Agentisk videoforståelse kutter analysekostnaden 66 prosent

Nøkkelpunkter per 9. september 2026:

• 66 prosent lavere analysekostnad og 88 prosent færre tokens er tallene Google oppgir for agentisk videoforståelse i Gemini-modellene (Google, 2026).
• Modellen slutter å lese video sekvensielt. Native videoverktøy søker og skanner segmenter dynamisk i stedet for fast prosessering på 1 FPS (Google DeepMind, 2026).
• Nøyaktigheten øker samtidig som prisen faller, noe som bryter med den vanlige avveiningen i videoanalyse (Google, 2026).
• NIS2 gjør leverandørkjeden til ditt ansvar. Sender dere video til en ekstern modell, følger sikkerhetsansvaret med hele veien ut (Digi.no).
• Start smalt. Videoforståelse er beregningsmessig kostbart på grunn av datamengden i høyoppløselige videostrømmer, så velg ett bruksområde med fasit (ultralytics.com, 2026).

---

Hva agentisk videoforståelse er

Google har lansert agentisk videoforståelse for Gemini 3.7 Flash, 3.6 Flash og 3.5 Flash-Lite (Google, 2026). Kjernen i endringen er enkel å beskrive og vanskelig å overvurdere: modellen får verktøy til å søke i videoen selv, i stedet for å få hele videoen servert som en jevn strøm av bilder. Den bestemmer hvilke deler av opptaket som er verdt å se nærmere på, og hopper over resten. Resultatet er at kostnaden per analyse faller kraftig samtidig som treffsikkerheten går opp.

For en norsk virksomhet betyr det at spørsmål som tidligere var for dyre å stille et opptak, plutselig er innenfor budsjett. Men prisfallet er bare den ene delen av bildet. Resten handler om hva som skjer når video, som ofte inneholder personopplysninger og driftskritisk informasjon, sendes ut av huset til en ekstern modell. Alura mener kostnadsfallet gjør videoanalyse til en reell mulighet for flere norske virksomheter, men lavere pris per analyse er ikke i seg selv en grunn til å analysere mer video.

Fra passiv gjennomlesning til aktivt søk

Tradisjonell videoprosessering i språkmodeller fungerer som en transportbånd: videoen deles opp i bilder med fast frekvens, hvert bilde blir til tokens, og modellen leser alt sekvensielt. Det er forutsigbart, men blindt. Et opptak på 90 minutter der bare tre sekunder betyr noe, behandles like grundig i hele sin lengde som i de sekundene der noe faktisk skjer.

Agentisk videoforståelse bruker native videoverktøy for å dynamisk søke og skanne videosegmenter (Google DeepMind, 2026). Modellen jobber mer som en analytiker med en spolefunksjon: den orienterer seg grovt, finner sannsynlige kandidatområder, og zoomer inn der det er nødvendig. Det er den samme grunnmekanikken som gjør at kodeagenter er billigere enn å dumpe hele kodebasen inn i kontekstvinduet.

Hva ordet agentisk faktisk betyr her

«Agentisk» er blitt et av de mest utvannede ordene i AI-markedet, så det er verdt å være presis. I denne sammenhengen betyr det ikke at modellen handler på egen hånd i verden, eller at den bestiller varer og sender e-post. Det betyr at modellen har verktøy den selv velger å bruke, og at den tar beslutninger om egen arbeidsprosess underveis i analysen.

Praktisk konsekvens: du kan ikke lenger forutsi nøyaktig hvor mange tokens en gitt analyse koster før den er kjørt. Forbruket avhenger av hva modellen finner. Det er en fordel for gjennomsnittskostnaden og en utfordring for budsjettering, og det er en av grunnene til at en kontrollert pilot med logging er viktigere her enn ved vanlig tekstanalyse.

Hvor funksjonen er tilgjengelig i dag

Funksjonen er tilgjengelig for videoopplastinger og YouTube-videoer via Gemini API i Google AI Studio og Gemini Enterprise Agent Platform (Google, 2026). Det betyr at inngangsbilletten er en API-nøkkel og en videofil, ikke et infrastrukturprosjekt. Google har også varslet at funksjonen skal rulles ut til alle brukere i Gemini-appen og til YouTubes «Ask YouTube»-funksjon (Google DeepMind, 2026).

Den siste detaljen er lett å overse og viktig for ledere: når en funksjon havner i konsumentapper, havner den i hendene på ansatte uansett hva IT-avdelingen har bestemt. Vi kommer tilbake til det under skygge-AI. For en generell innføring i plattformen, se vår guide til Gemini.

Forskjellen fra objektsporing og tradisjonell videoanalyse

De fleste norske virksomheter som allerede gjør noe med video, gjør objektdeteksjon eller objektsporing. Kameraet ser en person, en bil, en palle. Systemet teller, følger og varsler. Dette fungerer godt og er ofte billig, men det svarer på en annen type spørsmål enn det videoforståelse svarer på.

Videoforståelse skiller seg fra objektsporing ved at det tolker atferd, ikke bare identitet, og fra positurestimering ved at det tolker betydningen av bevegelser (ultralytics.com, 2026). Forskjellen er ikke akademisk. Den avgjør hvilke spørsmål du kan stille systemet, og dermed hvilken forretningsverdi du kan hente ut.

Hvem og hvor, mot hva som skjedde

Objektsporing svarer på hvem som var hvor, når. Videoforståelse svarer på hva som skjedde, og hvorfor det er relevant. Et sporingssystem kan fortelle deg at en person oppholdt seg i lagerområdet i elleve minutter. Et forståelsessystem kan fortelle deg at personen forsøkte å åpne et skap, ga opp, og gikk ut igjen.

Den andre forskjellen er grensesnittet. Objektsporing krever at du på forhånd har definert hva som skal detekteres. Videoforståelse lar deg stille et spørsmål i naturlig språk i etterkant, uten å ha trent på nettopp den kategorien. Det gjør systemet mer fleksibelt og samtidig mindre forutsigbart, som er en avveining ledelsen bør ta stilling til bevisst.

Egenskap	Objektsporing	Videoforståelse	Multimodal AI
Svarer på	Hvem og hvor	Hva som skjedde og hva det betyr	Sammenhenger på tvers av tekst, bilde, lyd og video
Kategorier defineres	På forhånd	I spørsmålet, i etterkant	I spørsmålet
Typisk kjøremiljø	Lokalt eller på kant	Ofte skytjeneste via API	Ofte skytjeneste via API
Forutsigbar kostnad	Høy	Middels, avhenger av innhold	Middels
Egnet for sanntid	Ja	Situasjonsavhengig	Situasjonsavhengig

Forholdet til multimodal AI

Videoforståelse skiller seg fra multimodal AI ved at det fokuserer på visuelle sekvenser, mens multimodal AI kombinerer flere datatyper (ultralytics.com, 2026). I praksis flyter grensen, fordi de store modellene som leverer videoforståelse også håndterer lyd og tekst i samme kall. Vi har skrevet mer utfyllende om multimodal AI som fagfelt.

For beslutningen din betyr sammenblandingen en ting: ikke kjøp et «videoprodukt» hvis behovet egentlig er å koble opptak sammen med logger, transkripsjoner og saksdata. Da er det arkitekturen rundt modellen som avgjør verdien, ikke videoevnen isolert.

---

Les også: Multimodal AI – AI som forstår tekst, bilde, lyd og video samtidig. 40 % av generative AI-løsninger vil være multimodale innen 2027.

---

Fra fast bildefrekvens til dynamisk skanning

Standard bildefrekvens for statisk prosessering er 1 FPS (Google DeepMind, 2026). Ett bilde per sekund høres beskjedent ut, helt til du regner på det. Alt som skjer mellom bildene forsvinner, samtidig som alt som ikke skjer betales for. Du får både hull og sløsing i samme mekanisme.

Hva fast bildefrekvens koster deg

Google bruker et opptak på 10 minutter som eksempel på kort langformat video og 90 minutter som eksempel på lengre langformat (Google, 2026). Ved fast prosessering vokser tokenforbruket lineært med lengden. Det er derfor mange videoprosjekter aldri kom lenger enn til demoen: kostnaden per analyse var akseptabel på et to minutters klipp og uholdbar på et vaktskift.

Videoforståelse er beregningsmessig kostbart nettopp på grunn av datamengden i høyoppløselige videostrømmer (ultralytics.com, 2026). Det er den strukturelle begrensningen agentisk prosessering angriper, ikke ved å komprimere hardere, men ved å la være å se på det som ikke betyr noe.

Dynamisk skanning og sub-sekunds gjenfinning

Med agentisk prosessering søker og skanner modellen segmenter dynamisk, og Google trekker frem sub-sekunds øyeblikksgjenfinning som en ny evne funksjonen muliggjør (Google, 2026). Å finne det nøyaktige øyeblikket noe skjedde er en kvalitativt annen oppgave enn å oppsummere et opptak. Det er også den oppgaven som har mest direkte operasjonell verdi i sikkerhet, kvalitetskontroll og hendelsesgranskning.

Konsekvensen for arbeidsflyten er at video går fra å være et arkiv du må bemanne gjennomgangen av, til å bli en søkbar datakilde. Det endrer hvem som trenger tilgang, hvor lenge dere bør lagre opptak, og hvilke kontroller som må ligge rundt. Vi kommer tilbake til det i seksjonen om NIS2.

Aktivering er triviell på teknisk nivå: funksjonen slås på ved å sette processing til «agentic» i API-konfigurasjonen (Google DeepMind, 2026). At noe er en linje konfigurasjon er nettopp grunnen til at styringen må ligge et annet sted enn i kodebasen.

Et rammeverk for å vurdere videoforståelse i egen virksomhet

De fleste virksomheter tar denne beslutningen feil vei rundt: de starter med teknologien og leter etter et problem. Snu rekkefølgen. Videoforståelse gir mening når dere allerede bruker menneskelig tid på å se gjennom opptak, eller når dere lar være å se gjennom opptak fordi det er for dyrt, og det koster dere noe.

Spørsmålene som avgjør saken

Det første spørsmålet er om oppgaven har en fasit. Kan en erfaren medarbeider se det samme opptaket og si om svaret er riktig? Hvis ikke, har dere ingen måte å måle om systemet fungerer, og pilotresultatet blir en magefølelse. Det andre er om beslutningen som følger av analysen faktisk endrer noe. En rapport ingen handler på er en kostnad uten motpost.

Det tredje er om videoen kan forlate huset. Dette er ikke et teknisk spørsmål, det er et juridisk og sikkerhetsmessig et, og svaret må komme fra ledelsen. Det fjerde er om dere har volum nok til at automatisering lønner seg. Under et visst antall opptak i måneden er et menneske både billigere og bedre.

Vurdering	Grønt lys	Gult lys	Rødt lys
Fasit på oppgaven	Klar, verifiserbar av fagperson	Skjønnsbasert, men konsistent	Ingen enighet internt om riktig svar
Handling etter analyse	Utløser konkret tiltak	Brukes som beslutningsstøtte	Rapport uten mottaker
Datasensitivitet	Ingen identifiserbare personer	Personer, men avklart behandlingsgrunnlag	Personopplysninger uten grunnlag eller avtale
Volum	Jevn strøm av opptak	Sesongbasert eller ujevnt	Enkelttilfeller
Eierskap	Navngitt eier med budsjett	Delt mellom IT og fag	Ingen eier

Hvem som skal eie oppgaven

Videoforståelse faller ofte mellom to stoler: sikkerhetsavdelingen eier kameraene, IT eier API-nøkkelen, og forretningssiden eier problemet. Uten en navngitt eier ender prosjektet som en teknisk demo. Sikkerhet er et lederansvar, ikke bare et IT-ansvar (Digi.no), og det gjelder i høyeste grad når sikkerhetsdata skal analyseres av en ekstern modell.

Et praktisk grep: la den som i dag bruker mest tid på å se gjennom opptak, eie piloten. Da er nullpunktet kjent, gevinsten målbar, og motstanden mot endring håndteres innenfra i stedet for utenfra.

Praktisk oppstart: første test via Gemini API

Terskelen for å teste dette er lav nok til at den lave terskelen i seg selv er en risiko. Funksjonen er tilgjengelig for videoopplastinger og YouTube-videoer via Gemini API (Google DeepMind, 2026), og en utvikler kan ha noe kjørende samme ettermiddag. Poenget med strukturen under er ikke å bremse, men å sikre at dere lærer noe dere kan bruke.

Alura mener dere bør starte med ett avgrenset bruksområde og en målbar oppgave før dere kobler AI på løpende videostrømmer. Forskjellen mellom en pilot på arkivmateriale og en pilot på live kamerastrøm er ikke gradvis, den er kategorisk: den ene kan slås av uten konsekvenser, den andre blir raskt driftskritisk.

Velg en oppgave med fasit

Bruk historiske opptak der dere allerede vet svaret. Har dere ti hendelser fra i fjor som ble gransket manuelt, har dere et testsett. Kjør modellen på de samme opptakene og sammenlign med granskningsrapporten. Dette er den eneste måten å skille reell treffsikkerhet fra overbevisende formuleringer.

Unngå å starte med den vanskeligste oppgaven dere har. Start med den kjedeligste. Oppgaver som er enkle for et menneske, men tidkrevende i volum, er der gevinsten er størst og risikoen minst. «Finn alle klipp der en truck kjører uten last» er en bedre første oppgave enn «vurder om denne situasjonen var farlig».

Sett opp testen riktig

Kjør samme oppgave to ganger: en gang med standard statisk prosessering og en gang med processing satt til «agentic» (Google DeepMind, 2026). Uten sammenligningsgrunnlag vet dere ikke om gevinsten gjelder deres innhold. Google oppgir at Gemini 3.7 Flash med agentisk forståelse gir best kvalitet og den beste kombinasjonen av kvalitet og kostnadseffektivitet (Google, 2026), men de rimeligere modellene kan være gode nok for enklere oppgaver.

Logg alt: tokenforbruk per kall, svartid, og modellens svar ordrett. Fordi agentisk prosessering varierer med innholdet, er et gjennomsnitt over mange opptak mer informativt enn et enkelttall. Se også vår gjennomgang av prisingen på Gemini 3.7 Flash før dere setter budsjettrammen.

Mål det som betyr noe

En pilot uten forhåndsdefinerte suksesskriterier ender alltid som «lovende». Bestem før dere starter hva som skal til for at dette går videre, og hva som skal til for at dere legger det bort. Sistnevnte er det leddet folk hopper over.

Målepunkt	Hvordan måle	Hvorfor det betyr noe
Treffsikkerhet mot fasit	Sammenlign med manuell granskning på samme opptak	Skiller reell evne fra overbevisende språk
Falske positiver	Tell varsler som ikke burde vært utløst	Avgjør om driftsorganisasjonen orker å bruke systemet
Tokenforbruk per opptak	Logg per kall, snitt over hele testsettet	Grunnlaget for enhver kostnadsprognose
Svartid	Fra opplasting til svar	Bestemmer om bruksområdet kan være tilnærmet sanntid
Mennesketid spart	Timer før mot timer etter	Den eneste gevinsten økonomiavdelingen godtar

Kostnadsbildet: hva som faktisk blir billigere

Google oppgir at agentisk videoforståelse reduserer analysekostnader med opptil 66 prosent og tokenforbruk med opptil 88 prosent, samtidig som nøyaktigheten forbedres (Google, 2026). Legg merke til ordet «opptil». Det er leverandørens tall, målt på leverandørens oppgaver, og det er utgangspunktet for deres egen måling, ikke konklusjonen på den.

Hvorfor færre tokens ikke oversettes en til en

Tokenreduksjonen og kostnadsreduksjonen er ulike tall, og forskjellen mellom dem er informativ. Agentiske kall bruker flere verktøyoperasjoner og mer resonnering per analyse, og en del av tokengevinsten spises av arbeidet modellen gjør for å finne ut hvor den skal se. Nettoeffekten er fortsatt sterkt positiv, men den er innholdsavhengig.

Praktisk betyr det at gevinsten er størst på lange opptak med lav hendelsestetthet: overvåkningsvideo, opptak fra møterom, produksjonslinjer med lange normalperioder. På tett redigert innhold der noe skjer i nesten hvert sekund, er det mindre å hoppe over, og gevinsten blir tilsvarende mindre.

Regnestykket dere må gjøre selv

API-kostnaden er sjelden hovedposten i et videoprosjekt. Den er bare den mest synlige. Lagring, båndbredde, integrasjon mot eksisterende kamerasystem, og ikke minst menneskene som skal håndtere det systemet varsler om, veier tyngre over tid.

Kostnadspost	Retning ved agentisk prosessering	Kommentar
Modellkall	Betydelig ned	Hovedgevinsten, men innholdsavhengig
Lagring av opptak	Uendret eller opp	Søkbarhet frister til å lagre lenger
Integrasjon mot kamerasystem	Uendret	Engangskostnad, ofte undervurdert
Oppfølging av varsler	Opp	Flere analyser gir flere funn som må håndteres
Compliance og revisjon	Opp	Ny databehandling utløser nye krav

Legg spesielt merke til den nest siste raden. Når analyse blir billig, blir det fristende å analysere mer, og hvert funn krever et menneske som tar stilling til det. Mange virksomheter oppdager at den reelle flaskehalsen flytter seg fra analysekapasitet til oppfølgingskapasitet.

Billigere er ikke det samme som lønnsomt

Dette er Aluras posisjon, og den er bevisst upopulær: lavere pris per analyse er ikke i seg selv en grunn til å analysere mer video. Prisfall senker terskelen for å gjøre ting, inkludert ting dere ikke burde gjøre. Spørsmålet er ikke «hva har vi nå råd til å analysere», men «hvilke beslutninger tar vi bedre med dette enn uten».

En nyttig test: hvis kostnaden hadde vært uendret, ville dere fortsatt villet gjøre dette? Er svaret nei, er prosjektet drevet av prislappen og ikke av behovet. For virksomheter som primært jakter lavere lisenskostnader kan åpne AI-modeller være et alternativ verdt å vurdere parallelt.

Bruksområder i sikkerhet, detaljhandel og media

Videoforståelse har et bredt anvendelsesområde, men modenheten varierer kraftig mellom bruksområder. Under er de tre der norske virksomheter har mest å hente på kort sikt, samt en ærlig gjennomgang av hvor det ikke passer.

Sikkerhet og hendelsesoppfølging

Det klareste bruksområdet er etterforskning av hendelser som allerede har skjedd. Når noe har gått galt, skal noen gjennom timer med opptak for å finne øyeblikket. Sub-sekunds øyeblikksgjenfinning gjør den jobben til et søk (Google, 2026). Gevinsten er konkret, målbar, og krever ingen sanntidsintegrasjon.

AI tas i bruk som operative sikkerhetsagenter i sikkerhetsarbeidet (Digi.no). Videoforståelse hører hjemme i den utviklingen, men med et forbehold: et system som overvåker mennesker kontinuerlig er et helt annet produkt, juridisk og kulturelt, enn et system som hjelper med å granske en enkelthendelse.

Detaljhandel og fysiske lokaler

I detaljhandel handler det sjelden om tyveri alene. Kø ved kassen, hylleplassering, hvor lenge kunder står foran et display, og hvor de snur, er informasjon butikkjeder allerede betaler for å samle inn på andre måter. Videoforståelse gjør det mulig å stille slike spørsmål i etterkant mot opptak dere allerede har.

Advarselen er personvernmessig og bør stå tydelig: adferdsanalyse av kunder i norske butikklokaler krever et behandlingsgrunnlag, og «vi hadde jo kameraene fra før» er ikke et. Overvåkning for sikkerhet og analyse for markedsføring er ulike formål, og formålsbegrensning er ikke en formalitet.

Media, arkiv og der det ikke passer

Medievirksomheter og alle med store videoarkiver sitter på innhold de ikke kan finne fram i. Automatisk indeksering, klipputvelgelse og gjenfinning av øyeblikk er lavthengende frukt her, uten personvernkomplikasjonene som følger overvåkningsvideo. At funksjonen også rulles ut til YouTubes «Ask YouTube» (Google DeepMind, 2026) sier noe om hvor Google tror volumet ligger.

Hvor passer det ikke? Der kravet er millisekunders responstid, der feilkostnaden er menneskeliv, og der video ikke under noen omstendighet kan sendes ut av virksomheten. Prosesstyring, medisinsk diagnostikk og kritisk infrastruktur i sanntid hører til denne kategorien. Da er lokal modell eller spesialisert utstyr fortsatt riktig svar, og valget mellom skymodell og lokal modell blir avgjørende.

---

Les også: LLM-er og valg av språkmodell: GPT-4, Claude, Gemini eller lokal modell – hva passer for norsk bedrift?. Valget mellom GPT-4, Claude, Gemini og norske modeller handler om mer enn ytelse.

---

NIS2 og ansvaret for hele leverandørkjeden

NIS2-direktivet blir del av norsk lovgivning og skjerper kravene til digital sikkerhet (Digi.no). For virksomheter som vurderer å sende video til en ekstern AI-tjeneste, er dette ikke en parallell problemstilling. Det er den samme problemstillingen.

Alura mener videoforståelse bør behandles som et sikkerhetstiltak med leverandørkjedeansvar, ikke som et frittstående verktøykjøp. Forskjellen i praksis er hvem som signerer, hvilke spørsmål som stilles til leverandøren, og om tiltaket havner i risikoregisteret eller i en fakturamappe.

Leverandørkjeden er nå din

NIS2 innebærer ansvar for hele leverandørkjeden (Digi.no). Når dere kobler et videosystem til en ekstern modelltjeneste, utvider dere kjeden. Det gjelder også når koblingen er en API-nøkkel i et lite skript, og ikke en signert enterprise-avtale.

Konkret betyr det at spørsmålene dere stiller leverandøren må dekke mer enn pris og ytelse: hvor prosesseres dataene, hvor lenge lagres de, brukes de til trening, hvem har tilgang, og hvordan varsles dere ved hendelse. Svarene skal dokumenteres, ikke huskes.

Zero Trust og betinget tilgang

Zero Trust er et styringsprinsipp som handler om å aldri stole på noen eller noe, og betinget tilgangsstyring vurderer flere faktorer i sanntid ved innlogging (Digi.no). Oversatt til videoforståelse: en API-nøkkel som ligger i en konfigurasjonsfil og gir ubegrenset tilgang til hele videoarkivet er det motsatte av Zero Trust.

Minimumskravene er kjedelige og virker: egen nøkkel per bruksområde, tilgang begrenset til det arkivet analysen faktisk trenger, logging av hvilke opptak som er sendt ut, og rutinemessig rotasjon. Ingen av delene er teknisk krevende. Alle blir hoppet over i piloter som «bare skal teste noe».

Sikkerhet som konkurransefortrinn

God IT-sikkerhet blir et konkurransefortrinn og etter hvert et krav for å levere (Digi.no). Norske underleverandører merker dette allerede i anbudsprosesser: kundene spør hva dere gjør med AI og hvor dataene havner.

Det gir en praktisk mulighet. Virksomheter som får orden på styringen rundt videoanalyse nå, får et dokumenterbart svar når spørsmålet kommer. De som lar utviklere teste i det stille, får et vanskelig svar.

Skygge-AI og nye angrepsflater

AI åpner nye angrepsflater, og ansatte må ikke bruke uautoriserte AI-tjenester (Digi.no). Når videoforståelse rulles ut til Gemini-appen for alle brukere (Google, 2026), går denne risikoen fra teoretisk til hverdagslig.

Når opptaket lastes opp fra en privat telefon

Scenarioet er ikke hypotetisk. En driftsleder filmer en feil på en maskin, laster opptaket opp i en konsument-AI for å få hjelp til feilsøking, og har i praksis sendt bilder av produksjonslinjen ut av virksomheten. Ingen ondsinnet hensikt, ingen policy-brudd vedkommende var klar over, og ingen logg.

Motgiften er ikke forbud alene, for forbud uten alternativ produserer bare mer skjult bruk. Den er en godkjent vei: en anvist tjeneste, en tydelig regel for hva som kan lastes opp, og en kanal for å spørre. Kombinasjonen forbud pluss alternativ virker. Forbud alene virker sjelden.

Video er et etterretningsmål

Spioner har mange måter å få tak i informasjon fra norske selskaper på, og en spionjeger beskriver situasjonen som en forskrekkende grad av naivitet i Norge (E24, 2025). Video fra produksjonslokaler, laboratorier, havner og datasentre er nettopp den typen materiale som er verdifullt for andre enn dere.

Når det materialet blir søkbart med naturlig språk, endres også konsekvensen av en lekkasje. Et arkiv ingen orker å gå gjennom er lite verdt for en angriper. Et arkiv som kan spørres på «vis meg alle klipp der adgangskortet ble brukt» er noe helt annet. Søkbarhet er en gevinst for dere og en gevinst for den som kommer seg inn.

Markedsobservasjon: hva Google-lanseringen signaliserer

Enkeltlanseringer er sjelden interessante i seg selv. Retningen de peker i er det. Her er det tre signaler verdt å ta med i leverandørstrategien.

Kostnadseffektivitet som produktegenskap

Google fremhever at Gemini 3.7 Flash med agentisk forståelse gir den beste kombinasjonen av kvalitet og kostnadseffektivitet (Google, 2026). At kostnad løftes fram i selve lanseringsbudskapet, ved siden av kvalitet, sier noe om hvor konkurransen står. Modellevner alene selger ikke lenger.

For innkjøpere er dette gode nyheter på kort sikt og en advarsel på lang sikt. Prisen på det dere kjøper i dag vil sannsynligvis falle igjen. Det taler for korte bindingstider og mot arkitektur som låser dere til en enkelt leverandørs videoformat.

Fra API til alles verktøykasse

Funksjonen begynner i Gemini API og Google AI Studio, og skal rulles ut til Gemini-appen og «Ask YouTube» (Google DeepMind, 2026). Mønsteret er kjent fra tekstmodellene: en evne som først er et utviklerverktøy blir en knapp i en app som alle ansatte har.

Ledelsen bør planlegge for det andre stadiet mens de tester det første. Retningslinjene for hva ansatte kan laste opp bør være på plass før knappen dukker opp, ikke etter.

Vanlige feil når virksomheter tar i bruk videoforståelse

Feilene under går igjen på tvers av bransjer, og de er alle rimelige å unngå hvis de er kjent på forhånd.

Feil	Hva som skjer	Hva du gjør i stedet
Starter med live videostrøm	Prosjektet blir driftskritisk før det er validert	Kjør første runde på historiske opptak med kjent fasit
Ingen sammenligning mot dagens praksis	Umulig å vise gevinst for økonomiavdelingen	Mål mennesketid før og etter på samme oppgave
Behandler det som verktøykjøp	Sikkerhet og leverandørkjede blir ettertanke	Kjør det gjennom samme prosess som andre sikkerhetstiltak
Analyserer mer fordi det er billig	Varselmengden overstiger oppfølgingskapasiteten	Definer hvem som handler på funnene før dere skalerer
Stoler på leverandørens tall	Budsjettet sprekker på deres innholdstype	Mål tokenforbruk på eget materiale
Ingen sletterutine	Søkbart arkiv vokser uten grense	Sett lagringstid før første analyse kjøres

Den dyreste feilen: uklart eierskap

Et videoforståelsesprosjekt uten navngitt eier dør sjelden med et smell. Det fader ut. Piloten leverer resultater ingen har mandat til å handle på, budsjettet forsvinner i neste runde, og erfaringen blir at «vi prøvde AI på video, det ga ikke så mye».

Motgiften er å knytte prosjektet til et konkret budsjett eller en konkret risiko fra dag en. Enten sparer det timer noen har ansvar for, eller så reduserer det en risiko noen eier. Hvis ingen av delene stemmer, er det ikke et prosjekt, det er en demo.

Å forveksle velformulerte svar med riktige svar

Moderne modeller formulerer seg godt om video de har misforstått. Et velskrevet sammendrag av en hendelse som ikke skjedde ser nesten identisk ut med et velskrevet sammendrag av en hendelse som skjedde. Uten fasit har dere ingen måte å skille dem.

Dette er grunnen til at vi legger så mye vekt på testsett med kjent svar. Nøyaktighetsforbedringen Google oppgir er reell og verdt å ha, men den er en forbedring fra et utgangspunkt, ikke en garanti mot feil. Videoforståelse tolker betydningen av bevegelser (ultralytics.com, 2026), og tolkning kan bomme.

Ofte stilte spørsmål om agentisk videoforståelse

Spørsmålene under er de vi oftest får fra norske ledere som vurderer dette for første gang.

Hva er agentisk videoforståelse, kort forklart?

Det er en måte å analysere video på der modellen selv bestemmer hvilke deler av opptaket den skal se nærmere på, i stedet for å prosessere alt med fast bildefrekvens. Den bruker native videoverktøy for å dynamisk søke og skanne segmenter (Google DeepMind, 2026). Resultatet er lavere kostnad og høyere treffsikkerhet på lange opptak.

Hvordan slår vi det på?

Funksjonen aktiveres ved å sette processing til «agentic» i API-konfigurasjonen (Google DeepMind, 2026). Den er tilgjengelig for videoopplastinger og YouTube-videoer via Gemini API i Google AI Studio og Gemini Enterprise Agent Platform (Google, 2026). Teknisk er terskelen lav. Styringen rundt er der arbeidet ligger.

Erstatter dette kamerasystemet vi allerede har?

Nei. Objektdeteksjon og sporing i eksisterende systemer løser sanntidsoppgaver med forutsigbar kostnad og lav forsinkelse. Videoforståelse tolker atferd og betydning (ultralytics.com, 2026) og legger seg som et lag over. De fleste virksomheter kommer til å drifte begge deler, ikke bytte ut det ene med det andre.

Kan vi sende overvåkningsvideo med ansatte til en skytjeneste?

Det avhenger av behandlingsgrunnlag, avtaler og hvilken sektor dere er i, og svaret må komme fra juridisk hold, ikke fra utviklerne. Uansett gjelder at NIS2 innebærer ansvar for hele leverandørkjeden (Digi.no). Et praktisk førstesteg er å kjøre pilot på materiale uten identifiserbare personer, slik at dere lærer teknologien før dere avklarer jussen.

Hvor mye kan vi realistisk spare?

Google oppgir opptil 66 prosent lavere analysekostnad (Google, 2026), men gevinsten på deres materiale avhenger av opptakslengde og hvor mye som faktisk skjer i dem. Lange opptak med lite aktivitet gir mest. Tett innhold gir mindre. Mål på eget materiale før dere setter tall i et budsjett.

Oppsummering og neste steg

Agentisk videoforståelse flytter video fra å være et arkiv noen må bemanne gjennomgangen av, til å bli en søkbar datakilde. Kostnadsfallet er reelt og dokumentert av leverandøren, nøyaktigheten går opp samtidig, og terskelen for å komme i gang er en API-nøkkel. Det er den gode nyheten.

Den andre siden er at søkbar video er en større sikkerhetsforpliktelse enn ikke-søkbar video, at NIS2 flytter ansvaret for leverandørkjeden inn på deres bord, og at billigere analyse gjør det lettere å gjøre ting dere ikke burde gjøre. Begge deler er sanne samtidig.

Slik kommer dere i gang uten å male dere inn i et hjørne

Velg ett bruksområde der noen i dag bruker målbar tid på å se gjennom opptak. Finn historiske saker med kjent svar og bruk dem som testsett. Kjør samme oppgave både statisk og agentisk, logg tokenforbruk og treffsikkerhet, og sammenlign mot dagens manuelle praksis.

Parallelt, og ikke etterpå: avklar hvem som eier tiltaket, hvilke data som kan forlate huset, hvor lenge opptak skal lagres, og hvordan tilgangen begrenses. Alura mener dere bør starte med ett avgrenset bruksområde og en målbar oppgave før dere kobler AI på løpende videostrømmer, og at videoforståelse hører hjemme i sikkerhetsstyringen, ikke i verktøybudsjettet.

Hva som avgjør om det lykkes

Det er sjelden modellen som avgjør. Det er om noen handler på det systemet finner, om oppfølgingskapasiteten holder tritt med analysekapasiteten, og om styringen rundt er på plass før volumet vokser. God IT-sikkerhet blir et konkurransefortrinn og etter hvert et krav for å levere (Digi.no), og det gjelder også for hvordan dere behandler egen video.

Teknologien er klar nok til å teste nå. Spørsmålet er om organisasjonen er det.

I Alura bygger vi AI-infrastruktur for norske virksomheter, fra dataplattformer til agentiske systemer i produksjon. Vi er ikke en SaaS-leverandør. Vi er håndverkere som setter sammen byggesteinene som faktisk fungerer for din situasjon.

Bestill en arkitektur-samtale: vi går gjennom din nåværende infrastruktur, identifiserer integrasjonspunkter, og foreslår en pragmatisk vei videre. Uforpliktende, 45 minutter.

Kilder

• Google (2026). Introducing agentic video understanding with Gemini
• Google DeepMind (2026). Introducing agentic video understanding with Gemini
• Digi.no. AI og NIS2 tvinger frem ny sikkerhetstenkning i norske virksomheter | Digi.no
• ultralytics.com (2026). What is Video Understanding? AI Concepts | Ultralytics
• E24 (2025). Spionasje i næringslivet: –⁠ Det er en forskrekkende grad av naivitet i Norge