Vi er gode på eksperimentering, men feiler på implementering

Se bred litteraturliste her.

Norske bedrifter sliter med å omsette sin høye AI-bruk til skalerbar forretningsverdi, ettersom de største hindrene ikke ligger i selve teknologien, men i strategiske og organisatoriske faktorer. Analyser peker mot en «eksperimenteringsparalyse», der prosjekter ikke klarer å skalere utover pilotfasen på grunn av strukturelle og ledelsesmessige mangler.

De viktigste strategiske og organisatoriske faktorene som hindrer realisering av AI-verdi

1. Strategisk svikt og manglende målstyring

Den mest sentrale strategiske feilen er at virksomhetene mangler en plan og tydelige mål for AI-investeringene sine.

Eksperimenteringsparalyse: Til tross for at 73 prosent av ansatte bruker KI på jobb, sitter norske bedrifter fast i en vedvarende eksperimentfase. 40 prosent bruker AI utelukkende eksperimentelt.

Fravær av effektmåling: Gevinstene av AI-bruk dokumenteres nesten ikke. Seks av ti bedrifter evaluerer aldri effekten av bruken, noe som gjør at potensialet blir stående ubrukt. Bare tre prosent måler ROI (Return on Investment) systematisk. Uten tydelige, kvantifiserbare resultater kan investeringer i KI ikke forsvares, og investeringsviljen stagnerer på strategisk nivå.

Langsom verdirealisering: Nordiske selskaper forventer en tregere realisering av fordeler fra KI enn deres europeiske kolleger. Bare én tredjedel av nordiske selskaper realiserer fordelene innen to år, i motsetning til nesten halvparten av de europeiske. For avanserte systemer som Agentic AI, forventer 58 prosent av nordiske respondenter at det vil ta tre år eller mer å oppnå betydelig ROI, mot 37 prosent i Europa.

Fokus på optimalisering over vekst: Vellykkede nordiske AI-initiativer fokuserer på effektivitetsgevinster (kostnadsreduksjon), mens det er betydelig mindre vekt på å bruke AI for å drive top-line growth (inntektsvekst). Kun 33 prosent av vellykkede nordiske initiativer er rettet mot inntektsmuligheter, sammenlignet med 47 prosent i Europa.

2. Organisatoriske og strukturelle utfordringer

Problemene er ofte knyttet til organisering, roller og eierskap. Ledelsesfeil har blitt identifisert som hovedårsaken til prosjektfeil i 84 prosent av de intervjuede i en RAND-rapport.

IT-silo-strategi: KI-agendaen i Norden drives primært av Chief Information Officer (CIO) (32 %), sammenlignet med 23 prosent i resten av Europa. Når KI-strategien er primært IT-drevet, blir fokuset teknologisk (bygge kapabiliteter og infrastruktur) i stedet for å drive transformasjon av forretningsmodeller og prosesser.

Målkonflikt: Det er mangel på samsvar mellom teknisk leveranse og forretningsutfall. KI-prosjekter styres ofte av tekniske mål (som modellnøyaktighet) fremfor forretningsmål (som profittmarginer), noe som betyr at teknisk velfungerende KI-modeller ikke bidrar til målbar kommersiell suksess.

Uklart eierskap og organisering: Det er uklart hvem som faktisk «eier» AI i mange virksomheter, og hvordan innsatsen skal organiseres. KI-bruk krever struktur og ledelse, ikke bare verktøy.

Integrasjonsutfordringer: 19 prosent av bedriftene oppgir integrasjonsutfordringer som et hinder. Dette er utfordringer knyttet til kompatibilitetsproblemer og datasiloer ved integrering av KI i eldre systemer.

Tid og ressurser: 17 prosent mangler tid og ressurser til å implementere KI.

3. Kompetanse- og kulturelle barrierer

Menneskelige faktorer er de største hindrene for å ta AI fra pilot til praksis.

Kompetansegap: Manglende kompetanse er et hovedproblem. 36 prosent peker på manglende kompetanse. Hele 67 prosent av NHOs medlemsbedrifter mangler nødvendig kompetanse for å implementere og bruke KI. Dette gjelder både tekniske team og ledere som mangler innsikt til å definere strategiske brukscaser.

Risikoaversjon: Norsk næringsliv preges av motstand mot å integrere KI-løsninger, drevet av frykt for tap av kontroll, økt feilrisiko og redusert transparens. Dette fører til at mange bedrifter beholder tradisjonelle arbeidsmetoder for å unngå den opplevde risikoen ved KI.

Manglende regulatorisk forståelse: Mange virksomheter har ikke et bevisst forhold til regulatoriske krav, som EUs KI-forordning. Uten klare rammer for ansvarlig bruk og compliance, blir det vanskelig å styre og kvantifisere risiko, som er en kritisk KPI for KI.

Modenhetsproblem og metaforen om turbomotoren

Kort sagt, barrierene for norske bedrifter er et modenhetsproblem. Bedrifter behandler AI som et sideprosjekt i eksperimentfasen i stedet for en integrert del av styring og kjerneprosesser. Mangel på organisatorisk modenhet forhindrer effektmåling, som igjen er selve katalysatoren for å flytte KI fra en kostnadsdriver til en strategisk verdidriver.

Forestillingen om AI-verdi i Norge er som å ha en kraftig, ny turbomotor (AI-teknologien) liggende på verkstedgulvet: motoren er ikke problemet, men bilen (organisasjonen) har ikke de rette mekanikerne (kompetansen), kartet (strategien) eller verktøyene (målekulturen) for å installere den og kjøre transformasjonen den muliggjør.

Referanser

1. Samfunnsøkonomisk analyse (2023):
   Kunstig intelligens i Norge – nytte, muligheter og barrierer
   Hovedrapport som beskriver bruk av KI i Norge, barrierer for verdiskaping og behov for styring og kompetanse.
2. WorldSkills Norge (2025):
   NHOs kompetansebarometer bekrefter akutt behov for yrkesfagkompetanse
   Oppsummerer NHO Kompetansebarometer 2024, der 67 prosent av bedriftene svarer at de mangler nødvendig kompetanse til å implementere KI-løsninger.
3. Computerworld (2025):
   AI-kompetanse – på tide å komme i gang
   Debattinnlegg som viser til at 67 prosent av selskapene mangler nødvendig kompetanse til å benytte seg av kunstig intelligens, basert på NHO Kompetansebarometer.
4. SIRK Norge (2025):
   Fortsatt lav AI-kompetanse i norske bedrifter – slik gjør vi noe med det
   Artikkel som oppsummerer at 67 prosent av norske virksomheter mangler nødvendig KI-kompetanse og diskuterer hvordan bedrifter kan bygge kapasitet.
5. Dansk Industri & Boston Consulting Group (2024):
   The Nordic GenAI Paradox
   Rapport som beskriver det nordiske «GenAI-paradokset» – høy adopsjon og mange piloter, men svak skalering til produksjon og begrenset realisert forretningsverdi.
6. EY (2025):
   How can strong leadership on AI be the key to responsible adoption?
   Basert på Responsible AI Pulse Survey 2025; viser at nordiske virksomheter har høy tro på KI, men lavere styrings- og governance-modenhet, samt uklart eierskap til AI-agendaen.
7. RAND Corporation (2024):
   The Root Causes of Failure for Artificial Intelligence Projects
   Finner at opp mot 80 prosent av AI-prosjekter feiler, og at årsakene i hovedsak er organisatoriske – knyttet til ledelse, forventningsstyring, prosesser og data, ikke selve teknologien.
8. Nortal (2025):
   How to make sure your AI project isn’t one of the 80% that fail
   Artikkel som oppsummerer funn fra RAND og andre undersøkelser; peker på manglende strategi, forankring og endringsledelse som viktigste årsaker til at KI-prosjekter stopper i pilotfasen.
9. EY (2025):
   Responsible AI Pulse Survey 2025
   Global/CxO-undersøkelse som viser at mange virksomheter har tatt i bruk KI, men mangler klare mål, eierskap og måling av effekt på tvers av organisasjonen.
10. Help Net Security (2025):
    Europe’s AI strategy: smart caution or missed opportunity?
    Diskuterer at 84 prosent av AI-prosjekter globalt feiler eller ikke møter forventningene, og at hovedårsakene er organisatoriske forhold som kultur, ledelse og manglende gevinstrealisering – ikke teknologi.

Bred litteraturliste

Her er en rekke kilder som drøfter status for adopsjon av kunstig intelligens (KI) og tilhørende utfordringer i norske virksomheter og offentlig sektor.

Flere artikler understreker at selv om KI gir betydelige gevinster, som økt effektivitet og høyere produktivitet, risikerer norske virksomheter å havne bakpå på grunn av lave investeringer, manglende strategisk forankring og utilstrekkelig kompetanse i hele organisasjonen.

En viktig bekymring som løftes frem, er de etiske og juridiske risikoene ved KI – særlig algoritmisk diskriminering, krevende rammer i personvernregelverket (GDPR), og den uklare grensen mellom menneskeskapt og KI-generert innhold, illustrert gjennom en større skandale med oppdiktede kilder i en kommunal rapport.

Eksperter anbefaler gjennomgående at vellykket innføring krever praktisk utprøving, kontinuerlig læring, sterk involvering av ansatte og en målrettet innsats fra ledelsen for å komme videre fra enkle verktøy til å implementere skreddersydde, høyverdige KI-løsninger – særlig med tanke på det kommende EU-regelverket for KI (EU AI Act).

Relevant litteratur:

1. Acemoglu, D., & Restrepo, P. (2019). Artificial Intelligence, Automation, and Work. i The Economics of Artificial Intelligence: An Agenda (ss. p. 197 – 236). University of Chicago Press.
2. Acemoglu, D., & Restrepo, P. (2019). Automation and New Tasks: How Technology Displaces and Reinstates Labor. IZA Institute of Labor Economics.
3. Acemoglu, D., & Restrepo, P. (2020). Robots and Jobs: Evidence from US Labor Markets.
4. Acemoglu, D., Autor, D., Hazell, J., & Restrepo, P. (2020). Artificial Intelligence and Jobs: Evidence from Online Vacancies.
5. Agrawal, A., Gans, J., & Goldfarb, A. (2019). The Economics of Artificial Intelligence; An Agenda.
6. Alderucci, D., Brandsetter, L., Hovy, E., Runge, A., & Zolas, N. (2020). Quantifying the impact of AI on productivity and labor demand: Evidence from US census microdata. Allied social science associations—ASSA 2020 annual meeting.
7. Arntz, M., Gregory, T., & Zierahn, U. (2017). Revisiting the risk of automation. Economics Letters, ss. 157-160.
8. Autor, D. (2022). THE LABOR MARKET IMPACTS OF TECHNOLOGICAL CHANGE: FROM UNBRIDLED ENTHUSIASM TO QUALIFIED OPTIMISM TO VAST UNCERTAINTY. NBER Working Paper.
9. Babina, T., Fedyk, A., He, A., & Hodson, J. (2022). Artificial Intelligence, Firm Growth, and Product Innovation.
10. Bäck, A., Hajikhani, A., Jäger, A., Schubert, T., & Suominen, A. (2022). Return of the Solow-paradox in AI? AI-adoption and firm productivity. Lund University. Papers in Innovation Studies no. 2022/01.
11. Behrens, V., & Trunschke, M. (2020). Industry 4.0 related innovation and firm growth. ZEW Discussion Papers, No. 20-070.
12. Borgonovi, F., Calvino, F., Criscuulo, C., Nania, J., Nitschke, J., O’Kane, L., … Seitz, H. (2023). Emerging trends in AI skill demand across 14 OECD countries. OECD Working Paper.
13. Briggs, J., Hatzius, J., Kodnani, D., & Pierdomenico, G. (2023). The Potentially Large Effects of Artificial Intelligence on Economic Growth. Goldman Sachs. Economics Research.
14. Brynjolfsson, E., & McAfee, A. (2014). The Second Machine Age: Work, Progress, and Prosperity in a Time of Brilliant Technologies.
15. Brynjolfsson, E., Li, D., & Raymond, L. R. (2023). Generative AI at work. NBER WORKING PAPER SERIES.
16. Brynjolfsson, E., Rock, D., & Syverson, C. (2019). Artificial Intelligence and the Modern Productivity Paradox: A Clash of Expectations and Statistics.
17. Brynjolfsson, E., Rock, E., & Syverson, C. (2017). Artificial intelligence and the modern productivity paradox: a clash of expectations and statistics.
18. Cathles, A., Nayyar, G., & Rückert, D. (2020). Digital technologies and firm performance: Evidence from Europe. EIB Working Papers, No. 2020/06.
19. Chandler, A. (1977). The Visible Hand: The Managerial Revolution in American Business.
20. Chatterjee, S., Rana, N. P., Dwivedi, Y. K., & Baadbullah, A. M. (2021). Understanding AI adoption in manufacturing and production firms using an integrated TAM-TOE model. Technological Forecasting & Social Change.
21. Chui, M., Hazan, E., Roberts, R., Singla, A., Smaje, K., Sukharevsky, A., … Zemmel, R. (2023). The economic potential of generative AI: The next productivity frontier. McKinsey & Company.
22. Computas. ”Offentlig sektor vil ta i bruk AI, men møter hindringer.” Computas.com, 2024.
23. Czarnitzki, D., Fernàndez, G. P., & Rammer, C. (2023). Artificial intelligence and firm-level productivity. Journal of Economic Behavior and Organization 211, ss. 188-205.
24. Damioli, G., Van Roy, V., & Vertesy, D. (2021). The impact of artifcial intelligence on labor productivity. Eurasian Business Review, ss. 1-25.
25. Dauth, W., Findeisen, S., Südekum, J., & Wössner, N. (2017). German robots: The impact of industrial robots on workers. IAB-Discussion Paper, No. 30/2017.
26. Datatilsynet. ”Hva skjer i sandkassen?” Datatilsynet.no, 2024.
27. Digitaliseringsdirektoratet. ”Kunstig intelligens – oversikt over prosjekter i offentlig sektor.” Data.norge.no, 2024.
28. Fafo. ”Arbeidstakeres medbestemmelse og medvirkning.” Fafo.no, 2024.
29. Felten, E., Raj, M., & Seamans, R. (2020). Occupational, industry, and geographic exposure to artificial intelligence: A novel dataset and its potential uses.
30. Felten, E., Raj, M., & Seamans, R. (2023). How will Language Modelers like ChatGPT Affect Occupations and Industries?
31. Fierro, L. E., Caiani, A., & Russo, A. (2022). Automation, Job Polarisation, and Structural Change. Journal of Economic Behavior and Organization, ss. 499-535.
32. Finansdepartementet. (2023). Meld. St. 1 (2023–2024) Nasjonalbudsjettet 2024. Finansdepartementet.
33. Ford, M. (2016). The Rise of the Robots: Technology and the Threat of a Jobless Future.
34. Frey, C. B., & Osborne, M. A. (January 2017). The future of employment: How susceptible are jobs to computerisation? Technological Forecasting and Social Change, ss. 254-280.
35. Graetz, G., & Michaels, G. (2018). Robots at work. Review of Economics and Statistics.
36. Grunnloven. §100, femte ledd.
37. Humlum, A. (2019). Robot Adoption and Labor Market Dynamics.
38. Innocenti, S., & Golin, M. (2022). Human capital investment and perceived automation risks: Evidence from 16 countries. Journal of Economic Behavior and Organization, ss. 27-41.
39. IW Consult. (2023). The digital factor – How Germany benefits from intelligent technologies.
40. Koch, M., Manuylov, I., & Smolka, M. (2019). Robots and firms.
41. Kommunal- og moderniseringsdepartementet. ”Nasjonal strategi for kunstig intelligens.” 2020.
42. Konsulentguiden. (2025). Management Consulting 2025.
43. Krugman, P. (1994). The Age of Diminished Expectations. The MIT Press.
44. Kuznets, S. (1966). Modern Economic Growth.
45. Landes, D. (1969). The Unbound Prometheus.
46. Lee, Y. S., Kim, T., Choi, S., & Kim, W. (2022). When does AI pay off? AI-adoption intensity, complementary investments, and R&D strategy. Technovation.
47. Likestillings- og diskrimineringsloven. §§6-9.
48. Likestillings- og diskrimineringsombudet. ”Algoritmer, KI og diskriminering.” LDO. no, 2024.
49. Mantoux, P. (1928). The Industrial Revolution in the Eighteenth Century: An Outline of the Beginnings of the Modern Factory System in England.
50. McKinsey & Company. (2023). Det økonomiske potensialet til GenAI i Norge. Det neste fremskrittet innen produktvitet.
51. McKinsey & Company. (2023). The economic potential of generative AI. The nest productivity frontier.
52. Menon. (2019). Er verdiskaping med data noe Norge kan leve av? Oslo: Menon-publikasjon nr. 88/2019.
53. Menon Economics. (2023). KI: Betydningen for arbeidstyrken. En analyse av potensialet for kunstig intelligens-drevet effektivisering i norsk næringsliv.
54. Metier. (2023). Innsikt fra Metiers undersøkelse: Bruk av Generativ AI i Norge. Metier.
55. Mokyr, J. (1990). The Lever of Riches: Technological Creativity and Economic Progress.
56. Montagnier, P., & Ek, I. (2021). AI measurement in ICT usage surveys: A review. OECD Digital Economy Papers.
57. Morikawa, M. (2020). Heterogeneous Relationships between Automation Technologies and Skilled Labor: Evidence from a Firm Survey. RIETI Discussion Paper Series, 20-E-004.
58. NAV. (2023). NAVs BEDRIFTSUNDERSØKING 2023: Redusert mangel på arbeidskraft. Mo i Rana: NAV.
59. NHO. Veien til vekst.
60. Nolan, A. (2020). Artificial Intelligence, digital technology and advanced production.
61. Norges Bank. (2023). Pengepoltisk rapport 3/2023. Norges Bank.
62. NRK. ”[Får mer nøyaktig flomvarsel](https://www.nrk.no/sorlandet/ flomvarslingssystem-basert-pa-kuns-tig-intelligens-skal-gi-mer-presis-vars-ling-1.15511293).” NRK. no, 2024.
63. Noy, S., & Zhang, W. (2023). Experimental Evidence on the Productivity Effects of Generative Artificial Intelligence. Working Paper.
64. OECD. “Using AI in the workplace: Opportunities, risks and policy responses.” OECD Artificial Intelligence Papers, No. 11, OECD Publishing, Paris, 2024.
65. Olmstead, A. L., & Rhode, P. W. (2001). Reshaping the Landscape: The Impact and Diff usion of the Tractor in American Agriculture, 1910– 1960.
66. Oxford Insights. (2023). Government AI Readiness Index 2023.
67. Regjeringen. (2020). Nasjonal strategi for kunstig intelligens.
68. Regjeringen. ”[Norge skal bli verdens mest digitaliserte land](https://www.regjeringen.no/no/aktuelt/nor-ge-skal-bli-verdens-mest-digitaliserte-lan/ id3055039/).” Regjeringen.no, 2024.
69. Riksrevisjonen. ”Bruk av kunstig intelligens i staten.” Dokument 3:18 (2023-2024), 2024.
70. Riksrevisjonen. «Bruk av kunstig intelligens i staten», Dokument 3:18 (2023−2024) / Offentliggjort 02.09.2024.
71. Riksrevisjonens rapport, Dokument 3:18 (2023-2024).
72. Ryen, Tom. ”Kunstig intelligens enkelt forklart.” Forskning.no, 2024.
73. Samfunnsøkonomisk analyse. ”[Kunstig intelligens: nytte, muligheter og barrierer](https://www.samfunnsokono-misk-analyse.no/nye-prosjekter/2024/1/8/ kunstig-intelligens-nytte-mulighe-ter-og-barrierer).” 2024.
74. Silo AI. (2023). The nordic state of AI – 2022 report.
75. SØA. (2018). Analyse av insentiver for å investere i humankapital.
76. SØA. (2021). Ekomsektorens betydning for norsk økonomi. Samfunnsøkonomisk analyse AS.
77. SØA. (2021). Norges behov for IKT-kompetanse i dag og framover. Oslo: Rapport 1-2021.
78. SØA. (2022). Samfunnsnytten av gigabitsamfunnet. Oslo: SØA-Rapport 03-2022.
79. SØA. (2023). IKT-næringens kompetansebehov. Oslo: R7-2023.
80. Solow, R. M. (1987). We’d better watch out. New York Times Book Review.
81. Statsforvalteren. ”[Fem prosjekter får penger til å utvikle kunstig intelligens](https://www.statsfor-valteren.no/troms-finnmark/miljo-klima/ fiskeforvaltning/pukkellaks/kunstig-intelli-gens-mot-pukkellaks/).” Statsforvalteren.no, 2024.
82. Stiebale, J., Südekum, J., & Woessner, N. (2020). Robots and the rise of European superstar firms. DICE Discussion Paper, No. 347.
83. Strand, Vibeke Blaker: «Algoritmer, Kunstig intelligens og diskriminering. En analyse av likestillingslovens muligheter og begrensninger.» Utredning skrevet på oppdrag fra Likestillings- og diskrimineringsombudet. [https://www.ldo.no/globalas-sets/_ldo_2019/_bilder-til-nye-nettsider/ki/ ldo_algoritmer_ki_og_diskriminering__elek-tronisk_versjon.pdf](https://www.ldo.no/globalas-sets/_ldo_2019/_bilder-til-nye-nettsider/ki/ ldo_algoritmer_ki_og_diskriminering__elek-tronisk_versjon.pdf), s.16
84. Van Roy, V., Vertesy, D., & Damioli, G. (2019). AI and Robotics Innovation: a Sectoral and Geographical Mapping using Patent Data. Global Labor Organization (GLO).
85. Venturini, F. (2022). Intelligent technologies and productivity spillovers: Evidence from the Fourth Industrial Revolution. Journal of Economic Behavior and Organization, ss. 220-243.
86. Yang, C.-H. (2022). How Artificial Intelligence Technology Affects Productivity and Employment: Firm-level Evidence from Taiwan. Research Policy.