AI i produktutvikling halverer tiden, men få tar gevinsten

Nøkkelpunkter per 3. september 2026:

• Gapet er kjernen: 80 prosent melder bedre individuell produktivitet, men bare 37 prosent tilskriver AI noen EBIT-effekt i en global undersøkelse av AI-bruk i næringslivet.
• Effekten er dokumentert, men ujevn: AI kan halvere tidslinjene i forskning og utvikling og låse opp 600 milliarder dollar i årlig verdi (neuralconcept.com, 2026).
• Norge starter lavt: en av fire virksomheter bruker AI i dag, og bare halvparten av dem har eller utvikler en strategi for det (NHO).
• Ventingen har en pris: fem års utsatt AI-utnyttelse reduserer verdiskapingen med 1 600 milliarder kroner fram mot 2040 (NHO).
• Publisering utløser plikter: forskningsunntakene i EU AI Act dekker ikke nødvendigvis det å slippe modeller eller systemer (arXiv, 2024).

---

AI i produktutvikling handler om mer enn raskere prototyper

Løftet er konkret nok til å havne i et styrereferat: AI kan halvere tidslinjene i forskning og utvikling og låse opp 600 milliarder dollar i årlig verdi (neuralconcept.com, 2026). Samme gjennomgang viser til PwC-anslag om at produktutviklingssykluser kan kortes med opptil 50 prosent. Dette er globale gjennomsnitt på tvers av legemidler, bilindustri og industriell design, ikke et budsjettall for en norsk SMB med tolv utviklere. Retningen er likevel dokumentert i flere uavhengige kilder, og den peker samme vei.

Spørsmålet er derfor ikke om AI kan gjøre deler av produktutviklingen raskere. Det kan den. Spørsmålet er hvor i løpet effekten faktisk er målt, og hva som skjer med tidsgevinsten etter at den er tatt ut. Denne artikkelen tar for seg fire ting: hvor effekten er dokumentert, hvordan du prioriterer mellom innsatsområdene, hva det koster å drifte, og hvilke reguleringskrav som må avklares før første pilot.

Hva AI faktisk gjør i produktutviklingsløpet

AI akselererer innovasjonssykluser gjennom tre kanaler: bedre eksperimentering, raskere dataanalyse og mer effektive produktutviklingsprosesser (PwC, 2025). Det er tre forskjellige typer arbeid, med tre forskjellige modenhetsnivåer og tre forskjellige risikoprofiler. Å behandle dem som en samlet AI-satsing er den vanligste grunnen til at gevinsten ikke lar seg måle i etterkant.

På den enkleste enden trekker generativ AI ut og konsoliderer krav ved hjelp av semantikk og OCR, noe som kutter tiden det tar å definere krav og dokumentere dem (PwC, 2025). På den tyngre enden kan AI effektivisere unødvendig kompleksitet, forbedre produktkostnader og redusere produksjonskostnader for enkeltprodukter. Mellom disse ytterpunktene ligger en tredje kategori som få snakker om: compliance-assistenter som sporer globale regulatoriske endringer og kobler regelverksarbeidet direkte mot utviklingsteamet.

Effektstørrelsene varierer kraftig mellom bransjer. Verdiskapingen fra AI i forskning og utvikling er anslått til omtrent 27 prosent i biopharma og 29 prosent i bilindustrien (neuralconcept.com, 2026). Begge er bransjer med lange utviklingsløp, høye feilkostnader og store datasett. Har du korte sykluser og tynne data, er utgangspunktet et annet, og forventningene bør justeres deretter.

Verktøybruk er ikke prosessendring

Å integrere AI i forskning og utvikling er et strategisk skifte, ikke en teknologioppgradering (PwC, 2025). Formuleringen er lett å nikke til og lett å ignorere i praksis. De fleste organisasjoner kjøper lisenser, holder et kurs og forventer at resten kommer av seg selv. Det gjør det ikke.

Alura mener at individuell produktivitetsgevinst ikke er det samme som resultateffekt. Gevinsten hentes ut i prosessen, ikke i verktøyet. Hvis en utvikler sparer tid på kodeskriving, men koden fortsatt venter fire dager på review, tre dager på QA og to uker på et release-vindu, har du ikke kortet ned time to market. Du har flyttet en flaskehals uten å fjerne den.

Dette er også skillet mellom å måle riktig og å måle behagelig. Aktivitetstall som antall AI-genererte linjer, antall spørringer eller antall aktive brukere sier ingenting om leveransen. Det eneste som teller er om ledetiden fra ide til produksjon går ned, om feilraten holder seg, og om kapasiteten som frigjøres faktisk brukes til noe annet.

Produktivitetsgapet mellom opplevd gevinst og resultateffekt

To tall fra den samme globale undersøkelsen av AI-bruk forklarer mesteparten av forvirringen rundt AI-gevinster. 80 prosent av respondentene melder at AI har forbedret deres individuelle produktivitet. Samtidig tilskriver bare 37 prosent AI-bruken noen EBIT-effekt i det hele tatt, omtrent samme andel som året før.

Gapet mellom de to tallene er ikke et måleproblem. Det er en beskrivelse av hva som skjer når tid spares på individnivå i en prosess som ikke er endret. Nedenfor er de sentrale tallene samlet, med kilden til hver enkelt.

Måling	Andel	Kilde
Melder forbedret individuell produktivitet	80 prosent	Global AI-undersøkelse
Tilskriver AI minst noe EBIT-effekt	37 prosent	Global AI-undersøkelse
Oppnår målbar verdi fra AI-initiativer	5 prosent	BCG, gjengitt av neuralconcept.com
Rapporterer minimale resultater fra AI-initiativer	60 prosent	neuralconcept.com
Andel selskaper som fanger 74 prosent av all AI-drevet verdi	20 prosent	PwC
Forventer at AI vil øke fortjenestemarginene	60 prosent	PwC

Hva de to tallene faktisk måler

Individuell produktivitet er selvrapportert opplevelse av eget arbeid. EBIT-effekt er en påvist endring i driftsresultatet. Det første er lett å kjenne og vanskelig å bestride. Det andre krever at gevinsten passerer gjennom bemanningsplaner, prosjektporteføljer og prising før den dukker opp i et regnskap. Mellom de to ligger alt som kalles organisasjon.

En nyanse er verdt å ta med: 39 prosent forventer nå AI-relatert nedgang i egen bemanning det kommende året, opp fra 32 prosent året før i den samme undersøkelsen. Faktiske reduksjoner har vært lavere enn ventet. Forventningen om gevinst løper altså foran realiseringen, og det er nettopp det mønsteret et styre bør være skeptisk til når det får presentert en business case.

Hvor gevinsten forsvinner mellom individ og resultat

Frigjort tid har tre mulige skjebner. Den kan gå til mer av det samme arbeidet, den kan gå til nytt arbeid som skaper verdi, eller den kan fordampe i ventetid andre steder i verdikjeden. Bare det andre alternativet gir resultateffekt, og det krever en aktiv beslutning om hva kapasiteten skal brukes til. Uten den beslutningen blir gevinsten en tilfredshetsmåling.

I produktutvikling er den vanligste lekkasjen at hastigheten øker i ett ledd mens beslutningsleddene står stille. Krav skrives raskere, men prioriteringsmøtet er fortsatt hver fjortende dag. Prototyper lages på timer, men brukertesten står i kø i tre uker. Å måle hvor køene faktisk står før du kjøper verktøy er ikke en formalitet, det er hele grunnlaget for å velge riktig sted å sette inn AI.

De få som henter verdien

Verdien er konsentrert. 20 prosent av selskapene fanger 74 prosent av all AI-drevet verdi (PwC, 2025). Det er ikke en fordeling som oppstår av flaks. Den oppstår når noen få gjør arbeidet med data, prosess og måling som de fleste hopper over.

Tallet fra andre siden bekrefter bildet: en BCG-undersøkelse fra 2025 fant at bare rundt 5 prosent av selskapene oppnår målbar verdi fra AI-initiativene sine, mens flertallet rapporterer minimale resultater (neuralconcept.com, 2026). Samtidig forventer 60 prosent av organisasjonene at AI vil øke fortjenestemarginene (PwC, 2025). Forventningen og realiseringen står altså milevidt fra hverandre, og det er den avstanden en norsk ledergruppe bør planlegge for.

---

Les også: Vibe coding på AWS lover 80 prosent raskere utvikling. AWS satser tungt på vibe coding med Q Developer og Kiro.

---

Tre nivåer for å prioritere AI-innsatsen i produktutviklingen

Alura mener AI-investeringer bør styres mot områder der effekten er dokumentert og målbar, ikke der teknologien er mest omtalt. I praksis betyr det å dele produktutviklingsløpet i tre nivåer med ulik bevisstyrke, ulik tid til effekt og ulik risiko. Start på nivået der du har både data og en flaskehals, ikke på nivået som gjør seg best i en presentasjon.

Nivå	Hva du setter AI på	Dokumentert effekt	Tid til målbar effekt	Hovedrisiko
Nivå 1: Dokumentasjon og krav	Kravuttrekk, spesifikasjoner, teknisk dokumentasjon, regelverkssporing	Redusert tid til å definere krav og dokumentere (PwC)	Uker	Lav. Feil oppdages i review
Nivå 2: Eksperimentering og analyse	Simulering, testprioritering, feilanalyse, designiterasjoner	30 prosent færre mislykkede studier (neuralconcept.com)	Kvartaler	Middels. Krever datakvalitet
Nivå 3: Agentisk utvikling	Kodegenerering, autonome utviklingsløp, intern verktøybygging	40 prosent av store organisasjoner skalerer agenter	Kvartaler til år	Høy. Vedlikehold og sikkerhet

Nivå 1: dokumentasjon, krav og regelverkssporing

Dette er nivået med lavest risiko og kortest vei til effekt. Generativ AI kan trekke ut og konsolidere krav ved hjelp av semantikk og OCR, og dermed redusere både tiden til å definere krav og dokumentasjonsarbeidet (PwC, 2025). For en SMB med spredte kravdokumenter, gamle PDF-er og e-posttråder er dette ofte det stedet hvor mest tid ligger begravd.

Compliance-assistenter hører til her. AI-drevne assistenter kan spore globale regulatoriske endringer og koble compliance-avdelingen mot utviklingsteamet (PwC, 2025). Med EU AI Act, NIS2 og produktspesifikke regelverk i samme tidsrom er dette en reell arbeidsbesparelse for team som i dag leser direktivtekster manuelt.

Innholdsproduksjon rundt produktet, alt fra brukerveiledninger til lanseringsmateriell, hører til samme nivå. Mekanikken er den samme som i annen generativ innholdsproduksjon: høyt volum, lav enhetsrisiko, menneskelig kvalitetskontroll på utgang. Det er kjedelig, og det er nettopp derfor det virker.

Nivå 2: eksperimentering og feilreduksjon

Her flyttes AI fra tekst til beslutninger om hva som skal testes. Effekten er dokumentert i bransjer med kostbare forsøk: AI har ført til 30 prosent færre mislykkede studier, og Deloitte anslår at AI kan redusere sene kliniske feil med 20 til 30 prosent, med besparelser på over 7,7 milliarder dollar årlig i legemiddelindustrien (neuralconcept.com, 2026). Mekanismen er overførbar selv om tallene ikke er det: du unngår å bruke ressurser på alternativer som uansett ville falt.

For en norsk produktbedrift er ekvivalenten å bruke historiske testdata, brukerdata og feilrapporter til å rangere hvilke hypoteser som er verdt et fullt eksperiment. Gevinsten kommer ikke fra å teste raskere, men fra å teste færre ting. Det forutsetter at du faktisk har lagret resultatene av gamle eksperimenter på en form som kan gjenbrukes, og der stopper mange.

Nivå 3: agentiske løp og intern verktøybygging

Det tredje nivået er der oppmerksomheten er størst og bevisgrunnlaget tynnest for mindre virksomheter. Autonome agenter som skriver, tester og retter kode endrer både kostnadsbildet og risikobildet. Effekten er reell for de som har kommet langt nok til å skalere, men skaleringen er svært ujevnt fordelt, noe vi kommer tilbake til.

Det praktiske rådet er å ikke starte her hvis nivå 1 fortsatt er urørt. Erfaringene fra vibe coding i norske SMB-er peker samme vei: hastigheten i selve kodeskrivingen er sjelden den bindende begrensningen. Review-kapasitet, testdekning og driftsansvar er det.

Mandag morgen for produktteamet som skal i gang

Et konkret oppstartsløp slår en strategi-workshop. Målet de første to månedene er ikke å innføre AI bredt, men å skaffe et troverdig svar på hvor i ditt eget løp AI faktisk flytter noe. Uten baseline er alt som kommer etterpå anekdoter.

Periode	Aktivitet	Leveranse
De to første ukene	Kartlegg hvor tid faktisk går i utviklingsløpet, fra ide til produksjon	Baseline på ledetid, ventetid og omarbeidd
Uke tre og fire	Velg ett nivå og ett arbeidsområde. Avklar datatilgang og personvern	Ett definert forsøk med suksesskriterium
Uke fem til åtte	Kjør forsøket med samme team, samme portefølje, uendret prosess ellers	Måling mot baseline
Etter åtte uker	Beslutt: skaler, juster eller avslutt. Endre prosessen som slipper gevinsten gjennom	Beslutningsnotat til ledergruppen

De to første ukene: mål hva som faktisk tar tid

Registrer ledetid for de siste ti til femten leveransene dere har gjort. Del tiden i aktivt arbeid og venting. De fleste team blir overrasket over forholdet mellom de to. Hvis mesteparten av ledetiden er venting på beslutninger, review eller miljøer, vil et kodeverktøy gi liten effekt uansett hvor godt det er.

Kartlegg samtidig hvor omarbeidd oppstår. Feil som oppdages sent i løpet er dyrere enn feil som oppdages tidlig, og det er ofte her AI på nivå 2 har mest å hente. Dette er den samme logikken som ligger bak reduksjonen i sene feil i legemiddelbransjen, oversatt til et produktteam i Norge.

Ett løp, ikke fem piloter

Fem parallelle piloter gir fem svake signaler og null beslutningsgrunnlag. Ett løp med et definert suksesskriterium gir et svar du kan handle på. Velg det arbeidsområdet der baseline viste størst tap, ikke det der teamet er mest entusiastisk.

Suksesskriteriet må settes før forsøket starter, og det må være en prosessmåling, ikke en opplevelsesmåling. Eksempler som fungerer: ledetid fra godkjent krav til produksjonssatt kode, andel leveranser som må gjøres om, eller antall eksperimenter per kvartal ved uendret budsjett. Eksempler som ikke fungerer: antall AI-spørringer, tilfredshet med verktøyet eller estimert spart tid.

Hold alt annet likt i forsøksperioden. Bytter du samtidig prosjektverktøy, omorganiserer teamet og innfører et nytt AI-verktøy, vet du ingenting om hva som virket. Dette er banal metodikk, og den brytes systematisk.

Norsk utgangspunkt når en av fire virksomheter bruker AI

Det norske bildet er verken kritisk eller ledende. En av fire virksomheter bruker AI i dag (NHO). Det betyr at tre av fire fortsatt har hele adopsjonskurven foran seg, og at konkurransefortrinnet i mange bransjer fremdeles er tilgjengelig.

Tallgrunnlaget er solid nok til å bygge beslutninger på. Utredningen er utført av Samfunnsøkonomisk analyse AS på oppdrag fra NHO og flere landsforeninger, med rundt 5 300 respondenter i spørreundersøkelsen og om lag 20 dybdeintervjuer med virksomheter (NHO).

Halvparten av AI-brukerne har en strategi

Om lag 50 prosent av virksomhetene som bruker AI har eller utvikler en strategi for det (NHO). Snu på det: halvparten av dem som allerede bruker AI, gjør det uten en plan for hvor det skal føre. Det er en direkte forklaring på hvorfor gevinstene ikke lar seg spore i resultatet.

En AI-strategi trenger ikke være et dokument på førti sider. Den trenger å svare på fire ting: hvilke arbeidsprosesser som skal endres, hvilke data som må på plass først, hvem som eier gevinsten, og hvilke krav som gjelder for bruken. Store institusjonelle aktører nærmer seg dette systematisk, og logikken i Oljefondets AI-strategi lar seg skalere ned til en bedrift med tredve ansatte.

Kompetanse og innsikt er den harde barrieren

Barrierene for AI-bruk inkluderer manglende kompetanse og innsikt (NHO). Det er verdt å lese presist: innsikt kommer i tillegg til kompetanse. Mange ledergrupper vet ikke hva AI kan gjøre i deres eget verdiskapingsløp, og kan derfor ikke skille et godt forslag fra et dårlig når det legges fram.

Konsekvensen er at beslutningene skyves til leverandøren. Det gir systematisk feil prioritering, fordi leverandøren selger det den har, ikke det du trenger. Den billigste motgiften er å bygge nok intern forståelse til å stille tre spørsmål: hvilken flaskehals fjernes, hvordan måles det, og hva koster det å drifte om to år.

Verdiregnestykket og prisen på å vente fem år

Makrotallene for Norge er store nok til å bli meningsløse hvis de ikke brytes ned. Økt bruk av generativ AI kan løfte den årlige produktivitetsveksten fra 0,6 til 1,3 prosent i perioden 2023 til 2040, og digitalisering og AI kan samlet gi opp mot 5 600 milliarder kroner i ekstra verdiskaping fram mot 2040 (NHO).

Størrelse	Anslag
Ekstra verdiskaping fra digitalisering og AI fram mot 2040	opp mot 5 600 mrd. kroner
Verdiskaping fra generativ AI, 2023 til 2040	2 000 mrd. kroner
Årlig produktivitetsvekst uten generativ AI	0,6 prosent
Årlig produktivitetsvekst med generativ AI	1,3 prosent
Gjennomsnittlig årlig bidrag fra avansert digitalisering og AI	0,5 prosentpoeng
Total AI-relatert verdiskaping ved fem års utsettelse	4 000 mrd. kroner
Redusert verdiskaping ved fem års utsettelse	1 600 mrd. kroner
Tapt gevinst fra generativ AI ved fem års utsettelse	450 mrd. kroner

Alle tallene i tabellen er hentet fra samme utredning (NHO).

Hva produktivitetsløftet består av

Avansert digitalisering og AI står for 80 pst. av den underliggende produktivitetsveksten, med et gjennomsnittlig årlig bidrag på 0,5 prosentpoeng (NHO). Det er verdt å registrere at dette handler om digitalisering bredt, ikke om generativ AI alene. Grunnarbeidet med systemer, integrasjoner og datastrukturer bærer mesteparten av lasset.

For en produktorganisasjon betyr det at AI sjelden er et selvstendig prosjekt. Det er en forsterker på toppen av digitale prosesser som allerede fungerer. Er kravhåndteringen manuell, testdataene spredt og releaseprosessen halvautomatisk, blir AI-effekten deretter.

Prisen på å vente

Utsettelse har en tallfestet kostnad. Fem års forsinket AI-utnyttelse tar den samlede AI-relaterte verdiskapingen ned til 4 000 milliarder kroner, en reduksjon på 1 600 milliarder kroner (NHO). For generativ AI isolert er tapet ved samme utsettelse anslått til 450 milliarder kroner.

Poenget er ikke at en enkelt bedrift bærer noen del av dette nasjonalregnskapet. Poenget er formen på kurven: gevinsten er kumulativ, og tapt tid hentes ikke inn igjen ved å løpe fortere senere. Læringen, datagrunnlaget og prosessendringene tar den tiden de tar uansett når du starter.

Fra makrotall til ditt eget budsjett

Oversettelsen til egen virksomhet gjøres på tre linjer. Første linje: hva koster produktutviklingsløpet i dag, målt i lønnskostnad per leveranse eller per kvartal. Andre linje: hvor stor andel av den kostnaden ligger i de aktivitetene du har identifisert som flaskehalser. Tredje linje: hvilken andel av den delen er det rimelig å tro at AI kan ta, gitt hva som er dokumentert på det aktuelle nivået.

Vær konservativ i tredje linje. Anslag om halvering gjelder bransjer med lange sykluser og modne datasett, ikke et team som akkurat har begynt. En business case som forutsetter global toppytelse i år ett er ikke en business case, det er en ønskeliste. Regn heller på om investeringen forsvarer seg ved en fjerdedel av effekten, og bygg opp derfra.

Når driftskostnadene begrenser bruken

Kostnadssiden har begynt å bite. Om lag 20 prosent av respondentene i den globale AI-undersøkelsen melder at AI-relaterte driftskostnader har begrenset bruken deres. Det er ikke et marginalt tall, og det gjelder organisasjoner som allerede har kommet i gang.

Programvarekostnader er også listet blant de største utfordringene for vellykket AI-adopsjon i forskning og utvikling, sammen med datakvalitet, sikkerhet og datatilgjengelighet (PwC, 2025). To uavhengige kilder peker altså på det samme: kostnaden er ikke et engangsbeløp ved innkjøp.

Kostnadsdriverne i et produktutviklingsløp

Kostnadene fordeler seg på fire poster som oppfører seg ulikt. Lisenser er forutsigbare og skalerer med antall ansatte. Bruksbasert forbruk skalerer med aktivitet og kan eksplodere når agenter kjører i løkker. Infrastruktur og datalagring skalerer med volum. Og den fjerde posten, den som aldri står i tilbudet, er tiden folk bruker på å drifte, overvåke og rette opp.

Den farligste posten er den bruksbaserte. Et agentisk løp som kjører hundrevis av iterasjoner for å løse en oppgave kan koste mer enn utvikleren det skulle avlaste. Sett et hardt tak per prosjekt og en varsling på forbruk før du slipper agenter løs i en pipeline, ikke etter at fakturaen kom.

Enhetsøkonomi før skalering

Hvis AI skal inn i selve produktet og ikke bare i utviklingen av det, må enhetsøkonomien regnes ut før lansering. Kostnad per bruker, per forespørsel eller per transaksjon avgjør om funksjonen tåler vekst. En AI-funksjon som er lønnsom ved hundre brukere kan være tapsbringende ved ti tusen hvis prisingen er flat og forbruket er variabelt.

Dette bør avgjøres i produktdesignfasen, ikke i driftsfasen. Valg av modellstørrelse, hvor mye kontekst som sendes med, om resultater kan mellomlagres og hvor mye som kan løses uten en modell i det hele tatt, er produktbeslutninger med direkte bunnlinjekonsekvens. AI kan effektivisere kompleksitet og forbedre produktkostnader (PwC, 2025), men bare hvis den ikke selv blir den nye kostnadsdriveren.

---

Les også: Privacy-first AI i Norge: Slik bruker du AI tryggere (uten å slutte å bruke det). Slik får du mer privat bruk av AI: skill identitet fra innhold, bruk stateless calls og BYOK.

---

Agentiske kodeverktøy endrer hva du kjøper og hva du bygger

Den mest konkrete markedsendringen det siste året handler ikke om produktivitet, men om innkjøp. Nesten en tredjedel av respondentene i den globale AI-undersøkelsen melder at organisasjonen deres har besluttet å ikke kjøpe programvareprodukter fordi de kunne bygges internt med agentiske kodeverktøy.

For norske produktselskaper går dette begge veier. Du kan bygge mer selv, og kundene dine kan gjøre det samme. Hvis produktet ditt løser et problem som nå kan løses av et internt team på en uke, er inntektsgrunnlaget under press uavhengig av hvor godt produktet er.

Bygge mot kjøpe forskyves, men ikke gratis

Det som blir billigere er første versjon. Det som ikke blir billigere er vedlikehold, sikkerhetsoppdateringer, integrasjoner og støtte over fem år. Internt bygget programvare har en levetidskostnad som sjelden regnes med når beslutningen tas, fordi den beslutningen ofte tas av noen som ikke skal eie systemet i drift.

Den nøkterne regelen er å bygge selv der løsningen er nær kjernen i det du selger, og kjøpe der den ikke er det. Agentiske verktøy flytter grensen for hva som er praktisk mulig å bygge, men de flytter ikke grensen for hva som er lurt å eie. Et internt CRM du bygget på to uker er fortsatt et internt CRM du skal vedlikeholde i syv år.

Store og små skalerer i ulikt tempo

40 prosent av respondentene fra store organisasjoner melder at de skalerer AI-agenter, opp fra 27 prosent året før. Blant mindre organisasjoner står andelen stille på 22 prosent. Gapet vokser, og det er ikke primært et teknologigap.

Store organisasjoner har plattformteam, sikkerhetsfunksjoner og dataforvaltning som gjør skalering mulig. Mindre virksomheter har samme tilgang til modellene, men mangler apparatet rundt. For en norsk SMB betyr det at ambisjonsnivået bør settes etter hva du kan drifte, ikke etter hva du kan demonstrere. En agent i produksjon uten overvåking er en hendelse som venter på å skje.

Datakvalitet og sikkerhet er de tunge barrierene

De største utfordringene for vellykket AI-adopsjon i forskning og utvikling er datakvalitet, sikkerhet, datatilgjengelighet og programvarekostnader (PwC, 2025). Tre av fire punkter handler om noe som må være på plass før modellen i det hele tatt kommer inn i bildet.

Alura mener datakvalitet og datastyring er en forutsetning for AI i produktutvikling, ikke et etterarbeid. Det er en upopulær posisjon fordi den forsinker den morsomme delen. Den er likevel den enkleste forklaringen på hvorfor så mange piloter aldri når produksjon.

Datajobben som må gjøres først

Konkret betyr det tre ting for et produktteam. Du må vite hvilke data som finnes, hvor de ligger og hvem som eier dem. Du må vite hvilke av dem som har tilstrekkelig kvalitet til å bygge beslutninger på. Og du må ha avklart hva som lovlig kan brukes til hva, inkludert kundedata og personopplysninger.

Dette arbeidet har verdi uavhengig av AI. Det er også grunnen til at det er lettere å få finansiert enn folk tror: et ryddig datagrunnlag forbedrer rapportering, feilsøking og produktbeslutninger uansett om noen modell settes på det. Behandle det som infrastruktur, ikke som et AI-prosjekt.

For virksomheter som håndterer sensitive data er tilnærmingen ekstra viktig. En privacy-first-tilnærming begrenser hvilke data som forlater egne systemer, og gjør det enklere å dokumentere behandlingen når spørsmålene kommer.

Sikkerhetsbildet norske virksomheter undervurderer

Norske virksomheter tar risikoen for lett. 29 prosent vurderer risikoen for cyberangrep som svært liten eller liten, og bare 34 prosent ser på AI som en sikkerhetsrisiko (kode24). Undersøkelsen har 516 respondenter og er hentet fra Ateas sikkerhetsrapport for 2025.

IT-sikkerhetsdirektør Thomas Tømmernes peker på at AI har gjort phishing, deepfakes og sosial manipulering mer troverdig og skalerbart (kode24). For et produktteam er den relevante konsekvensen todelt: dere er selv et mål, og produktet dere lager kan bli en angrepsflate hos kunden.

Sikkerhetsarbeid i AI-drevet produktutvikling har minst tre spor: tilgangsstyring til data og modeller, kontroll på hva som sendes ut av huset, og validering av det som kommer tilbake. Det siste undervurderes systematisk. Kode og innhold generert av en modell er input som må behandles med samme mistenksomhet som input fra en ekstern kilde.

Norsk avstand i AI-basert sikkerhetsforskning

Norge henger etter internasjonalt innen AI-basert cybersikkerhet, argumenterer Per-Arne Andersen, førsteamanuensis ved Center for Artificial Intelligence Research ved Universitetet i Agder (Digi.no). Han mener at forbud mot enkeltapper ikke er en langsiktig løsning, og at flere kommuner, departementer og etater har krevd TikTok og Telegram fjernet fra tjenesteenheter uten at det løser underliggende problemer.

Kritikken er relevant også for private virksomheter. Å blokkere navngitte tjenester gir en følelse av kontroll uten å endre angrepsflaten. Andersen peker på behovet for målrettet satsing på forskning og innovasjon innen AI-baserte sikkerhetsløsninger, og trekker fram Tsetlin-maskinen, en norskutviklet teknologi som er mer forståelig enn nevrale nettverk (Digi.no). Forklarbarhet er ikke en akademisk detalj når du skal dokumentere hvordan et system tok en beslutning.

EU AI Act og forskningsunntakene som ikke dekker publisering

EU AI Act er verdens første juridiske rammeverk som spesifikt regulerer kunstig intelligens (NHO). Forordningen trådte i kraft 1. august 2024, klassifiserer AI-anvendelser i fire risikonivåer pluss en egen kategori for generell AI, og oppretter et europeisk AI-styre (en.wikipedia.org).

Bestemmelsene får anvendelse trinnvis, med en forsinkelse på seks til 36 måneder avhengig av bestemmelse (en.wikipedia.org). For norske produktteam betyr innfasingen at du har tid til å forberede deg, men ikke tid til å utsette avklaringen av hvilken kategori dere havner i.

Forskningsunntaket stopper der publiseringen begynner

Her ligger den mest oversette risikoen. Pliktene i AI-forordningen kan gjelde AI-forskere i langt flere tilfeller enn forskningsmiljøet er klar over, og unntakene for forskning er smale og dekker kanskje ikke selve handlingen å publisere AI-systemer eller modeller (arXiv, 2024). Å publisere forskningsartefakter kan altså oppheve unntaket du trodde du hadde.

Unntaket for åpen kildekode hjelper ikke overalt: det gjelder ikke for høyrisikosystemer eller for generelle AI-modeller med systemisk risiko (arXiv, 2024). Forordningen har i tillegg ekstraterritoriell rekkevidde og påvirker forskere utenfor EU. For norske virksomheter, som uansett ligger tett på EU-regelverket gjennom EØS, er dette ikke en fjern problemstilling.

Alura mener norske virksomheter bør avklare eksponeringen mot EU AI Act før de publiserer eller deler egne modeller. Avklaringen tar dager. Å rydde opp etter en publisering som utløste plikter du ikke visste om, tar noe helt annet.

Bøtenivåene er dimensjonert for å merkes

Sanksjonene følger en trappemodell der prosentsatsen av global omsetning ofte er den bindende størrelsen for større selskaper, mens eurobeløpet er det for mindre. Tabellen under gjengir nivåene slik de er beskrevet (en.wikipedia.org).

Overtredelse	Maksimalt beløp	Andel av global årsomsetning
Brudd på forbudene i artikkel 5	EUR 35 000 000	7 prosent
Brudd på andre operatørplikter	EUR 15 000 000	3 prosent
Uriktig, ufullstendig eller villedende informasjon	EUR 7 500 000	1 prosent

Forordningen ble vedtatt i Europaparlamentet 13. mars 2024 med 523 stemmer for, 46 mot og 49 avholdende (en.wikipedia.org). Den politiske oppslutningen var altså bred, noe som gjør en betydelig oppmykning på kort sikt lite sannsynlig. Regelverket rundt generell AI utvikles videre, blant annet gjennom en praksiskodeks for slike modeller (arXiv, 2024).

NIS2 kommer via leverandørkjeden

AI-forordningen er ikke det eneste regelverket som treffer produktutvikling. Nesten 40 prosent av private virksomheter kjenner ikke til NIS2-direktivet (kode24). Tømmernes advarer om at NIS2 og andre EU-reguleringer vil ramme hele næringslivet gjennom leverandørkjedene.

Det er mekanismen som bør interessere en produktansvarlig. Du blir ikke nødvendigvis truffet direkte av direktivet, men av kundens krav til deg som leverandør. Kravene kommer da som spørreskjema, kontraktsvedlegg og revisjoner, ofte med kort frist. Å ha dokumentasjonen på plass i forkant er billigere enn å produsere den mens en salgsprosess står på vent.

Regelverksarbeidet er samtidig et av områdene der AI selv gjør nytte. Compliance-assistenter som sporer regulatoriske endringer og kobler dem mot utviklingsarbeidet er et av de mest konkrete bruksområdene på nivå 1 (PwC, 2025). Digitale regelverk er ikke isolert til AI heller, noe konsekvensene av EU-dommen mot Google illustrerer for norske aktører.

Vanlige feil når AI skal inn i produktutviklingen

Feilene er forutsigbare, og de gjentas fordi de føles som fremdrift mens de pågår. Her er de fire som koster mest, med det som faktisk hjelper mot hver av dem.

Piloter uten baseline

Uten en måling av utgangspunktet kan et forsøk verken bevises eller avvises. Resultatet blir at det som ble startet med entusiasme, videreføres med entusiasme, og at ingenting noen gang stanses. Organisasjoner som ikke klarer å avslutte AI-initiativer, ender med en portefølje av halvferdige piloter som binder kapasitet.

Baseline trenger ikke være perfekt. Ti målte leveranser med ledetid og omarbeidd er nok til å se om noe faktisk har flyttet seg. Det som ikke fungerer er å rekonstruere utgangspunktet i etterkant, når alle har en interesse av at forsøket lyktes.

Verktøyutrulling forvekslet med prosessendring

Lisenser til alle er den enkleste beslutningen å ta og den vanskeligste å hente verdi fra. Gapet mellom opplevd produktivitet og målt resultateffekt er det tydeligste symptomet: den ene siden vokser mens den andre står stille.

Motgiften er å endre en prosess samtidig med at verktøyet innføres. Kortere reviewsyklus, hyppigere release, færre parallelle initiativer. Uten en slik endring har den sparte tiden ingen vei ut i resultatet.

Datajobben utsettes til etter piloten

Rekkefølgen data, deretter modell, virker treg og er raskere. Datakvalitet og datatilgjengelighet står blant hovedutfordringene for AI i forskning og utvikling (PwC, 2025), og en pilot bygget på ryddede data i et regneark kan ikke settes i produksjon uten at hele grunnlaget lages på nytt.

Et praktisk kompromiss: gjør datajobben smalt. Rydd de tre datasettene forsøket faktisk trenger, i produksjonskvalitet, i stedet for å starte et toårig datastyringsprogram. Da kan piloten skaleres uten omstart, og du får erfaring med hva full opprydding faktisk koster.

Regulatorisk eksponering avklares for sent

Den dyreste varianten er å oppdage etter lansering at systemet er høyrisiko, eller at en publisering utløste plikter. Forskningsunntakene i AI-forordningen er smale og dekker ikke nødvendigvis publisering av modeller og systemer (arXiv, 2024). Klassifiseringen bør derfor gjøres i designfasen, ikke i lanseringsuken.

Praktisk fremgangsmåte: skriv ned hva systemet gjør, hvem det påvirker og i hvilken sammenheng det brukes. Vurder det mot risikonivåene i forordningen (en.wikipedia.org). Er svaret usikkert, er det et signal om å hente juridisk vurdering før utviklingen går videre, ikke etter.

Ofte stilte spørsmål om AI i produktutvikling

Fire spørsmål går igjen i ledergrupper som skal ta beslutningen. Svarene under holder seg til det som er dokumentert.

Hvor lang tid tar det før AI gir målbar effekt?

På nivå 1, altså dokumentasjon, krav og regelverkssporing, kan effekten måles innen noen uker fordi arbeidet er repeterbart og volumet høyt. På nivå 2 og 3 er horisonten kvartaler til år, fordi effekten går gjennom prosesser og datagrunnlag som må endres. At bare et mindretall av virksomhetene tilskriver AI noen EBIT-effekt skyldes i stor grad at mange måler for tidlig og på feil sted.

Bør vi bygge egne modeller eller bruke leverandørmodeller?

For de aller fleste norske SMB-er er svaret leverandørmodeller, med egne data og egen prosess på toppen. Å trene egne modeller krever data, kompetanse og driftskapasitet som få har, og det flytter deg samtidig inn i en tyngre regulatorisk kategori. Skal dere likevel bygge og dele egne modeller, må eksponeringen mot AI-forordningen avklares først, siden unntakene for åpen kildekode ikke gjelder for høyrisikosystemer eller generelle modeller med systemisk risiko (arXiv, 2024).

Gjelder EU AI Act oss når vi bare bruker AI internt?

Det avhenger av hva systemet gjør og hvem det påvirker, ikke av om det er internt. Forordningen klassifiserer anvendelser i fire risikonivåer pluss en kategori for generell AI (en.wikipedia.org). Et internt verktøy som støtter beslutninger om ansatte eller kunder kan havne høyere i trappen enn et kundevendt verktøy som bare oppsummerer tekst. Gjør klassifiseringen per bruksområde, ikke per system.

Hvordan måler vi gevinsten uten å lure oss selv?

Bruk prosessmålinger med baseline, hold andre variabler i ro gjennom forsøksperioden, og krev at gevinsten kan spores til et budsjett eller en leveranseplan. Selvrapportert produktivitet er nyttig som tidlig signal, men er ikke bevis: det store flertallet melder bedre individuell produktivitet mens resultateffekten står stille. Konsentrasjonen av verdi hos en femtedel av selskapene (PwC, 2025) tyder på at disiplinen i målingen er en del av det som skiller dem fra resten.

Oppsummering og de neste stegene

Effekten av AI i produktutvikling er dokumentert, men skjevt fordelt og avhengig av arbeid som ikke har med modeller å gjøre. Halverte tidslinjer er mulig i bransjer med lange sykluser og modne data (neuralconcept.com, 2026). Resultateffekten uteblir for flertallet, og det norske utgangspunktet, der tre av fire virksomheter fortsatt står utenfor (NHO), betyr at posisjonen fortsatt er åpen.

De fem beslutningene du kan ta denne måneden

For det første: mål baseline på ledetid og omarbeidd i eget utviklingsløp. For det andre: velg ett nivå og ett arbeidsområde, og sett ett suksesskriterium som er en prosessmåling. For det tredje: rydd de datasettene forsøket faktisk trenger, i produksjonskvalitet. For det fjerde: sett et tak på bruksbaserte kostnader før noe kjøres i pipeline. For det femte: klassifiser bruksområdet mot risikonivåene i AI-forordningen før utviklingen går videre.

Ingen av disse krever ny teknologi eller store budsjetter. De krever at noen eier beslutningen og at gevinsten har en definert mottaker i organisasjonen. Der så mange norske AI-brukere mangler en strategi (NHO), er dette i praksis strategien i miniatyr.

Slik ser et realistisk førsteår ut

Første kvartal går til baseline, datajobb og ett forsøk på nivå 1. Andre kvartal går til å endre prosessen som skal slippe gevinsten gjennom, og til å måle om den faktisk gjør det. Tredje kvartal er det tidligste tidspunktet der et nivå 2-initiativ bør startes, og bare hvis datagrunnlaget holder. Fjerde kvartal brukes til å avgjøre hva som skaleres og hva som avsluttes.

Det er et nøkternt løp, og det er raskere enn alternativet. Kostnaden ved å vente er tallfestet på nasjonalt nivå, der fem års utsettelse tar verdiskapingen betydelig ned (NHO). På virksomhetsnivå er mekanismen den samme: kompetansen, dataene og prosessendringene tar den tiden de tar, og de kan ikke kjøpes inn i etterkant.

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

• neuralconcept.com (2026). AI Research and Development: How AI is Transforming R&D | Neural Concept
• NHO. Kunstig intelligens i Norge - nytte, muligheter og barrierer
• arXiv (2024). Position: EU AI Act's Research Exemptions Can Break ...
• PwC (2025). How AI is transforming research and development | PwC
• kode24. Få norske selskaper anser AI som risiko: – De har ikke forstått
• Digi.no. Norge i skyggen av AI-revolusjonen: Cybersikkerhet krever en opptrapping av innsatsen | Digi.no
• en.wikipedia.org. Artificial Intelligence Act