AI-agenter i praksis: 88 timer fra forskning til drift

Nøkkelpunkter per 16. september 2026:

88 timer tok det fra de første agentene ble startet til løsningen på Navier-Stokes var nådd, med rundt 10 000 samtidige agenter i arbeid (OpenAI, 2026).
24 prosent av norske virksomheter har tatt i bruk AI, og manglende kompetanse er den største barrieren blant dem som ikke har begynt (NHO, 2023).
Høyrisikosystemer møter strenge forpliktelser fra 2. desember 2027, mens åpenhetsreglene allerede gjelder fra august 2026 (EU-kommisjonen).
Bøtene i AI Act kan nå opptil 7 prosent av global omsetning for selskaper som bryter regelverket (New York Times, 2023).
Fem års utsettelse av full AI-utnyttelse reduserer det AI-relaterte verdiskapingsbidraget med rundt 1 600 milliarder kroner fram mot 2040 (NHO, 2023).

Hva OpenAI faktisk kunngjorde 8. september 2026

8. september 2026 publiserte OpenAI en melding om at et internt system hadde produsert et analytisk bevis for at Navier-Stokes-ligningene kan utvikle en singularitet i endelig tid (OpenAI, 2026). Navier-Stokes beskriver hvordan væsker beveger seg. Spørsmålet om jevn tredimensjonal væskebevegelse kan bryte sammen, har stått ubesvart i omtrent 90 år. Clay Mathematics Institute gjorde spørsmålet til et av Millennium Prize-problemene i 2000.

For en norsk leder er ikke væskedynamikken det interessante. Arbeidsformen er det. Et bevis som historisk har krevd år med menneskelig arbeid, ble produsert av et system av koordinerende agenter på under fire døgn. Spørsmålet denne artikkelen svarer på, er hva den arbeidsformen betyr for en virksomhet med 40 ansatte og et budsjett som skal forsvares i styret.

Problemet som har stått åpent siden 1934

Jean Leray beviste i 1934 at løsninger på Navier-Stokes eksisterer i generalisert forstand, uten å avgjøre om de forblir glatte (OpenAI, 2026). Den åpne delen har vært om løsningene kan sprekke: om hastigheten kan gå mot uendelig i et endelig tidspunkt. Matematikk av denne typen har ingen delvis kreditt. Enten holder beviset, eller så gjør det ikke det.

Det er verdt å ha med seg hvor sakte slike resultater normalt kommer. Andrew Wiles brukte nesten sju år på beviset for Fermats siste teorem og måtte skifte til et helt annet rammeverk underveis (arXiv). Tidsskalaen i faget måles i karrierer, ikke i sprinter. Det er den kontrasten som gjør 88 timer til en nyhet.

Hva beviset faktisk slår fast

Resultatet etablerer påstand C, og også D, i den offisielle Millennium Prize-formuleringen (OpenAI, 2026). Det betyr ikke at ligningene er «løst» i dagligtalens forstand, men at et av de mulige svarene er utelukket til fordel for et annet. Det er et presist, avgrenset utfall. Presisjonen er hele poenget: her finnes det en fasit, og fasiten kan sjekkes maskinelt.

Dette er en viktig forskjell fra de fleste oppgavene en bedrift setter en AI-modell til. Et kundesvar, et tilbudsutkast eller en markedsanalyse har ingen Lean-verifikasjon som kan si ja eller nei. Der matematikken har en dommer, har forretningsdriften en skjønnsmessig vurdering. Den asymmetrien forklarer hvorfor et gjennombrudd i det ene domenet ikke oversettes direkte til det andre.

Hva OpenAI ikke hevder

OpenAI hevder ikke Millennium Prize for resultatet (OpenAI, 2026). Selskapet peker også på samtidig arbeid av Levent Alpöge og Tristan Buckmaster. Det er en mer forbeholden framstilling enn overskriftene gir inntrykk av, og den bør leses som en påminnelse om at fagfellevurdering ikke er gjort.

Åpenheten om selve modellen er begrenset. Da OpenAI tidligere motbeviste en 80 år gammel formodning fra Paul Erdős, oppga ikke selskapet hvordan modellen skilte seg fra offentlig tilgjengelige AI-er, eller hvordan den var trent (newscientist.com). For en kjøper er det en relevant observasjon: det som demonstreres, er ikke nødvendigvis det du kan kjøpe.

Fra ett problem til 10 000 samtidige agenter

Gruppen som løste Navier-Stokes involverte rundt 10 000 samtidige agenter drevet av en intern modell (OpenAI, 2026). Agentene sendte 2,7 millioner meldinger og brukte 130 milliarder output-tokens i arbeidet med dette ene problemet. Dette er ikke en chatbot med en flink prompt. Det er en industriell prosess der parallellitet erstatter dybde hos den enkelte agent.

Skala som metode

Logikken er enkel og nokså brutal. Når hver enkelt agent har lav sannsynlighet for å finne den riktige veien, kjører du nok av dem samtidig til at minst en gjør det. OpenAI begynte å trene en ny intern modell 28. august og nådde løsningen 5. september, omtrent 88 timer etter at de første agentene ble startet (OpenAI, 2026). Prosjektet ble fullført 6. september.

Denne oppskriften forutsetter to ting de fleste virksomheter ikke har: nesten ubegrenset regnekraft, og en oppgave der en maskin kan avgjøre om svaret er riktig. Uten det andre punktet blir parallellitet bare mer støy å lese gjennom. Forskjellen mellom 10 000 agenter og 10 agenter er ikke ambisjonsnivå, men om du har en automatisk dommer i enden av røret.

Verifisering i Lean tok 17 timer

Etter at beviset forelå, tok Lean-formalisering og verifisering ytterligere 17 timer via GPT-6 Astra (OpenAI, 2026). Lean er en bevisassistent som sjekker hvert logiske steg mekanisk. Det er dette leddet som gjør resultatet interessant for andre enn OpenAI: påstanden er ikke bare produsert, den er kontrollert.

Verifiseringstrinnet er den delen av historien som faktisk lar seg overføre til næringslivet. Ikke fordi norske bedrifter skal formalisere bevis, men fordi prinsippet holder: en AI-leveranse uten uavhengig kontroll er en påstand, ikke et resultat. Alura mener etterprøvbarhet bør være et krav i AI-leveranser på samme måte som formell verifisering er det i matematikk.

Euler-problemet viser at oppskriften ikke er unik

Parallelt arbeidet nesten 100 agenter med Euler-regularitetsproblemet og brukte omtrent 50 timer på beviset (OpenAI, 2026). Skalaen der var to størrelsesordener mindre enn på Navier-Stokes. Det forteller noe nyttig: agentantallet er ikke en magisk konstant, men en funksjon av hvor hardt problemet er.

På tvers av alle forsøkte problemer sendte agentene 4,9 millioner meldinger og brukte 300 milliarder output-tokens. Navier-Stokes alene sto for rundt 40 prosent av det siste tallet. Regnestykket over hva som ble brukt på problemer som ikke ble løst, publiseres ikke, og det er nettopp der kostnadsbildet for en vanlig virksomhet ligger.

Les også: Ansvarlig AI i praksis: Etiske rammeverk for norske virksomheter. Gartner spår at 75 % av AI-plattformer vil ha innebygde verktøy for ansvarlig AI innen 2027.

Rammeverk for å skille forskningsgjennombrudd fra driftsklar AI

Alura mener et forskningsgjennombrudd ikke er en leveranse. Verdien for norske bedrifter ligger i anvendelser, ikke i overskrifter. Det er ikke skepsis mot teknologien, men en observasjon om avstanden mellom en engangsdemonstrasjon under ideelle forhold og et system som skal levere hver arbeidsdag i tre år.

Dimensjon	Forskningsgjennombrudd	Driftsklar AI
Suksesskriterium	Ett korrekt resultat er nok	Stabil kvalitet over tusenvis av kjøringer
Regnekraft	Praktisk talt ubegrenset	Forutsigbar enhetskostnad per oppgave
Verifikasjon	Formell sjekk i Lean	Logg, sporbarhet og menneskelig godkjenning
Feilkostnad	Mislykkede forsøk kastes stille	Feil treffer kunde, kontrakt eller tilsyn
Tidsbruk	88 timer engangs	Svartid målt i sekunder, hver dag
Ansvar	Forskningsmiljøet	Navngitt eier i virksomheten

Fem spørsmål som skiller demonstrasjon fra drift

Første spørsmål: finnes det en fasit maskinen kan måles mot? Andre: hva koster et feilsvar, og hvem betaler? Tredje: hvor mange forsøk trengs før du får et brukbart resultat, og betaler du for alle? Fjerde: hvem godkjenner utfallet før det forlater huset? Femte: kan du rekonstruere hvorfor systemet svarte som det gjorde, seks måneder senere?

Går du gjennom disse fem for et hvilket som helst AI-tiltak, faller de fleste hype-drevne prosjektene bort av seg selv. De som blir igjen, har en målbar fasit og en navngitt eier. Vi har beskrevet hvordan dette ser ut i praksis i vår gjennomgang av autonome AI-systemer.

Rapporteringsskjevhet er standardtilstanden

Mye av det offentlig tilgjengelige beviset om AI-kapabiliteter er preget av rapporteringsskjevhet: suksesser annonseres, feil gjør det ikke (arXiv, 2026). Det gjelder ikke bare AI-selskaper. Det gjelder også bedrifter som forteller om sine egne pilotprosjekter på konferanser.

En systematisk evaluering gir et mer nøkternt bilde. I andre runde av First Proof-prosjektet fikk et flertall av de ti forskningsnivå-problemene minst en bestått karakter, med beregningskostnader på titalls til hundretalls dollar per problem (arXiv, 2026). Det er et sterkt resultat og samtidig langt unna pålitelighet. En betydelig andel av problemene ble ikke løst, og en bedrift som bygger prosess på et system som bommer jevnlig, trenger en plan for de gangene det skjer.

Hva du gjør mandag morgen med tre agenter og en sjekkliste

Det praktiske svaret på en nyhet som denne er ikke å kjøpe noe. Det er å velge tre oppgaver i egen virksomhet der en AI-agent kan måles mot en fasit du allerede har, og kjøre dem i fire uker med logg. Alt annet er utsettelse forkledd som forsiktighet.

Velg oppgaver som har en fasit

En fasit er noe du kan sammenligne svaret mot uten å diskutere. Fakturaer har en fasit i regnskapssystemet. Tilbudsdokumenter har en fasit i prislisten. Support-svar har en fasit i hvorvidt saken ble gjenåpnet. Kreativ tekstproduksjon har ingen fasit, og er derfor en dårlig førstepilot selv om den er den mest fristende.

Grunnen til at dette er så viktig, er den samme som i matematikken: verifisering avgjør om et resultat kan brukes. Formaliseringen av Kepler-formodningen tok over 20 årsverk, og beviset for firfargeteoremet krevde analyse av 633 deltilfeller (arXiv). Kontrollarbeidet er ikke en bagatell på slutten. Det er ofte hoveddelen av kostnaden.

De tre første agentene

Agent	Oppgave	Fasit du måler mot	Eier
Dokumentagent	Trekker ut felter fra innkommende fakturaer og ordrebekreftelser	Registrerte verdier i økonomisystemet	Økonomiansvarlig
Svaragent	Foreslår utkast til gjentakende kundehenvendelser	Andel saker som ikke gjenåpnes	Kundeservicesjef
Tilbudsagent	Setter opp førsteutkast til tilbud fra mal og prisliste	Avvik mot godkjent prisliste	Salgsleder

Alle tre har et menneske i godkjenningsleddet i pilotperioden. Ingen av dem får sende noe ut på egen hånd. Poenget med fire uker er ikke å bevise at teknologien virker, men å samle nok observasjoner til å regne på hva den koster og hvor ofte den tar feil. Det ligner på hvordan norske SMB-er bygger ut agenter i CRM, ett avgrenset bruksområde av gangen.

Sjekklisten før noe treffer en kunde

Fire krav bør være på plass før en agent får gå fra pilot til drift. Logg av inn- og utdata som kan hentes fram i ettertid. En navngitt person som eier utfallet. En terskel for når systemet skal si «vet ikke» i stedet for å gjette. Og en dokumentert vurdering av om bruksområdet faller innenfor AI Acts krav til åpenhet eller høyrisiko.

Det siste punktet er ikke byråkrati. Åpenhetsreglene i AI Act trådte i kraft i august 2026, og det gjelder allerede nå (EU-kommisjonen). Vurderingen tar en halvtime hvis du gjør den før du bygger, og betydelig lengre hvis du gjør den etter.

Markedet: en av fire norske virksomheter bruker AI

Mens overskriftene handler om Millennium-problemer, er det norske utgangspunktet langt mer jordnært. 24 prosent av norske virksomheter har tatt i bruk AI, ifølge en undersøkelse med rundt 5 300 respondenter (NHO, 2023). Tre av fire har altså ikke begynt. Avstanden mellom frontlinjen i forskning og medianbedriften i Norge er større enn nyhetsbildet antyder.

Strategi er ikke det samme som bruk

Av dem som har begynt, har eller utvikler halvparten en strategi for bruk av AI (NHO, 2023). Snur du det, betyr det at halvparten av de aktive brukerne kjører uten en plan. Det er ikke nødvendigvis galt i en tidlig fase, men det gjør det vanskelig å svare på hva tiltakene er verdt når styret spør.

Konsekvensen er forutsigbar. Uten strategi blir AI-bruk en samling av verktøyabonnementer fordelt på avdelinger som ikke snakker sammen. Ingen eier totalen, ingen måler effekten, og ingen kan dokumentere etterlevelse når kravene kommer. Oljefondets tilnærming, som vi har gått gjennom i en egen analyse, er interessant nettopp fordi den starter med måling.

Produktivitetsbanen fram mot 2040

Anslaget er at økt bruk av generativ AI kan løfte gjennomsnittlig årlig produktivitetsvekst i Norge fra rundt 0,6 prosent til rundt 1,3 prosent i perioden 2023 til 2040 (NHO, 2023). En dobling av produktivitetsveksten er stor makroøkonomi, men den sier ingenting om din bedrift. Den fordeles ikke jevnt.

Samlet anslås digitalisering og AI å kunne gi opp mot 5 600 milliarder kroner i ekstra verdiskaping fram mot 2040, der generativ AI alene står for 2 000 milliarder. Slike tall er modellresultater, ikke prognoser med garanti. De er nyttige som retning og ubrukelige som budsjettgrunnlag, og bør leses deretter.

Kostnadsbildet: 130 milliarder tokens og hva det betyr for budsjettet

Navier-Stokes-arbeidet brukte 130 milliarder output-tokens (OpenAI, 2026). Det er et forskningsbudsjett fra et selskap som eier sin egen infrastruktur, ikke et driftsbudsjett. Likevel er tallet lærerikt, fordi det synliggjør den posten bedrifter oftest glemmer: du betaler for alle forsøkene, ikke bare for det som lykkes.

Hva et realistisk kostnadsoppsett inneholder

Post	Hva det dekker	Hvorfor det undervurderes
Modellbruk	Tokens for både vellykkede og mislykkede forsøk	Pilotene måler bare de gangene det gikk bra
Verifikasjon	Menneskelig kontroll av utdata i drift	Regnes som «eksisterende arbeidstid», men er ny tid
Datatilrettelegging	Rydding og tilgangsstyring for kildedata	Oppdages først når piloten skal skaleres
Etterlevelse	Dokumentasjon, risikoklassifisering, loggoppbevaring	Utløses av regelverk, ikke av prosjektplanen
Kompetanse	Opplæring av dem som skal bruke systemet daglig	Antas å skje av seg selv
Vedlikehold	Ny testing ved modellbytte eller prosessendring	Modellene endres oftere enn årshjulet

I den systematiske evalueringen av forskningsproblemer lå beregningskostnadene på titalls til hundretalls dollar per problem (arXiv, 2026). For en bedriftsoppgave som gjentas tusenvis av ganger i året, er det enhetskostnaden ganget med volum som avgjør om regnestykket går opp. Regn på volum først, kvalitet deretter.

Prisen på å vente er anslått i kroner

Alura mener at å vente på neste modellgenerasjon har en pris, og at den prisen er anslått i kroner, ikke i følelser. Dersom full utnyttelse av AI utsettes i fem år, reduseres det AI-relaterte verdiskapingsbidraget med rundt 1 600 milliarder kroner fram mot 2040 (NHO, 2023). På nasjonalt nivå er det et tapt tiår komprimert til fem år.

For en enkeltbedrift er mekanismen den samme i mindre skala. Kompetanse, datakvalitet og prosessendring tar tid som ikke kan kjøpes inn på kort varsel. Den som begynner når teknologien er «ferdig», starter samtidig som alle andre, men uten de to årene med læring konkurrentene har bak seg. Venting er en beslutning med kostnad, ikke en nøytral posisjon.

AI Act-fristene som treffer norske virksomheter i 2026 og 2027

AI Act er forordning (EU) 2024/1689 og verdens første omfattende regelverk for kunstig intelligens (EU-kommisjonen). Da den politiske enigheten ble annonsert, ble den beskrevet som et av verdens første omfattende forsøk på å begrense bruken av teknologien og som en global standard (New York Times, 2023). For norske virksomheter er dette ikke fjern EU-politikk, men krav som følger av EØS og av kunder som selv er underlagt dem.

Fire risikonivåer og ni forbudte praksiser

Regelverket bygger på en risikobasert tilnærming med fire risikonivåer og forbyr ni konkrete praksiser, blant annet sosial scoring og sanntids biometrisk identifisering (EU-kommisjonen). De fleste SMB-anvendelser lander i de to nederste nivåene, der kravene i hovedsak handler om åpenhet. Poenget er at klassifiseringen må gjøres, ikke antas.

Lovgiverne rettet oppmerksomheten mot de mest risikofylte bruksområdene hos selskaper og myndigheter, inkludert rettshåndhevelse og kritiske tjenester som vann og energi (New York Times, 2023). Leverer du til slike sektorer, arver du deler av kravene gjennom kontrakt selv om ditt eget system isolert sett er lavrisiko.

Tidslinjen du bør henge på veggen

Dato	Hva som gjelder	Status per september 2026
1. august 2024	AI Act trer i kraft	Passert
2. februar 2025	Forbudte praksiser og AI-literacy-forpliktelser	Passert
2. august 2025	Styringsregler og GPAI-forpliktelser blir anvendelige	Passert
August 2026	Åpenhetsreglene trer i kraft	Gjelder nå
2. august 2026	AI Office og nasjonale myndigheter overtar håndhevelsen	Gjelder nå
Desember 2026	Forbud nummer ni, innført via AI Omnibus	Forestående
2. desember 2027	Strenge forpliktelser for høyrisikosystemer	Forestående

Kommisjonen har publisert tre instrumenter for å støtte GPAI-modeller og to nøkkeldokumenter for praktisk anvendelse av de forbudte praksisene (EU-kommisjonen). Økt EU-kapasitet for evaluering av AI-modeller ventes operativ i 2027. Det betyr at håndhevelsen blir mer reell over tid, ikke mindre.

Bøter på opptil 7 prosent

Selskaper som bryter regelverket kan få bøter på opptil 7 prosent av global omsetning (New York Times, 2023). Taket er satt for å ramme de største aktørene, og små virksomheter vil i praksis møte andre nivåer. Men rammen forteller hvilken alvorlighetsgrad lovgiver legger opp til.

Den praktiske konsekvensen for en norsk SMB er sjelden en bot. Den er at store kunder og offentlige oppdragsgivere begynner å stille dokumentasjonskrav i anbud. Har du ikke svar på hvilket risikonivå løsningen din ligger i og hvordan den logges, taper du kontrakten lenge før noe tilsyn er involvert. Vi har utdypet dette i vår gjennomgang av etiske rammeverk for norske virksomheter.

Les også: AI-agenter for norske bedrifter: slik fungerer autonome AI-systemer i praksis. 51 % av bedrifter har AI-agenter i produksjon.

Verifikasjon og etterprøvbarhet som krav i AI-leveranser

Det som gjør Navier-Stokes-resultatet troverdig, er ikke at en stor modell sa noe. Det er at påstanden ble formalisert og maskinelt kontrollert i et separat steg. Norske virksomheter bør stjele nøyaktig dette prinsippet, selv om verktøyene er helt andre.

Verifisering koster, og bør budsjetteres

Terence Tao har rapportert at bruk av Lean-bevisassistenten reduserte arbeidshastigheten hans med en faktor på 25 (arXiv). Formell kontroll er treg, også for eksperter. Det er en nyttig kalibrering mot forestillingen om at kvalitetssikring av AI-utdata kan klemmes inn i eksisterende arbeidsdager uten at noe annet forsvinner.

I en bedrift oversettes dette til en enkel budsjettregel: sett av tid til kontroll som en egen post, med navngitt ansvarlig. Hvis kontrolltiden spiser opp hele gevinsten, er bruksområdet feil valgt. Da bør du bytte oppgave, ikke kutte i kontrollen.

Menneskelige fagfeller kan ikke fjernes

Matematikken går fra en æra med bevisknapphet til en æra med bevisoverflod, og menneskelige fagfeller kan ikke fjernes fra publiseringsprosessen (arXiv, 2026). Et foreslått krav er at et resultat ikke bør publiseres dersom forfatterne ikke kan holde et klart ekspertnivå-foredrag om det. Overført til næringslivet: ingen skal sende ut et AI-generert dokument de ikke kan forklare og forsvare.

Den regelen løser flere problemer samtidig. Den hindrer at ansvar pulveriseres, den tvinger fram faktisk lesing av utdata, og den gir et klart svar når en kunde stiller spørsmål. AI-verktøy er dessuten særlig utsatt for Goodharts lov, både av tekniske og økonomiske grunner, altså at målet slutter å være et godt mål når det optimaliseres direkte.

Markedsobservasjon: fagmiljøet krever egne retningslinjer

Reaksjonen i matematikkmiljøet er en tidlig indikator på hva som venter andre kunnskapsyrker. Den er ikke entydig avvisende, men den er organisert, og den kom raskt.

1 590 signaturer på tre dager

Etter at en OpenAI-modell motbeviste en Erdős-formodning fra 1946 om enhetsavstandsproblemet, publiserte en gruppe eksperter 2. juni en erklæring som krever strenge retningslinjer for bruk av AI i matematisk forskning (sciencenews.org). Per 5. juni hadde den 1 590 signaturer. Leiden-erklæringen, publisert i juni 2026 og utgått fra en workshop ved Lorentz Center i 2025, inneholder 23 anbefalinger (arXiv, 2026).

Innvendingene handler i liten grad om hvorvidt resultatene er riktige. De handler om kreditering, tilgang og tillit. Melanie Matchett Wood ved Harvard har omtalt resultatet som et gjennombrudd for matematikk, men ikke nødvendigvis for AI, og uttrykker bekymring for at AI ikke kan kreditere kildene til ideene sine (sciencenews.org).

Reproduserbarhet og opinion

OpenAI-forsker Sebastien Bubeck har sagt at modellen ikke ble styrt i noen bestemt retning, og at den produserte den korrekte løsningen i 50 prosent av forsøkene (sciencenews.org). Halvparten er høyt for et åpent forskningsproblem og lavt for en forretningsprosess. Det er samme tall, tolket helt ulikt avhengig av hva som står på spill.

Samtidig er stemningen utenfor fagmiljøene i ferd med å bli en faktor i seg selv. To matematikere har sagt til The Verge at AI-gigantenes «barnslige» rivaliseringer rokker ved fagfeltet (The Verge, 2026). I USA sier 61 prosent av sannsynlige velgere at de motsetter seg bygging av AI-datasentre (The Verge, 2026). Legitimitet er i ferd med å bli en driftsrisiko, ikke bare en PR-oppgave.

Kompetansegapet er den største barrieren, ikke modellene

Alura mener kompetanse er flaskehalsen, ikke teknologien. Det er ikke en generell påstand: manglende kompetanse er den største barrieren for å ta i bruk AI-verktøy blant virksomheter som ikke bruker AI (NHO, 2023). Modellene er tilgjengelige for alle. Evnen til å bruke dem er det ikke.

Hva kompetanse faktisk betyr her

Det handler sjelden om å kunne bygge modeller. Det handler om å kunne formulere en oppgave presist, vurdere om et svar er godt nok, og vite når systemet bør overstyres. Store språkmodeller resonnerer ikke som mennesker, men lærer mønstre fra treningsdata og rekombinerer dem (arXiv). Å forstå den mekanismen er forskjellen mellom å bruke verktøyet og å bli lurt av det.

Et konkret eksempel fra matematikken illustrerer poenget. Kevin Buzzard har påpekt at motbeviset var komplekst, men at ideene allerede fantes i litteraturen og krevde oppfinnsomhet å sette sammen (newscientist.com). Verdien lå i kombinasjonen, ikke i å finne opp noe fra ingenting. Det er også der verdien ligger i en vanlig bedrift.

AI-kompetanse er dessuten et lovkrav

AI-literacy-forpliktelsene i AI Act ble anvendelige 2. februar 2025, samtidig med de forbudte praksisene (EU-kommisjonen). Det betyr at opplæring ikke bare er et produktivitetstiltak, men en del av etterlevelsen. De to begrunnelsene peker på samme handling, noe som gjør beslutningen enklere å ta i et styre.

Praktisk: identifiser de ti til tjue personene som faktisk kommer til å bruke AI i jobben sin daglig, og gi dem reell opplæring i bruksområdene deres. Bredt anlagte inspirasjonsforedrag flytter lite. Spørsmålet om hvilken modellplattform man velger, som vi har sett på i sammenligningen mellom Azure og OpenAI for norske SMB-er, er mindre avgjørende enn hvem som kan bruke det som velges.

Vanlige feil når bedrifter leser forskningsnyheter som produktlanseringer

De fleste feilbeslutningene etter en stor AI-nyhet følger et gjenkjennelig mønster. De handler om å lese en demonstrasjon som et tilbud, og et tilbud som en garanti.

Feilen	Hvordan den høres ut internt	Korreksjonen
Forveksle demo med produkt	«Hvis de klarer Navier-Stokes, klarer de fakturaene våre»	Spør hva som er fasiten i din oppgave
Vente på neste generasjon	«Vi tar det når modellene er modne»	Utsettelse har en prislapp i kroner
Kjøpe plattform før bruksområde	«Vi trenger en AI-strategi først»	Tre målbare piloter slår ett rammeverk
Hoppe over verifikasjon	«Vi ser jo om det er feil»	Sett kontroll som egen budsjettpost
Behandle regelverk som senere problem	«AI Act gjelder de store»	Kravene kommer via kundenes anbud

Skalafeilen

Den vanligste feilen er å tro at tallene fra et forskningsprosjekt skalerer nedover. 10 000 samtidige agenter og 2,7 millioner meldinger er ikke en mal for en bedrift med 40 ansatte (OpenAI, 2026). Det er en illustrasjon av hva som skal til når problemet er ekstremt hardt og kostnaden er irrelevant.

Motsatt feil er like vanlig: å konkludere at siden man ikke har OpenAIs ressurser, er det ingenting å gjøre. Euler-arbeidet brukte under 100 agenter (OpenAI, 2026). Riktig skala følger av problemets vanskelighetsgrad, og de fleste bedriftsoppgaver er ikke Millennium-problemer.

Tidshorisontfeilen

Da AI Act ble politisk vedtatt, var forventningen at mange deler av regelverket ville tre i kraft først etter 12 til 24 måneder (New York Times, 2023). Den perioden er nå ute. Virksomheter som la regelverket i skuffen fordi det virket fjernt, oppdager at forbudene har vært gjeldende siden februar 2025 og at håndhevelsen er på plass.

Samme feil gjøres med teknologien. ChatGPT hadde en million brukere fem dager etter lansering (NHO, 2023). Adopsjonskurvene i dette feltet har vært brattere enn planleggingssyklusene i de fleste norske virksomheter, og forskjellen er der beslutningsfeilene oppstår.

Spørsmål og svar om AI-agenter og matematiske gjennombrudd

Under er svarene på spørsmålene som oftest kommer fra ledergrupper etter nyheter av denne typen.

Er Navier-Stokes-problemet nå endelig løst?

OpenAI oppgir at beviset etablerer påstand C i den offisielle Millennium Prize-formuleringen, og at selskapet ikke hevder prisen (OpenAI, 2026). Fagfellevurderingen gjenstår, og deler av miljøet er avventende (The Verge, 2026). Lean-verifiseringen styrker tilliten betydelig, men en formell aksept i matematikkmiljøet er en egen prosess.

Kan vi kjøpe modellen som løste problemet?

Nei. Systemet beskrives som et internt OpenAI-system drevet av en intern modell (OpenAI, 2026). I et tilsvarende tilfelle har selskapet ikke oppgitt hvordan modellen skiller seg fra offentlig tilgjengelige AI-er (newscientist.com). Det du kan kjøpe i dag, er kommersielt tilgjengelige modeller, som er kraftige nok til de aller fleste forretningsoppgaver.

Betyr dette at AI nå kan resonnere selvstendig?

Bildet er blandet. Store språkmodeller kan slite med kompleks deduktiv resonnering, samtidig som kreativiteten deres kan støtte og inspirere matematisk forskning (arXiv). Tim Gowers har sagt at han ville anbefalt antakelse i Annals of Mathematics for det tidligere Erdős-resultatet (newscientist.com). For praktisk bruk er spørsmålet uansett ikke om systemet «forstår», men om utdataene holder mål og kan kontrolleres.

Hvilke AI Act-krav gjelder oss allerede nå?

Forbudene mot de ni angitte praksisene og AI-literacy-forpliktelsene har vært gjeldende siden februar 2025, GPAI-reglene siden august 2025 og åpenhetsreglene siden august 2026 (EU-kommisjonen). Forbud nummer ni kommer i desember 2026. Høyrisikoforpliktelsene er det store hoppet, og de gjelder fra 2. desember 2027.

Hvor mange agenter trenger en norsk SMB?

Færre enn overskriftene antyder. Start med tre avgrensede oppgaver som har en målbar fasit, og la et menneske godkjenne utfallet i piloten. Skaler først når du kan dokumentere både kvalitet og enhetskostnad over minst fire uker. Antall agenter er et resultat av behovet, ikke et mål i seg selv.

Hva bør vi kreve av en AI-leverandør?

Fire ting: dokumentert risikoklassifisering etter AI Act, logg som lar deg rekonstruere enkeltsaker i ettertid, en definert terskel for når systemet skal avstå fra å svare, og et navngitt kontaktpunkt som kan forklare hvordan løsningen fungerer. Krav om etterprøvbarhet bør stå i kontrakten, ikke i et vedlegg som ingen leser.

Oppsummering og tre grep for neste kvartal

Et system av agenter produserte på under fire døgn et resultat på et spørsmål som har stått åpent i rundt 90 år, og fikk det maskinelt verifisert i 17 timer (OpenAI, 2026). Det er en reell endring i hva maskiner kan bidra med i kunnskapsarbeid. Det er samtidig ikke et produkt du kan kjøpe, og ikke en beskrivelse av hva som virker i en norsk bedrift neste måned.

Tre grep som flytter noe

Første grep: velg tre oppgaver med fasit og kjør dem i fire uker med logg og navngitt eier. Andre grep: gjør en risikoklassifisering etter AI Act for hvert bruksområde nå, mens det tar en halvtime per sak, og skriv den ned. Tredje grep: gi reell opplæring til dem som faktisk skal bruke verktøyene, ikke til alle.

Alle tre er gjennomførbare innenfor et kvartal uten ny plattform. De adresserer også den barrieren som faktisk er størst i norske virksomheter, nemlig kompetanse (NHO, 2023). Ingen av dem krever at du tar stilling til om Navier-Stokes er endelig avgjort.

Hva du bør måle

Mål tre størrelser per pilot: andel utdata som godkjennes uten endring, tid brukt på kontroll, og enhetskostnad per behandlet sak. Disse tre gir et ærlig svar på om tiltaket bærer, og de er de samme tallene en revisor eller en kunde vil be om senere. Uten dem har du en anekdote.

Nyhetsstrømmen kommer til å fortsette å levere overskrifter av samme type i månedene framover. Verdien for din virksomhet avgjøres ikke av hvor store overskriftene blir, men av om du har bygget kapasitet til å ta resultatene i bruk når de blir tilgjengelige som produkt. Det arbeidet begynner før nyheten, ikke etter.

Lyst til å forstå AI dypere? Vi i Alura snakker daglig med norske beslutningstakere som lurer på hvor AI faktisk gir mening for deres virksomhet. Ingen presentasjon, ingen forhåndsfasit, bare en ærlig samtale om hva som er mulig, hva som er overhypet, og hva som er klokt for akkurat din situasjon.

Snakk med oss om AI: uforpliktende, 30 minutter, video eller telefon.

Kilder

OpenAI (2026). OpenAI shares AI-generated solution to Navier–Stokes Millennium Prize Problem
NHO (2023). Kunstig intelligens i Norge – nytte, muligheter og barrierer
EU-kommisjonen. AI Act | Shaping Europe's digital future - European Union
New York Times (2023). E.U. Agrees on AI Act, Landmark Regulation for Artificial Intelligence - The New York Times
arXiv. Mathematics and Machine Creativity: A Survey on Bridging Mathematics with AI
newscientist.com. Mathematicians stunned by AI's biggest breakthrough in mathematics yet | New Scientist
arXiv (2026). Mathematics in the age of AI
sciencenews.org. An AI math breakthrough sparks calls for new guardrails
The Verge (2026). OpenAI's sly mathematical breakthrough sends a chill through academia
The Verge (2026). OpenAI Claims Solution to Millennium Prize Problem, Mathematicians Wary