06. July 2026
Det siste året har diskusjonen i stor grad handlet om hvem som har den største og mest avanserte AI-modellen. Nå ser vi et markant skifte i markedet: Bedrifter vender ryggen til de gigantiske, kostbare skymodellene til fordel for mindre, spesialiserte språkmodeller (såkalte Small Language Models, eller SLMs). Disse modellene kjører raskere, krever langt mindre regnekraft, og kan ofte driftes lokalt på bedriftens egen infrastruktur.
Bakgrunnen for denne endringen handler primært om økonomi og personvern. Å sende millioner av dataspørringer til eksterne skytjenester i USA blir fort en astronomisk utgiftspost for en vekstbedrift. Samtidig har personvernombudene rynket på nesen over risikoen ved å dele sensitive data ut av eget hus. Med mindre modeller, som kan finjusteres på spesifikke datasett (for eksempel juridiske dokumenter eller kundehistorikk), får man tilsvarende eller bedre presisjon på snevre oppgaver – til en brøkdel av prisen.
For finansdirektører og IT-beslutningstakere som har kviet seg for de løpende lisenskostnadene ved AI, åpner dette opp for en helt ny kalkyle. I stedet for å betale dyrt per bruker for generiske verktøy, gir dette mulighet til å drifte egne, skreddersydde modeller på private servere. Dette sikrer full kontroll over dataflyten og forutsigbare IT-budsjetter, særlig innen høyt regulerte sektorer som bank, forsikring og helse.
Den norske gjødselgiganten Yara har rullet ut et nytt system basert på autonome AI-agenter for å optimalisere sin globale distribusjon. Systemet tar ikke bare imot ordre, men tar selvstendige beslutninger om rutevalg, omlasting og flåtestyring basert på sanntidsdata om vær, havneforhold og svingninger i drivstoffpriser.
Tidligere har logistikkplanlegging vært et puslespill av manuelle vurderinger og rigide dataprogrammer. Når en havn plutselig ble stengt på grunn av storm, tok det dager å omdirigere skipene optimalt. Med de nye AI-agentene simuleres tusenvis av alternative scenarier i sekundet, og systemet kan iverksette nye ruteplaner automatisk innenfor gitte fullmakter.
Dette er et kroneksempel på at AI har modnet fra å være en leken tekstforfatter til å bli en kritisk driftsressurs. For industribedrifter med komplekse forsyningskjeder viser Yaras pilotprosjekt – som melder om en reduksjon i transportkostnader på 12 prosent – at gevinstene ligger i å gi AI-en snevre, men reelle beslutningsmandater fremfor bare å bruke det som et passivt analyse-verktøy.
Nå som overgangsperiodene for EUs AI Act gradvis løper ut, opplever selskaper over hele Europa et økende press for å dokumentere hvordan algoritmene deres faktisk tar beslutninger. Særlig systemer som brukes til rekruttering, kredittvurdering og ansattevaluering havner i kategorien "høyrisiko", noe som utløser strenge krav til gjennomsiktighet og menneskelig overvåking.
Mange virksomheter har de siste to årene innført diverse AI-verktøy i "skyggene" – gjerne ved at enkeltavdelinger har tatt i bruk hyllevare uten at IT- eller juridisk avdeling har hatt full oversikt. Nå krever det nye regelverket at man har fullstendig kontroll på hvilke data modellene trenes på, og at man kan forklare logikken bak en maskingenerert beslutning.
For HR-ledere og rekrutteringsbyråer betyr dette at helautomatiske silingsverktøy for CV-er må revideres umiddelbart for å unngå potensielle millionbøter. Juridiske avdelinger bør snarest etablere et sentralt register over alle AI-anvendelser i organisasjonen, slik at man kan risikovurdere verktøyene før tilsynsmyndighetene banker på døren.