver linje	Foreslår neste linje eller blokk	Raskere skriving, uendret arbeidsflyt
Chat-assistanse	Stiller spørsmål, vurderer svaret	Forklarer, foreslår løsning	Kortere feilsøking og opplæring
Agentisk koding	Definerer oppgaven, godkjenner resultatet	Planlegger, endrer flere filer, kjører tester, retter seg selv	Hele rutineoppgaver forsvinner fra køen
Agent i drift	Setter rammer og overvåker	Utfører gjentakende kontroller og oppslag løpende	Færre manuelle kontrollsteg, som i KYC

Hvorfor DNB-saken er et vendepunkt i norsk sammenheng

Norske selskaper har snakket om AI-gevinster i flere år, nesten alltid i fremtidsform. DNB er etter kode24s vurdering det første store norske selskapet som peker direkte på agentisk koding som grunn til å kvitte seg med utviklere (kode24). Det flytter diskusjonen fra pilotprosjekt til bemanningsplan. Konsernsjef Kjerstin Braathen sier at AI endrer både måten banken jobber på og hvordan den leverer tjenester, og at organisasjonen tilpasses en ny virkelighet (fintechfutures.com).

For deg som leder i en mindre virksomhet er det to grunner til å lese saken nøye. Den ene er at DNB har ressurser til å gjøre dette grundig, og at det likevel er uklart hvor presist gevinsten er målt. Den andre er at saken nå blir referansen styret ditt kommer til å nevne. Du trenger et eget svar, ikke en kopi av DNBs.

DNB-saken i korte trekk: 400 årsverk innen fjerde kvartal 2026

DNB planlegger å kutte rundt 400 årsverk i teknologi- og tjenesteområdet, og begrunner det med satsing på kunstig intelligens og forenklede interne rutiner og prosesser (E24). Kuttet rammer primært teknologi- og tjenesteenheten, i en samlet arbeidsstyrke på over 10 500 heltidsansatte (fintechfutures.com). Nedbemanningen skal være fullført i fjerde kvartal 2026.

Hva meldingen sier

Formuleringen er presis på årsverk og tidspunkt, og vag på årsakskjeden. DNB anslår at organisatoriske endringer i Technology & Services vil føre til en nedbemanning på 400 årsverk, og nevner teknologiutvikling generelt og koding spesielt som områder der AI gjør at banken trenger færre folk (kode24). Braathen sier at banken allerede ser betydelige gevinster og derfor tilpasser organisasjonen (E24).

Det er verdt å lese det siste ordrett. Gevinsten beskrives som allerede realisert, ikke som forventet. Det er en sterkere påstand enn de fleste norske virksomheter kan dokumentere i dag, og den er samtidig ikke brutt ned på oppgavenivå offentlig.

Hva DNB ikke vil svare på

Banken vil ikke svare på hvor mange utviklere kontra andre yrkesgrupper som rammes, og heller ikke på hvorfor nedbemanningen må skje så fort (kode24). DNB stiller ikke til intervju og henviser til e-post, og vil ikke svare på om kuttene gir billigere bank eller lavere rente for kundene (E24).

Hullene i kommunikasjonen er ikke en detalj for journalister. De er selve grunnen til at en AI-begrunnet nedbemanning er vanskelig å få legitimitet for. Når tallet er konkret og årsaken er generell, leser både ansatte og tillitsvalgte det som at beslutningen kom først og begrunnelsen etterpå. Om det er riktig eller ikke, er effekten på tilliten den samme.

Tallene rundt kuttet

Størrelsesforholdene er nyttige å ha i hodet før du sammenligner med din egen virksomhet. DNB hadde 10.603 årsverk og 11.649 ansatte ved utgangen av 2025, og teknologiavdelingen teller rundt 2000 ansatte på ulike lokasjoner (E24).

Størrelse	Tall	Kilde
Årsverk som kuttes	400	kode24
Andel av arbeidsstyrken	Nærmere 4 prosent	fintechfutures.com
Årsverk ved utgangen av 2025	10.603	E24
Ansatte ved utgangen av 2025	11.649	E24
Ansatte i teknologiavdelingen	Rundt 2000	E24
Frist for gjennomføring	Fjerde kvartal 2026	E24
Full kostnadseffekt i regnskapet	Andre kvartal 2027	gadgetsnow.indiatimes.com

Legg merke til at kuttet rammer en enhet på rundt 2000 ansatte. Det betyr at andelen i den berørte avdelingen er langt høyere enn andelen på konsernnivå. Det er avdelingstallet, ikke konserntallet, som beskriver hvordan dette oppleves innenfra.

Hvor DNB sier gevinstene kommer fra: KYC, kundedata og koding

DNB oppgir fire områder der AI-agenter allerede gir effektivitetsgevinster: kundedatahåndtering, KYC, teknologiutvikling og programvarekoding (fintechfutures.com). Det er en nyttig liste, fordi den er mer konkret enn «vi bruker AI». Alle fire har en fellesnevner som gjør dem egnet for agenter, og den fellesnevneren er det du skal se etter i din egen organisasjon.

KYC og kontroll av kundeopplysninger

KYC er regelstyrt, dokumentbasert og repeterende. Saksbehandleren henter opplysninger fra flere kilder, sammenligner mot et regelsett, og flagger avvik. Det er arbeid med tydelig input, tydelig fasit og høyt volum, altså omtrent idealprofilen for en agent. DNB viser til at AI-agenter kan bidra til betydelige effektiviseringsgevinster innen kontroll av kundeopplysninger og KYC (E24).

Samtidig er dette området med høyest feilkostnad i hele banken. En KYC-kontroll som slipper gjennom noe den ikke skulle, er et tilsynsproblem, ikke en teknisk bug. Derfor flyttes sjelden hele kontrollen: agenten forbereder, mennesket signerer.

Kundedata og manuelle oppslag

DNB har over 2,4 millioner personkunder, og mye av arbeidet rundt dem er oppslag, sammenstilling og retting av data (fintechfutures.com). Oppgaver som består i å hente det samme fra de samme systemene, dag etter dag, er de første som forsvinner når en agent slippes til. Gevinsten her er sjelden spektakulær per sak. Den blir stor fordi volumet er stort.

For en SMB er oversettelsen enkel nok: hvor mange ganger i uken limer noen inn data fra et system til et annet? Det er din versjon av DNBs kundedatahåndtering, og den krever ingen banklisens for å angripe.

Teknologiutvikling og programvarekoding

Koding er det punktet som har fått mest oppmerksomhet, og det mest omstridte. DNB nevner teknologiutvikling generelt og koding spesielt som områder der AI gjør at banken trenger færre folk (kode24). Men utviklingsarbeid er ikke en oppgave, det er mellom tjue og femti ulike oppgaver i en kappe.

Agenter er sterke på migreringer, testdekning, oppgradering av avhengigheter, oversettelse mellom rammeverk, boilerplate og enkle feilrettinger med reproduserbar feil. De er svake på å avgjøre hva som skal bygges, hvorfor et gammelt system oppfører seg som det gjør, og hvilken risiko en endring påfører resten av porteføljen. Når noen sier at AI tar over kodingen, spør alltid hvilken koding.

Rammeverk for å kartlegge hvilke utvikleroppgaver som kan automatiseres

Det meste som går galt i denne typen prosjekter, går galt fordi kartleggingen aldri ble gjort. Man går rett fra «AI kan kode» til «vi trenger færre utviklere», uten mellomregningen. Mellomregningen er en oppgaveliste med en score per oppgave.

Alura mener gevinster fra AI-agenter må dokumenteres oppgave for oppgave før de omsettes i bemanningstall. Det er ikke en forsiktighetsregel, det er en målbarhetsregel: en gevinst du ikke kan knytte til en navngitt oppgave, kan du heller ikke knytte til et årsverk.

Aksene som avgjør om en oppgave kan flyttes

Fem akser holder i de fleste virksomheter: repeterbarhet, verifiserbarhet, feilkostnad, domenekunnskap og ansvar. Repeterbarhet avgjør om det er volum nok til å bry seg. Verifiserbarhet avgjør om du kan kontrollere resultatet uten å gjøre jobben om igjen, og er i praksis den viktigste. Feilkostnad avgjør hvor tett kontrollen må være. Domenekunnskap og ansvar avgjør om oppgaven kan forlate et menneske i det hele tatt.

Slik scorer du oppgaven

Gå gjennom hver oppgave med de samme spørsmålene, og vær ærlig på at «vi vet det er riktig når vi ser det» ikke er verifiserbarhet. Oppgaver som peker mot agent på alle fem akser er pilotkandidater. Oppgaver som peker mot menneske på feilkostnad eller ansvar, kan agenten likevel forberede, men ikke avslutte.

Akse	Spørsmålet du stiller	Peker mot agent	Peker mot menneske
Repeterbarhet	Gjøres oppgaven ofte, og nesten likt hver gang?	Fast mønster, kjent input og output	Hver sak er forskjellig
Verifiserbarhet	Kan du se at svaret er riktig uten å gjøre jobben om igjen?	Tester, regelsett, avvikslister	Skjønn, ingen fasit
Feilkostnad	Hva koster en feil som slipper gjennom?	Feil fanges tidlig og rettes billig	Feil treffer kunde, kapital eller tilsyn
Domenekunnskap	Trengs forståelse som ikke står skrevet noe sted?	Kunnskapen ligger i kode og dokumentasjon	Kunnskapen sitter i hodet til folk
Ansvar	Hvem signerer resultatet?	Signaturen kan ligge hos en navngitt godkjenner	Ansvaret kan ikke delegeres til et verktøy

Fra score til beslutning

Resultatet av kartleggingen er tre bunker, ikke en prosentsats. Første bunke er oppgaver agenten kan overta med stikkprøvekontroll. Andre bunke er oppgaver agenten forbereder og et menneske godkjenner. Tredje bunke er oppgaver du ikke rører. Bemanningssamtalen hører hjemme etter at bunkene er fylt, ikke før. Da snakker du om faktisk frigjort tid på navngitte oppgaver, og ikke om en gevinst du har hørt om fra noen andre.

Oppgavene som fortsatt krever mennesker

DNB har ikke sagt at 400 ansatte erstattes en-til-en av AI (gadgetsnow.indiatimes.com). Den presiseringen blir lett borte i overskriftene, men den er sentral: en nedbemanning begrunnet i AI er ikke det samme som en nedbemanning utført av AI. Noen oppgaver blir faktisk billigere. Andre blir bare flyttet.

Alura mener agentisk koding flytter arbeid, den fjerner ikke behovet for folk som forstår domenet og kvalitetssikrer koden. Jo mer kode en agent produserer, desto mer gjennomgang, testing og arkitekturstyring må noen faktisk utføre.

Kravforståelse og domenekunnskap

En agent løser oppgaven du ga den, ikke problemet du hadde. Den delen av utviklingsarbeidet som består i å sitte med en saksbehandler, forstå hvorfor unntaket finnes, og oppdage at kravet er feil formulert, er fortsatt menneskearbeid. I regulerte miljøer er dette ofte den dyreste kompetansen i rommet, og den som tar lengst tid å bygge opp igjen hvis den forsvinner ut døren i en nedbemanning.

Arkitektur, gjennomgang og ansvar

Agenten kan skrive endringen. Den kan ikke bære ansvaret for den. Noen må vurdere om løsningen passer inn i resten av systemlandskapet, om den skaper teknisk gjeld, og om den tåler neste års krav. Kodegjennomgang blir mer arbeid, ikke mindre, når volumet av foreslåtte endringer øker. Hvis du kutter kapasiteten til å gjennomgå samtidig som du øker produksjonen av kode, har du bygget en flaskehals, ikke en gevinst.

Hendelseshåndtering og det som ikke står i dokumentasjonen

Når noe faller ut klokken sju om morgenen, er verdien ikke i å skrive kode raskt. Den er i å vite hvilket system som pleier å feile på denne måten, hvem som må varsles, og hva som kan rulles tilbake uten å ødelegge noe annet. Det er erfaringskunnskap med lav repeterbarhet og høy feilkostnad, altså motsatt profil av det agenter er gode på.

Praktisk: dette gjør du mandag morgen

Kartleggingen krever ingen innkjøp og ingen plattformbeslutning. Den krever at noen skriver ned hva folk faktisk gjør. Alura mener du bør starte kartleggingen med repeterbare oppgaver som KYC-kontroll og rutinekode, ikke med et kuttmål. Rekkefølgen bestemmer hva du finner.

Første uke: oppgavelogg i stedet for magefølelse

Be utviklere, saksbehandlere og kontrollfunksjoner loggføre oppgavetype og tidsbruk i en uke. Ikke prosjekt, ikke sprint, men oppgavetype: «oppgradere avhengighet», «hente kundedokumentasjon», «rette feil i rapport». Du leter etter de linjene som gjentar seg. Nesten alle ledergrupper blir overrasket over hva som ligger på toppen, og overraskelsen er selve poenget med øvelsen.

Første og andre måned: baseline og pilot

Før du slipper en agent løs, mål dagens gjennomløpstid og feilrate på de tyngste oppgavetypene. Uten baseline kan du ikke dokumentere noe etterpå, og da ender gevinstpåstanden som anekdote. Velg deretter to oppgavetyper med høy repeterbarhet og lav feilkostnad som pilot, og sett et tak på hva agenten får gjøre uten godkjenning.

Periode	Hva du gjør	Hva du har etterpå
Første uke	Logg hva utviklere og kontrollfunksjoner faktisk bruker tiden på	En oppgaveliste, ikke en magefølelse
Første måned	Mål gjennomløpstid og feilrate på de tyngste oppgavetypene	En baseline du kan måles mot
Andre måned	Pilot med agent på to oppgavetyper med lav feilkostnad	Dokumentert effekt per oppgave
Tredje måned	Avgjør om frigjort tid går til kortere kø eller til bemanning	Grunnlag for en reell bemanningssamtale

Hva du ikke gjør først

Du setter ikke et kuttmål før kartleggingen, fordi tallet da styrer analysen i stedet for omvendt. Du annonserer ikke en AI-strategi internt før du har noe konkret å vise, fordi ordet alene får folk til å oppdatere CV-en. Og du starter ikke i KYC eller betalingsflyt bare fordi volumet er høyest der. Begynn der en feil er billig å oppdage.

Markedet rundt DNB: FICO, HSBC og Amazon kutter også

DNB-saken står ikke alene. Den settes i sammenheng med en bredere bølge av AI-relaterte nedbemanninger i banker og teknologiselskaper (gadgetsnow.indiatimes.com). Mønsteret er reelt, men det er også uensartet, og det er nyttig å se hvor ulikt selskapene begrunner kuttene.

Selskap	Varslet kutt	Begrunnelse som oppgis
DNB	400 årsverk i teknologi- og tjenesteområdet	AI-agenter innen kundedata, KYC, teknologiutvikling og koding
FICO	Rundt 15 prosent av arbeidsstyrken, om lag 570 ansatte	Reduksjon av arbeidsstyrken
HSBC	Opptil 70 prosent av rådgiverrollene i berørt virksomhet	Kutt i britisk formuesforvaltning
Amazon	16 000 bedriftsstillinger, kunngjort i januar 2026	Kutt i bedriftsstillinger

Tre selskaper, tre ulike historier

FICO planlegger å redusere arbeidsstyrken med rundt 15 prosent, et kutt som potensielt berører om lag 570 ansatte. HSBC planlegger kutt i sin britiske formuesforvaltningsvirksomhet, der opptil 70 prosent av finansrådgiverrollene kan bli eliminert i den berørte delen. Amazon kunngjorde 16 000 kutt i bedriftsstillinger i januar 2026 (gadgetsnow.indiatimes.com).

Legg merke til hvor forskjellige disse tallene er i karakter. DNBs kutt er avgrenset til en enhet og knyttet til navngitte oppgavetyper. HSBC-tallet gjelder en rolletype i en avgrenset virksomhet. Amazons tall er på konsernnivå og dekker alt fra HR til markedsføring. Å legge dem i samme graf gir et mønster som ikke finnes.

Hva mønsteret forteller, og hva det ikke forteller

Mønsteret forteller at AI nå er en akseptabel offentlig begrunnelse for nedbemanning i store selskaper. Det forteller ikke hvor mye av kuttet som skyldes agenter, og hvor mye som skyldes et kostnadsprogram som trengte en forklaring markedet liker. Begge kan være sanne samtidig. For en ledergruppe som skal lære av dette, er den eneste nyttige lesningen å se på hvilke oppgavetyper selskapene navngir, og ignorere prosentene.

Kostnadsbildet: når gevinsten faktisk treffer regnskapet

Tidslinjen er det punktet der de fleste AI-business casene sprekker. Nedbemanningen hos DNB skal gjennomføres i fjerde kvartal 2026, og restruktureringskostnadene føres i regnskapet i samme periode (fintechfutures.com). De finansielle kostnadseffektene reflekteres derimot fullt ut først i andre kvartal 2027 (gadgetsnow.indiatimes.com). Kostnaden kommer altså før besparelsen, og det gjelder også i mindre selskaper.

Gevinsten ligger ett regnskapsår unna beslutningen

Mellom beslutning og effekt ligger oppsigelsestid, overlevering, virkemidler og en periode der både folkene og agentene koster penger samtidig. Hos DNB er avstanden fra gjennomføringskvartal til full kostnadseffekt to kvartaler. I en SMB blir avstanden ofte større, fordi færre folk sitter på mer udokumentert kunnskap. Regn med at kompetansetapet koster mer enn du planla, og at det kommer først.

Kostnadene agentene legger til

En agent som jobber selvstendig er ikke gratis. Den koster modellbruk per oppgave, den koster tilgangsstyring og logging, den koster testinfrastruktur som er god nok til at noen tør å stole på resultatet, og den koster menneskelig gjennomgangstid. I regulerte prosesser koster den også dokumentasjon av at kontrollen faktisk ble utført. Ingen av disse linjene forsvinner når volumet øker. Flere av dem vokser med det.

Hva skalaen hos DNB betyr for sammenligningen

DNB leverte et resultat før skatt på 54 milliarder kroner i 2025 (kode24). Netto renteinntekter var 15,1 milliarder kroner i perioden april til juni, med et resultat før skatt på 13 milliarder i samme periode (E24). Et selskap med den inntjeningen kan bære et omstillingsår uten at det truer driften. En SMB kan ikke. Det betyr ikke at du skal avstå fra agenter, men at du bør hente gevinsten som økt kapasitet først, og vurdere bemanning når effekten er dokumentert.

Arbeidsrett og medvirkning: Finansforbundets innvending

Finansforbundet mener man må passe seg for å gjøre AI til en naturlov som automatisk betyr færre ansatte, og reagerer på at nedbemanningen skal gjennomføres innen utgangen av året (E24). DNB sier på sin side at nedbemanningen vil skje i tråd med gjeldende regler og lovverk, og i tett dialog med de ansattes representanter (fintechfutures.com).

Naturlov-argumentet er en innvending mot rekkefølgen

Innvendingen handler ikke om at AI er uten effekt. Den handler om at effekten brukes som en gitt størrelse, i stedet for noe arbeidsgiver må dokumentere og drøfte. En teknologi som gjør noe mulig, pålegger ingen å gjøre det. Valget om å ta gevinsten som færre årsverk, i stedet for kortere køer, mer utvikling eller lavere priser, er et ledelsesvalg. DNB vil ikke svare på om kuttene gir billigere bank eller lavere rente for kundene (E24), og det gjør valget vanskeligere å forsvare utad.

Tempoet er den andre delen av konflikten. DNB vil ikke svare på hvorfor nedbemanningen må skje så fort (kode24). Rask gjennomføring reduserer uvisshet, men den kutter også tiden som er tilgjengelig for reell drøfting med tillitsvalgte. Det er en avveining som bør begrunnes, ikke bare besluttes.

Virkemiddelpakke, åpenhet og eierskapets rolle

DNB sier banken vil tilby en «virkemiddelpakke» i stedet for sluttpakke (E24). Forskjellen i ordvalg er ikke uvesentlig for de berørte. Samtidig er staten største eier i DNB med 34 prosent av aksjene, noe som gjør saken politisk på en måte den ikke ville vært i et privateid selskap.

Alura mener åpenhet om hvilke roller som rammes er en forutsetning for tillit i omstillingen. Når ledelsen oppgir et presist tall på årsverk, men ikke vil si hvilke yrkesgrupper det gjelder, føler alle seg truffet. Konteksten gjør det ikke lettere: konsernsjefens samlede lønn i fjor var nærmere 19 millioner kroner (kode24). Du trenger ikke mene noe om det tallet for å se at det blir en del av fortellingen internt.

Markedsobservasjon: utviklerjobber og usikkerhet i norsk teknologibransje

Spørsmålet mange utviklere stiller nå, er om DNB er først eller alene. Datagrunnlaget er fortsatt tynt, men ikke tomt. 540 nordmenn har mistet en programvarejobb på et halvt år, og 21 prosent frykter at AI vil gjøre at vi trenger færre utviklere i Norge framover (kode24).

Frykten er målbar, årsakskjeden er ikke

At under en fjerdedel frykter færre utviklerstillinger, er like interessant som at tallet ikke er høyere. Bransjen har med andre ord ikke konkludert. Det er heller ikke mulig å lese ut av jobbtapstallene hvor mye som skyldes agentisk koding, og hvor mye som skyldes renter, oppsparte overansettelser fra pandemiårene og et generelt strammere marked for teknologi. Å tilskrive hele bevegelsen AI er like upresist som å avvise effekten.

Omstillingen treffer dessuten bredere enn utviklerfaget. Econa, som organiserer 34.000 økonomiutdannede, er blant dem som følger saken (E24). Kontroll-, analyse- og saksbehandlerroller har ofte høyere repeterbarhet enn utviklerroller, og dermed en mer utsatt profil.

Hva som er verdt å følge videre

De tallene som vil avgjøre denne debatten, finnes ennå ikke i offentlig form: produktivitet per oppgave, feilrater i agentprodusert kode over tid, og hvor stillingene faktisk flytter seg. Inntil slike måltall finnes, bør du behandle børsmeldinger og enkeltsaker som observasjoner, ikke som grunnlag for en femårsplan. Det du selv måler på egne oppgaver, er inntil videre det mest pålitelige datagrunnlaget du har.

Vanlige feil når ledere regner AI-gevinster om til bemanningstall

Feilene under er ikke hypotetiske. De er de fire vanligste måtene en ellers fornuftig AI-satsing ender som en bemanningsbeslutning ingen kan forsvare seks måneder senere.

Kuttmålet settes før kartleggingen

Når tallet er bestemt først, blir kartleggingen en jakt på argumenter for tallet. Alle oppgaver begynner å se automatiserbare ut, fordi alternativet er å gå tilbake til styret med dårlige nyheter. Dette er den dyreste feilen, fordi den er umulig å oppdage innenfra. Rekkefølgen er hele metoden.

Demo-produktivitet forveksles med leveranseevne

En agent som løser en oppgave på et par minutter i en demo, sier ingenting om gjennomløpstid i produksjon. Mellom forslag og levert endring ligger gjennomgang, testing, sikkerhetsvurdering, utrulling og eventuell tilbakerulling. Gevinsten skal måles på hele kjeden fra behov til produksjon, aldri på det steget agenten gjør raskest.

Gevinsten hentes to ganger

Det klassiske mønsteret: samme effektivisering brukes både til å begrunne et kutt i bemanning og til å begrunne et løfte om økt leveransetakt. Da har du solgt den samme timen to steder. Hvis gevinsten skal bli færre årsverk, må leveranseplanen holdes flat. Hvis den skal bli mer leveranse, kan den ikke også bli færre folk.

Kontrolloppgaver flyttes uten at noen eier dem

Når en agent overtar forberedelsen av en KYC-kontroll eller en kodegjennomgang, må godkjenningen fortsatt ha et navn på. I praksis blir dette ofte liggende hos en person som allerede var fullt belastet, og som nå får dobbelt så mange saker å signere. Da har du ikke automatisert kontrollen, du har flyttet flaskehalsen til ett menneske og gjort den usynlig i organisasjonskartet.

Ofte stilte spørsmål om agentisk koding og bemanning

Spørsmålene under er de som oftest kommer opp i ledergrupper etter at DNB-saken ble kjent.

Betyr 400 årsverk at 400 jobber er erstattet av AI?

Nei. DNB har ikke sagt at 400 ansatte erstattes en-til-en av AI (gadgetsnow.indiatimes.com). Kuttet begrunnes med en kombinasjon av AI-satsing og forenklede interne rutiner og prosesser (E24). Hvor stor andel som faktisk skyldes agenter, er ikke offentlig kjent, og banken vil ikke bryte tallet ned på yrkesgrupper.

Er agentisk koding modent nok for en SMB?

For avgrensede oppgaver med god testdekning: ja. For kritiske endringer i systemer uten tester: nei, og det er ikke modellen som er begrensningen, det er verifiserbarheten. En agent er aldri bedre enn din evne til å kontrollere resultatet billig. Investeringen i tester og dokumentasjon er derfor den egentlige inngangsbilletten, ikke lisensen.

Hvor fort kan vi forvente effekt i regnskapet?

Senere enn de fleste planlegger med. Hos DNB bokføres restruktureringskostnadene i gjennomføringskvartalet, mens de finansielle kostnadseffektene reflekteres fullt ut først i andre kvartal 2027 (gadgetsnow.indiatimes.com). Kapasitetsgevinsten kan derimot komme i løpet av uker, og den er lettere å forsvare internt.

Må vi involvere de ansatte før vi piloterer agenter?

Drøftingsplikten i norsk arbeidsliv utløses av bemannings- og organisasjonsendringer, ikke av et pilotprosjekt. Men å kjøre en pilot i det skjulte og deretter presentere konklusjonen, er den sikreste måten å tape tilliten du trenger senere. Finansforbundets kritikk av DNB handler nettopp om rekkefølge og tempo (E24). Involver de som gjør oppgavene i kartleggingen av dem. De vet best hvilke steg som er rutine.

Oppsummering og neste steg for norske SMB-er

DNB er det første store norske selskapet som peker direkte på agentisk koding som grunn til å kvitte seg med utviklere (kode24). Saken er derfor både en markedsobservasjon og en metode-advarsel. Observasjonen er at agenter nå gjør målbart arbeid i KYC, kundedata og koding. Advarselen er at tallet på årsverk er presist, mens årsakskjeden ikke er det.

Det praktiske du tar med deg er kort: kartlegg oppgaver før du vurderer bemanning, mål en baseline før du slipper en agent løs, og hent gevinsten som kapasitet før du henter den som kostnadskutt. Oppgavekartleggingen er det eneste arbeidet du kan starte med i dag uten å ta en eneste innkjøpsbeslutning.

Rekkefølgen som holder

Logg oppgavetypene i en uke. Score dem på repeterbarhet, verifiserbarhet, feilkostnad, domenekunnskap og ansvar. Velg to pilotoppgaver med lav feilkostnad, mål før og etter, og skriv ned hvem som godkjenner resultatet. Først når du har dokumentert effekt på navngitte oppgaver, er bemanningssamtalen faglig fundert. Gjør du det i omvendt rekkefølge, får du DNBs tall uten DNBs balanse til å bære konsekvensene.

I Alura hjelper vi norske bedrifter med å bygge AI-strategi som faktisk lar seg gjennomføre. Vi kombinerer dyp teknisk innsikt med erfaring fra alt fra SMB til enterprise, og leverer veikart som virker i praksis, ikke bare i PowerPoint.

Bestill en strategiøkt: en halvdags samtale der vi kartlegger virksomhetens AI-modenhet, identifiserer de tre prosessene med størst potensial, og leverer et konkret veikart med budsjettramme. Uforpliktende.

Kilder

• kode24. DNB ned­bemanner 400 innen tek­nologi, viser til KI-koding
• fintechfutures.com. Norway's DNB to cut 400 jobs in AI-driven restructuring
• gadgetsnow.indiatimes.com. DNB Layoffs : Norway’s Biggest Bank DNB to Cut 400 Jobs as AI Agents Change How It Works
• E24. Kritisk til DNBs AI-kutt: – Vi må passe oss
• E24. DNB kutter ansatte – satser på AI – E24