Aker BPs AI-overvåking på boreriggen kutter dødtid

Hva Aker BP og DrillDocs faktisk utvider

Aker BP utvider utrullingen av AI-basert boreovervåking sammen med leverandøren DrillDocs på norsk sokkel. Den nye installasjonen er gjennomført på Odfjell Drillings Deepsea Nordkapp, og bygger videre på en tidligere pilot om bord på Noble Integrator.

Dette er ikke en abstrakt fremtidsvisjon, men operativ teknologi som allerede kjører på en produksjonsrigg. Systemet kombinerer kameraer, computer vision og dataanalyse for å følge borereturer i sanntid, og skal hjelpe borepersonell med å oppdage problemer tidligere før de stopper produksjonen.

For norske ledere i oljeservice er dette en av få konkrete, dokumenterte AI-utrullinger på norsk sokkel som er mulig å vurdere uten å bla seg gjennom hype. Operatøren har testet, målt og valgt å skalere. Da fortjener grepet en nøktern gjennomgang.

Avtalen som ble varslet i juni 2026

Nyheten ble offentliggjort i juni 2026. Aker BP og DrillDocs utvider utrullingen av sin computer vision-baserte overvåking til en ny rigg. Det er et tydelig steg både fordi teknologien går fra pilot til skalering, og fordi det skjer i en av Europas mest regulerte energiprovinser.

Bakgrunnen er at piloten på Noble Integrator ifølge selskapene reduserte ikke-produktiv sirkulasjonstid og forbedret tidlig deteksjon av borespon og cavings. Når slike resultater dokumenteres på en faktisk operasjon, beveger forretningssaken seg ut av PowerPoint og inn i drift.

Hvorfor Deepsea Nordkapp er neste stopp

Deepsea Nordkapp drives av Odfjell Drilling og opererer på norsk sokkel for blant andre Aker BP. Når operatøren velger å installere AI-overvåking om bord, signaliserer det at læringen fra Noble Integrator-piloten skal videreføres på en aktiv kontrakt.

For en ny rigg betyr det også at modellen får møte nye geologiske forhold. Hvert felt har sin egen oppførsel for trykk, fluid og spon. En modell som er trent på data fra en annen brønn må valideres mot ny grunn, og det er en del av jobben når computer vision skaleres fra ett driftsmiljø til et nytt.

Hva en rammeverk-avtale faktisk innebærer

Utvidelsen er en del av en bredere teknologisk rammeverk-avtale mellom Aker BP og DrillDocs. Rammeverk-avtaler innebærer typisk forhåndsdefinerte vilkår for pris, leveranseomfang og IP, slik at hver enkelt rigg-utrulling ikke krever ny forhandling.

Modellen senker friksjonen for skalering. Det er forskjellen på å kjøre en pilot i seks måneder og deretter starte fra null, kontra å rulle ut på flere rigger uten å forhandle alle juridiske og kommersielle vilkår på nytt for hver installasjon.

Slik fungerer computer vision på borereturer

Computer vision er maskinlæring som tolker bilder, ofte fra videostrømmer. På en borerigg betyr det at kameraer fanger materialet som kommer opp gjennom borestrengen og tilbake på shale shaker, og at en modell klassifiserer det den ser i sanntid.

Aker BP og DrillDocs har valgt en kombinasjon av kameraer, computer vision og dataanalyse for nettopp denne oppgaven. Det er en arkitektur som passer godt for industrielle bruksområder hvor visuell inspeksjon allerede er kjernen i en menneskelig arbeidsprosess.

Kameraer på shale shaker

Den fysiske installasjonen handler om kamerarigger plassert over shale shaker, eller i andre punkter der borefluid og spon passerer. Belysning, vinkel og oppløsning avgjør om modellen får brukbart datasett å jobbe med.

I praksis betyr det at hver rigg krever en egen tilpasning. Kalibreringen mot konkrete forhold er en av grunnene til at en pilot trengs før bred utrulling, og en av grunnene til at computer vision-prosjekter ofte feiler i overgangen fra labb til produksjon.

Hva modellen ser etter

Modellen er trent til å gjenkjenne mønstre i strømmen av borespon: størrelse, form, mengde og endringstakt. Disse parametrene har tradisjonelt blitt vurdert av mudlogger og borepersonell visuelt eller via håndholdte målinger.

Når kombinasjonen av tidlig deteksjon av borespon og cavings automatiseres, frigjøres erfarne folk til vurderinger som krever helhetsforståelse. Maskinen overtar mønstergjenkjenningen, mennesket beholder dømmekraften.

Sanntid versus etteranalyse

Forskjellen på sanntid og etteranalyse er kritisk. Systemet overvåker borereturer i sanntid og kan dermed gi varsel mens beslutningen fortsatt kan endre resultatet.

En etteranalyse forteller hva som gikk galt. En sanntidsmodell forteller hva som er i ferd med å gå galt. Forskjellen er det meste av forretningssaken.

Resultatene fra piloten på Noble Integrator

Piloten ombord på Noble Integrator er fundamentet for at utrullingen nå skaleres. Selskapene rapporterer at testen reduserte ikke-produktiv sirkulasjonstid og forbedret tidlig deteksjon av borespon og cavings.

For en operatør betyr ikke-produktiv tid, eller NPT, timer der riggen står uten å produsere fremdrift i brønnen. Hver time har en betydelig kostnad. Når den telles ned ved hjelp av tidligere deteksjon av problemer, treffer effekten både drift og økonomi direkte.

Hva piloten målte

Selskapene har ikke offentlig kvantifisert reduksjonen. Det som er kommunisert, er kvalitativt: redusert NPT og bedre tidlig deteksjon. For et beslutningsgrunnlag i en annen organisasjon er det viktig å lese dette som retning, ikke som et tall man kan benchmarke mot.

Reduksjon i ikke-produktiv tid

Den dokumenterte effekten er redusert ikke-produktiv sirkulasjonstid. Sirkulasjonstid er perioden der borefluid pumpes uten at brønnen forlenges, ofte for å rense hullet for spon eller stabilisere trykket.

Når AI hjelper til med å identifisere når sirkulasjonen er ferdig eller når den må forlenges, kan riggen gjenoppta boring tidligere uten å risikere problemer. Det er en konkret operasjonell gevinst som ikke krever store organisatoriske endringer.

Tidlig deteksjon som operasjonell verdi

Forbedret tidlig deteksjon av borespon og cavings er den andre dokumenterte effekten. Verdien her er mer indirekte: man unngår at små avvik blir til store stopper.

I et regnskap er det vanskelig å telle hendelser som ikke skjedde. Operasjonelt er det likevel ofte den største effekten av denne typen overvåking, fordi tap fra en enkelt alvorlig hendelse kan overstige hele års investering i tidlig deteksjon.

Pack-off og cavings: problemene teknologien fanger opp tidligere

Et av de viktigste bruksområdene for systemet er å identifisere risiko for pack-off. Borepersonellet skal kunne oppdage potensielle pack-off-tilstander og andre brønnproblemer tidligere ved hjelp av sanntidsanalyse av returstrømmen.

Pack-off oppstår når spon eller annet materiale samler seg rundt borestrengen og blokkerer sirkulasjonen. Konsekvensen kan være fast borestreng, tap av brønnkontroll eller i verste fall sidetrack. Tidlig varsel er forskjellen på en justering og en hendelse.

Hva pack-off koster

Pack-off er en av de operasjonelle hendelsene som kan generere flere dager med stopp. Hvert døgn med rigg i ro koster store summer i dagrater og kontraktsmessige følger. Når systemet kan flagge potensielle pack-off-tilstander tidligere, er gevinsten ikke marginal: det er forskjellen mellom planlagt aktivitet og en stoppsituasjon.

Cavings som tidlig varsel

Cavings er biter av brønnveggen som faller inn i hullet. De ser annerledes ut enn vanlig borespon: større, mer kantete, av annen form. Mengden og typen cavings er en indikator på brønnstabilitet.

Tidlig deteksjon av cavings gir borepersonell mulighet til å justere mudvekt, trykk eller boreparametre før situasjonen utvikler seg. Det er klassisk forebyggende vedlikehold, bare med kortere reaksjonstid.

Beslutningsstøtte for borepersonell

Alura mener computer vision på borereturer bør behandles som beslutningsstøtte for borepersonell, ikke autonom kontroll. Modellen kan se mønstre raskere, men dømmekraften som binder mønsteret til riktig respons sitter i fagpersonen, ikke i algoritmen.

Det er også slik systemet er presentert av Aker BP og DrillDocs: borepersonellet skal varsles tidligere, slik at de kan agere. Det er ikke en sentralstyrt brønnkontroll. Den skillelinjen er viktig både for sikkerhet, ansvar og aksept i organisasjonen.

Rammeverk-avtalen som utrullingsmodell

Den kommersielle modellen Aker BP og DrillDocs har valgt er like interessant som teknologien. Utvidelsen er en del av en bredere teknologisk rammeverk-avtale. Det er pilot først, så bredde.

Alura mener pilot på en rigg fulgt av rammeverk-avtale er en pragmatisk utrullingsmodell norske operatører bør vurdere før de skalerer bredt. Den lar deg dokumentere effekt på din egen drift før du forplikter store budsjetter, og den unngår den klassiske fellen der teknologivalg gjøres ut fra leverandørens lovord alene.

Element	Pilot på en rigg	Rammeverk-avtale
Tidshorisont	Måneder	Flere år
Risikoeksponering	Begrenset til pilot	Skalert over portefølje
Forhandling per rigg	Full kontrakt	Avrop på rammeverk
Datagrunnlag for beslutning	Måleserier fra en operasjon	Erfaring fra pilot legger føringer
Egnethet for SMB-operatører	Lav inngangsterskel	Forutsetter pilotresultat

Pilot først, så bredde

Aker BPs grep er en lærebokutrulling for ny operasjonell teknologi: kjør en avgrenset pilot på Noble Integrator, dokumenter effekt, og bruk resultatene til å utvide til neste rigg under en avtale som ikke krever full reforhandling.

Det er ingen garanti for at en pilot lykkes. Men det er en måte å forplikte seg gradvis, og det er ofte forskjellen på en teknologi som faktisk tas i bruk og en som blir liggende i en sluttrapport.

Hvorfor norske operatører bør vurdere modellen

Norske oljeselskaper opererer i et regulatorisk miljø der dokumentasjon og sporbarhet er sentralt. En pilot gir dokumentert grunnlag som kan deles med tilsynsmyndigheter og partnere. En rammeverk-avtale gir kommersielt forutsigbar skalering uten å låse seg til en leverandør i tidlig fase.

Den samme logikken brukes når norske virksomheter vurderer AI med tanke på dataeierskap og suverenitet: små, dokumenterte steg er bedre enn store kontrakter inngått på løfter.

Forskjellen på rammeverk og enkeltkjøp

Et enkeltkjøp er en transaksjon. En rammeverk-avtale er et samarbeid. I praksis betyr det at leverandøren har incentiv til å lykkes på lang sikt, fordi neste avrop avhenger av at forrige fungerte.

For mindre operatører er dette en mulig modell selv om ressursene er mindre enn Aker BPs. Det avgjørende er at pilotresultatene måles på tall som har forretningsmessig betydning, ikke bare på modellnøyaktighet.

Hva norsk oljeservice kan kopiere fra grepet

Mange norske oljeserviceselskaper opererer i nisjer der visuell inspeksjon, manuell kontroll og erfaringsbasert vurdering fortsatt er kjernen. Det er nettopp her computer vision har størst potensial i industrien.

Aker BPs grep er ikke en blåkopi alle kan følge, men det inneholder konkrete elementer som er overførbare. Tre prinsipper ligger under utrullingen: målbar driftsplage, riktig leverandør, ryddig data- og IP-avtale fra dag en.

Steg	Hva Aker BP gjorde	Hva ditt selskap kan kopiere
Identifiser problem	NPT fra pack-off og cavings	Kartlegg topp tre kostnadsdrivere i drift
Velg leverandør	Spesialist på borereturer	Nisjeleverandør foran generalist
Kjør pilot	Noble Integrator	Avgrens til en rigg, anlegg eller linje
Mål effekt	NPT og deteksjonstid	Definer KPI-er før piloten starter
Skaler	Rammeverk-avtale	Forhandle avtale med klare avropsvilkår

Identifiser en målbar driftsplage

Den første feilen mange gjør er å starte med teknologien. Aker BP startet med et problem: ikke-produktiv tid knyttet til pack-off og cavings. Det er et problem som har en pris, en frekvens og en eier i organisasjonen.

Spør deg selv: hvilke topp tre operasjonelle hendelser koster oss mest hvert år, og hvilke av disse har tegn på seg lenge før de skjer? Det er der computer vision kan ha effekt.

Velg en leverandør som matcher syklusen

DrillDocs er en spesialist på akkurat denne typen overvåking. Det er nisjekompetanse, ikke en generell AI-leverandør. For å lykkes med et lignende grep må også du finne leverandøren som har gjort domenearbeidet på akkurat ditt problem.

En generalist kan bygge en modell. En nisjespesialist kjenner allerede de små særtilfellene i datasettet ditt. Forskjellen merkes i hvor mye tid pilotfasen tar.

Sett opp datadeling og IP fra dag en

Pilotene kollapser ofte når juridikken kommer på bordet etter at modellen begynner å virke. Hvem eier dataene? Hvem eier modellen som er trent på dem? Hva skjer ved opphør?

Datasuverenitet og kontroll over AI-modeller er ikke bare et ideologisk spørsmål. Det er en kontraktsmessig nødvendighet, og det er enklere å avtale før modellen er trent enn etterpå.

Kostnad og ROI når dødtid på riggen reduseres

Det er ingen offentliggjorte tall på hva systemet koster eller hva det har spart Aker BP. Det vi vet er at piloten reduserte ikke-produktiv sirkulasjonstid og forbedret tidlig deteksjon, og at selskapene har valgt å utvide.

For en operatør i ferd med å vurdere lignende teknologi er det likevel mulig å bygge et regnestykke ovenfra og ned. Det handler om å sette kostnadene for systemet opp mot kostnaden for en typisk hendelse multiplisert med sannsynligheten for at den fanges tidligere.

Kostnadselement	Type	Tidshorisont
Kameraer og installasjon per rigg	CAPEX	Engangs
Programvarelisens	OPEX	Løpende
Drift og overvåking	OPEX	Løpende
Tilpasning og kalibrering per ny rigg	Prosjekt	Per utrulling
Opplæring av borepersonell	Prosjekt	Per rigg, gjentas ved utskifting

Hva dødtid koster i grove trekk

Dagrater for moderne semisubmersibler ligger i et betydelig sjikt. Når en hendelse stopper riggen, må man legge på serviceleveranser, logistikk og kontraktsmessige konsekvenser. Detaljene varierer mellom kontrakter, men prinsippet er enkelt: NPT er dyrt.

Det er hvorfor selv en moderat reduksjon i ikke-produktiv sirkulasjonstid kan rettferdiggjøre en betydelig investering i overvåkingsteknologi.

Investeringselementer

Investeringen er ikke bare kameraer og lisens. Den inkluderer installasjon i et røft offshore-miljø, kalibrering, integrasjon mot riggens øvrige systemer, opplæring og rutiner for hva borepersonellet skal gjøre når et varsel kommer.

Det siste punktet er ofte undervurdert. En varseltyngende modell uten klar respons-protokoll blir raskt en ny støykilde, og da synker tilliten og bruken.

Når regnestykket går opp

Regnestykket går opp tidligst når man har en operasjon som har dokumentert tap fra problemer teknologien er designet for å fange. Hvis NPT-andelen i din portefølje er lav, vil ROI også være lavere.

Den siste delen av kalkylen er hva som skjer hvis modellen ikke fanger en hendelse. Aker BPs system gir tidligere varsel, men det fjerner ikke behovet for manuell overvåking. Det reduserer sannsynligheten, ikke risikoen til null.

Datakvalitet og kameraplassering som forutsetninger

Computer vision er bare så god som dataene den får. En modell trent på dårlige bilder vil generere dårlige beslutningsstøtte. Det er den eneste loven som gjelder uavhengig av arkitektur, leverandør og budsjett.

I prosjekter Alura har sett, og i bredere erfaringer fra computer vision for norsk næringsliv, er datakvalitet og fysisk oppsett som regel den største flaskehalsen, ikke modellvalget.

Forutsetning	Hva må sjekkes	Hvem eier
Kameraplassering	Vinkel mot returstrøm, avstand, vibrasjon	Riggoperatør
Belysning	Stabil, fri for refleks	Riggoperatør
Treningsdata	Eksempler fra egne brønner	Operatør og leverandør
Etiketter	Konsistent merket av fagpersonell	Operatør
Modellvalidering	Test på nye brønner	Leverandør

Kameraplassering og belysning

Et offshore-miljø er røft. Spray, vibrasjon, varierende belysning og kontinuerlig drift gjør at en kamerainstallasjon må være robust, og at vedlikeholdet må være en del av driftsplanen.

Når systemet skal overvåke borereturer i sanntid, må kameraet ha klar sikt til strømmen til enhver tid. En tildekket linse er et nullt datapunkt.

Treningsdata fra egne brønner

En modell som er trent på brønner fra en annen geografi vil ofte slite med å generalisere. Det er ikke spesifikt for borerigger, men gjelder for computer vision-prosjekter i industrien generelt.

Derfor er det viktig å samle treningsdata fra egne operasjoner i pilotfasen. Det gjør modellen mer treffsikker, og det reduserer leverandørens makt over modellverdien etterpå.

Modellsensitivitet og falske alarmer

Falske alarmer er den raskeste måten å miste tillit på. Hvis modellen varsler for ofte, slutter borepersonell å lytte. Hvis den varsler for sjelden, går potensielle hendelser ufanget.

Kalibrering av sensitivitet er en kontinuerlig oppgave. Den endrer seg når brønnen endrer seg, og det er en del av hvorfor en rammeverk-avtale gir mening: modellen må vedlikeholdes, ikke bare leveres.

HMS og regulatoriske hensyn på norsk sokkel

AI på en boredekk er ikke som AI i en kontorprosess. Den opererer i et miljø med stramt regulert HMS-regime og tydelige krav til ansvarslinjer ved hendelser.

Aker BP er en av Norges største operatører og opererer under rammene satt av Havindustritilsynet. Når et nytt teknologisystem inngår i operasjonelle beslutninger, må det dokumenteres hvordan det inngår, hva det gjør og hva det ikke gjør.

Krav til beslutningskjede

Et AI-system som varsler er en del av beslutningsstøtten, ikke beslutningstakeren. Det må være tydelig hvem som mottar varselet, hvem som vurderer det, og hvem som tar konsekvensene.

Måten Aker BP og DrillDocs har beskrevet sitt system understøtter dette skillet: borepersonellet får tidligere informasjon, men beholder beslutningsansvaret.

Datasuverenitet og lagring

Borerelaterte data er forretningssensitive. Hvor data lagres, hvem som har tilgang og hvilken jurisdiksjon som gjelder er spørsmål som må avklares før modellen settes i drift, ikke etter.

For norske operatører er det også et spørsmål om hvordan modellvektene kan flyttes, eksporteres eller migreres dersom leverandørforholdet endrer seg. Det berører den langsiktige verdien av investeringen.

Sertifisering av AI-systemer offshore

Per i dag er det ikke et eget sertifiseringsregime for AI i operasjonelle systemer offshore i Norge. Det betyr at ansvaret for tilstrekkelig validering ligger hos operatøren.

Det er ett av argumentene for å starte med beslutningsstøtte framfor automatisering: ansvarslinjene er kjente, og det reduserer juridisk eksponering ved hendelser.

Vanlige feil når operatører innfører AI på boredekket

Erfaringen fra digitalisering i industrien er at de fleste prosjekter feiler ikke på algoritmen, men på menneskene rundt den. Det gjelder også computer vision på borerigg.

Tre feil dukker opp gang på gang, uavhengig av leverandør og teknologi. Å unngå dem er en større del av suksessen enn modellvalget.

Feil	Symptom	Konsekvens
Hopper over pilot	Storkontrakt før dokumentasjon	Tap når antakelser ikke holder
Behandler AI som autonom kontroll	Uklar ansvarslinje	HMS-risiko og lavere tillit
Ignorerer borepersonell	Lav bruk i felt	Modellen leverer ikke effekt
Glemmer modellvedlikehold	Stigende falske alarmer	Tilliten brytes ned

Å hoppe over pilot

Det er fristende å se en case som Aker BPs utvidelse og signere en stor avtale direkte. Det er nesten alltid feil. Hver organisasjon har sine egne data, sin egen kultur og sine egne operasjonelle særtrekk.

Pilot på en rigg er ikke en formell øvelse. Det er et grunnlag for å beslutte om bredere utrulling i det hele tatt er forretningsmessig forsvarlig.

Å behandle AI som autonom kontroll

Et varselssystem er ikke det samme som et styringssystem. Hvis grensen viskes ut, oppstår det en gråsone hvor ingen er tydelig ansvarlig.

Aker BPs system er beskrevet som en hjelp til borepersonellet. Det er ikke en tilfeldig formulering. Det er en bevisst plassering i organisasjonens beslutningsstruktur.

Å ignorere borepersonellets erfaring

Borepersonell har år eller tiår med mønstergjenkjenning som ikke står i en database. Hvis modellen leveres som en autoritet over dem, vil den bli ignorert i de stundene som teller.

Bruk fagpersonellet til etikettarbeid, validering og kontinuerlig forbedring. Modellen blir bedre, og borepersonellet får eierskap til verktøyet. Det er den eneste måten å holde systemet relevant over tid.

FAQ om AI i boreovervåking

Et knippe spørsmål dukker opp i alle innledende samtaler om denne typen teknologi. Her er korte svar med utgangspunkt i det Aker BP og DrillDocs har offentliggjort, og i bredere erfaring fra computer vision i norsk industri.

Hva er computer vision på boreriggen?

Computer vision er maskinlæring som tolker bilder. På boreriggen brukes det til å analysere strømmen av borespon og fluid som kommer tilbake fra brønnen, og varsle om avvik. Aker BP og DrillDocs kombinerer kameraer, computer vision og dataanalyse for å gjøre dette i sanntid.

Erstatter AI mudloggeren?

Nei. Systemet automatiserer mønstergjenkjenning som mudlogger og borepersonell tradisjonelt har utført. Det fjerner ikke behovet for fagvurdering, men gir den et bredere datagrunnlag og raskere varsler. Mennesket beholder beslutningsansvaret.

Hvor lang tid tar en pilot?

Erfaringer fra industrielle computer vision-prosjekter varierer, men en realistisk pilot fra installasjon til dokumentert resultat ligger ofte på flere måneder. Aker BPs pilot på Noble Integrator var omfattende nok til å gi grunnlag for skalering.

Kreves det norsk lagring av data?

Det finnes ikke et generelt krav om norsk lagring av industridata. Det finnes derimot kommersielle og strategiske grunner til å ha kontroll over hvor data lagres og hvem som har tilgang. Hver operatør må vurdere risikoen i sin egen kontekst.

Hvilke andre brønnproblemer kan AI fange?

Foruten pack-off og cavings er det modeller som arbeider med stuck pipe, kick-deteksjon, mudtap og slitasje på utstyr. Felles for dem er at de baserer seg på tidsserier og mønstre, og at de fungerer best som varsel for fagfolk.

Oppsummering og tre grep å ta nå

Aker BPs utvidelse av AI-basert boreovervåking er et tydelig signal: computer vision i offshore-drift er ikke lenger pilot-territorium. Det er operativ teknologi i skalering, med dokumentert effekt på ikke-produktiv tid og tidlig deteksjon av problemer.

For norske operatører og oljeserviceselskaper er det grunn til å speile grepet. Ikke ved å kopiere kontrakten, men ved å kopiere logikken: identifiser en målbar driftsplage, kjør pilot på en rigg, og forhandle frem en skaleringsavtale som lar deg utvide uten å begynne forfra.

Tre grep operatører bør ta nå

Først: Identifiser dine tre dyreste driftsproblemer og spør om noen av dem har visuelle eller datamessige forvarsler. Det er kandidatene for AI-overvåking.

Deretter: Velg en nisjeleverandør som har bygd modeller på akkurat ditt problem, og kjør en pilot med klare KPI-er definert før piloten starter. Aker BPs grep på Noble Integrator er en god mal.

Til slutt: Forhandle en rammeverk-avtale før du skalerer, slik at neste rigg-utrulling blir et avrop og ikke en ny kontrakt. Det er den kommersielle modellen som gjør skalering forutsigbar.

Hva som er verdt å følge fremover

Det neste interessante punktet er om Aker BP og DrillDocs deler målte tall fra Deepsea Nordkapp-installasjonen. Det vil i så fall gi den norske bransjen mer å regne på.

Parallelt er det verdt å følge hvordan computer vision modnes i andre deler av norsk industri, og hvordan spørsmål om datakontroll og AI-suverenitet påvirker leverandørvalg. AI på boredekket er ikke en isolert sak. Den er en del av et bredere skifte i hvordan norske selskaper bygger digitale fortrinn.

I Alura jobber vi med norske bedrifter på tvers av bransjer: finans, helse, bygg, e-handel, industri. Vi vet hva som fungerer i din sektor og hva som ikke gjør det, fordi vi har bygget løsninger der allerede.

Bestill en bransje-vurdering: vi presenterer hva andre i din sektor faktisk gjør med AI, hva som gir avkastning, og hvor du har uutnyttede muligheter. Uforpliktende.