Californias Claude-avtale og fem grep for AI i kommuner

    California gir alle statsansatte tilgang til Claude til halv pris. Her er hva norske kommuner og etater kan lære om ansvarlig AI-bruk og reell effekt.

    Jonas BakkeDaglig leder og medgründer

    Publisert 22 min lesing

    Californias Claude-avtale og fem grep for AI i kommuner
    Innhold

    Hva Californias avtale med Anthropic faktisk innebærer

    I slutten av juni 2026 inngikk delstaten California en avtale med AI-selskapet Anthropic. Statsetater får 50% rabatt på AI-assistenten Claude (Latimes), sammen med gratis opplæring og teknisk støtte. Alle statlige etater og lokale myndigheter får tilgang til Claude (Techcrunch), ifølge avtalen som guvernør Gavin Newsom sto bak. Claude skal hjelpe ansatte med å utarbeide dokumenter og analysere informasjon.

    Avtalen er interessant fordi den setter en pris på noe mange norske kommuner strever med: å få AI-verktøy inn i organisasjonen uten å bygge alt selv. Men rabatt på lisenser er den enkle delen. Det egentlige arbeidet begynner etter at verktøyet er kjøpt inn. Denne artikkelen bruker Californias avtale som utgangspunkt for å vise hvor norske offentlige virksomheter faktisk står, og hva som må på plass før bred utrulling.

    Element i avtalenHva den girKilde
    Pris50% rabatt på Claude for statsansatteLA Times / TechCrunch
    OmfangAlle statlige etater og lokale myndigheterTechCrunch
    StøtteGratis opplæring og teknisk supportAFKI / LA Times
    BruksområdeUtkast til dokumenter, analyse av informasjonTechCrunch
    FøringAI skal støtte ansatte, ikke erstatte demAFKI

    Rabatt på verktøy, ikke på styring

    Newsom signerte tidligere i år en utøvende ordre for å akselerere bruken av AI i offentlig forvaltning (Afki), og har vært tydelig på at AI skal støtte offentlig ansatte, ikke erstatte dem. Avtalen inkluderer opplæring og teknisk støtte fra Anthropic, ikke bare lisenser.

    Det er verdt å se avtalen i lys av Anthropics posisjon i markedet. Selskapet er verdsatt til nær 1 billion dollar, og en delstatsavtale er både et forretningsgrep og et omdømmegrep. Alura mener at rabatterte verktøyavtaler ikke løser det egentlige gapet, som er styring, risikovurdering og evne til å måle effekt. En billig lisens flytter ikke en organisasjon fra pilot til drift. Det gjør arbeidet rundt verktøyet.

    For norske lesere er det viktigste ikke selve prisen, men mønsteret: en offentlig aktør bestemmer seg for å rulle ut generativ AI bredt, og satser på opplæring og støtte som virkemiddel. Spørsmålet er om styringen holder tritt med tilgangen. Erfaringen fra både USA og OECD-landene tyder på at den sjelden gjør det.

    Ikke uten friksjon

    Avtalen møtte motstand. Fagforeningslederen Lorena Gonzalez Fletcher kritiserte partnerskapet (Latimes), med bekymringer knyttet til personvern og jobbsikkerhet. Det er en påminnelse om at innføring av AI i offentlig sektor ikke bare er en teknisk beslutning, men en arbeidslivs- og tillitsbeslutning.

    California er heller ikke alene om å satse stort. San Francisco ga rundt 30 000 ansatte tilgang til Microsoft 365 Copilot Chat (Latimes). Bildet som tegner seg er bred, rask utrulling av generative verktøy, ofte før styringsapparatet er ferdig bygget. Det er nettopp det gapet norske kommuner bør unngå å kopiere.

    Slik står det til med AI i offentlig sektor internasjonalt

    Før en norsk kommune plasserer seg selv, lønner det seg å se på tallene fra land som har kommet lenger. Bildet er entydig på ett punkt: bruken har eksplodert, men styringen henger etter. I OECD-landene brukes AI i minst ett område av regjeringen i 35 av 36 land, altså 97%, og 64% bruker generative AI-systemer til minst ett formål.

    På individnivå går det enda raskere. En global indeks basert på en spørreundersøkelse blant 3 335 offentlig ansatte i 10 land (Datainnovation) viser at 74% av offentlig ansatte nå bruker AI, med mesteparten av adopsjonen det siste året (Indexaiglobalpublicservices). Men bare 18% mener myndighetene bruker AI svært effektivt (Indexaiglobalpublicservices). Det er gapet mellom bruk og effekt som definerer feltet.

    USA: rask bruk, ujevn modenhet

    I USA er mønsteret tydelig. Nær 90% av føderale etater bruker eller planlegger å bruke AI (Cloud), ifølge en undersøkelse blant IT-ledere. Samtidig er bruken sterkt konsentrert: store etater sto for 76% av alle rapporterte AI-brukstilfeller i 2025 (Brookings), og nær 60% av alle brukstilfeller er fortsatt i pilot- eller forhåndsutrullingsfasen (Brookings).

    På delstats- og lokalnivå viser tallene det samme. 55,7% av offentlige organisasjoner bruker AI, men bare 42,9% har formelle AI-retningslinjer (Granicus). Blant delstatsorganisasjoner bruker 58,3% AI, mens andelen er 57,1% for lokale etater og 51,7% for fylker (Granicus). En NCSL-oversikt fant at 51% av offentlig ansatte bruker en AI-applikasjon daglig eller flere ganger i uken.

    Lovgivningen prøver å holde følge. Delstatspolitikere behandlet over 150 lovforslag om offentlig bruk av AI i 2024, og minst 30 delstater har utstedt veiledning for etaters bruk av AI.

    OECD og EU: styring som flaskehals

    OECD-tallene avslører hvor gapet ligger. Selv om 97% av landene bruker AI, krever bare 14 av 36 land, altså 39%, risikovurderinger før utrulling av AI. Enda færre måler resultatene: bare 10 av 36 land, altså 28%, rapporterer noen form for finansiell eller ikke-finansiell effektmåling. Og bare 21 av 36 land, altså 58%, gir sentral støtte for innkjøp av AI.

    EUs eget forskningssenter tegner samme bilde. En studie fra Joint Research Centre bygde på en undersøkelse blant 574 offentlige ledere på tvers av sju EU-land (Ai-watch), og pekte på organisatoriske faktorer som lederstøtte, innovativ kultur, klar AI-strategi og intern kompetanse som avgjørende for adopsjon. Studien munnet ut i to rammeverk, ett for kompetanser og ett for styringspraksis, med seks anbefalinger fordelt på 18 tiltak (Ai-watch).

    Det er verdt å minne om at offentlig sektor ikke opererer i et vakuum. I den bredere økonomien hadde om lag 18 prosent av bedrifter tatt i bruk AI ved utgangen av 2025 (Federalreserve), mens arbeidsrelatert bruk av generativ AI rapportert av enkeltpersoner var rundt 41 prosent (Federalreserve). Presset kommer nedenfra, fra ansatte som allerede bruker verktøyene.

    Confidence følger klare rammer

    Det mest handlingsrettede funnet fra den globale indeksen: i land med klar veiledning og støtte for AI-bruk føler 91% av offentlig ansatte seg trygge på å bruke AI (Indexaiglobalpublicservices). Der støtten mangler, går folk sine egne veier. I miljøer med lav tilrettelegging bruker 64% av entusiastiske AI-arbeidere personlige innlogginger (Indexaiglobalpublicservices), altså skygge-IT utenfor virksomhetens kontroll.

    Det samme funnet går igjen som en barriere: 50% av offentlig ansatte oppgir bekymringer om datasikkerhet eller personvern som en hindring (Indexaiglobalpublicservices). Singapore, Saudi-Arabia og India trekkes fram som avanserte adoptere. Poenget for en norsk kommune er ikke å kopiere disse landene, men å se at trygghet og bruk følger av rammer, ikke av tilgang alene. Vi har utdypet dette i vår artikkel om hvordan AI kan styrke norsk velferd.

    Hvor synlig er bedriften din i Google og ChatGPT?

    Vi sjekker nettsiden din og sender en gratis synlighetsrapport innen 24 timer.

    Vil du heller snakke med en rådgiver? Ta kontakt.

    Modenhetsmodellen fra beredskap til målbar effekt

    En kommune trenger et språk for å snakke om hvor den står. Den mest brukbare modellen kommer fra Code for America, som beskriver AI-reisen som en progresjon over fire stadier: beredskap, pilotering, implementering og effekt (Files). Modellen ble brukt til å vurdere 50 delstater pluss Washington, D.C.

    Funnet er nøkternt: de fleste delstater er fortsatt tidlig i denne reisen (Files). Nasjonalt ligner mønsteret en pyramide, med bred framgang i beredskap, rask vekst i pilotering, begrenset skalering i implementering, og effekt i stor skala som fortsatt er sjelden (Files). Denne pyramiden er det viktigste bildet en norsk leder bør ta med seg.

    De fire stadiene

    Tallene bak pyramiden er talende. 11 delstater ble vurdert som avanserte i stadium 1, beredskap (Files). I stadium 2, pilotering, var bare 4 avanserte. Og i stadium 3 og 4, implementering og effekt, var ingen delstater vurdert som avanserte.

    StadiumHva det handler omAvanserte delstater (av 50 + DC)
    1. BeredskapStrategi, styring, infrastruktur på plass11
    2. PiloteringAvgrensede forsøk, ofte generativ AI4
    3. ImplementeringSkalering til reell drift0
    4. EffektMålbar offentlig verdi0

    Nær hver delstat har lansert en eller annen form for AI-pilot, ofte rettet mot generative verktøy (Files). Styringsstrukturer har utvidet seg særlig raskt ettersom beslutningstakere søker å etablere etiske rammer (Files). Denne bølgen begynte for alvor i 2023, da utøvende ordrer og AI-arbeidsgrupper begynte å spre seg (Files). Ledende delstater inkluderer Maryland, New Jersey, North Carolina, Pennsylvania, Texas, Utah og Vermont (Files).

    Hvor pyramiden brekker

    Rapportens skarpeste setning er denne: det største modenhetsgapet ligger i det siste stadiet, å måle effekt og lære av resultatene (Files). Få delstater har etablert systematiske mekanismer for å evaluere den offentlige verdien av AI-utrullinger (Files).

    For en norsk kommune betyr modellen at man ikke skal hoppe. En virksomhet i beredskapsfasen som kjøper inn en rabattert Claude-lisens og ruller den ut bredt, hopper fra stadium 1 til noe som ligner stadium 3, uten å ha vært innom ordentlig pilotering. Alura mener offentlige virksomheter bør starte med små lavrisiko-piloter med menneskelig kontroll før de skalerer. Modellen er ikke en trapp du kan ta med rulletrapp.

    Effektmåling er der de fleste offentlige virksomheter svikter

    Hvis modenhetsmodellen har en konklusjon, er det at målingen mangler. Bare 28% av OECD-landene rapporterer noen form for effektmåling av AI-bruk, og Code for America fant at effekt i stor skala forblir sjeldent. Uten måling vet ingen om piloten faktisk sparte tid, penger eller forbedret tjenesten.

    Dette er ikke et perifert problem. Det er selve grunnen til at så mange offentlige AI-initiativer stopper opp mellom pilot og drift. En pilot uten målepunkter kan verken forsvares eller skaleres, fordi ingen kan vise hva den ga.

    Hva som faktisk måles i dag

    Der måling finnes, er den ofte grov. 57,1% overvåker innbyggertilfredshet, og 50% sporer fullføringsrater (Granicus). På opplevd nivå rapporterer 85,7% av ledere at AI forenkler repetitive oppgaver, og 71,4% at AI sparer ressurser (Granicus). Men opplevd tidsbesparelse er ikke det samme som dokumentert effekt.

    Verdt å merke er hvor tidlig verdien kommer. 100% av AI-brukere bruker AI til forskningsoppgaver, 60% til arbeidsflytorkestrering, og 60% til sammendrag av avdelingsrapporter og offentlige kommentarer (Granicus). Dette er lavrisiko-oppgaver der en feil er lett å fange opp. Nettopp derfor egner de seg for måling: baseline er kjent, og gevinsten er konkret.

    Mål før du skalerer, ikke etter

    Alura mener at formelle retningslinjer og effektmåling bør på plass før bred utrulling, ikke etter. Rekkefølgen er ikke pedantisk. Når tallene fra Code for America viser at ingen delstater nådde avansert nivå på effekt (Files), er det fordi målingen ble skjøvet til slutten, der den aldri ble prioritert.

    Et konkret eksempel på hva som kan måles finnes i Singapore. Chatboten Ask Jamie har besvart over 15 millioner innbyggerspørsmål siden lansering (Assets), med 50% redusert pågang til kundesenteret. GovTechs OneService-chatbot håndterer rundt 30 000 saker per måned (Assets). Dette er tall en kommune kan sette opp mot egne, ikke fordi de er direkte overførbare, men fordi de viser hvilke størrelser man i det hele tatt bør måle: defleksjon, volum, saksbehandlingstid.

    Fem grep norske kommuner kan ta på mandag morgen

    Nok diagnose. Her er fem konkrete grep en kommune kan starte med, uten å vente på et stort program. De følger rekkefølgen i et anerkjent rammeverk for offentlig AI, som består av seks komponenter: fokuser på resultater, vurder gjennomførbarhet, vurder risiko, prioriter brukstilfeller, piloter og test, implementer og overvåk (Merative).

    Grep 1: Kartlegg hvor folk allerede bruker AI

    Ansatte bruker sannsynligvis AI allerede. I miljøer med lav tilrettelegging bruker 64% av entusiastiske AI-arbeidere personlige innlogginger (Indexaiglobalpublicservices). Første grep er å kartlegge denne skygge-bruken, ikke straffe den. Kartleggingen forteller deg hvor behovet er reelt, og hvor personvernrisikoen allerede løp.

    Grep 2: Velg en lavrisiko-pilot med menneske i løkka

    Rammeverket er tydelig: start med mindre, lavere-risiko brukstilfeller der et menneske holdes i løkka (Merative). Iron Mountain gir samme råd: offentlige etater bør starte med små, håndterbare AI-prosjekter. Et godt eksempel: Miami Dade County startet med et AI-verktøy for å matche dyr i et dyremottak, en oppgave uten høy innsats.

    De naturlige førstepilotene finnes i sammendrag, utkast og research, akkurat der 100% av AI-brukere allerede bruker AI til forskning (Granicus). Dokumenthåndtering er et annet lavrisiko-område; vi har skrevet om hvordan AI kan automatisere arkivarbeid.

    Grep 3: Sett målepunkter før du starter

    Før piloten begynner, definer hva suksess er. Piloter bør inkludere mekanismer for at brukere kan rapportere funksjonsproblemer og gi innspill (Merative). Uten baseline blir gevinsten en følelse. Med baseline blir den et tall du kan ta til budsjettmøtet.

    GrepHva du gjørRammeverk-komponent
    1. Kartlegg brukFinn skygge-AI og reelle behovPrioriter brukstilfeller
    2. Lavrisiko-pilotMenneske i løkka, lav innsatsPilot og test
    3. MålepunkterBaseline før du starterFokus på resultater
    4. RetningslinjerKlare regler for brukVurder risiko
    5. KompetanseOpplæring og datagrunnlagVurder gjennomførbarhet

    Grep 4: Skriv en kort, klar retningslinje

    Tallene sier at retningslinjer er en avgjørende differensiator. I land med klar veiledning føler 91% av ansatte seg trygge på å bruke AI (Indexaiglobalpublicservices), mot bare 18% som mener myndighetene bruker AI svært effektivt (Indexaiglobalpublicservices) på tvers av alle land. Retningslinjen trenger ikke være lang. Den trenger å svare på hva som er tillatt, hvilke data som aldri skal limes inn, og når et menneske må godkjenne.

    Grep 5: Bygg datagrunnlag og kompetanse

    AI virker bare på godt datagrunnlag. Et sterkt datagrunnlag er avgjørende for AI-løsninger, og historiske data ligger ofte på analoge poster som må digitaliseres. Støtte fra toppledelsen er avgjørende for datastyring. Kompetansesiden er like viktig: EUs forskningssenter peker på intern ekspertise og klar AI-strategi som drivere for adopsjon (Ai-watch). Skal du velge modell, har vi en gjennomgang av GPT, Claude, Gemini eller lokal modell for norsk bruk (Alura).

    Retningslinjer og risikovurdering før verktøyene rulles ut

    Gapet mellom bruk og styring er den røde tråden i alle rapportene. 55,7% bruker AI, men bare 42,9% har formelle retningslinjer (Granicus). I OECD krever bare 39% av landene risikovurderinger før utrulling. Og i USA manglet 85% av høyeffekt-utrullingene pålagt informasjon om risikoreduksjon (Brookings). Det er et alarmerende tall.

    Den viktigste barrieren er ikke teknologi. Den er styring. Den største barrieren for AI-utvidelse i offentlig sektor er uklare styrings- eller etiske rammer, oppgitt av 48%.

    Risikovurdering er ikke valgfri

    Rammeverket for offentlig AI legger risikovurdering tidlig. Alle AI-systemer er utsatt for skjevhet, og risikonivået avhenger av data, modell og forretningssituasjon (Merative). Det betyr at samme verktøy kan være lavrisiko i en sammenheng og høyrisiko i en annen. En chatbot som svarer på åpningstider er noe annet enn en modell som påvirker vedtak om ytelser.

    Alura mener at rabatterte verktøyavtaler ikke løser det egentlige gapet, som er styring, risikovurdering og evne til å måle effekt. En kommune som får Claude billig, har fortsatt hele risikovurderingen foran seg. Det er den jobben som avgjør om utrullingen blir ansvarlig eller uansvarlig.

    Innkjøpsspråk og standarder

    Styring handler også om innkjøp. En NCSL-undersøkelse fant at bare 9% av respondentene hadde utviklet foretrukket kontraktsspråk for AI-innkjøp, mens 62% var i ferd med å utvikle det og 29% ikke hadde begynt. Norske kommuner står overfor samme oppgave, og bør la anskaffelser stille krav om forklarbarhet, dataeierskap og revisjon.

    For rammeverk finnes det ferdige verktøy. NIST har publisert et rammeverk for risikostyring av kunstig intelligens, med en egen profil for generativ AI. Vi har samlet praktiske etiske rammeverk i vår gjennomgang av ansvarlig AI for norske virksomheter.

    Hva EU AI Act betyr for norsk offentlig AI-bruk

    For norske kommuner er EU AI Act ikke fjern regulering. Gjennom EØS-avtalen vil forordningen få betydning for norsk forvaltning. EU AI Act trådte i kraft 2. august 2024 og gjelder direkte i hele EU (Enterprise), med en faset innføringsperiode på 36 måneder. Det er den første omfattende loven om AI globalt, med regelnummer 2024/1689.

    Loven er risikobasert og klassifiserer AI-systemer i fire risikokategorier: minimal, begrenset, høy og uakseptabel. For offentlig sektor er høyrisiko-kategorien den viktigste, fordi mange forvaltningsoppgaver kan falle inn under den.

    Tidslinjen kommunene må kjenne

    Forpliktelsene fases inn over flere år. Forbud mot uakseptabel risiko gjelder fra februar 2025 (Enterprise). Bestemmelser om høyrisiko bruksområder under Annex III gjelder fra august 2026 (Enterprise), mens bestemmelser om produktrelaterte høyrisiko-systemer gjelder fra august 2027 (Enterprise).

    DatoHva som trer i kraft
    2. august 2024Loven trer i kraft
    Februar 2025Forbud mot uakseptabel risiko
    August 2026Høyrisiko bruksområder (Annex III)
    August 2027Produktrelaterte høyrisiko-systemer

    Irland har valgt en distribuert modell for implementering, med et nytt AI Office of Ireland som sentral koordinerende myndighet innen august 2026 (Enterprise). Et EU AI Act Service Desk ble lansert 8. oktober 2025 (Enterprise).

    Bøter og forbud som treffer forvaltning

    Sanksjonene er betydelige. Maksimal bot for brudd på forbudte AI-praksiser er 35 millioner euro eller 7% av global årsomsetning (Ibm), mens de fleste andre brudd kan gi opptil 15 millioner euro eller 3% av omsetningen (Ibm). Minstestraffen er 7,5 millioner euro eller 1,5% av årsomsetningen (Ibm).

    For kommuner er ett forbud spesielt relevant: AI Act forbyr i praksis sanntids biometrisk fjernidentifikasjon i offentlige rom for rettshåndhevelse, unntatt i snevert definerte nødssituasjoner. Det setter en klar grense for smartby- og overvåkingsprosjekter. En gjennomgang av EUs regulering konkluderer med at EUs fokus på etikk og ansvarlighet gir et solid grunnlag for pålitelig AI, men at etterlevelseskostnader skaper betydelige barrierer for adopsjon. Loven treffer bredt, siden den også gjelder tilbydere og utrullere utenfor EU dersom AI-en eller resultatene brukes i EU (Ibm).

    Budsjett, innkjøp og de reelle kostnadsbarrierene

    Når Anthropic tilbyr California Claude til halv pris, adresserer det en reell barriere, men ikke den største. På tvers av undersøkelsene er budsjett den mest siterte hindringen. 80% av etatene oppgir budsjettbegrensninger som toppbarriere (Granicus), og i den føderale undersøkelsen siterer 75% budsjettbegrensninger som barriere.

    Men lisensprisen er sjelden den dyre delen. De reelle kostnadene ligger i eldre systemer, kompetanse og integrasjon. 41% siterer eldre systemer som barriere, og 37% siterer kompetansegap (Cloud).

    Hvorfor rabatt ikke lukker gapet

    En billigere lisens fjerner ikke behovet for å digitalisere data, bygge integrasjoner eller lære opp ansatte. Sikkerhet og trusler er den største barrieren for adopsjon, oppgitt av 48% (Cloud), mens pålitelighet er en bekymring for 35%. Ingen av disse løses av en prisrabatt.

    BarriereAndelKilde
    Budsjettbegrensninger (føderalt)75%Google Public Sector
    Budsjett som toppbarriere (lokalt)80%Granicus
    Sikkerhet48%Google Public Sector
    Uklar styring / etiske rammer48%NCSL
    Eldre systemer41%Google Public Sector
    Kompetansegap37%Google Public Sector

    Hva offentlige budsjetter faktisk går til

    Størrelsesordenene er lærerike. Singapore forpliktet rundt 743 millioner dollar over fem år til AI under NAIS 2.0 (Assets), og landets planlagte offentlige IKT-utgifter var rundt 3,3 milliarder singapordollar i FY2023 (Assets). Dette er ikke lisenskostnader, det er infrastruktur, kompetanse og drift.

    Innkjøp i seg selv er en barriere. Bare 58% av OECD-landene gir sentral støtte for innkjøp av AI-varer og -tjenester. Uten sentrale rammeavtaler må hver kommune forhandle selv, noe som favoriserer de store etatene. Det er en del av forklaringen på at store etater sto for 76% av alle rapporterte brukstilfeller (Brookings).

    Verktøyene offentlig sektor faktisk tar i bruk

    Hvilke verktøy dominerer? Bildet er relativt konsentrert. ChatGPT er mest brukt, med 64,8% av AI-brukere, etterfulgt av Microsoft Copilot med 61,1% (Granicus). Californias avtale legger Claude inn i dette landskapet som et alternativ med delstatsryggdekning.

    Vanligste bruksområder

    Bruken samler seg om noen få oppgaver. I den føderale undersøkelsen er dokument- og databehandling den vanligste brukssaken med 54%, arbeidsflyt- og prosessautomatisering med 40%, og beslutningsstøtte med 34% (Cloud). TechCrunch beskriver Californias bruk konkret: Claude skal hjelpe ansatte med å utarbeide dokumenter og analysere informasjon (Techcrunch).

    Dette bekrefter mønsteret fra effektmålingskapitlet. De faktiske bruksområdene er tekstarbeid, sammendrag og research, ikke autonome vedtak. Det er godt nytt for en kommune som vil starte forsiktig, fordi de mest utbredte bruksområdene også er de med lavest risiko. For å fordype seg i Claude spesifikt har vi en komplett guide til Anthropics AI-assistent.

    Chatboter som førstelinje

    Innbyggerrettede chatboter er et modent bruksområde. Ask Jamie har besvart over 15 millioner spørsmål og redusert pågangen til kundesenteret med 50% (Assets). I USA brukte minst 35 delstater chatboter for å støtte pandemi-henvendelser.

    Volumdataene viser hvor forutsigbar denne bruken er. Granicus rapporterer at mellom 50% og 70% av samtaler er generelle informasjonshenvendelser (Granicus), med gjennomsnittlig samtaletid mellom 1,3 og 10 minutter (Granicus). Dette er rutinespørsmål en kommune kan avlaste uten høy risiko, forutsatt at et menneske overtar de vanskelige tilfellene.

    Vanlige feil når offentlige virksomheter tar i bruk AI

    Rapportene peker på de samme fallgruvene igjen og igjen. De handler sjelden om teknologien selv, og oftere om rekkefølge, styring og forventninger.

    Feil 1: Skalere før man har målt

    Den største feilen er å rulle ut bredt før man vet om piloten virket. Code for America fant at det største modenhetsgapet ligger i å måle effekt (Files), og at få delstater har systematiske mekanismer for å evaluere den offentlige verdien (Files). Uten måling blir enhver utrulling et sprang i mørket.

    Feil 2: Å tro at bruk er det samme som effektiv bruk

    Høy bruk gir en falsk trygghet. Selv om 74% av offentlig ansatte nå bruker AI (Indexaiglobalpublicservices), mener bare 18% at myndighetene bruker AI svært effektivt (Indexaiglobalpublicservices). Gapet mellom bruk og effektiv bruk er den egentlige utfordringen, og den løses ikke av flere lisenser.

    En beslektet feil er å ignorere skygge-bruken. Når 64% av entusiastiske ansatte i lav-tilrettelagte miljøer bruker personlige innlogginger (Indexaiglobalpublicservices), er sensitive data allerede på avveie. Å forby uten å tilby et godkjent alternativ gjør problemet verre, ikke bedre.

    Feil 3: Å hoppe over risikovurdering

    Det mest urovekkende funnet i hele kildesettet: 85% av høyeffekt-utrullingene manglet pålagt informasjon om risikoreduksjon (Brookings). Det skjer når risikovurdering behandles som papirarbeid etter lansering, ikke som en forutsetning. Alle AI-systemer er utsatt for skjevhet, og en kommune som hopper over vurderingen, oppdager problemene først når en innbygger rammes.

    Feil 4: Å undervurdere datagrunnlaget

    AI er ikke bedre enn dataene den står på. AI er avhengig av store datasett med data av høy kvalitet (Merative), og historiske data ligger ofte på analoge poster som må digitaliseres. Kommuner som lanserer AI uten å rydde i datagrunnlaget først, får upålitelige svar. Sikkerhet er ikke abstrakt: Singapore hadde 201 datalekkasjer i offentlig sektor i 2023 (Assets).

    Ansvarlig AI og tilliten til innbyggerne

    AI i forvaltning handler til slutt om tillit. Innbyggerne skal stole på at et vedtak er rettferdig, og at noen står ansvarlig. AI-augmenterte beslutninger risikerer å svekke offentlig tillit uten forklarbarhet og menneskelig kontroll (Assets). Det er ikke et teknisk problem, men et demokratisk et.

    Skepsis er utbredt og økende

    Skepsisen er reell. Andelen amerikanere som er mer bekymret enn begeistret for AI, har steget fra 37% fire år tidligere (Brookings). Globalt er 34% av voksne mer bekymret enn begeistret for økt AI-bruk (Zapier), og 47% av amerikanske voksne stoler ikke på at regjeringen regulerer AI effektivt (Zapier). Blant offentlig ansatte selv beskriver 28,6% seg som forsiktige med AI (Granicus).

    Tillit blant ledere er heller ikke total. I KPMGs materiale stoler bare 56% av ledere fullt på AI (Assets), selv om 79% tror AI vil gi offentlig sektor en betydelig fordel (Assets). Denne spenningen mellom optimisme og forsiktighet er sunn, og den bør prege enhver utrulling.

    Forklarbarhet og menneske i løkka

    Løsningen som går igjen er menneskelig kontroll. Rammeverket anbefaler å starte med lavere-risiko brukstilfeller der et menneske holdes i løkka (Merative), og Californias egen føring er at AI skal støtte ansatte, ikke erstatte dem (Afki). Forklarbarhet er ikke et pynt, men forutsetningen for at en innbygger kan bestride et vedtak.

    Tillit må også forsvares teknisk. I Singapore utførte KPMG penetrasjonstesting av en LLM-applikasjon for et offentlig organ (Assets). Testing av denne typen bør være standard før et system rører innbyggerdata. En kommune som kan forklare hvordan et AI-verktøy kom fram til et forslag, og som har testet det for angrep, står langt sterkere i møte med berettiget skepsis.

    Ofte stilte spørsmål om AI i offentlig sektor

    Her er svar på spørsmålene norske ledere oftest stiller når de vurderer AI i egen virksomhet.

    Betyr Californias avtale at vi bør kjøpe Claude?

    Ikke uten videre. Avtalen ga California 50% rabatt og gratis opplæring, men verktøyet er den enkle delen. Det finnes flere gode alternativer, og ChatGPT og Microsoft Copilot dominerer fortsatt bruken (Granicus). Valget bør styres av databehandling, integrasjon og risikoprofil, ikke av pris alene.

    Hvor står norske kommuner sammenlignet med utlandet?

    De fleste offentlige virksomheter internasjonalt er tidlig i løpet. Ingen delstater nådde avansert nivå på implementering eller effekt (Files), og bare 28% av OECD-landene måler effekt. En norsk kommune som har retningslinjer og måling på plass, er langt fremme, ikke bakpå.

    Må vi forholde oss til EU AI Act?

    Ja, over tid. Bestemmelser om høyrisiko bruksområder gjelder fra august 2026 (Enterprise), og loven gjelder også aktører utenfor EU når resultatene brukes i EU (Ibm). For norsk forvaltning betyr det at høyrisiko-bruk må dokumenteres og risikovurderes. Start med å klassifisere hvert bruksområde etter risiko.

    Hva er det viktigste første steget?

    En avgrenset lavrisiko-pilot med tydelige målepunkter. Start med små, håndterbare prosjekter på oppgaver som sammendrag og utkast, der bruken allerede er høy og risikoen lav (Granicus). Definer suksesskriteriene før du starter.

    Vil AI erstatte ansatte i kommunen?

    Framing i markedet er støtte, ikke erstatning. Californias avtale ble solgt inn med at AI skal støtte offentlig ansatte, ikke erstatte dem (Afki). Samtidig er frykten reell: 71% av amerikanere frykter at AI vil forårsake permanent jobbtap (Zapier), og fagforeninger har kritisert slike avtaler. Å ta ansatte med tidlig er en forutsetning for tillit.

    Oppsummering og veien videre for norske kommuner

    Californias avtale med Anthropic er et nyttig utgangspunkt nettopp fordi den viser hva rabatt ikke løser. Claude til halv pris gjør verktøyet billigere, men flytter ikke en kommune fra beredskap til effekt. Det arbeidet må gjøres lokalt, i riktig rekkefølge.

    Tallene tegner et klart bilde. Bruken er høy: 74% av offentlig ansatte bruker AI og 97% av OECD-landene bruker AI. Men styringen henger etter: bare 42,9% har formelle retningslinjer, 39% krever risikovurderinger og 28% måler effekt. Gapet er ikke teknologi. Det er styring, risikovurdering og måling.

    Plasser deg selv i modellen

    Bruk de fire stadiene som speil. Beredskap, pilotering, implementering og effekt er ikke en rulletrapp. En kommune som ruller ut bredt før den har pilotert og målt, hopper over stadier den må gjennom. Alura mener offentlige virksomheter bør starte med små lavrisiko-piloter med menneskelig kontroll før de skalerer.

    Gjør styringen først

    Rekkefølgen er avgjørende. Alura mener at formelle retningslinjer og effektmåling bør på plass før bred utrulling, ikke etter. Når 85% av høyeffekt-utrullinger manglet risikoinformasjon, er det fordi styringen kom sist. Snu den rekkefølgen.

    Og hold blikket på det egentlige gapet. Alura mener at rabatterte verktøyavtaler ikke løser det egentlige gapet, som er styring, risikovurdering og evne til å måle effekt. De fem grepene i denne artikkelen, kartlegg bruk, velg en lavrisiko-pilot, sett målepunkter, skriv en klar retningslinje og bygg datagrunnlag og kompetanse, er det arbeidet som faktisk flytter en kommune framover. Verktøyet er det siste du trenger å bekymre deg for.

    Alura er et norsk AI-byrå i Oslo. Vi holder AI-kurs og workshops og lager AI-strategi for bedrifter. Se opplæring og strategi, eller start med en gratis kartlegging.

    Kilder

    Alura Innsikt: AI-nyhetene som angår din bransje, en e-post i uken.