Sensitive data i AI-verktøy: slik klassifiserer du

Nøkkelpunkter per 19. september 2026:

82 prosent av brukerne uttrykte i 2025 bekymring for at data kan misbrukes, opp fra 74 prosent året før (researchandmarkets.com).
EUs syv krav til pålitelig AI er fortsatt ikke-bindende, og ble skrevet av 52 uavhengige eksperter og publisert i april 2019 (EU-kommisjonen, 2019).
Minst 22 sett med etiske prinsipper er publisert siden januar 2017, uten at noe av dem sier hvilke data akkurat din bedrift kan dele (EU-kommisjonen, 2020).
Markedet for AI-etikk anslås til 2,47 milliarder dollar i 2026 og 6,52 milliarder dollar i 2030 i prognoseperioden 2026 til 2030 (researchandmarkets.com).
Dataklassifisering hører hjemme før verktøyvalget: personvern og datastyring er ett av de syv kravene EU stiller til pålitelig AI (EU-kommisjonen, 2019).

Hva som faktisk skjer når ansatte limer kundedata inn i et AI-verktøy

En saksbehandler sitter med en klage som har ligget for lenge. Hun kopierer hele e-posttråden, med navn, kontonummer og en henvisning til en sykmelding, inn i en chatbot og ber om et utkast til svar. Utkastet er godt. Det som skjedde i sekundet før, er problemet: dataene forlot virksomhetens kontroll, de landet hos en leverandør på vilkår ingen i huset har lest, og de kan ha blitt lagret et sted ingen kan peke på.

Spørsmålet er ikke om AI er farlig. Spørsmålet er hvilke data, til hvilken leverandør, på hvilke vilkår. Alle tre leddene kan besvares konkret, og de bør besvares før verktøyet rulles ut, ikke etter det første avviket. Denne artikkelen gir deg et klassifiseringsrammeverk og en spørsmålsliste du kan bruke mot leverandøren allerede denne uken.

Tre ting skjer i det du trykker lim inn

Det første er overføring. Teksten sendes ut av virksomhetens nettverk til en tjeneste som kan kjøre hvor som helst, og den kan passere flere underleverandører på veien. Det andre er lagring. De fleste tjenester beholder samtalehistorikk i en periode, ofte for feilsøking og misbrukskontroll, og den perioden er sjelden noe brukeren velger selv. Det tredje er eventuell bruk til modelltrening, altså at innholdet ditt inngår i grunnlaget som forbedrer leverandørens modell.

De tre leddene er ikke like farlige, og de har ikke samme løsning. Overføring håndteres med avtaleverk og valg av leverandør. Lagring håndteres med innstillinger og oppbevaringstid. Trening håndteres med kontrakt. Det er nettopp koblingen mellom personvern og datastyring som er ett av kravene EU stiller til pålitelig AI (EU-kommisjonen, 2019).

Forbrukerkonto og bedriftsavtale er ikke samme produkt

Den samme modellen kan oppføre seg helt ulikt avhengig av hvilken dør du går inn. En gratis eller privat konto gir ofte leverandøren videre rom til å bruke innholdet, mens en bedriftsavtale typisk kommer med databehandleravtale, kortere lagringstid og et løfte om at innhold ikke brukes til trening. Prisen er den samme for modellen, men rettighetene er forskjellige.

Dette er den vanligste blindsonen vi ser: virksomheten tror den «bruker AI trygt» fordi den har kjøpt lisenser, mens en stor del av de ansatte fortsatt bruker sine private kontoer på mobilen. Mer om hvorfor en bedriftskonto alene ikke er nok har vi skrevet om i AI-verktøy på jobben.

Bekymringen er ikke lenger en nisje

Uroen er målbar og den stiger raskt. 82 prosent av brukerne uttrykte i 2025 bekymring for potensielt misbruk av data, mot 74 prosent i 2024 (researchandmarkets.com). Det er et hopp på ett år, og det er nettopp denne bekymringen analytikerne peker på som hoveddriveren bak veksten i markedet for digital etikk.

For en norsk SMB betyr dette to ting samtidig. Kundene dine vil begynne å spørre hva som skjer med opplysningene deres når du bruker AI, og de ansatte dine vil kvie seg for å bruke verktøy de ikke stoler på. Et tydelig svar er derfor både et personvernstiltak og et adopsjonstiltak.

EUs syv krav til pålitelig AI og hvorfor de fortsatt er frivillige

EU publiserte sine etiske retningslinjer for AI i april 2019, utarbeidet av en ekspertgruppe på 52 uavhengige eksperter (EU-kommisjonen, 2019). Kjernen er en menneskesentrert tilnærming som skal respektere europeiske verdier, og de er rettet mot alle som berøres av AI: selskaper, forskere, offentlige tjenester, myndigheter, arbeidstakere og forbrukere.

Retningslinjene er ikke-bindende. Det er den viktigste setningen i hele dokumentet for en leder som skal prioritere. Ingen kan bøtelegge deg for å bryte dem. Men de er blitt den felles vokabularen leverandører, revisorer og innkjøpere bruker, og de er malen store kunder legger til grunn når de sender deg et leverandørskjema.

Fra ekspertgruppe til pilotfase

Kommisjonen lanserte en pilotfase i juni 2019 og ba interessenter om tilbakemelding på den praktiske implementeringen av nøkkelkravene innen utgangen av 2019 (EU-kommisjonen, 2019). Det var et bevisst valg: i stedet for å regulere først, ville man teste om kravene i det hele tatt lot seg operasjonalisere av vanlige virksomheter.

Svaret fra piloten var forutsigbart. Prinsipper som «åpenhet» og «ansvarlighet» er lette å skrive under på og vanskelige å oversette til en konkret arbeidsprosess. Det er nøyaktig den samme oversettelsesjobben du står i når du skal avgjøre om en tilbudstekst kan limes inn i en chatbot.

De syv kravene oversatt til datadeling

Tabellen under tar kravene slik de står og oversetter dem til det spørsmålet som faktisk oppstår i arbeidshverdagen. Det er denne oversettelsen de fleste interne retningslinjer hopper over.

Krav til pålitelig AI	Hva det betyr når ansatte deler data
Menneskelig styring og tilsyn	Noen skal godkjenne AI-genererte svar som går ut til kunde eller myndighet
Teknisk robusthet og sikkerhet	Verktøyet skal ha tilgangsstyring, logging og to-faktor som resten av stacken
Personvern og datastyring	Du skal vite hvilke kategorier data som går inn, og hvor lenge de lagres
Åpenhet	Kunden skal kunne få vite at AI har vært involvert i saksbehandlingen
Mangfold og ikke-diskriminering	Resultater som påvirker mennesker skal kontrolleres for skjevheter
Samfunn og miljø	Bruken skal tåle å bli beskrevet offentlig uten at den fremstår uforsvarlig
Ansvarlighet	Det skal finnes en navngitt eier av AI-bruken, ikke en komite

Merk hvor lite av dette som handler om teknologi. Fem av de syv kravene løses med rolleavklaring, dokumentasjon og innkjøpsdisiplin. Det er godt nytt for en SMB uten eget sikkerhetsteam.

Frivillig betyr ikke konsekvensfritt

Personvernregelverket gjelder uansett hva de etiske retningslinjene sier. Deler du personopplysninger med en leverandør, trenger du behandlingsgrunnlag og databehandleravtale, og det kravet er ikke frivillig. De etiske retningslinjene legger seg oppå dette som en forventning om hvordan du bruker teknologien, ikke som en erstatning for loven.

Alura mener at frivillige etiske retningslinjer er et godt utgangspunkt, men at hver bedrift selv må definere hvilke data som kan limes inn i et AI-verktøy. Ingen ekspertgruppe kjenner kundeporteføljen din, kontraktene dine eller hva som ligger i fritekstfeltene i fagsystemet ditt. Vi har utdypet denne linjen i vår gjennomgang av etiske rammeverk for norske virksomheter.

Les også: Lavkode og no-code AI-verktøy: AI uten programmering for norske SMB-er. Norske SMB-er står for over halvparten av alle ansatte i privat sektor, men mange bruker fortsatt manuelle ...

22 sett med etiske prinsipper gjør landskapet uoversiktlig

Siden januar 2017 er det publisert minst 22 ulike sett med etiske prinsipper for robotikk og AI (EU-kommisjonen, 2020). De kommer fra myndigheter, standardiseringsorganer, bransjeallianser og enkeltselskaper, og de overlapper mer enn de motsier hverandre.

Overfloden er ikke i seg selv et problem. Problemet er at ingen av dem svarer på det operative spørsmålet: kan denne konkrete filen deles med dette konkrete verktøyet i dag? Prinsipper gir retning, ikke beslutninger.

Standardene finnes allerede, de er bare ikke skrevet for deg

Bransjeorganene har kommet langt i katalogiseringen. Standarden BS 8611 identifiserer 20 distinkte etiske farer og risikoer, og etiske skader og bekymringer deles gjerne inn i tolv kategorier (EU-kommisjonen, 2020). ACM publiserte sin etiske kodeks i 2018, og IEEE fulgte i 2019 med et rammeverk som dekker over 100 etiske problemstillinger (EU-kommisjonen, 2019).

Dette er nyttig materiale for den som bygger AI-systemer. For den som kjøper dem, er det for finmasket. En norsk virksomhet med 40 ansatte trenger ikke tolv kategorier etiske skader. Den trenger fire datanivåer og en liste over godkjente verktøy.

Gapene prinsippene ikke lukker

Kartleggingen peker selv på hvor det skorter: rettferdig fordeling av gevinstene, plassering av ansvar, utnyttelse av arbeidstakere, energibehov i klima- og miljøsammenheng, og uavklarte konsekvenser for mellommenneskelige relasjoner (EU-kommisjonen, 2020). Ansvarsplassering er den av disse som treffer en SMB hardest.

Når en AI-generert tekst inneholder feil som går ut til en kunde, er det ikke leverandøren som svarer. Det er deg. Rapporten stiller også spørsmål ved om de eksisterende internasjonale rammeverkene for AI-styring i det hele tatt er tilstrekkelige, og det svaret bør du ta med i risikovurderingen din: du kan ikke delegere ansvaret til et prinsippdokument.

Et rammeverk for å klassifisere data før de deles med AI

Alura mener at dataklassifisering bør være på plass før verktøyvalget, ikke etterpå. Grunnen er praktisk: klassifiseringen bestemmer hvilke krav du stiller i innkjøpet. Gjør du det motsatt, ender du med å tilpasse reglene til verktøyet du allerede har kjøpt, og da er reglene i praksis skrevet av leverandøren.

Rammeverket under er bevisst grovt. Fire nivåer er nok for de aller fleste virksomheter, og et rammeverk folk husker slår et rammeverk som er teoretisk korrekt.

Fire nivåer og hva de tåler

Nivå	Typiske eksempler	Kan deles med AI-verktøy?	Betingelse
Åpen	Publisert markedsmateriell, nettsidetekst, pressemeldinger	Ja	Ingen særskilte
Intern	Møtereferat uten personinfo, prosessbeskrivelser, maler	Ja	Bedriftskonto med trening avslått
Konfidensiell	Kundeavtaler, priskalkyler, kildekode, tilbud under arbeid	Betinget	Databehandleravtale, kontraktfestet treningsforbud, kort lagringstid
Sensitiv	Helseopplysninger, personalsaker, fødselsnummer, opplysninger om barn	Nei som hovedregel	Kun etter egen vurdering og dokumentert behandlingsgrunnlag

Legg merke til at skillet går ved konfidensiell. Det er der de fleste virkelige beslutningene ligger, og det er der en generell policy uten klassifisering svikter. «Ikke del sensitive data» hjelper ingen som sitter med et tilbudsdokument og lurer på om det teller.

Tre tester før du limer inn

Den første testen er avistesten: ville du vært komfortabel med at innholdet ble lest opp av en journalist sammen med navnet på leverandøren? Den andre er kundetesten: har kunden gitt deg lov til å dele dette med en tredjepart, eller står det noe i avtalen som sier det motsatte? Den tredje er slettetesten: kan du få dataene fjernet igjen hvis du må, og vet du hvem du skal ringe?

Tre spørsmål tar under ti sekunder når de sitter i ryggmargen. Poenget er ikke presisjon, det er at terskelen for å stoppe opp blir lav nok til at folk faktisk stopper opp.

Kontekst kan gjøre ufarlige data sensitive

En liste over ansattnavn er intern. En liste over ansattnavn koblet til fraværsmønster er noe annet. En kundeliste er konfidensiell, men en kundeliste fra en rusklinikk avslører helseopplysninger bare ved å eksistere. Klassifisering handler om hva dataene avslører i sammenheng, ikke bare hvilket felt de ligger i.

Dette er den enkeltfeilen som oftest ryker gjennom en ellers god policy. Løsningen er ikke flere regler, men at klassifiseringen gjøres av noen som kjenner virksomhetens fagdata, ikke bare av IT.

Praktisk: fem grep du kan ta mandag morgen

Ingenting under krever budsjettvedtak, ny programvare eller ekstern hjelp. Til sammen tar de en arbeidsdag fordelt på et par uker, og de fjerner det meste av den akutte risikoen.

Kartlegg hva som faktisk er i bruk

Spør, ikke gjett. Send ut et anonymt skjema med tre spørsmål: hvilke AI-verktøy bruker du i jobben, hva bruker du dem til, og bruker du jobbkonto eller privat konto. Anonymiteten er avgjørende, fordi du vil ha det ærlige svaret, ikke det politisk trygge.

Resultatet overrasker nesten alltid ledergruppen på to punkter: det brukes flere verktøy enn de trodde, og det brukes til mer forretningskritiske oppgaver enn de trodde. Kartet du får er utgangspunktet for alt annet.

Klassifiser de fem datatypene dere deler oftest

Ikke start med å klassifisere alt. Start med de fem datatypene som faktisk går inn i AI-verktøy i dag: for eksempel kunde-e-poster, tilbudstekster, møtereferater, CV-er og fakturaunderlag. Plasser hver av dem i et av de fire nivåene og skriv det ned i en tabell som får plass på en skjerm.

Når de fem sitter, dekker du erfaringsmessig brorparten av volumet. Resten kan klassifiseres etter hvert som behovet dukker opp.

Skru av trening og kort ned lagringstid

Gå gjennom innstillingene i hvert verktøy dere bruker, og slå av bruk av innhold til modellforbedring der det finnes en bryter. Sett lagringstid for samtalehistorikk så kort som arbeidsflyten tåler. Dette er gratis og tar minutter per verktøy.

Vær oppmerksom på at bryteren i grensesnittet ikke alltid gjelder alle datastrømmer, og at den kan nullstilles ved planoppgraderinger. Noter hvem som har ansvar for å sjekke den, og når.

Skriv en enside, ikke en policy

Et ti siders styringsdokument blir ikke lest. En enside med fire nivåer, en liste over godkjente verktøy og en setning om hvem man spør i tvilstilfeller, blir lest. Skriv den på norsk, uten forbehold, og med eksempler fra deres egen hverdag.

Målet er at en nyansatt skal kunne ta riktig beslutning på dag to uten å spørre noen. Alt som ikke tjener det målet, hører hjemme i et vedlegg.

Gi folk en godkjent liste og en kanal for tvil

Forbud uten alternativ produserer skygge-IT. Derfor bør ensiden alltid følges av en kort liste over verktøy som er godkjent, med hva de kan brukes til. Vår oversikt over AI-verktøy for bedrifter kan brukes som utgangspunkt for en slik liste.

Legg til en dedikert kanal, gjerne i Teams eller Slack, der ansatte kan spørre «kan jeg dele dette?» og få svar samme dag. Kanalen gir deg i tillegg et gratis varslingssystem for hvilke gråsoner som oppstår i praksis. For team uten utviklerressurser er lavkode og no-code-verktøy ofte inngangen, og de trenger samme klassifisering som alt annet.

Spørsmålene du må stille AI-leverandøren om trening på dine data

De fleste leverandører svarer ærlig hvis de blir spurt presist. Utfordringen er at spørsmålene ofte stilles for løst: «er dette GDPR-kompatibelt?» gir et ja som ikke betyr noe. Spør i stedet om mekanikk.

Listen under er skrevet for å kunne limes rett inn i en e-post til en salgskontakt, eller inn i et anbudsdokument. Noter svarene skriftlig, uansett hvor hyggelig møtet var.

Trener dere på det vi sender inn?

Still spørsmålet i tre deler. Brukes input til å trene grunnmodellen? Brukes den til finjustering eller evaluering? Og gjelder svaret også for underleverandøren som faktisk leverer modellen? Mange programvareselskaper som selger «AI-funksjonalitet» er selv kunder hos en modellleverandør, og løftene deres kan ikke være strengere enn avtalen de selv har.

Be om at svaret dekker hele kjeden. Et løfte som kun gjelder leverandørens egne servere, er et halvt løfte.

Hvor lagres data, hvor lenge, og hvem har tilgang?

Spør etter geografi, oppbevaringstid og tilgangsstyring internt hos leverandøren. Særlig det siste blir ofte glemt: hvem hos leverandøren kan lese samtalehistorikken vår, under hvilke omstendigheter, og logges det? Åpenhet er ett av EUs syv krav, og det er et krav du kan gjøre operativt ved å be om et konkret svar (EU-kommisjonen, 2019).

Spørsmål	Godt svar	Varselsignal
Brukes input til trening av modeller?	Nei, verken grunnmodell eller finjustering, og det står i avtalen	«Vi bruker data til å forbedre tjenesten»
Hvilken modellleverandør står bak?	Navngitt, med lenke til deres vilkår	«Det er vår egen proprietære teknologi» uten detaljer
Hvor lagres dataene?	Konkret region, med liste over underdatabehandlere	«I skyen» eller «globalt distribuert»
Hvor lenge lagres samtalehistorikk?	Angitt antall dager, konfigurerbart	«Så lenge det er nødvendig»
Kan vi få data slettet på forespørsel?	Ja, med beskrevet prosess og frist	Ja, muntlig, uten prosess
Varsles vi ved avvik?	Ja, med frist i avtalen	Ingen frist nevnt

Fra svar til kontrakt

Alura mener at krav om hvorvidt leverandøren trener på kundedata hører hjemme i kontrakten, ikke bare i en intern policy. En intern policy binder dine ansatte. Den binder ikke leverandøren, og det er leverandøren som sitter på dataene. Et løfte i en salgspresentasjon eller på en produktside kan endres uten varsel ved neste vilkårsoppdatering.

I praksis betyr det en setning i databehandleravtalen om at innhold ikke brukes til modelltrening, en angitt maksimal lagringstid, og en plikt til å varsle ved endringer i underleverandørkjeden. Tre setninger, som koster deg ingenting å be om før signering og svært mye å forhandle inn etterpå.

Markedet for AI-etikk vokser fra 2,47 til 6,52 milliarder dollar

Det finnes nå et eget marked for verktøy som skal håndtere nettopp disse problemene: klassifisering, revisjon, skjevhetstesting og dokumentasjon. Størrelsen forteller noe om hvor raskt forventningene til dokumenterbar AI-bruk stiger.

Måling	2025	2026	2030
AI-etikk	Ikke oppgitt	2,47 milliarder dollar	6,52 milliarder dollar
AI i digital etikk	3,26 milliarder dollar	4,16 milliarder dollar	11,07 milliarder dollar

To målinger, samme retning

Markedet for AI-etikk anslås til 2,47 milliarder dollar i 2026 og 6,52 milliarder dollar i 2030, i prognoseperioden 2026 til 2030 (researchandmarkets.com). Det bredere segmentet AI i digital etikk måles høyere, fra 3,26 milliarder dollar i 2025 til 4,16 milliarder i 2026, og videre til 11,07 milliarder dollar i 2030 (researchandmarkets.com).

Avstanden mellom de to tallseriene skyldes ulik avgrensning, ikke uenighet om retningen. Begge peker på nesten en tredobling i løpet av fire år, og begge tilskriver veksten økende bekymring for datapersonvern og misbruk. Det er den samme bekymringen som kundene dine snart begynner å uttrykke i sine egne leverandørskjemaer.

Hva et voksende etikkmarked betyr for en SMB

Det betyr først og fremst at dokumentasjonskravene sprer seg nedover i verdikjeden. Når store virksomheter kjøper revisjons- og styringsverktøy, blir output fra de verktøyene til spørsmål de sender videre til sine leverandører. Du merker markedet gjennom innkjøpsskjemaene, ikke gjennom å kjøpe plattformen selv.

Det betyr også at du sannsynligvis ikke trenger en dedikert etikkplattform ennå. For en virksomhet under hundre ansatte er en klassifiseringstabell, en godkjent verktøyliste og tre setninger i databehandleravtalen et bedre kjøp enn en lisens.

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

Hva etterlevelse koster, og hva det koster å la være

Kostnaden ved å rydde opp er nesten alltid lavere enn folk frykter, fordi den består av arbeidstimer og ikke av lisenser. Kostnaden ved å la være er vanskeligere å budsjettere, fordi den kommer som en engangshendelse.

Kostnadspostene, sortert etter hva de faktisk krever

Kostnadspost	Hva som driver den	Hvordan holde den nede
Kartlegging og klassifisering	Antall datatyper og fagsystemer	Start med de fem mest brukte datatypene
Lisenser på bedriftsnivå	Antall brukere som trenger full tilgang	Segmenter: alle trenger ikke samme plan
Juridisk gjennomgang	Antall leverandører og avtaler	Standardiser tre kontraktsetninger og gjenbruk dem
Opplæring	Antall ansatte og turnover	Enside plus en halvtime i onboarding
Løpende tilsyn	Endringstakt hos leverandørene	Kvartalsvis sjekk av innstillinger og vilkår
Analyser og rapporter	Behov for ekstern markedsinnsikt	Kjøp kun når en beslutning avhenger av det

De to første postene er de eneste som treffer budsjettet direkte. Resten er arbeidstid som allerede finnes i organisasjonen, men som må prioriteres av noen med myndighet.

Prisen på informasjonen i seg selv

Selv markedsinnsikten har en prislapp som er verdt å kjenne. En enkeltbrukerlisens på en av de nevnte markedsrapportene koster 4 490 dollar, en nettstedslisens 6 490 dollar og en bedriftslisens 8 490 dollar, for et dokument på 250 sider som omtaler 22 selskaper (researchandmarkets.com).

Det er et nyttig referansepunkt når noen foreslår å «utrede markedet først». For de fleste SMB-er er svaret at beslutningen om dataklassifisering ikke avhenger av markedstall i det hele tatt. Den avhenger av hvilke data dere har, og hvem som allerede limer dem inn et sted.

Fra frivillige retningslinjer mot bindende krav

Retningen har vært tydelig i årevis, og den går en vei. Det som starter som frivillige prinsipper, ender som krav i innkjøp, deretter som krav i lov. Hvis du planlegger for frivillighet, planlegger du for et regime som allerede er i ferd med å bli avløst.

Nasjonale strategier kom først

Canada lanserte den første nasjonale AI-strategien i mars 2017, tett fulgt av Japan (EU-kommisjonen, 2020). Deretter kom rekken av europeiske land: Frankrike i mars 2018, Tyskland i november 2018, og Finland med anbefaling om parlamentarisk oppfølging i august 2018. Storbritannias Committee on Standards in Public Life kunngjorde i mars 2019 en undersøkelse av AI i offentlige tjenester (EU-kommisjonen, 2019).

Mønsteret gjentar seg utenfor Europa. Kina har satt langsiktige strategiske mål for AI frem mot 2030, og landets ekspertkomite for AI-styring publiserte i juni 2019 et dokument med åtte prinsipper. Ulike verdigrunnlag, samme bevegelse fra anbefaling mot styring.

Signalene om lovgivning kom raskt etter

Ursula von der Leyen kunngjorde at Kommisjonen ville legge frem lovgivningsforslag for en koordinert europeisk tilnærming til menneskelige og etiske implikasjoner av AI innen de første 100 dagene i embetet (EU-kommisjonen, 2019). EU hadde allerede vist at man var villig til å regulere algoritmisk praksis direkte, gjennom forordning 2019/1150 om åpenhet og rettferdighet for nettbaserte formidlingstjenester i juli 2019.

Canada gikk lengst tidligst: landets algoritmiske konsekvensvurdering ble gjort obligatorisk i 2020. Mekanismen betyr mer enn landet. Konsekvensvurdering før bruk er det verktøyet myndigheter griper til når frivillighet ikke leverer, og det er i praksis en formalisert versjon av den dataklassifiseringen du uansett bør gjøre.

Markedsobservasjon: oppkjøp og åpen kildekode i etikkverktøy

Leverandørbildet i dette segmentet beveger seg i to retninger samtidig: deler av verktøykassen blir gratis, mens leverandørene selv konsolideres inn i større styrings- og compliance-plattformer.

Åpen kildekode senker terskelen

Holistic AI lanserte i oktober 2024 et åpen kildekode-bibliotek for ansvarlig AI med mer enn 35 bias-metrikker og rundt 30 mitigasjonsstrategier (researchandmarkets.com). For virksomheter som selv bygger modeller eller finjusterer på egne data, betyr det at skjevhetstesting ikke lenger krever innkjøp.

For de fleste SMB-er som kjøper ferdige verktøy, er relevansen indirekte, men reell: når målemetodene er fritt tilgjengelige, blir det vanskeligere for en leverandør å avvise spørsmål om skjevhet med at det er for komplisert å måle.

Konsolidering endrer hvem du faktisk kjøper fra

Diligent Corporation kjøpte Vault i mai 2025 for et ikke oppgitt beløp (researchandmarkets.com). Bevegelsen er typisk: AI-etikk selges ikke lenger som et frittstående produkt, men som en modul i en større pakke for styring, risiko og etterlevelse.

Konsekvensen for innkjøp er verdt å ta inn. Det er økende sannsynlighet for at leverandøren du valgte i fjor eies av noen andre neste år, med nye vilkår og nye underleverandører. Derfor er varslingsplikt ved endringer i leverandørkjeden en av de kontraktsetningene som betaler seg best over tid.

Vanlige feil norske bedrifter gjør med sensitive data og AI

Feilene under går igjen på tvers av bransjer og størrelse. Ingen av dem skyldes uvitenhet om at personvern er viktig. De skyldes at avstanden mellom prinsipp og praksis aldri ble lukket.

Policy uten klassifisering

Den klassiske varianten er en policy som sier «ikke del sensitiv eller konfidensiell informasjon med AI-verktøy», uten å definere hva som er sensitivt eller konfidensielt i akkurat denne virksomheten. Resultatet er at hver ansatt tolker selv, og at tolkningene spriker mest i de tilfellene der det betyr mest.

Testen er enkel: ta tre reelle dokumenter fra forrige uke og be tre ansatte klassifisere dem etter policyen. Får du tre ulike svar, er ikke policyen ferdig.

Forbud uten alternativ

Et generelt AI-forbud føles som risikokontroll, men flytter bare bruken til privat mobil og privat konto, der du verken har logg, databehandleravtale eller mulighet til å slå av trening. Du har byttet en håndterbar risiko mot en usynlig.

Bransjer med tydelige redaksjonelle eller faglige rammer har vist at det går an å regulere bruk uten å forby den. Vi har sett nærmere på hvordan slike rammer utformes i gjennomgangen av NRKs retningslinjer og AI i media.

Engangsvurdering i stedet for rutine

En vurdering gjort ved innkjøp er ferskvare. Leverandører endrer vilkår, kjøpes opp og bytter underleverandører, og en innstilling som var riktig i fjor kan være nullstilt etter en planoppgradering. Uten en fast kontrollrutine vet du ikke hvilken tilstand du er i.

Sett en kvartalsvis gjennomgang på en navngitt person: sjekk treningsinnstillinger, lagringstid, endringer i vilkår og nye verktøy som har sneket seg inn. En halvtime fire ganger i året er hele kostnaden.

Ofte stilte spørsmål om datadeling med AI-verktøy

Spørsmålene under er de vi oftest får fra ledere som er midt i denne vurderingen.

Kan vi bruke offentlige AI-chatboter på kundedata?

På åpne og interne data, ja, forutsatt bedriftskonto med trening avslått. På konfidensielle data kun med databehandleravtale og kontraktfestet treningsforbud. På sensitive data er hovedregelen nei, og unntak krever en egen vurdering med dokumentert behandlingsgrunnlag. Skillet går på datatypen, ikke på verktøyets navn.

Hva betyr det egentlig at leverandøren ikke trener på våre data?

Det betyr som regel at innholdet ditt ikke inngår i datagrunnlaget som forbedrer modellen. Det betyr sjelden at innholdet ikke lagres i det hele tatt, og det sier ingenting om hvor lenge det lagres eller hvem hos leverandøren som kan lese det. Be om svar på alle tre punktene, og be om at svaret dekker underleverandørene.

Må vi følge EUs etiske retningslinjer for AI?

Retningslinjene fra april 2019 er ikke-bindende og gjelder alle AI-interessenter, fra selskaper og forskere til offentlige tjenester og forbrukere (EU-kommisjonen, 2019). Personvernregelverket gjelder uansett. I praksis møter du kravene raskest gjennom store kunders leverandørskjemaer, som i stor grad er bygget på de samme syv kravene.

Hvor begynner vi hvis vi ikke har dataklassifisering i dag?

Begynn med de fem datatypene som faktisk går inn i AI-verktøy nå, ikke med hele informasjonsarkitekturen. Plasser dem i fire nivåer, skriv det på en side, og fest en godkjent verktøyliste til den. Du kan utvide senere. En grov klassifisering som brukes slår en presis som ligger i et vedlegg.

Hva gjør vi med ansatte som allerede bruker private kontoer?

Ikke start med sanksjoner. Start med å tilby en godkjent kanal som er minst like god, og gjør det lett å flytte over. Kartlegg først anonymt, så du vet hva du erstatter. Bruk av private kontoer er nesten alltid et symptom på at de godkjente verktøyene er for trege, for dårlige eller for tungvinte å få tilgang til.

Oppsummering og neste steg

Bekymringen for at data misbrukes har gått fra tre av fire til over fire av fem brukere på ett år, og markedet for verktøy som skal svare på den bekymringen er på vei mot en tredobling innen 2030 (researchandmarkets.com). Presset kommer til norske SMB-er ikke som tilsyn, men som spørsmål fra kunder som selv har fått spørsmål.

De etiske rammeverkene hjelper deg med retningen, men ikke med beslutningen. Minst 22 sett med prinsipper er publisert siden 2017, og ingen av dem vet hva som ligger i fritekstfeltene i ditt fagsystem (EU-kommisjonen, 2020). Den jobben må gjøres internt, og den er mindre enn den ser ut.

Tre konkrete neste steg: kartlegg anonymt hvilke verktøy som er i bruk og til hva, klassifiser de fem datatypene som deles oftest i fire nivåer, og kontraktfest treningsforbud, lagringstid og varslingsplikt hos leverandørene dere allerede bruker. Rekkefølgen er viktigere enn hastigheten.

Den siste testen er praktisk, ikke juridisk: kan en nyansatt på dag to, uten å spørre noen, avgjøre om et gitt dokument kan limes inn i et AI-verktøy? Kan de det, er retningslinjene dine ferdige. Kan de det ikke, er det der arbeidet begynner.

I Alura kombinerer vi teknisk AI-kompetanse med praktisk forståelse for GDPR, EU AI Act og Datatilsynets forventninger. Vi hjelper norske virksomheter å bygge AI som tåler en revisjon, uten å bremse innovasjonen.

Bestill en compliance-vurdering: vi kartlegger dine AI-systemer mot gjeldende og kommende krav, og leverer en handlingsplan som faktisk er gjennomførbar. Uforpliktende.

Kilder

researchandmarkets.com. AI in Digital Ethics Market Report 2026 - Research and Markets
EU-kommisjonen (2019). EU guidelines on ethics in artificial intelligence: Context and implementation
EU-kommisjonen (2020). The ethics of artificial intelligence: Issues and initiatives
researchandmarkets.com. AI Ethics Market Report 2026