DNB ruster AI mot finansiell kriminalitet og presset øker

Hva DNB faktisk har kjøpt fra Infosys og NICE

DNB har inngått avtale med Infosys for å modernisere bankens Financial Crime Operations, og programmet er understøttet av teknologi fra NICE. Konkret skal Infosys implementere NICE Actimize X-Sight-løsninger for både anti-hvitvasking og svindel. Målet er bedre responstid på regulatoriske krav og en mer datadrevet tilnærming til finansiell kriminalitet.

Dette er ingen isolert teknologibestilling. Når Norges største bank velger en stack som NICE Actimize X-Sight, setter det forventningene for hele det norske bankmarkedet. Spørsmålet for mindre banker er ikke om de må følge etter, men hvordan.

Infosys som systemintegrator

Infosys er en av verdens største systemintegratorer for finansiell teknologi, og rollen i DNB-prosjektet er klassisk: knytte bankens eksisterende prosesser til en standardisert leverandørplattform. Dette er kompetanse de aller fleste norske banker ikke har internt. En McKinsey-analyse fra 2023 fant at tverrfunksjonell styring var den viktigste differensiatoren mellom piloter som skalerte og de som stoppet opp, og det er nettopp koblingen mellom forretning og teknologi en integrator som Infosys skal levere.

NICE Actimize X-Sight som teknologisk fundament

NICE Actimize X-Sight kombinerer regelbaserte motorer med maskinlæring og prosesstøtte for etterforskning. Plattformen dekker hele kjeden fra deteksjon til case-håndtering. Moderniseringsprogrammet skal forbedre DNB Banks responstid på regulatoriske krav, noe som peker i retning av smartere alarmkø-håndtering, raskere etterforskning og mer presis prioritering av reelle treff.

Hvorfor finansiell kriminalitet er den varmeste AI-bruken i bank

AI brukes bredt i bank, men finansiell kriminalitet skiller seg ut som prioritet. Wolf & Companys undersøkelse av community banker viser at 45 % utforsker eller investerer i AI for svindel, risiko eller compliance, mot 35 % for kundeservice og 20 % for markedsføring og personalisering. Når kapital er knapp, går den dit risikoen er størst.

Det er ikke tilfeldig. AML, sanksjonsscreening og svindeldeteksjon har målbar ROI, ferdig definerte modeller og direkte bunnlinjekobling. AI oppdager 30-50 % flere svindeltransaksjoner enn tradisjonelle metoder. Det er en gevinst som er lett å regne på i en bankledelse.

Hvorfor compliance kommer foran chatboter

AI-chatboter i bank håndterer 80 % av kundehenvendelser og reduserer kostnader med 30 %, men kundeservice mangler de skarpe regulatoriske kravene som driver investering i compliance. 75 % av community bankene utforsker AI for intern prosessautomatisering, men compliance er der teknologien faktisk bringer ned både bøter og operasjonell risiko samtidig.

Norsk kontekst og Hvitvaskingsloven

Norske banker er bundet av Hvitvaskingsloven og rapporteringskrav til Økokrim. Når DNB moderniserer Financial Crime Operations, peker det på det samme problemet alle norske banker har: for mange falske positiver, for langsom case-håndtering og for fragmentert datakvalitet. AI forbedrer regulatorisk compliance-nøyaktighet med 90 % via NLP-dokumentanalyse, og det er den typen tall som lukker debatten internt.

Markedsskala og lederforventning

91 % av bankstyrer har formelt godkjent Gen-AI-programmer, og 87 % av finansinstitusjoner har implementert eller planlegger AI-initiativer. Hver eneste norske bankstyre har allerede dette på dagsorden. Global AI-adopsjon er på 78 % av alle organisasjoner i 2024, opp fra 20 % i 2017. Spørsmålet er ikke om, men hva først.

Bøteveksten som driver investeringene globalt

I 2024 ble banker globalt ilagt 3,65 milliarder dollar i bøter, en økning på 522 % fra året før. Det er den enkeltvariabelen som forklarer mest av AI-investeringen i compliance akkurat nå. Når kostnaden ved å feile vokser i et slikt tempo, blir AI-drevet AML en defensiv investering, ikke en innovasjonsambisjon.

Samtidig opplevde finansnæringen over 20 000 cyberangrep i 2023 med tap på 2,5 milliarder dollar. Trusselbildet vokser raskere enn manuelle kontroller kan følge med. Det er denne kombinasjonen, økte bøter og økt eksponering, som gjør at 83 % av finansielle tjenester forventes å ha adoptert AI innen fem år.

Hvor bøtene faller

De største bøtene faller på svikt i AML-prosesser, sanksjonsscreening og dokumentasjon. Banksektoren sto for omtrent 21 milliarder dollar av AI-investeringene i 2023, og en betydelig andel går nettopp til denne typen risikofunksjoner. Norge er ikke noe unntak: norske banker er allerede gjenstand for skjerpede tilsynsforventninger fra Finanstilsynet på modellstyring og dataforvaltning.

Sammenhengen mellom bøter og AI-modenhet

Bare 14 % av finansielle tjenester er modne i AI-adopsjon, mens 55 % er eksperimentører. Bankene som kommer først, slipper ikke unna bøter, men håndterer dem mer effektivt og kan dokumentere modellstyring overfor tilsyn. Det er forskjellen mellom proaktiv og reaktiv compliance, og den koster mer enn lisensene på en AML-plattform.

NICE Actimize X-Sight: hva plattformen er ment å gjøre

NICE Actimize X-Sight er teknologien som ligger under DNBs modernisering, og er en av de dominerende plattformene globalt for finansiell kriminalitet. Plattformen dekker AML, svindel, sanksjoner og markedsovervåking i en felles datamodell. Det er en arkitektur som først gir mening når en bank har volum, kompleksitet og ressurser til å vedlikeholde den.

En plattform som X-Sight kjøper ikke automatisk compliance. Den krever konfigurasjon, datadisiplin og en governance-modell som passer norske krav. Det er nettopp denne kjeden Infosys og DNB skal bygge sammen.

AML- og svindelmoduler i felles arkitektur

Infosys implementerer NICE Actimize X-Sight-løsninger for anti-hvitvasking og svindel. Modulene gir behavioral analytics, network analysis og maskinlæringsmodeller som tilpasser seg over tid. Sentralt står ideen om en enhetlig sak på tvers av deteksjonskilder, slik at samme kunde ikke flagges i tre uavhengige systemer og krever tre uavhengige etterforskninger.

Hva som ikke er løst med en plattform

Plattformen erstatter ikke datakvalitet, KYC-prosesser eller skjønnsutøvelse hos etterforsker. ECBs tilsynsstyreleder Claudia Buch forventer at banker ikke 'blindt' følger AI-systemers anbefalinger, og det gjelder også når plattformen heter X-Sight. AI-modellers kompleksitet og selvjustering utfordrer tradisjonell ex-ante modellrisikostyring. Modellrisikostyring, validering og ansvarlig overstyring blir like viktig som selve algoritmen.

Sparebank-perspektivet: kan mindre banker bygge tilsvarende

Norske sparebanker har ikke DNBs budsjett, ikke DNBs internteam og ikke DNBs forhandlingskraft overfor Infosys og NICE. De har derimot lokal kundekjennskap, tettere kontakt med samfunnet og et eierskap som tåler langsiktige investeringer. Spørsmålet er hvordan man kan oppnå tilstrekkelig AI-compliance uten en enterprise-stack.

Svaret er sjelden den samme arkitekturen i mindre format. Det er en annen tilnærming: lettere SaaS-løsninger, partnerskap med spesialiserte fintech-leverandører, eller felles satsinger på tvers av sparebanker. Alle tre har sine sterke og svake sider.

Det DNB har som mindre banker mangler

DNB har et eget Financial Crime-miljø, en model risk-funksjon, en datalandskaps-stab og kapasitet til å absorbere flere års implementeringskostnader før gevinsten realiseres. En liten sparebank må gjøre vesentlig andre prioriteringer. Kun 5 % har lansert et skalert, styrt AI-program, og det reflekterer realiteten: de fleste står et helt annet sted i modenhet.

Felles satsing som realistisk vei

Alura mener felles AI-compliance-initiativer mellom sparebanker er en realistisk vei der enkeltkjøp blir for tungt. Det finnes presedens i norsk bank for felles infrastruktur, fra BankID til SDC. AI-compliance lar seg organisere på samme måte, der flere banker deler kostnader for en SaaS-plattform, deler dataforvaltning der personvern tillater, og deler den knappe kompetansen som modellvalidering krever. Det krever koordinering, men reduserer terskelen vesentlig.

Lokal kunnskap som differensiator

Sparebanker har en fordel store banker ikke har: nærhet til kunden. 71 % av forbrukere forventer personlige opplevelser fra banken sin, og sparebankene har historisk levert nettopp dette gjennom relasjoner. 72 % av kunder mener AI-verktøy vil gi enkel og praktisk selvbetjening. AI som forsterker denne nærheten, ikke erstatter den, blir et naturlig veivalg.

Bygg eller kjøp: tre modeller for AI-compliance i mindre banker

Det finnes ikke en riktig vei til AI-compliance for en norsk sparebank. Det finnes tre brukbare, hver med sine kompromisser. Valget avhenger av størrelse, eksisterende kompetanse og strategisk tidshorisont. Tabellen under viser hovedforskjellene.

Modell	Hva det er	Hovedfordel	Hovedrisiko	Egnet for
Enterprise-plattform	NICE Actimize eller tilsvarende stor stack	Komplett funksjonalitet	Høy kostnad, lang implementering	Store banker med kompleks portefølje
Fintech/SaaS-stack	Spesialiserte leverandører for AML, KYC, svindel	Rask oppstart, lavere TCO	Integrasjonskompleksitet	Mellomstore banker
Felles satsing	Delt løsning på tvers av flere sparebanker	Kostnadsdeling	Krever koordinering	Mindre sparebanker

Hver modell har konsekvenser utover lisenskostnaden. Vurder også internt eierskap, exit-vilkår og hvor langt en leverandør får lov til å styre datamodellen.

Modell A: Enterprise-plattform

Dette er DNB-veien: Infosys som integrator, NICE Actimize X-Sight som motor. Modellen passer banker med kompleks portefølje, store transaksjonsvolumer og kapital til både lisenser og integrator. Den gir mest funksjonalitet og best tilsynsforhold, men kommer med en flerårig implementeringskurve. Kun 25 % av community bankene har flyttet proof of concept til produksjon, og enterprise-implementeringer er notorisk lange.

Modell B: Fintech/SaaS-stack

En portefølje av spesialiserte SaaS-leverandører for KYC, transaksjonsovervåking, sanksjonsscreening og case management. Modellen gir raskere oppstart og lavere lisenskost, men flytter integrasjonsbyrden over på banken selv. 60 % av community bankene prioriterer fintech-partnerskap, så markedet for denne tilnærmingen er voksende. 65 % av US enterprise software venture capital gikk til AI-startups i 2025, noe som betyr at tilbudet av AI-fokuserte fintechs vil vokse raskt de neste årene.

Modell C: Felles satsing mellom sparebanker

Flere sparebanker går sammen om en delt plattform, delte modeller og felles kompetanse. Det er den modellen som best matcher norske strukturer som SpareBank 1 og Eika-alliansen. Modellen krever felles dataforvalterskap, felles modellvalidering og at deltakerne aksepterer en viss standardisering, men reduserer kostnaden per bank vesentlig. Den passer særlig der enkeltkjøp blir for tungt og hvor allianse-strukturen allerede er på plass.

Hva AI-drevet svindeldeteksjon faktisk sparer per dag

AI for svindelforebygging gir 1 million dollar i daglig besparelse per institusjon, ifølge Gitnux. Tallet kommer fra større institusjoner og lar seg ikke overføre direkte til en norsk sparebank, men retningen er den samme: jo større volum, jo mer å tjene på AI-deteksjon. For mindre banker handler det mer om bøtebeskyttelse og ressurseffektivitet enn direkte tap-reduksjon.

Område	Effekt	Kilde
Flere svindeltransaksjoner oppdaget	30-50 %	Gitnux 2026
Compliance-nøyaktighet via NLP	90 %	Gitnux 2026
Daglig besparelse per institusjon	1 million dollar	Gitnux 2026
Rutineoppgaver som kan automatiseres	Opptil 80 %	Master of Code

Tallene skal leses som retning, ikke som garanti. 97 % av bedrifter slet med å demonstrere forretningsverdi fra tidlige generative AI-initiativer, og det gjelder også finanssektoren.

Hvor de direkte besparelsene faktisk ligger

De direkte besparelsene faller i tre bøtter: færre falske positiver, raskere case-håndtering og bedre treffrate. AI oppdager 30-50 % flere svindeltransaksjoner enn tradisjonelle metoder, og det er den mest direkte målbare effekten. Generativ AI kan automatisere opptil 80 % av rutineoppgaver i bank, men gevinsten realiseres bare når automatiseringen kobles til reell prosesseierskap.

NLP for regulatorisk dokumentanalyse

AI forbedrer regulatorisk compliance-nøyaktighet med 90 % via NLP-dokumentanalyse. For norske banker betyr det automatisk gjennomgang av tilsynsbrev, regelendringer og policyoppdateringer, koblet til intern dokumentasjon. Det er en gevinst som ikke synes i KPI-er men reduserer eksponeringen i hvert eneste tilsyn. Glean rapporterer at søkekvaliteten typisk forbedres med 20 % i løpet av de første seks månedene, noe som gir et grovt anslag på rampen.

Skjulte kostnader i produksjon

Skalering av AI-arbeidsbelastninger kan føre til uforutsette kostnader som kan løpe løpsk. Compute, datalagring og inferens skalerer ikke lineært. 79 % av bedrifter står overfor betydelige utfordringer med å skalere AI, og finanssektoren er intet unntak. Total global AI-spending vil nå nesten 1,5 billioner dollar i 2025, og en betydelig andel går til infrastruktur som ikke alltid er priset inn i piloten.

EU AI Act og DORA: rammeverket som tvinger handling

Reguleringen kommer nå. EUs Digital Operational Resilience Act (DORA) har krav om etterlevelse fra januar 2025, og EU AI Acts strengeste forpliktelser trer i kraft august 2026. Norske banker er bundet av begge gjennom EØS. Compliance er ikke valgfritt og konsekvensene for forsinkelse kommer i tilsynsformat.

Rammeverk	Hovedkrav	Trer i kraft
DORA	Operasjonell motstandsdyktighet for IKT	Januar 2025
EU AI Act	Risikobasert AI-regulering	August 2026 (strengeste)
Hvitvaskingsloven	AML- og KYC-krav	Eksisterende

EU AI Act ble formelt godkjent av Europaparlamentet 13. mars 2024. Den innfører et risikobasert system med ulike regulatoriske krav for AI-applikasjoner, hvor blant annet AI-kredittscoringssystemer klassifiseres som høyrisiko på grunn av potensial for urettferdig diskriminering.

DORA fra januar 2025

DORA krever at finansforetak kan tåle, respondere på og hente seg inn etter IKT-relaterte forstyrrelser. DORA har krav om etterlevelse fra januar 2025. For norske banker betyr det dokumenterte beredskapsplaner, leverandøroversikt og testing av IKT-risiko, inkludert AI-systemer som inngår i kritiske prosesser som AML-overvåking. Sikkerhetsteam møter redusert oversikt når AI-aktivitet beveger seg utenfor tradisjonell IT-synlighet, og DORA gir et formelt rammeverk for å adressere dette.

AI Act august 2026

EU AI Acts strengeste forpliktelser trer i kraft august 2026. Banker kan oppfylle mange av AI Acts krav gjennom eksisterende regulering av modellrisikostyring, men ikke uten å oppdatere dokumentasjon, modellinventar og overstyringsmekanismer. Det er ikke et compliance-prosjekt, det er en endring i hvordan banken styrer modeller.

Governance som konkurransefortrinn

Alura mener DORA og EU AI Act gjør governance til et konkurransefortrinn, ikke bare en kostnad. Banker som bygger styring i bunn først, kan deretter skalere modeller uten å bremse for hver nye tilsynsforventning. McKinsey-analysen fra 2023 fant at tverrfunksjonell styring var den viktigste differensiatoren mellom piloter som skalerte og de som stoppet opp. Det gjelder ikke bare innovasjon, men også compliance-modenhet i tilsynsmøter.

Datakvalitet og styring som ufravikelig forutsetning

40 % av community banker er bekymret for datakvalitet og tilgjengelighet, og 35 % oppgir mangel på styring eller driftsmodell som utfordring. Dette er ikke teknologiproblemer. Det er forarbeid som må gjøres før en plattform i det hele tatt vurderes.

En AI-modell er aldri bedre enn dataene som mater den. For AML betyr det riktig kobling mellom kundedata, transaksjonsdata, eksterne sanksjonslister og intern dokumentasjon. Hvis dette ikke er i orden, vil X-Sight, en SaaS-stack eller en felles satsing alle gi samme dårlige treffrate.

Avklar data før leverandør

Alura mener datakvalitet og styringsmodell bør avklares før leverandørvalg, ikke etter. For mange prosjekter har leverandørvalget kommet først, og deretter har det blitt avdekket at hverken kunde- eller transaksjonsdata holder kvaliteten plattformen forutsetter. Konsekvensen er dyre forsinkelser eller en plattform som leverer langt mindre enn den ble innkjøpt for. Datakvalitet, eierskap og governance er forarbeid, ikke parallellarbeid.

Tverrfunksjonell styring som differensiator

Banker som starter med et spesifikt arbeidsflytproblem, ikke en teknologievaluering, lykkes raskere og måler resultater tidligere. Det krever at risiko, IT, dataforvaltning og compliance jobber i samme styringsstruktur, ikke i sekvens. AI-bruk sprer seg på tvers av GenAI SaaS-apper, endepunkt-AI og AI-agenter, og styringen må kunne følge alle tre formfaktorene.

Vanlige feil når mindre banker velger AI-leverandør

79 % av bedrifter står overfor betydelige utfordringer med å skalere AI, og 97 % slet med å vise forretningsverdi fra tidlige generative AI-initiativer. Mindre norske banker bør lære av feilene andre allerede har gjort.

De vanligste feilene faller i tre kategorier: teknologi-først, manglende exit-strategi og undervurdering av integrasjonskostnader. Alle tre gir samme symptom: et pilotprosjekt som aldri kommer i drift.

Teknologi-først i stedet for problem-først

Banker som starter med et spesifikt arbeidsflytproblem, ikke en teknologievaluering, lykkes raskere og måler resultater tidligere. Et altfor vanlig mønster er å invitere fem leverandører til demoer før det er definert hva som faktisk skal forbedres. Kun 25 % av community bankene har flyttet proof of concept til produksjon, og forskjellen ligger ofte i hvor presist forretningsproblemet ble formulert.

Manglende exit-strategi

En AML-plattform er ikke noe man bytter ut når kontrakten utløper. Det er lang binding i praksis, og det krever en exit-strategi før kontrakten signeres. Spørsmål om datatilbakeføring, modelleierskap og portabilitet av case-historikk er kontraktsspørsmål, ikke driftsspørsmål. 37 % av VC-backed enterprise software-selskaper bruker i dag en subscription-only modell, men kun 26 % forventer å fortsette med det, så også prismodellen vil endre seg over kontraktsperioden.

Praktisk: hva en compliance-sjef bør gjøre på mandag morgen

De fleste banker mangler ikke ambisjon, men struktur. En kompetent compliance-sjef kan ta tolv tydelige uker fra mandag morgen for å komme i posisjon. Det krever ikke nytt budsjett før i siste fase.

Fase	Tid	Mål	Leveranse
Kartlegging	Uke 1-4	Forstå nåtilstand	Datalandskap, alarmvolum, andel falske positive
Pilot-shortlist	Uke 5-8	Velg use case og 2-3 leverandører	Skarpt avgrenset PoC-omfang
Styring og kontroll	Uke 9-12	Bygg governance før pilot starter	Modellinventar, eierskap, validering

Det er ingen rask vei. Men det er en rekkefølge som vesentlig øker sannsynligheten for å havne i den lille gruppen som faktisk skalerer.

Uke 1-4: kartlegging av nåtilstand

Tre tall skal være på plass før noe annet skjer. Hvor mange alarmer genereres i AML-systemet per måned. Hvor stor andel er falske positive. Hvor mange timer går til etterforskning per alarm. Disse tallene blir grunnlaget for alle ROI-beregninger og leverandørsamtaler. 70 % av community bankene har en AI-adopsjonsplan som allerede er i gang, men de fleste mangler nettopp denne nåtilstandsmålingen.

Uke 5-8: leverandør-shortlist

Avgrens piloten til ett use case med målbar effekt, eksempelvis screening av high-risk transaksjoner i en gitt produktkategori. Inviter to eller tre leverandører som passer kapasiteten din, ikke de leverandørene som DNB-prosjektet kvalifiserer. En Gartner-prognose fra 2024 anslår at innen 2028 vil 33 % av bedriftsprogramvare inkludere agentisk AI, og det vil endre kapabilitetene markedet tilbyr. Velg leverandører som har en troverdig vei i den retningen.

Uke 9-12: styring og kontroll på plass

Bygg modellinventar, eierskapsmatrise og en valideringsprosess før piloten starter, ikke som dokumentasjon i etterkant. AI-modellers kompleksitet og selvjustering utfordrer tradisjonell ex-ante modellrisikostyring, og det betyr at styringen må kunne følge modellen over tid. Dette er fundamentet for både DORA, AI Act og tilsynsrelasjonen. Tillatelsesbevisst søk er et hardt krav, ikke en funksjon, og det samme gjelder modellgovernance.

FAQ om AI mot finansiell kriminalitet

Tre spørsmål gjentar seg når mindre banker vurderer AI mot finansiell kriminalitet.

Hva koster AI-AML for en mindre bank

Det avhenger sterkt av modell. En enterprise-plattform à la NICE Actimize er størst i totalkostnad, en fintech/SaaS-stack ligger lavere i lisens men krever interne ressurser eller en integrator, og en felles satsing kan dele kostnaden vesentlig, men krever koordinering. AI-markedet i finansielle tjenester var verdsatt til 25,1 milliarder dollar i 2023, og tilbudet vokser raskt. Den globale AI-bruken i finansielle tjenester projiseres til 38,36 milliarder dollar i 2025 og opp mot 190,33 milliarder dollar innen 2030, så prismodellene vil endre seg over en typisk kontraktsperiode.

Krever EU AI Act egen complianceavdeling

Ikke nødvendigvis. Banker kan oppfylle mange av AI Acts krav gjennom eksisterende regulering av modellrisikostyring. Men det krever at modellrisikofunksjonen oppgraderes til å omfatte AI-spesifikke risikoer, særlig knyttet til selvjustering, datadrift og forklarlighet. ECB har ingen rolle i å overvåke AI Act-krav, men vil fortsette å granske kredittmodeller fra et tilsynsmessig perspektiv, så de eksisterende kanalene mot Finanstilsynet blir bærende også for AI-governance.

Hvor lang tid tar implementering

Tillatelsesbevisst søk lar seg distribuere på tvers av primære kunnskapskilder på fire til åtte uker, men en full AML-modernisering tar typisk vesentlig lengre, særlig for enterprise-plattformer som NICE Actimize. Kun 5 % av community bankene har lansert et skalert, styrt AI-program, og det reflekterer realistiske tidshorisonter. Mest europeiske banker har integrert AI og lignende teknologier i minst de siste fem årene, så modenhet bygges over tid, ikke ved et enkelt prosjekt.

Oppsummering og veivalg for norske sparebanker

DNBs avtale med Infosys og NICE Actimize setter nye forventninger for hele det norske bankmarkedet. Mindre banker kan ikke kopiere arkitekturen, men de kan ta de samme strategiske grepene i tilpasset format. Tallene støtter handling: 3,65 milliarder dollar i bøter mot banker i 2024, en 522 % økning, og 83 % av finansielle tjenester forventes å ha adoptert AI innen fem år.

Veien fremover for en norsk sparebank handler mindre om hvilken plattform man velger, og mer om hvilken styring man bygger rundt valget. AI omformer bankindustrien, men effekten realiseres bare når strategi, data og governance henger sammen.

AI-compliance som strategisk satsing

Alura mener mindre norske banker bør behandle AI-compliance som en strategisk satsing, ikke som et isolert teknologivalg. Det betyr at compliance-investeringen kobles til kunderelasjoner, kostnadsbase og konkurransesituasjon, ikke bare til tilsynsforventninger. Den banken som lykkes, gjør AI-compliance til en kapabilitet styret kan stå inne for, ikke en rapport revisjonen leverer. Det samme prinsippet gjelder for AI for skatteoptimalisering og compliance: governance kommer foran teknologi, og strategi kommer foran leverandørvalg.

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.