ki-produktivitetsmodell/modell-kontekst.md

Tre nivå av organisatorisk produktivitet med KI: kontekstfil for KI-verktøy

Denne filen er ment å legges ved i en samtale med et KI-verktøy (for eksempel Claude, Claude Code, M365 Copilot, Copilot Cowork eller GitHub Copilot CLI), sammen med brukerens egen kontekst. Den inneholder hele modellteksten i v1.0, ordrett og uendret, og et orienteringslag foran som forteller assistenten hvordan modellen skal brukes. Den eneste forskjellen fra modelldokumentet er at figuren er gjengitt som et diagram i stedet for som tegning, med figurens egen beskrivelse ordrett.

Filen er selvstendig. Den forutsetter ingen andre vedlegg.

---

Til KI-assistenten som leser denne filen

Det som følger etter orienteringslaget, er en mental modell for toppledere i norsk offentlig sektor, låst på versjon 1.0. Modellteksten er gjengitt ordrett og skal ikke omskrives, kondenseres eller «forbedres» av deg. Din oppgave er å hjelpe brukeren med å bruke den på sin egen virksomhet.

Gjør dette først: spør om brukerens kontekst

Modellens eget prinsipp er at uttak måles i virksomhetens egne størrelser, ikke som generiske prosenttall. Det samme gjelder rådene dine. Gi derfor ikke konkrete anbefalinger før du har spurt om konteksten, og still spørsmålene før du gir svar, ikke etter:

1. Hvilken virksomhet? Type (etat, direktorat, kommune, foretak), samfunnsoppdrag, omtrentlig størrelse. Leverer dere tjenesten selv, eller gjennom kontrakt med andre? Modellen har en egen seksjon for det siste.
2. Hvilken verdikjede gjelder samtalen? Nivåene beskriver én vertikal: ett fagområde, én verdikjede, ett produkt, ikke hele virksomheten. Er spørsmålet stilt for hele virksomheten, be brukeren velge én vertikal, og forklar hvorfor.
3. Hvor står den vertikalen i dag? La brukeren plassere den på nivå 1, 2 eller 3, og spør hva plasseringen bygger på. Er den målt eller antatt?
4. Hva finnes allerede? Verktøy og lisenser, hvor modellene kjører, hvilke datasett som er maskinlesbare, hvilke juridiske avklaringer som er gjort, og hvem som er navngitt eier av hva.
5. Hva er flaskehalsen? Og er den målt eller opplevd? Modellen sier at de to kan peke hver sin vei.
6. Hvilke størrelser måler dere i dag? Saksmengde, saksbehandlingstid, ventetid, svartid, feil fanget, leveranse per krone. Det er disse et uttak skal måles i, ikke en prosent hentet utenfra.

Vil brukeren ha et svar før spørsmålene er besvart, gi det korteste svaret som er forsvarlig, og skriv eksplisitt hvilke antakelser det hviler på og hva som ville endret det.

Slik skal du resonnere om modellen

1. Én vertikal om gangen. Ikke aksepter og ikke produser setninger som «virksomheten er på nivå 2». En stor virksomhet er på flere nivåer samtidig, og skal være det. Spørsmålet er alltid hvilken vertikal som skal løftes nå, og hvor langt.
2. Nivåene er ikke modenhetstrinn. Et nivåskifte er en hindring som fjernes, og det er bare verdt å betale for hvis hindringen faktisk sto i veien. Å foreslå et nivåløft uten å ha pekt på hindringen er å foreslå en kostnad uten en gevinst.
3. Skill kjernen fra lagene. De tre nivåene er kjernen og bygges én verdikjede om gangen. Plattformlaget under og kompetanselaget over deles av alle verdikjedene og har ingen numre. Svikt i et lag merkes i alle vertikaler samtidig, og den diagnosen er ofte det mest nyttige du kan gi.
4. Bærebjelkene er porter, ikke etterarbeid. Peker brukerens plan mot noe som krever behandlingsgrunnlag, DPIA-vurdering, ROS eller ny risikoaksept, si det med én gang og pek på hvem som eier avklaringen. Du gir ikke juridiske råd, du sier hvilken port som står der og hvem som signerer. Forsvarlighetstabellen i modellen er kilden.
5. Ingen generiske prosenttall. De tre målingene modellen gjengir, er kalibrering av hva slags størrelser som er mulige. De er utenlandske, fra andre bransjer, og de sier ingenting om brukerens tak. Regn aldri et forventet uttak av dem, verken i tid, kroner eller årsverk. Virksomhetens egne størrelser, inkludert hva som ble levert per krone, er noe annet: de måles hos brukeren, før og etter.
6. Kontrollsløyfen avgjør gevinsten. Hva en modell kan levere og hva virksomheten sitter igjen med, er to forskjellige størrelser. Regner du på tid spart, må tiden til å vurdere svaret og gjøre om igjen det som ikke holder mål, være med.
7. Opplevd og målt gevinst kan peke hver sin vei. Foreslå aldri en spørreundersøkelse om opplevd nytte som eneste måling. Foreslå en måling på faktiske oppgaver, før og etter.
8. KI foreslår, fagpersonen beslutter. Dette gjelder på alle nivåer i modellen, og det gjelder deg i denne samtalen. Du leverer forslag, plasseringer og utkast. Beslutningen er brukerens, og der modellen krever en navngitt eier, skal navnet være et menneske.
9. Oppfinn ikke tall og ikke kilder. Hvert tall og hver faktapåstand i modellen har en rad i verifiseringsloggen bakerst, med status. Trenger brukeren et tall som ikke står der, si at det ikke står der, og skill tydelig mellom hva modellen belegger og hva du selv antar.
10. Virkeområdet er norsk offentlig sektor. Brukes modellen utenfor det, si hva som er overførbart og hva som ikke er, i stedet for å strekke modellen stilltiende.
11. Bemanning er et vedtak, ikke en avledning. Frigjort kapasitet kan over tid bli lavere bemanning, men rekkefølgen i modellen er ufravikelig: gevinsten måles først, konsekvensen vedtas etterpå, i drøfting med tillitsvalgte. Presenter aldri et bemanningstall som en konsekvens av et anslag.

Hva du kan hjelpe brukeren med

• Plassere en konkret verdikjede i modellen, og si hva som mangler for å komme videre.
• Kjøre selvtesten (de tre lederspørsmålene) mot brukerens egen virksomhet og tolke svarene.
• Finne ut hvilken hindring som faktisk står i veien, og skille den fra hindringer som bare er synlige.
• Forberede et vertikalvedtak: hvilke avklaringer som må være på plass, og hvem som signerer hva.
• Sette opp en før- og etter-måling i virksomhetens egne størrelser, inkludert hva som må dokumenteres før arbeidet begynner.
• Formulere et ambisjonsnivå for vertikalen, satt som ambisjon og ikke som et resultat noen har målt.
• Sortere hvilke datasett og hvilken kunnskap som må gjøres maskinlesbar først, og foreslå hvem som bør være navngitt eier.
• Vurdere hvor modellene bør kjøre, ut fra de fire svarene modellen setter opp.
• Skrive utkast til krav i en kravspesifikasjon når det er en leverandør som skal bygge.
• Forberede saksframlegg og drøftingsunderlag, med det som skal avklares med tillitsvalgte tydelig merket.

Hva du ikke skal gjøre

• Ikke erstatte en juridisk vurdering, en DPIA eller en ROS. Du kan si at de må gjøres og hvem som eier dem.
• Ikke love en gevinst. Modellen måler, den lover ikke.
• Ikke behandle nivåene som en trapp hele virksomheten skal opp.
• Ikke endre, forkorte eller «oppdatere» modellteksten. Versjon 1.0 er låst.

---

Om figuren i modellen

Modellen har én figur, og den er i denne filen gjengitt som et diagram i Mermaid-format i stedet for som tegning. Grunnen er praktisk: en KI-assistent leser noder, lag og relasjoner semantisk, mens en tegning må tolkes ut av koordinater. Innholdet er det samme. Alle etikettene og beskrivelsene under er figurens egne, gjengitt ordrett.

flowchart BT
    P["PLATTFORMLAGET<br/>Sky- og KI-plattform"]
    N1["KJERNEN, NIVÅ 1<br/>Verktøyene"]
    N2["KJERNEN, NIVÅ 2<br/>KI-først-fundamentet"]
    N3["KJERNEN, NIVÅ 3<br/>Organisert rundt KI"]
    K["KOMPETANSELAGET<br/>Spisskompetansen"]
    JUS["BÆREBJELKE<br/>Juridiske vurderinger"]
    DATA["BÆREBJELKE<br/>KI-klare data"]

    P -->|"ligger under kjernen"| N1
    N1 -->|"nedenfra og opp"| N2
    N2 -->|"nedenfra og opp"| N3
    N3 -->|"over kjernen ligger"| K

    JUS -.->|"bærer"| N1
    JUS -.->|"bærer"| N2
    JUS -.->|"bærer"| N3
    DATA -.->|"bærer"| N1
    DATA -.->|"bærer"| N2
    DATA -.->|"bærer"| N3

Etikettene i figuren, ordrett:

• Spisskompetanse. «Kompetanselaget: rekruttere, bygge eller kjøpe. Deles av alle verdikjedene.»
• Sky- og KI-plattform. «Plattformlaget: der modellene kjører, og dørene inn for maskiner. Felles for alle verdikjedene.»
• De to bærebjelkene. «Bærebjelkene er forutsetningene som bærer hvert nivå i hver verdikjede. De blir aldri ferdige: hver ny verdikjede stiller nye spørsmål til begge.»
• Gjennom hele figuren. «KI foreslår, fagpersonen beslutter, på alle nivåer.»
• Figurnoten. «Illustrasjon, v1.0 (2026-08-18): A, B og C er tenkte verdikjeder. Ulik høyde er normaltilstanden i en stor virksomhet, ikke et etterslep. De tre fargelagte radene er kjernen.»

Tre tenkte verdikjeder står i figuren, kommet ulikt langt:

Verdikjede	Nivå 1	Nivå 2	Nivå 3
A	på plass	på plass	på plass
B	på plass	på plass	ikke ennå
C	på plass	ikke ennå	ikke ennå

Figurens egen samlede beskrivelse, ordrett: «To loddrette bærebjelker, juridiske vurderinger til venstre og KI-klare data til høyre, bærer hele modellen. I midten ligger kjernen: tre nivåer i egen farge, nivå 1 nederst. Under kjernen ligger plattformlaget, sky- og KI-plattformen, som ett gjennomgående felt. Over kjernen ligger kompetanselaget, spisskompetansen, som ett gjennomgående felt. De to lagene deles av alle verdikjedene og er derfor ikke delt opp i kolonner. Bjelkene fortsetter ut av figuren i begge ender fordi de aldri blir ferdige. Tre tenkte verdikjeder, A, B og C, er kommet ulikt langt oppover i nivåene, og ulik høyde er normaltilstanden, ikke et etterslep.»

---

Under her følger modellteksten i sin helhet, uendret fra v1.0. Bakerst står verifiseringsloggen, som viser hvilken kilde hver faktapåstand hviler på og hva som bevisst ikke er påstått. Loggen er tatt med fordi den er det som lar deg skille modellens belagte påstander fra dine egne antakelser.

---

Tre nivå av organisatorisk produktivitet med KI

Mental modell for toppledere i norsk offentlig sektor. v1.0 (2026-08-18). De tre nivåene er modellens kjerne. I denne utgaven er de omgitt av to lag som alle verdikjedene deler: plattformlaget under og kompetanselaget over. Leseren er etats- eller konsernledelse, og ledere på nivået under.

Dette er skrevet til lederen, ikke til fagpersonen. Hvert nivå skal kunne leses på ett minutt og ende i én ting du kan gjøre. Uttak måles før og etter, i virksomhetens egne størrelser.

Modellen er forfatterens egen syntese. Virkeområdet er norsk offentlig sektor, og modellen er skrevet virksomhetsuavhengig: eksemplene kan byttes ut med leserens egne uten at modellen endrer seg. Verktøy og leverandører som nevnes, er eksempler på hva som finnes å kjøpe, aldri forbilder eller forutsetninger.

---

Modellen

Tre nivåer. Hvert nivå ender i en handling og en måling. Rundt de tre nivåene ligger to lag som alle verdikjedene deler, plattformlaget under og kompetanselaget over. De er beskrevet rett etter figuren.

	Slik ser det ut	Muligheten som ligger her	Hva du som leder gjør	Hva dere måler
Nivå 1 Verktøyene	Verktøyene er på plass. Eksempler på hva markedet tilbyr og hva offentlige virksomheter kjøper i dag: M365 Copilot, GitHub Copilot og Copilot Cowork, eller Anthropics portefølje med Claude, Claude Cowork og Claude Code. Hvilke navn som står på lisensen hos dere, endrer ikke modellen. Det tilbys kurs. Utover det er det ofte ikke satt forventninger, ikke stilt krav til uttak, og ikke alle blir spurt hva de fikk igjen. I praksis handler oppgaven om budsjett per person.	Taket er langt høyere enn de fleste tror, og det er en målbar størrelse. Taket er ikke en følelse om hvor lovende teknologien er. Det er hvor mye av en bestemt oppgave verktøyene dere allerede betaler for kan gjøre, med den kvaliteten oppgaven krever. Det er målt internasjonalt, og svaret er verken null eller ubegrenset: stort på noen oppgaver, negativt på andre, og avhengig av hvordan arbeidet legges opp rundt verktøyet. Se «Nivå 1 i praksis» under for tallene. Å finne deres eget tak krever ingen ny anskaffelse, men det kommer ikke av seg selv. Å realisere det er konkret lederarbeid, og det krever en helt annen tilnærming til kompetansebygging og gevinstmåling enn verktøyinnføringene dere er vant til.	Sørg for jevnlige undersøkelser, kvalitative og kvantitative: hva brukes verktøyene til hos oss, hva kan de faktisk klare i våre oppgaver, og hvor stort er gapet? Mål på oppgaver, ikke bare spør om opplevd nytte, for de to svarene kan peke hver sin vei. Bruk de internasjonale målingene til å kalibrere hva slags størrelser som er mulige, aldri som tall for deres virksomhet. Verktøyene endrer seg dessuten kontinuerlig og hyppig, og det som var taket i fjor, er gulvet i år. Derfor er dette ikke et prosjekt med sluttdato, men en oppgave som krever kontinuerlig oppmerksomhet. Hold kunnskapen om taket og om egen posisjon oppdatert, den er ferskvare. Juster tiltakene etter det målingene viser, og gjennomfør dem.	Resultatene fra de jevnlige undersøkelsene: hvor taket ligger i deres egne oppgaver, hvor dere ligger mot det, kvalitativt og kvantitativt, og om gapet krymper fra måling til måling. Se også innover: finn dem som allerede har knekt koden hos dere, de som er blitt vesentlig mer produktive enn gjennomsnittet, og finn ut hva de faktisk gjør annerledes. Gjør det til andres utgangspunkt, og la det lønne seg å være den som tar ut potensialet, ikke bare være tillatt. Følg samtidig med på hva andre norske og utenlandske virksomheter gjør som kan løfte gevinstuttaket hos dere.
Nivå 2 KI-først-fundamentet	Alt dere har, er bygget menneske-først, slik vi alltid har gjort det: håndbøker skrevet for kolleger, fagsystemer med skjermbilder for saksbehandlere, rapporter laget for lesing. Også brukervennligheten og brukerreisene er laget for at et menneske skal finne fram til funksjonalitet og informasjon. Det var riktig så lenge mennesker var de eneste leserne. Nå er det kommet en ny leser: KI-agenten. Den kan riktignok settes til å se skjermen og styre mus og tastatur som et menneske, men den veien er fortsatt umoden og treg, og den er lite utbredt. Den er en nødløsning der det mangler en dør inn for maskiner, ikke veien inn. Og brukerreisen dere har tegnet, følger den uansett ikke. Spør du den om noe dere selv eier svaret på, for eksempel hvilken versjon av et regelverk som gjelder, kan du få forrige tiårs utgave tilbake. Ikke fordi svaret mangler, men fordi det er lagret for et menneske som allerede vet hvor det ligger.	Her snus byggerekkefølgen. KI-først betyr at kunnskapen skrives for at KI skal lese og agere på den, kuratert, versjonert, med eksplisitt struktur, og at systemene får en dør inn som er laget for maskiner. Formatene og protokollene finnes allerede, og de er åpne: strukturert tekst som markdown og HTML, MCP for å koble agenter til data og systemer, A2A for at agenter skal kunne samarbeide på tvers av leverandører, og kommandolinjeverktøy (CLI) som kan kjøres og kontrolleres steg for steg. Så bygges løsninger på toppen, tilpasset ulike behov. Samme materiale, motsatt rekkefølge. Og det er den rekkefølgen som avgjør hva alt videre kan bli.	Velg én verdikjede, prosess, problemstilling eller applikasjon, helst den største flaskehalsen, og sjekk med en måling at det faktisk er der det stopper: opplevd og målt flaskehals kan peke hver sin vei. Pek ut hvilke datasett og hvilken kunnskap som skal gjøres maskinlesbar der, og gi hver av dem en eier med navn. Bestem hvor det skal kjøre. Bygg så en del av funksjonaliteten først, sett den i bruk, og utvid gradvis: fra den første nyttige biten, via stadig flere oppgaver, til en komplett utvidelse eller erstatning av det som finnes i dag. Løs opp flaskehalser etter hvert som de viser seg.	For hvert konkrete prosjekt: dokumenter smertepunktene før dere begynner, hvor det stopper, og hva det koster i tid og kvalitet. Kvantifiser så forbedringen den nye løsningen gir mot akkurat de punktene. Forskjellen mellom før og etter er nivå 2s tall. Målet er ikke en pilot, men noe nytt og bedre der KI er hele eller deler av løsningen, og som faktisk tas i bruk. Adopsjonen er selve fundamentet for transformasjonen på nivå 3. Derfor velges prosjektene etter flaskehalsen: den som frigjør mest avkastning og flest nye muligheter når den løsner, ikke den som er lettest å starte.
Nivå 3 Organisert rundt KI	Vi har gjort dette skiftet før. Internett ble først lagt ved siden av skranken, og så ble tjenestene tegnet om rundt nettet, slik at selvbetjening ble hovedveien. Mobiltelefonen ble først møtt med å krympe nettsiden til en liten skjerm, og så ble tjenestene tegnet om for at folk skulle kunne gjøre hele ærendet ferdig der de sto. Skyen ble først brukt som et annet sted å ha serverne, og så ble drift og utvikling organisert rundt den. Nå gjelder det KI: når en KI-først-løsning finnes, tegnes arbeidsprosessen om rundt den. Løsningen gjør hovedarbeidet, og menneskene gjør det bare mennesker kan: vurdere, ta ansvar, avgjøre det som treffer noens rett.	Uttaket blir organisatorisk i stedet for individuelt. Å strø KI på toppen av eksisterende prosesser gir individuelle besparelser, en saksbehandler sparer sin egen tid, men lar mesteparten av potensialet ligge. Først når prosessen er tegnet om rundt løsningen, endres hva hele enheten kan levere. Det er her ledelsen får igjen for nivå 2. Og det er her de øvrige organisatoriske konsekvensene melder seg: omorganisering, omrokkering av ansatte, endrede arbeidsprosesser, behov for ny kompetanse, og nye flaskehalser som dukker opp et annet sted og må håndteres i sin tur.	Tenk større enn før, det er lederoppgaven her. Hvilke problemer har dere avskrevet som uløselige, men som nå kan angripes? Hvilke store flaskehalser vil dere ha løst opp? Og når en KI-først-løsning finnes: prosessen må tegnes om rundt den. Det holder ikke å gi noen et mandat og håpe. Blir løsningen liggende ved siden av den gamle prosessen, blir avkastningen suboptimal, og dere har betalt for nivå 2 uten å hente ut nivå 3.	Klassisk ROI-måling, før og etter, i virksomhetens egne størrelser: saker behandlet, saksbehandlingstid, ventetid, svartid, feil fanget før de nådde mottakeren, hvor mye som ble levert per krone. Hvilke størrelser som gjelder, avgjør dere. Mål prosessen slik den var, og mål den på nytt etter omleggingen. Forskjellen er gevinsten. Sett et ambisjonsnivå før dere måler. Ambisjonen settes for at målingen skal ha en målestokk, og for at et uttak på noen få prosent ikke skal kunne passere som suksess. En rimelig første ambisjon er 20 prosent forbedring av den størrelsen vertikalen selv har valgt å måle, innenfor vertikalen, med tidshorisont satt i samme vedtak. Den settes av lederen for verdikjeden som en ambisjon, ikke som et resultat noen har målt eller et tall hentet fra noen undersøkelse. Uttaket måles organisatorisk, i virksomhetens egne størrelser, ikke som summen av individuell tidsbesparelse. Og ambisjonen er ikke et bemanningsmål: hva frigjort kapasitet skal bli, avgjøres slik bemanningsavsnittet beskriver, etter målt uttak. En navngitt gevinsteier eier både før- og etter-målingen.

---

Kjernen, de to lagene og de to bærebjelkene

Figuren er gjengitt som diagram i seksjonen «Om figuren i modellen» over. Figurteksten som står under den i modellen, lyder:

Kjernen er de tre nivåene, og de bygges nedenfra og opp, én verdikjede om gangen: A er kjørt helt fram, B står på nivå 2, C har bare verktøyene. Det er normaltilstanden i en stor virksomhet, ikke et etterslep. Plattformlaget under og kompetanselaget over er ikke delt opp i verdikjeder, fordi de deles av alle. De to bærebjelkene griper inn i hvert eneste nivå i hver eneste verdikjede, og de fortsetter ut av figuren i begge ender fordi de aldri blir ferdige: hver ny verdikjede stiller nye spørsmål til begge.

Kjernen i modellen er de tre nivåene. Det er der arbeidet gjøres, én verdikjede om gangen, og det er den delen figuren farger. Rundt kjernen ligger to lag som ikke er nivåer, fordi de ikke bygges én verdikjede om gangen. De deles av alle.

Under kjernen ligger plattformlaget: sky- og KI-plattformen. Det er der modellene faktisk kjører, og det er der dørene inn for maskiner står: MCP, A2A, API-er og CLI. På nivå 1 er dette ikke et valg, men en arv fra lisensen. Fra nivå 2 er det en beslutning, og de fire svarene som alle er riktige for noe, står i seksjonen «Hvor modellene kjører» lenger ned. Laget har sin egen eier, plattformeier per kjøremiljø, ved siden av dataeieren per datasett. Det ligger under kjernen fordi ingen verdikjede kan bygges høyere enn plattformen den kjører på, og fordi den samme plattformen bærer alle verdikjedene samtidig.

Over kjernen ligger kompetanselaget: spisskompetansen. Den dekker alle nivåene fordi den er det samme knappe godet uansett hvilken verdikjede som løftes: folk som både vet hva verktøyene kan gjøre, og kjenner prosessen godt nok til å tegne den om. Valget mellom å rekruttere, bygge eller kjøpe den er et ledelsesvedtak, ikke en HR-detalj, og det er beskrevet i bemanningsseksjonen. Det ligger over kjernen fordi det er denne kompetansen som løfter en verdikjede fra ett nivå til det neste, og fordi kapasiteten her avgjør hvor mange verdikjeder dere kan løfte samtidig.

De to lagene er ikke nye nivåer, og de har ingen numre. Nivåene sier hvor langt én verdikjede er kommet. Lagene sier hva alle verdikjedene deler. Det er derfor svikt i et lag merkes overalt på én gang: er plattformen ikke avklart, stopper nivå 2 i hver eneste verdikjede, og er spisskompetansen ikke på plass, blir nivå 3 aldri tegnet i noen av dem.

---

Bærebjelkene: to spor som går gjennom hele modellen

Nivåene er det som bygges. Bærebjelkene er det som må stå under mens det bygges.

Uten KI-klare data og juridiske vurderinger er ingenting mulig. De to er forutsetninger, ikke sidehensyn og ikke støttefunksjoner. Men de er ikke en engangsjobb som gjøres ferdig én gang: de bæres løpende, verdikjede for verdikjede, og hvor mye de bærer akkurat nå, avgjør hvor fort og hvor høyt hver vertikal kan bygges. Det er derfor de går gjennom hele modellen i stedet for å ligge som en boks ved siden av den.

De blir heller aldri ferdige. Hver ny verdikjede stiller nye spørsmål til begge: nye data skal gjøres lesbare, nye behandlinger skal vurderes. Til gjengjeld gjenbrukes formene fra forrige verdikjede: maler, presedens og standardiserte vurderinger. Selve vurderingene gjøres på nytt for hvert nytt formål, en ny behandling er en ny behandling, men den andre vertikalen er billigere fordi formene allerede finnes.

Ingen av delene er nytt stoff i modellen. Begge bjelkene har hele tiden ligget spredt utover den. Det som er nytt, er at de står som to spor du kan følge, og at du kan se hva hver av dem krever på hvert nivå.

Bærebjelke	På nivå 1	På nivå 2	På nivå 3
Juridiske vurderinger Eies av behandlingsansvarlig. Systemeier, arkitekt, personvernrådgiver og jurist bidrar i hvert sitt steg	Grunnmuren, og den gjelder verktøybruken selv. Løsningen føres opp i løsningsregisteret med en unik ID, med systemeier og forvalter navngitt. Verdivurderingen henges på den ID-en: hvilke data løsningen behandler, hvilke personopplysninger, hvilket sikkerhetsnivå det gir, hvilken databehandleravtale som gjelder, og hvor kritisk oppetiden er. Behandles personopplysninger, følger behandlingsformål forankret i et behandlingsgrunnlag, og en vurdering av om DPIA må utarbeides. ROS går parallelt med personvernvurderingene, ikke etter dem. En navngitt risikoeier aksepterer restrisikoen, på et ledernivå som står i forhold til risikoen.	Spørsmålet skifter fra «hva limes inn» til «hva får en agent lov til å lese». Behandlingsformålet avklares per datasett før datasettet gjøres maskinlesbart. Tilgangsstyring som følger dokumentets klassifisering, ikke hvem som spør. Sporbarhet fra svar til kildeversjon. Og hele rekkefølgen fra nivå 1 kjøres om igjen for uttrekket: et maskinlesbart uttrekk er en ny behandling, ikke den gamle, og både verdivurderingen og ROS-en må gjøres på nytt fordi bruken og angrepsflaten er en annen.	Skillet forslag/avgjørelse som teknisk sperre, og menneskelig overprøving som er dokumentert, ikke forutsatt. Kontrolltiden per sak defineres, budsjetteres og følges som metrikk. Bygger dere selv, kan KI-forordningen artikkel 25 gjøre dere til tilbyder, med tilbyderens plikter. Omstillingen følger hovedavtalens omstillingsbestemmelser. Restrisikoen aksepteres på nytt, fordi prosessen som ble vurdert, ikke lenger finnes.
KI-klare data Eies av navngitt dataeier per datasett, sammen med navngitt plattformeier per kjøremiljø	Her finnes de knapt ennå, og det er selve poenget: verktøyet leser bare det brukeren limer inn. Jobben på nivå 1 er derfor å finne ut hvor mye av taket dere ikke kan nå fordi dataene ikke er lesbare. Lag oversikten over hvilke datasett og hvilken kunnskap som finnes, og hvem som eier dem. Det er den billigste delen av bjelken, og den er nesten alltid ugjort.	Kjernen i nivået. Kunnskapen kuratert, versjonert og strukturert for å bli lest av KI. En dør inn som er laget for maskiner: MCP, A2A, API-er og CLI. Navngitt eier per datasett. Sporbarhet fra svar til kildeversjon. Og diagnosen som avgjør hvor arbeidet ligger: kommer dataene ut av fagsystemet i en form KI kan lese? Gjør de ikke det, er fagsystemet hindringen, og det er den hindringen dere skal fjerne.	Prosessen som tegnes om, produserer selv data. Er de ikke KI-klare, stopper neste verdikjede på nøyaktig samme sted som den forrige gjorde. Målingen krever det samme: skal dere måle før og etter i egne størrelser, må prosessdataene finnes maskinlesbart. Gjør de ikke det, blir gevinsten et anslag, og et anslag tåler ikke å bli lagt til grunn for et bemanningsvedtak. Derfor får dataene prosessen selv produserer en navngitt eier etter samme regel som på nivå 2, i samme vedtak som tegner prosessen om. Og hva et målt uttak skal bli, avgjøres uansett slik bemanningsavsnittet beskriver: i drøfting, aldri stille.

Rekkefølgen i den juridiske bjelken er den samme hver gang, og den er verdt å kunne: løsningen føres opp i løsningsregisteret med en unik ID og en navngitt systemeier, verdivurderingen henges på den ID-en, og behandler løsningen personopplysninger, følger behandlingsformål og DPIA-vurdering. ROS-en går parallelt, ikke etterpå. Til slutt aksepterer en navngitt risikoeier restrisikoen. Ingen av stegene er nye med KI. Det som er nytt, er hvor ofte de må gjøres om igjen.

Bjelkene måles som alt annet i modellen. Deres egen metrikk er ledetiden fra et initiativ melder seg til restrisikoen er akseptert og datasettene er lesbare. Den ledetiden avgjør hvor mange vertikaler dere kan kjøre samtidig: vertikalene deler vurderingskapasiteten, og settes flere i gang enn apparatet bærer, bygger køen seg der. Stiger ledetiden, er det vurderingskapasiteten som er flaskehalsen, og da er det den som skal løftes: først med gjenbruk og presedens, så med mer kapasitet når gjenbruket er brukt opp.

Forsvarlighetstabellen lenger ned er den juridiske bjelken sett fra vedtakssiden: hvem som signerer hva, ved hvilket vertikalvedtak. Den er ikke bremsen, den er det som gjør at vertikalen ikke må stoppes halvveis.

---

Ikke en trapp, men vertikaler

Dette er den vanligste feillesningen, og den koster mest.

Nivåene beskriver én vertikal: ett fagområde, én verdikjede, ett produkt. Ikke hele virksomheten. En stor virksomhet er på flere nivåer samtidig, og skal være det.

• Ett fagområde kan være på nivå 3 mens anskaffelser står på nivå 1.
• Én verdikjede kan kjøres fra 1 til 3 på ett år, mens en annen med rette blir stående på nivå 1, fordi det er nok der, eller fordi den venter på finansiering.
• Dere skal ikke vente på at «nivå 2 blir ferdig». Nivå 2 blir aldri ferdig for hele virksomheten. Det blir ferdig for én vertikal om gangen.

Konsekvensen for deg som leder: du vedtar aldri et nivå for virksomheten. Du vedtar en slank vertikal, smal nok til å komme i drift, og lagt opp slik at den kan utvides etterpå. Spørsmålet er ikke «hvilket nivå er vi på», men «hvilken vertikal skal vi løfte nå, og hvor langt». Et godt utvalgskriterium: velg den største flaskehalsen, den som frigjør mest avkastning og flest nye muligheter når den løsner.

Det gjør også porteføljen håndterbar: flere vertikaler kan gå samtidig, i ulik fart, med ulik eier, og de deler fundamentet de bygger. Det betyr også at risikoen synker og læringen øker for hvert prosjekt som gjennomføres. Løpet kan legges i takt med budsjetteringsprosessene, slik at hver vertikal finansieres når den er moden, i stedet for at alt må vedtas på én gang.

---

Nivå 1 i praksis: hva taket er, og hvordan dere måler det

«Taket» er lett å nikke til og vanskelig å ta på. Her er hva det er, hva som faktisk er målt, og hva dere gjør med det.

Taket er oppgavespesifikt, ikke en prosent for virksomheten. Det finnes ikke ett tak for «saksbehandling» eller for «kommunikasjon». Det finnes et tak per oppgave: hvor mye av den oppgaven verktøyet kan gjøre, med den kvaliteten oppgaven krever. Og det flytter seg hver gang verktøyene oppdateres.

Tre målinger som kalibrerer forventningen. Alle tre er utenlandske og fra andre bransjer enn deres. De sier ikke hva deres tak er. De sier hva slags størrelser vi snakker om, og hvor lett det er å ta feil.

1. Gevinsten er stor der oppgaven ligger innenfor det verktøyet mestrer, og negativ like utenfor. I et forhåndsregistrert forsøk med 758 konsulenter i Boston Consulting Group løste de som brukte KI 12,2 prosent flere oppgaver, 25,1 prosent raskere, og med over 40 prosent høyere kvalitet enn kontrollgruppen, på oppgaver som lå innenfor det verktøyet var godt til. På én oppgave valgt til å ligge like utenfor, var de 19 prosentpoeng mindre treffsikre enn de som ikke brukte KI i det hele tatt. Forskerne kaller grensen «jagged», ujevn: to oppgaver som ser like vanskelige ut for et menneske, kan ligge på hver sin side av den. Konsekvensen for dere er praktisk. Taket må kartlegges oppgave for oppgave, og den som ruller ut verktøyet uten å vite hvor grensen går, kan gjøre arbeidet dårligere uten å oppdage det.

2. Folk vet ikke selv hvor de ligger. I et randomisert forsøk fra METR jobbet 16 erfarne utviklere på sine egne, godt kjente kodebaser, 246 oppgaver. Med KI-verktøy brukte de 19 prosent lengre tid. Etterpå trodde de selv at KI hadde gjort dem 20 prosent raskere. Forsøket gjaldt verktøy fra første halvår 2025, og METR sier selv at utviklere trolig får større gevinst av dagens verktøy enn tallet fra den gang viser. Poenget som står seg, er ikke at KI gjør folk trege. Det er at opplevd gevinst og målt gevinst kan peke hver sin vei. En spørreundersøkelse om hvor nyttig folk synes verktøyet er, forteller dere ikke hvor dere ligger mot taket.

3. Kvaliteten er nær ekspertens, men gevinsten avgjøres av kontrollsløyfen. OpenAIs GDPval måler modeller mot ekte arbeidsprodukter fra 44 yrker i ni sektorer, oppgaver laget av fagfolk med i snitt 14 års erfaring og vurdert i blindet parvis sammenligning av andre fagfolk. På den offentliggjorte delmengden ble 47,6 prosent av leveransene fra den beste modellen vurdert som like gode som eller bedre enn fagpersonens egen. Men samme studie regner ferdig det de fleste oppslag stopper før: uten kontroll ser besparelsen enorm ut, og når tiden til å vurdere svaret og gjøre om igjen det som ikke holder mål regnes inn, krymper den til omtrent det samme som å gjøre oppgaven selv.

Det siste punktet er det viktigste i hele avsnittet. Hva modellen kan levere, og hva dere sitter igjen med, er to forskjellige størrelser, og det er kontrollsløyfen som skiller dem. Derfor kjøpes ikke gevinsten ved å skaffe en bedre modell. Den hentes ved å legge om arbeidet rundt den, som er nøyaktig det nivå 2 og 3 handler om.

Hva dere gjør med dette. Velg noen få oppgaver dere kjenner kostnaden på. Mål hvordan de løses i dag, i tid og i kvalitet. La noen som kan verktøyet godt gjøre de samme oppgavene, og mål på nytt. Avklar porten først: om målingen ligger innenfor avklaringene som ble gjort da verktøyene ble innført, eller er et nytt bruksområde som krever nytt behandlingsgrunnlag, avgjøres av behandlingsansvarlig, ikke av den som måler. Spør før dere måler. Da har dere deres eget tak, i deres egne oppgaver, og et tall dere kan gjenta neste kvartal. Og se etter dem som allerede er der: i de fleste virksomheter finnes det noen få som har lagt om arbeidsformen sin og er blitt vesentlig mer produktive enn resten. Å finne ut hva de gjør annerledes er den billigste målingen dere har.

---

Nivå 2 i praksis: hva «KI-først» faktisk betyr

Dette nivået er det som er lettest å nikke til og vanskeligst å forstå. Derfor et konkret eksempel.

Den vanlige måten (menneske-først). Vi skriver en wiki for kolleger. Vi bygger et fagsystem med skjermbilder for saksbehandlere. Vi lager rapporter for lesing. Så, når KI kommer, bolter vi på et søk eller en chat oppå, og oppdager at svarene blir feil, fordi materialet aldri var laget for å bli lest av KI.

Den andre måten (KI-først). Rekkefølgen snus, og det gjelder tre ting samtidig:

1. Kunnskapen skrives for å bli lest av KI. Kuratert, versjonert, i et strukturert tekstformat (markdown er det vanlige), med eksplisitte lenker mellom begrepene, slik at agenten kan navigere seg fram i stedet for å få hele bunken dyttet inn på én gang. Mønsteret har et navn, LLM-wiki (Andrej Karpathys idé), og det finnes et åpent, leverandørnøytralt format for det (Open Knowledge Format, Google Cloud).
2. Systemene får en dør inn som er laget for maskiner. En agent trenger ikke skjermbildet. Den trenger tilgang til data og funksjonalitet i en form den kan bruke: MCP-servere (Model Context Protocol, en åpen standard for å koble KI-agenter til data og systemer), A2A (Agent2Agent, en åpen protokoll for at agenter skal kunne samarbeide på tvers av leverandører), API-er, og kommandolinjeverktøy (CLI) som kan kjøres og kontrolleres steg for steg. Dette er billigere enn det høres ut. Det er sjelden nye systemer som trengs, det er en ny dør inn i dem dere allerede har.
3. Menneskene mister ingenting. På toppen av det maskinlesbare laget bygges løsninger tilpasset ulike behov: rapporter, oversikter og saksbehandlerstøtte genereres fra grunnlaget, i stedet for å vedlikeholdes ved siden av det.

Ett konkret eksempel, ikke en del av modellen. Beskrivelsen under er én vertikal fra ett utviklingsprosjekt, en porteføljeoptimaliserer som finner innsparinger inne i hvert prosjekt i en portefølje. Den er tatt med fordi den viser formen, ikke fordi den er et krav, en anbefalt arkitektur for alle, eller et trinn i modellen. Bytt den gjerne ut med en vertikal fra deres egen virksomhet.

1. Kunnskapen er beskrevet i kunnskapsbaser. Agentene navigerer dem (starter i en indeks, følger lenker), i stedet for å få hele bunken dyttet inn i en prompt.
2. Agentene foreslår, de avgjør ikke. Arbeidet gjøres av flere agenter samtidig: en sverm som leter etter forbedringer og legger fram forslag, et eget agent-team som forsøker å finne feil og svakheter i forslagene, og deterministiske beregninger som fanger de feilene som lar seg regne ut. Tallene avgjøres av beregningen, ikke av språkmodellen, og modellen kan ikke overstyre den.
3. Fagfolkene dømmer utfallene. Eksperten leverer sin dom, og det finnes bare én vei fra dom til ny kunnskap i kunnskapsbasen: en eksplisitt godkjenningsport som stopper alt som ikke er godkjent.
4. Systemet lærer av dommene, på tvers av kjøringer.

Legg merke til hva dette er: «KI foreslår, fagpersonen beslutter» bygget inn i arkitekturen, ikke skrevet i en retningslinje. Skillet mellom forslag og avgjørelse er en teknisk sperre. Det er nettopp den formen forvaltningen trenger.

Og bindeleddet mot deres egne fagsystemer: fagsystemet er ikke prosessen. Systemene trenger ikke byttes ut for å komme hit. Men kommer dataene ikke ut av fagsystemet i en form KI kan lese, er fagsystemet hindringen, og da er det den hindringen dere skal fjerne, ikke skjermbildene dere skal pusse på.

---

Nivå 3 i praksis: prosessen tegnes om

Når en løsning som den over finnes, er jobben ikke gjort. Den er akkurat begynt, og den siste biten er ledelsens, ikke teknologiens.

Vi har gjort dette skiftet flere ganger før. Da internett kom, ble det først lagt ved siden av: en nettside ved skranken, et skjema til nedlasting. Verdien kom da tjenestene ble tegnet om rundt nettet, med selvbetjening som hovedvei og skranken som unntak. Da mobiltelefonen kom, ble nettsiden først bare krympet til en liten skjerm. Verdien kom da tjenesten ble tegnet om for at folk skulle kunne gjøre hele ærendet ferdig der de sto, med kamera, signering og varsler som en del av løsningen. Da skyen kom, ble den først brukt som et annet sted å ha serverne. Verdien kom da drift og utvikling ble organisert rundt det skyen kan. KI følger samme mønster: teknologien betaler seg ikke når den legges ved siden av arbeidsprosessen, men når arbeidsprosessen tegnes om rundt den.

Det som skjer hvis dere ikke gjør noe: løsningen legges ved siden av den gamle prosessen, KI strødd på toppen av det som finnes. Folk gjør jobben som før, og bruker løsningen som en ekstra sjekk. Da har dere betalt for nivå 2 og hentet ut nivå 1.

Det som skjer hvis dere gjør jobben: prosessen tegnes om med løsningen i sentrum. Den KI-baserte løsningen gjør hovedarbeidet. Menneskene flyttes dit dømmekraften faktisk trengs: til godkjenningen, til unntakene, til det som treffer noens rett. Da endres også organisasjonen rundt. Roller endres, enheter kan settes sammen på nytt, ansatte kan få andre oppgaver, ny kompetanse blir nødvendig, og nye flaskehalser dukker opp et annet sted i kjeden og må løses i sin tur. Dette er en omstilling som hører hjemme i medbestemmelsesapparatet, ikke i et linjevedtak.

Og det åpner den egentlige lederoppgaven: å tenke større. Nivå 3 handler ikke bare om å gjøre dagens prosesser raskere. Spørsmålet er hvilke problemer dere har avskrevet som uløselige, fordi de var for store, for dyre eller for arbeidskrevende, som nå kan angripes. Og hvilke store flaskehalser dere vil ha løst opp.

Én ting endres aldri, og det er arbeidsdelingen. Menneskene planlegger og bestemmer hva som skal gjøres. KI gjør jobben. Menneskene vurderer resultatet, gir tilbakemelding, og godkjenner det som skal gjelde. Systemet foreslår, det effektuerer ikke, og det skillet skal være en teknisk sperre, ikke bare en kultur. Begrunnelsen den enkelte får, skal forklare vurderingen, ikke forklare at et system laget den.

---

Lederspørsmålene: selvtesten

Tre spørsmål. De har samme form på alle nivåer, og formen er poenget: kjenner jeg taket, vet jeg hvor vi er, hva gjøres nå?

Nivå	Spørsmålet du stiller	Hva svaret forteller deg
1	Vet jeg hva taket er for verktøyene vi allerede har, altså hva de faktisk kan gjøre i våre oppgaver? Vet jeg hvor vi ligger mot det taket? Og hva gjøres for å komme nærmere?	Kan du ikke svare kvalitativt og kvantitativt, er hindringen at ingen har satt en forventning.
2	Hvis en KI-agent skulle gjøre en oppgave i kjernevirksomheten vår i morgen, ville den funnet dataene, forstått prosessen og hatt tilgangene? Og: hvor lang tid går det hos oss fra god idé til løsning i drift, uker eller budsjettår?	Er svaret nei på det første, står hindringen i fundamentet: kunnskapen og dataene er ikke gjort tilgjengelige for KI ennå. Er svaret ja på det første, men veien til drift måles i budsjettår, er fundamentet på plass og hindringen har flyttet seg til organiseringen: til beslutningsveier, finansiering og eierskap.
3	Den neste oppgaven vi setter opp: har vi spurt hva KI kan gjøre av den før vi tegnet prosessen? Og der en KI-først-løsning allerede finnes, er prosessen tegnet om rundt den, eller er løsningen lagt ved siden av?	Lagt ved siden av: dere har betalt for nivå 2 og henter ut nivå 1. Det er den dyreste tilstanden i modellen.

Én mekanisme forklarer hele tabellen: å forbedre noe annet enn flaskehalsen gir ingen effekt. En lisens forbedrer tilgang. Tilgang var aldri det som stoppet virksomheten. Derfor er et nivåskifte ikke et modenhetstrinn, men en hindring som fjernes, og det er bare verdt å betale for hvis hindringen faktisk stod i veien.

Og hindringen er sjelden teknologien. Undersøkelser av norsk offentlig sektor peker samme vei: det som stopper er penger og juss, ikke mangel på leverandører. Den juridiske hindringen er dessuten ofte ikke loven selv, men usikkerhet om hvordan den skal tolkes. Forskjellen er praktisk: en lov må endres av lovgiver og tar år, mens en tolkning kan avklares av dere selv, i år. Ulik pris, og ulik eier. (Kildene står i verifiseringsloggen.)

---

Forsvarlighet: hva som må være på plass før dere går videre

Dette er den juridiske bærebjelken sett fra vedtakssiden, og den er ikke bremsen. Den er det som gjør at vertikalen ikke må stoppes halvveis.

Lederne på nivået under etatsledelsen eier framdriften i tabellen: de peker ut vertikalen, forbereder avklaringene og eier gevinsttallet. Signaturene er portene de går gjennom, ikke arbeid de skal vente på.

Vertikalvedtak	Hva som må være avklart	Hvem signerer
Inn i nivå 1 Grunnmuren for styrt bruk	Behandlingsgrunnlag per bruksområde. Databehandleravtale. Vurdering av personvernkonsekvenser (DPIA) der terskelen slår inn. ROS for informasjonssikkerheten. Kjøreregler for hva som kan limes inn. Logg og arkivering av det som er saksdokument. Og en beslutning om privatkontoene, ikke et håp om at de forsvinner. Drøfting med tillitsvalgte før vedtaket: hovedavtalen i staten navngir nå KI eksplisitt.	Behandlingsansvarlig, altså virksomhetens øverste leder, sammen med den navngitte risikoeieren som aksepterer restrisikoen. Ikke IT.
1 → 2 Fra enkeltpersoner til virksomhet	Spørsmålet skifter fra «hva limes inn» til «hva får en agent lov til å lese». Tilgangsstyring som følger dokumentets klassifisering, ikke hvem som spør. Behandlingsformål avklart per datasett før det gjøres maskinlesbart. Sporbarhet fra svar til kildeversjon. Hvor det kjører og lagres, sky, kontrollert sone, lokalt eller edge, som et begrunnet valg og ikke en arv fra lisensen. Kompetansehevingen avtalt med tillitsvalgte, ikke varslet. Kapasiteten til å gjøre arbeidet er pekt ut og finansiert: hvem som skal bygge vertikalen, avklares før vedtaket, ikke etter. Dette er det første som gjøres i ethvert initiativ der KI inngår, ikke det siste. Det er disse avklaringene som gir handlingsrommet. Uten dem stopper vertikalen halvveis, og da er arbeidet foran kastet bort.	Behandlingsansvarlig for behandlingsgrunnlag og formål. Dataeier for klassifisering og formål per datasett. Plattformeier for kjørested og sporbarhet. Økonomifunksjonen for kjørestedsvalget, fordi det binder rammen. HR som arbeidsgiverpart i kompetanseavtalen. Sjelden samme person.
2 → 3 Fra fundament til drift	Her er endringen først og fremst organisatorisk. Roller, ansvar og arbeidsprosesser endres, og HR må være tett på fra start, ikke tilkalles når omstillingen er et faktum. Å ta ut gevinsten krever en ny evne til systemisk tenkning: å se hele kjeden, ikke enkeltoppgaver, fordi flaskehalsen flytter seg når den første løsner. Juridisk står to krav fast: skillet forslag/avgjørelse som teknisk sperre, og menneskelig overprøving som er dokumentert, ikke forutsatt. Kontrolltiden per sak defineres, budsjetteres og følges som metrikk, fordi fallende kontrolltid er tidligvarselet om at godkjenningen er blitt et stempel. En navngitt gevinsteier svarer for at før-tallet finnes før omleggingen og for etter-tallet etter den. Bygger dere selv, kan KI-forordningen artikkel 25 gjøre dere til tilbyder, med tilbyderens plikter. Omstilling følger hovedavtalens omstillingsbestemmelser.	Lederen for verdikjeden, sammen med behandlingsansvarlig og HR. Økonomifunksjonen for kontrolltiden som skal inn i budsjettet, og som kontrasignatur på gevinsttallet, slik at den som eier verdikjeden ikke bedømmer sitt eget resultat alene. Dataeier og plattformeier, fordi prosessen som tegnes om produserer nye data. Risikoeieren, som aksepterer restrisikoen på nytt.

Regelverket er ikke på plass, og det er ikke en grunn til å vente. EUs KI-forordning er ennå ikke innlemmet i EØS, og proposisjon om norsk KI-lov er varslet våren 2027. Den nye forvaltningsloven ble vedtatt 20.06.2025 og er ikke satt i kraft. Å vente på regelverket er ikke en forsvarlighetsstrategi. Det er å la kravene bli satt av den enkelte ansattes vurderingsevne.

---

Når virksomheten leverer gjennom kontrakt

Er dere bestiller, byggherre eller tilskuddsforvalter, flytter modellen seg:

• Nivå 1 treffer bare egne ansatte, den minste delen av kostnadsbildet. Hovedkostnaden ligger i kontraktene.
• Nivå 2 er ikke bare egne håndbøker. Det er kravspesifikasjonene, kontraktsdokumentene og leveransedataene. «Hvem eier dataene» må være avklart i kontrakten før spørsmålet stilles til en agent. Er det ikke det, er nivå 2 blokkert av avtaleverk, ikke av teknologi.
• Bygger noen for dere, er kravspesifikasjonen byggeflaten. Eierskap til data og til det som bygges, altså modeller, tilpasninger og evalueringssett, avklares i kontrakten. Det som ikke er avtalt, eier leverandøren i praksis.
• Nivå 3 betyr ikke at egne ansatte bruker KI mer. Det betyr at bestillerrollen selv er bygget om.
• Enheten er en annen: hva som ble levert per kontraktskrone, og hvor mye tidligere avvik ble fanget.

---

Hvor modellene kjører

Dette er plattformlaget i figuren, sett nedenfra.

På nivå 1 er dette ikke et valg, men en arv: alt kjører i leverandørens sky fordi det var slik lisensen kom. Fra nivå 2 er det en beslutning med fire svar som alle er riktige for noe:

• Sky, de fremste modellene: det tyngste resonneringsarbeidet, høyest utviklingstempo.
• Administrert modellplattform eller egen sone: data som ikke kan forlate en kontrollert sone, forutsigbar last.
• Lokal modell på ansattes maskin: sensitive utkast, frakoblet arbeid, ingen forbrukskostnad per oppgave. Maskinparken må til gjengjeld kunne kjøre modellen.
• Edge: der latens, båndbredde eller frakoblet drift avgjør.

Balansert portefølje betyr begrunnet, ikke jevnt fordelt. En liten tilskuddsforvalter kan legitimt lande nær ren sky, en beredskapsetat kan ikke. Modellen gir spørsmålet. Fasiten er virksomhetens egen.

---

Om bemanning: svaret du må kunne gi

Spørsmålet kommer, og det skal besvares ærlig, ikke beroligende.

Frigjort kapasitet kan over tid bli lavere bemanning. Det er i så fall et vedtak ledelsen fatter i drøfting med de tillitsvalgte, etter målt uttak. Aldri av teknologien, aldri forskuttert i budsjett, aldri stille.

Rekkefølgen er hele poenget, og den er forretningsmessig før den er noe annet. Kutter dere først og venter på at produktiviteten skal komme etterpå, har dere disponert en gevinst dere ikke har målt, og regningen kommer som svekket leveranse. Måler dere gevinsten først, vet dere hva den er verdt før dere bruker den, og da har dere et reelt valg: ta den ut som lavere kostnad, som kortere ventetid og bedre kvalitet, eller som kapasitet flyttet dit etterspørselen faktisk vokser. Staten har prøvd den motsatte rekkefølgen med ABE-reformen, der driftsbudsjettene ble kuttet flatt fra 2015 og virksomhetene skulle finne gevinsten etterpå. Bemanningen gikk ned først, produktiviteten skulle komme etter, og reformen ble avviklet i 2023.

Og det andre bemanningsspørsmålet, som kommer før det første: hvem skal gjøre arbeidet på nivå 2 og 3? Dette er kompetanselaget i figuren, sett fra vedtakssiden. Det krever en spisskompetanse som er sjelden, fordi den er to ting i samme person: å vite hva verktøyene faktisk kan gjøre, og å kjenne prosessen godt nok til å tegne den om. Markedet har gitt kombinasjonen et navn, forward deployed engineer, og den er vanskelig å fylle nettopp fordi de to halvdelene normalt rekrutteres hver for seg. For dere er dette et ledelsesvedtak med tre veier, ikke en HR-detalj: rekruttere rollen, i konkurranse med et stramt marked og på statlige betingelser; bygge den fra fagsiden, ved å ta folk som allerede har prosessforståelsen, den halvdelen som er vanskeligst å lære, og gi dem verktøyene og tiden; eller kjøpe den inn, og da flytter spørsmålet seg til kontrakten: hvem eier prosessforståelsen etterpå. Bare den midterste bygger noe som blir stående hos dere. Hver vei har dessuten sin egen partsprosess: rekruttering følger tilsettingsløpet, bygging er kompetanseheving som avtales med tillitsvalgte, ikke varsles, og kjøp følger anskaffelses- og kontraktsprosessene. Selve valget hører hjemme i vedtaket som løfter vertikalen fra nivå 1 til 2: hvem som skal gjøre arbeidet, avklares før vertikalen vedtas, ikke etter.

Modellen snur rekkefølgen: gevinsten måles først, konsekvensen vedtas etterpå, av mennesker med navn, i drøfting. Det er et argument en økonomidirektør, en tillitsvalgt og Riksrevisjonen kan enes om, av hver sine grunner.

---

Verifiseringslogg

Alle tall og faktapåstander i dokumentet, med kilde. Påstander uten verifisert kilde er merket, ikke skjult.

Påstand	Kilde	Status
ABE-reformen innført fra budsjettåret 2015, avviklet i statsbudsjettet for 2023	Fafo 2019:36; Stat & Styring 32(4)	✅ Verifisert 14.08.2026
ABE: bemanningen ble redusert før gevinsten var målt (mest brukte tiltak var å ikke erstatte ansatte ved naturlig avgang)	Oppegaard, Seip & Svalund, Fafo-rapport 2019:36, tabell 1.6 (N = 268), PDF lest 14.08.2026	✅ Verifisert, primærkilde. Prosentene står bevisst ikke i brødteksten, belegget står her
Barrierene i offentlig sektor er investeringskostnader og juridiske utfordringer, ikke manglende leverandørtilbud	Krogstie, NOKOBIT/NIKT-artikkel som gjengir «IT i praksis» (Rambøll): investeringskostnader 56 %, juridiske utfordringer 51 %, manglende leverandørtilbud 24 %	✅ Verifisert 14.08.2026. Prosentene står bevisst ikke i brødteksten
«Den reelle hindringen er usikkerhet og manglende kompetanse rundt regelverket, heller enn regelverket selv»	KS FoU (Sopra Steria): «Barrierer og muligheter i kommunal sektors arbeid med KI»	✅ Verifisert 14.08.2026. Sitatet er parafrasert i brødteksten
Riksrevisjonen: både uklare lovhjemler og tolkningsusikkerhet hindrer statlige virksomheter	Dok 3:18 (2023-2024), PDF lest i sin helhet 14.08.2026	✅ Verifisert, primærkilde
Ny forvaltningslov LOV-2025-06-20-81 vedtatt 20.06.2025, ikke i kraft	Lovdata (statusfelt lest 13.08.2026)	✅ Verifisert
KI-forordningen ikke innlemmet i EØS; norsk KI-lov varslet våren 2027	Digitaliserings- og forvaltningsministeren til NTB (Digi.no 02.08.2026); Digdirs regelverksoversikt	✅ Verifisert 13.-14.08.2026
KI-forordningen art. 25 nr. 1: den som setter eget navn på, vesentlig endrer, eller endrer formålet til et høyrisikosystem blir tilbyder	Forordning (EU) 2024/1689 art. 25 nr. 1 (ordlyd lest 14.08.2026)	✅ Verifisert
Hovedavtalen i staten § 1 nr. 9 «IKT og KI»: tillitsvalgte skal involveres i utviklingsprosessen	Hovedavtalen i staten (H-2537), regjeringen.no	✅ Verifisert 13.08.2026
Hovedavtalen: kompetanseheving ved innføring av ny IKT skal avtales	Hovedavtalen i staten, gjengitt av LO Stat	⚠️ Ordlyd verifisert, paragrafnummer ikke, derfor ikke oppgitt
DPIA-plikt: personvernforordningen art. 35; EDPB WP248 rev.01 ni kriterier, «ny teknologi» er ett av dem	Art. 35; Datatilsynets veiledning; EDPB WP248 rev.01	✅ Verifisert 13.08.2026
M365 Copilot, GitHub Copilot, Microsoft Copilot Cowork som anskaffelsesvirkelighet	Microsofts egen produktdokumentasjon	✅ Navngitt som eksempel på hva som kan kjøpes, aldri som forbilde eller forutsetning
Claude, Claude Cowork og Claude Code som anskaffelsesvirkelighet	Anthropics egen produktdokumentasjon (claude.com/product/cowork, produktguide); CNBC 24.02.2026 og TechCrunch 07.07.2026 om Cowork	✅ Verifisert 17.08.2026. Navngitt som eksempel, aldri som forbilde
Model Context Protocol (MCP) er en åpen standard for å koble KI-agenter til data og systemer	Anthropic (anthropic.com/news/model-context-protocol); VentureBeat; bred adopsjon på tvers av leverandører	✅ Verifisert 17.08.2026. Navngitt som åpen, leverandørnøytral standard
LLM-wiki som mønster (Karpathy); Open Knowledge Format (Google Cloud, åpen spesifikasjon v0.1)	GoogleCloudPlatform/knowledge-catalog, OKF SPEC.md	✅ Verifisert, åpen og leverandørnøytral spesifikasjon
Arkitekturen i porteføljeoptimaliserer-eksempelet: kunnskapsbaser som grunnlag, agenter som navigerer dem, sverm som foreslår, agent-team som leter etter feil, deterministiske beregninger som avgjør tallene, ekspertdom via godkjenningsport som stopper alt som ikke er godkjent, læring på tvers av kjøringer	Egen observasjon 17.08.2026, eget utviklingsprosjekt, ikke publisert kilde	⚠️ Egen observasjon. Bærer ingen tall, fordi ingen er målt. Merket i teksten som ett eksempel, ikke som del av modellen
Scenen «gjeldende utgave finnes, men søket gir forrige tiårs PDF»	Egen søkemåling 13.08.2026	⚠️ Egen måling, ikke publisert kilde
Internett- og sky-parallellen på nivå 3	Kvalitativt historisk mønster, ingen tall påstått	⚠️ Fortellende parallell, ikke målt påstand
«Verktøyene endrer seg kontinuerlig og hyppig» (nivå 1)	Alminnelig kjent utviklingstakt i markedet, ingen tall påstått	⚠️ Kvalitativ påstand, bevisst uten tall
Taket, måling 1: 758 konsulenter i BCG, forhåndsregistrert forsøk, tre grupper (uten KI, GPT-4, GPT-4 med prompteveiledning). Innenfor grensen: 12,2 % flere oppgaver, 25,1 % raskere, «more than 40% higher quality». Utenfor: 19 prosentpoeng lavere treffsikkerhet (kontrollgruppen 84,5 % korrekt, KI-gruppene 60 % og 70 %)	Dell'Acqua, McFowland, Mollick, Lifshitz-Assaf, Kellogg, Rajendran, Krayer, Candelon & Lakhani: «Navigating the Jagged Technological Frontier», HBS Working Paper 24-013 (publisert i Organization Science). PDF lastet ned og lest direkte 17.08.2026, tallene sitert fra sammendraget og fra resultatdelen	✅ Verifisert, primærkilde. Merk: en nettoppsummering oppga først 1 500 konsulenter og 23 prosentpoeng. Begge tall var feil, og de ble korrigert mot PDF-en
Taket, måling 2: 16 erfarne utviklere, 246 oppgaver i egne, godt kjente kodebaser, verktøy fra februar til juni 2025. «When developers are allowed to use AI tools, they take 19% longer to complete issues», mens de selv anslo 20 % raskere i etterkant	METR, «Measuring the Impact of Early-2025 AI on Experienced Open-Source Developer Productivity», metr.org 10.07.2025 (også arXiv:2507.09089). Lest 17.08.2026	✅ Verifisert, primærkilde. METR avgrenser selv generaliseringen eksplisitt
METR i februar 2026: «we believe it is likely that developers are more sped up from AI tools now, in early 2026, compared to our estimates from early 2025»	METR, «We are Changing our Developer Productivity Experiment Design», 24.02.2026. Lest 17.08.2026	✅ Verifisert. Tatt med i brødteksten, slik at 19 %-tallet ikke leses som en påstand om dagens verktøy
Taket, måling 3: GDPval dekker 1 320 oppgaver fra 44 yrker i de ni største sektorene i amerikansk økonomi, laget av fagfolk med i snitt 14 års erfaring. På den åpne delmengden på 220 oppgaver, vurdert i blindet parvis sammenligning av fagfolk: «47.6% of deliverables by Claude Opus 4.1 were graded as better than (wins) or as good as (ties) the human deliverable»	Patwardhan et al. (OpenAI), «GDPval: Evaluating AI Model Performance on Real-World Economically Valuable Tasks», ICLR 2026. PDF lastet ned og lest direkte 17.08.2026	✅ Verifisert, primærkilde
GDPval om kontrollsløyfen: «When incorporating time to review and redo work, the payoff from using a model shrinks.» Tabell 1 viser for GPT-5 en hastighetsgevinst på 90x uten kontroll, mot 1,12x når ett forsøk vurderes og eventuelt gjøres om	Samme kilde, avsnitt 3.2 og tabell 1, lest 17.08.2026	✅ Verifisert, primærkilde. Tallene står bevisst ikke i brødteksten, der poenget er formulert kvalitativt. De sirkulerende «100x»-oppslagene gjengir kolonnen uten kontroll
KI-agenter kan styre en maskin ved å se skjermen og bruke mus og tastatur, men funksjonen er i beta og treg	Anthropics egen produktdokumentasjon for computer use (platform.claude.com), lest 17.08.2026: status «Beta», og under limitations: «The current computer use latency for human-AI interactions might be too slow compared to regular human-directed computer actions»	✅ Verifisert, primærkilde. «Lite utbredt» er en kvalitativ vurdering, ikke et målt tall
A2A (Agent2Agent) er en åpen, leverandørnøytral protokoll for samarbeid mellom KI-agenter, forvaltet av Linux Foundation	Linux Foundation (prosjektlansering juni 2025 og ettårsmelding med over 150 organisasjoner); Google Open Source Blog	✅ Verifisert 17.08.2026. Navngitt som åpen standard, aldri som leverandørvalg
Mobil-parallellen på nivå 3 (nettsiden krympet før tjenesten ble tegnet om)	Kvalitativt historisk mønster, ingen tall påstått	⚠️ Fortellende parallell, ikke målt påstand
MIT NANDA, «The GenAI Divide: State of AI in Business 2025»: 95 % av KI-pilotene gir ingen målbar avkastning	Rapporten finnes og tallet er korrekt gjengitt i mediene	⚠️ Vurdert og bevisst ikke brukt. Tallet gjelder piloter, ikke taket, metoden er ikke fagfellevurdert, og oppsettet er kritisert. Modellens poeng på nivå 2 og 3 står uten det
Rekkefølgen i den juridiske bærebjelken: løsningsregister med unik ID og navngitt systemeier, verdivurdering hengt på den ID-en, ved personopplysninger behandlingsformål og DPIA-vurdering, ROS parallelt, navngitt risikoeier som aksepterer restrisikoen	Virksomhetsintern prosessbeskrivelse fra norsk offentlig forvaltning, lest 18.08.2026. Gjengitt generisk, uten virksomhetens egne rolle- og organisasjonsnavn	⚠️ Intern prosessbeskrivelse, ikke en ekstern eller allmenn norm. Den er ikke påstått å gjelde alle. De enkelte pliktene den bygger på (behandlingsgrunnlag, DPIA-plikt) er belagt hver for seg i radene over
20 prosent som første ambisjon per realisert vertikal, i vertikalens egen valgte størrelse, satt av lederen for verdikjeden	Forfatterens egen anbefaling	⚠️ Ambisjon, ikke måling. Ikke hentet fra og ikke avledet av NBIM, BCG, METR, GDPval eller noen annen kilde. Ingen kilde påstås, og tallet er merket som ambisjon i teksten selv
«Én verdikjede kan kjøres fra 1 til 3 på ett år»	Forfatterens egen vurdering av hva som er mulig	⚠️ Mulighetsutsagn, ikke målt påstand. Ingen kilde påstås, og tempoet avhenger av vurderingskapasiteten i bærebjelkene
«Dette er billigere enn det høres ut» (døren inn i egne systemer, nivå 2)	Kvalitativ vurdering, ingen tall påstått	⚠️ Kvalitativ påstand, bevisst uten tall. Sammenligner en integrasjonsjobb med en systemutskifting, ikke med null
Spisskompetansen på nivå 2 og 3 forener to profiler som normalt rekrutteres hver for seg, og rollen har fått navnet forward deployed engineer i markedet	Kvalitativ vurdering. Hypotesen kom fra et leverandørforedrag som er vurdert og bevisst ikke siteres, fordi en salgspresentasjon ikke kan bære en påstand i dette dokumentet	⚠️ Kvalitativ vurdering uten tall. Det finnes et verifisert veksttall for rollen, men det er bevisst ikke trykket. De tre veiene er modellens egen ramme, ikke kildens rekrutteringsoppfordring

Vurdert, verifisert og likevel ikke trykket. En rekke tall har vært gjennom kildekontroll og er tatt ut igjen fordi de ikke er handlingsutløsende for en leder, ikke fordi de var feil: andeler av arbeidstiden som går med til KI-bruk, gevinsttall fra kontrollerte forsøk, anslag over hvor mye av potensialet som er hentet ut, lisenskostnad per bruker, alle NBIM-tallene, og veksten i utlysninger etter forward deployed engineer-rollen. Det samme gjelder Perspektivmeldingen 2024 og NOU 2023:4, som sto i en egen seksjon som er tatt ut i sin helhet, og prosentene fra «IT i praksis» og Fafo, som står i tabellen over og er gjengitt kvalitativt i brødteksten. Belegget for hvert av dem er bevart i dokumentets versjonshistorikk.

Ikke verifisert, og derfor ikke påstått:

• At noen norsk offentlig virksomhet har begrunnet bemanningsreduksjon med KI.
• Norske offentlige eksempler på edge-KI. Edge står som klasse, uten scene og uten tall.
• Kostnads- og krafttall for egen datahall med GPU.
• At de nevnte verktøyene er anskaffet i leserens egen virksomhet. De står som eksempler på hva markedet tilbyr.