open/ms-ai-architect
1
0
Fork 0
Code Issues Releases 4 Activity
ms-ai-architect/skills/ms-ai-governance/references/norwegian-public-sector-governance/gevinstrealisering-dfo-methodology.md
Kjell Tore Guttormsen 3a73eeafdc refactor(ms-ai-architect): R13 del 1 — nøytraliser Cosmo-personaen i ref-korpusets headinger, etter å ha rettet en gate som var målt usann to ganger 
Ordre 20260912T193441Z-7358817909. Steg 1 var ikke transformen, men å rette
roadmapens R13-gate og få den ratifisert. Gaten `grep -rl "Cosmo"
skills/*/references -> 0` var usann på to uavhengige måter:

1. Ordren fanget den første: 451 av forekomstene er Azure Cosmos DB, ekte
   produktinnhold. Diskriminatoren er ikke bokstaven «s» — `Cosmos <norsk
   substantiv>` er genitiv av personaen (`### Cosmos tonalitet`), mens
   `Cosmos DB`/`CosmosClient`/`cosmos_ru` er produkt.
2. Denne økten fant den andre: 132 persona-forekomster ligger i prosa,
   tabeller, dialog-replikker og proveniens-linjer. Heading-nøytralisering
   kan ikke nå dem, så «0 persona» er uoppnåelig også under den ratifiserte
   formen. Operatøren ratifiserte alternativ A: gaten speiler formen, og de
   132 bokføres til R13b/R14.

Tre korreksjoner av premisser som sto i ordren og STATE:
  «ca 320 produkt»   -> 451 (case-sensitivt nett manglet 327 lowercase
                        TOC-ankre + 99 identifikatorer; sann nevner 1 638)
  «169 headinger»    -> 401. 169 var `^## For Cosmo`-prefikset (168) og var
                        internt inkonsistent med sin egen topp-variant (204)
  «417 matcher ingen
   populasjon»       -> 417 er cosmo-headinger utenfor kodefences; briefens
                        nevner var reell hele tiden

Fence-bevissthet er målt skadelig, ikke nødvendig: begge toggle-regler er
gale på dette korpuset (naiv toggle skjuler en ekte heading i
chain-of-thought-prompting.md, CommonMark-regelen ubalanserer
service-level-documentation-dr.md). Fence-agnostisk deteksjon finner 401
heading-linjer i nøyaktig de samme 40 variantene som fence-bevisst finner
400 i — ingen kodeblokk-linje er byte-identisk til en persona-heading. Derfor
nøkles transformen på 40 enumererte heading-tekster og ignorerer fences. En
ukjent variant kaster; en slug-kollisjon kaster. Ingenting auto-fikses.

TOC-en regenereres ikke, den rettes kirurgisk: alle 327 persona-lenker hadde
lenketekst lik én av de 40 heading-tekstene og anker lik slugify av den
(327/327, 0 avvik), så heading og TOC-entry skrives i samme operasjon og
ingen mellomtilstand etterlater en død lenke.

Ratifisert målform: `For Cosmo`, `For Cosmo Skyberg` og `For arkitekten
(Cosmo)` konvergerer på `For arkitekten`. To filer kolliderte og er adjudisert
ved å lese dem, ikke ved regel.

Verifisering (alle 7 kriterier fra ordren):
  G1 persona på heading-linjer   401 -> 0
  G2 døde fragmentlenker         1 -> 1 (pre-eksisterende, unntatt)
  G3 produkt-forekomster         451 -> 451; `Cosmos DB|Azure Cosmos` 308 = 308
  de 3 kun-produkt-filene        byte-identiske
  nettet validert begge veier    injisert persona feller G1; genitiv feller G1;
                                 produkt-heading og de 3 filene passerer
  hele diffen                    802 heading-linjer + 654 TOC-linjer, ANNET = 0
  linjeantall                    728 lagt til = 728 slettet
  suite                          1120/1120 (1097 + 23 nye)
  validate-plugin                250 PASS / 0 FAIL
  stikkprøve                     10 filer, alle 5 skills, inkl. de 3 mest
                                 produkt-tunge (26/20/19) — kun heading+TOC

Utenfor scope, urørt: de 4 SKILL.md, de 23 commands, CLAUDE.md, README.md,
NOTICE.md, docs/ (alt R14).

Co-Authored-By: Claude Opus 5 <noreply@anthropic.com>
2026-09-12 22:12:28 +02:00

434 lines
21 KiB
Markdown
Raw Blame History

# DFØs 5-stegs modell for gevinstrealisering i AI-prosjekter
**Last updated:** 2026-02 (v1.0)
**Status:** Gjeldende
**Category:** Norwegian Public Sector AI Governance
**Konfidens:** Høy (basert på DFØ veileder og Prosjektveiviseren)
**Type:** methodology
---
## Innhold
- [Introduksjon](#introduksjon)
- [DFØs 5-stegs modell](#dføs-5-stegs-modell)
- [Gevinstregister-mal for AI-prosjekter](#gevinstregister-mal-for-ai-prosjekter)
- [KPI-er med baseline og mål](#kpi-er-med-baseline-og-mål)
- [Tidsplan: Pilot til evaluering](#tidsplan-pilot-til-evaluering)
- [Gevinstansvarlig - Rolle og RACI-modell](#gevinstansvarlig---rolle-og-raci-modell)
- [Gevinstprofiler for ulike AI-prosjekttyper](#gevinstprofiler-for-ulike-ai-prosjekttyper)
- [Kobling til Prosjektveiviseren](#kobling-til-prosjektveiviseren)
- [Kilder](#kilder)
- [For arkitekten](#for-arkitekten)
## Introduksjon
Denne referansefilen utdyper DFØs metodikk for gevinstrealisering, spesifikt tilpasset AI-prosjekter i norsk offentlig sektor. Den bygger videre på den generelle oversikten i `gevinstrealisering-ai-projects.md` med en operasjonell 5-stegs modell, gevinstregister-mal, RACI-modell, og konkrete KPI-er med tidsplaner.
DFØs veileder i gevinstrealisering er koordinert med Digdir sin Prosjektveiviseren, slik at de to rammeverknene kan brukes parallelt gjennom hele prosjektlivssyklusen.
**Nøkkelprinsipp:** Ansvaret for gevinstrealisering ligger hos virksomhetsledelsen og linjeorganisasjonen, ikke hos prosjektet. Gevinster realiseres ikke av seg selv - de krever aktiv oppfølging og tilstrekkelige ressurser.
**Kilde:** [DFØ - Gevinstrealisering](https://www.dfo.no/fagomrader/styring-i-staten/gevinstrealisering)
---
## DFØs 5-stegs modell
### Steg 1: Identifisere gevinster
**Formål:** Kartlegge og dokumentere forventede gevinster fra AI-tiltaket.
**Aktiviteter:**
- Gjennomfør gevinstworkshop med linjeorganisasjon, IT og fagansvarlige
- Utarbeid gevinstoversikt med kvantifiserte estimater og indikatorforslag
- Lag gevinstkart som viser årsak-virkning-sammenhenger mellom tiltak og gevinster
- Kategoriser gevinster etter type (kvantitativ/kvalitativ), tidshorisont og risikoprofil
- Verifiser at forventede AI-gevinster er realistiske (unngå AI-optimisme)
**AI-spesifikke vurderinger:**
- Skille mellom direkte gevinster (tidsbesparelse, feilreduksjon) og indirekte gevinster (kompetansebygging, innovasjonskultur)
- Vurdere om gevinster oppstår i egen organisasjon eller hos innbyggere/andre etater
- Identifisere forutsetninger: datakvalitet, brukeradopsjon, integrasjon med fagsystemer
**Gevinstkart-struktur:**
```
AI-tiltak → Mellomliggende gevinster → Effektmål
│
├── Automatisering → Tidsbesparelse → Raskere saksbehandling
├── Klassifisering → Feilreduksjon → Bedre kvalitet
├── Selvbetjening → Tilgjengelighet 24/7 → Økt innbyggertilfredshet
└── Analyse → Beslutningsstøtte → Bedre ressursallokering
```
**Leveranser:**
- Gevinstoversikt med kvantifiserte estimater
- Gevinstkart (visuelt)
- Forutsetninger og risikovurdering per gevinst
**Kilde:** [DFØ - Identifisere gevinster](https://dfo.no/fagomrader/etats-og-virksomhetsstyring/gevinstrealisering/identifisere-gevinster)
---
### Steg 2: Planlegge gevinstrealisering
**Formål:** Lage en konkret plan for hvordan gevinster skal realiseres.
**Aktiviteter:**
- Oppnevne gevinstansvarlige i linjeorganisasjonen
- Utarbeide gevinstrealiseringsplan med tiltak, ansvarlige og tidsplan
- Definere KPI-er og målemetoder for hver gevinst
- Etablere baseline (nullpunktsmåling) før AI-løsningen implementeres
- Planlegge organisatoriske endringer (prosessendringer, opplæring, endringsledelse)
**AI-spesifikke vurderinger:**
- Baseline-data må innhentes fra fagsystemer (saksbehandlingstider, feilrater, volumer)
- AI-piloter gir tidlige indikasjoner, men fullskala gevinster krever bredere utrulling
- Plan for håndtering av overgangsperiode (parallellkjøring gammel/ny løsning)
**Gevinstrealiseringsplan inneholder:**
| Element | Beskrivelse |
|---------|-------------|
| Gevinstidentifikasjon | Hvilke gevinster forventes, med ID og beskrivelse |
| Gevinstansvarlige | Hvem i linjeorganisasjonen eier hver gevinst |
| Forutsetninger | Hva må være på plass (teknisk, organisatorisk, juridisk) |
| Målemtode | KPI-er, baseline, oppfølgingspunkter |
| Tiltak | Konkrete handlinger for å realisere gevinster |
| Tidsplan | Når forventes gevinsten å materialiseres |
| Risiko | Hva kan hindre gevinstrealisering |
**Leveranser:**
- Gevinstrealiseringsplan (godkjent av virksomhetsledelsen)
- Baseline-rapport
- RACI-matrise for gevinstansvar
---
### Steg 3: Gjennomføre tiltak
**Formål:** Implementere de planlagte tiltakene som muliggjør gevinstrealisering.
**Aktiviteter:**
- Gjennomføre teknisk implementering (AI-løsning i produksjon)
- Gjennomføre organisatoriske endringer (nye prosesser, roller, opplæring)
- Monitorere tidlige indikatorer under pilot og utrulling
- Kommunisere fremdrift til gevinstansvarlige og ledelse
- Justere plan basert på erfaringer fra implementering
**AI-spesifikke vurderinger:**
- Pilot med begrenset brukergruppe før fullskala utrulling
- Parallellkjøring (gammel + ny prosess) i overgangsperiode
- Hyppig tilbakemelding fra sluttbrukere for å fange opp uventet atferd
- Monitorere modellytelse (accuracy, latency, error rates) som forutsetning for gevinster
**Typiske tiltak for AI-gevinster:**
| Gevinst | Tiltak |
|---------|--------|
| Tidsbesparelse | Prosessendring, opplæring, integrasjon med fagsystem |
| Feilreduksjon | Kvalitetskontroll-rutiner, feedback-loop til AI-modell |
| Innbyggertilfredshet | Brukertesting, iterativ forbedring av brukergrensesnitt |
| Kompetansebygging | Kurs, workshops, erfaringsdeling på tvers av team |
---
### Steg 4: Følge opp og måle gevinster
**Formål:** Dokumentere faktisk realiserte gevinster og identifisere avvik.
**Aktiviteter:**
- Gjennomføre periodiske målinger mot baseline og KPI-mål
- Rapportere gevinstutvikling til ledelse og styringsgruppe
- Identifisere og håndtere barrierer for gevinstrealisering
- Justere tiltak ved avvik mellom forventet og realisert gevinst
- Dokumentere lærdommer underveis
**Målefrekvens for AI-prosjekter:**
| Fase | Frekvens | Fokus |
|------|----------|-------|
| Pilot (0-3 mnd) | Ukentlig | Teknisk ytelse, brukertilfredshet, tidlige gevinst-indikatorer |
| Innføring (3-6 mnd) | Månedlig | Brukeradopsjon, prosesseffektivitet, KPI-utvikling |
| Drift (6-12 mnd) | Kvartalsvis | Realiserte gevinster vs. plan, TCO-utvikling |
| Modne drift (12+ mnd) | Halvårlig/årlig | Langsiktige effekter, nye gevinstmuligheter |
**Verktøy for måling:**
- **Power BI:** Dashboard med KPI-trender, baseline vs. faktisk
- **Azure Monitor / Application Insights:** Teknisk ytelse og bruksmønstre
- **Viva Insights:** Produktivitetsendringer (Microsoft 365 Copilot)
- **Fagsystem-rapporter:** Saksbehandlingstid, volumer, feilrater
---
### Steg 5: Evaluere og lære
**Formål:** Vurdere samlet gevinstbilde og overføre læring til fremtidige prosjekter.
**Aktiviteter:**
- Gjennomføre sluttevaluering (typisk 12 måneder etter fullskala utrulling)
- Sammenligne realiserte gevinster med opprinnelig plan
- Identifisere uforutsette gevinster og ulemper
- Dokumentere erfaringer i erfaringsrapport
- Vurdere behov for ytterligere tiltak for å øke gevinstuttaket
- Dele erfaringer med andre enheter/etater
**AI-spesifikke evalueringsspørsmål:**
1. Leverte AI-modellen forventet ytelse i produksjon?
2. Oppnådde vi forventet brukeradopsjon?
3. Har datakvalitet vært tilstrekkelig for å opprettholde nøyaktighet over tid?
4. Har organisasjonen tilstrekkelig kompetanse til å drifte løsningen?
5. Hvilke gevinster var undervurdert/overvurdert?
6. Hva ville vi gjort annerledes?
**Leveranser:**
- Sluttevaluering med gevinstrapport
- Erfaringsrapport (lessons learned)
- Anbefaling om videreføring, skalering eller avvikling
---
## Gevinstregister-mal for AI-prosjekter
### Mal-struktur
Gevinstregisteret er det sentrale styringsverktøyet for å spore gevinster fra identifisering til realisering.
| Felt | Beskrivelse |
|------|-------------|
| **Gevinst-ID** | Unik identifikator (f.eks. G-001) |
| **Beskrivelse** | Kort beskrivelse av gevinsten |
| **Type** | Kvantitativ / Kvalitativ |
| **Kategori** | Effektivisering / Kvalitetsheving / Ny mulighet / Kompetanse |
| **Baseline** | Nåverdi (målt før implementering) |
| **Mål** | Forventet verdi etter implementering |
| **KPI** | Målbart nøkkeltall |
| **Gevinstansvarlig** | Navn og rolle i linjeorganisasjonen |
| **Forutsetninger** | Hva må være på plass |
| **Risiko** | Lav / Middels / Høy |
| **Tidspunkt** | Når forventes gevinsten realisert |
| **Status** | Identifisert / Planlagt / Under realisering / Realisert / Avskrevet |
### Eksempel: AI-drevet saksbehandlingsstøtte
| Gevinst-ID | Beskrivelse | Type | Baseline | Mål | KPI | Gevinstansvarlig | Tidspunkt |
|------------|-------------|------|----------|-----|-----|-------------------|-----------|
| G-001 | Redusert saksbehandlingstid for førstegangshenvendelser | Kvantitativ | 45 min/sak | 15 min/sak | Gjennomsnittlig saksbehandlingstid (min) | Avdelingsleder saksbehandling | 6 mnd |
| G-002 | Redusert antall feilklassifiseringer av saker | Kvantitativ | 12% feilrate | 3% feilrate | Feilklassifiseringsrate (%) | Fagansvarlig kvalitet | 3 mnd |
| G-003 | Raskere svartid for innbyggerhenvendelser | Kvantitativ | 5 virkedager snitt | 2 virkedager snitt | Gjennomsnittlig svartid (virkedager) | Seksjonsleder kundeservice | 6 mnd |
| G-004 | Økt innbyggertilfredshet med digital tjeneste | Kvalitativ | CSAT 3.2/5 | CSAT 4.0/5 | Customer Satisfaction Score (1-5) | Tjenesteansvarlig | 12 mnd |
| G-005 | Frigjort kapasitet til komplekse saker | Kvantitativ | 2 FTE på rutineoppgaver | 0.5 FTE på rutineoppgaver | FTE brukt på rutineoppgaver | Avdelingsleder | 9 mnd |
| G-006 | Forbedret konsistens i vedtak | Kvalitativ | Høy variasjon mellom saksbehandlere | Lav variasjon (< 5% avvik) | Varianskoeffisient mellom saksbehandlere | Fagansvarlig kvalitet | 12 mnd |
| G-007 | Økt kompetanse på AI og data i organisasjonen | Kvalitativ | 5% ansatte med AI-kompetanse | 25% ansatte med grunnkompetanse | Andel ansatte med gjennomført AI-opplæring | HR-sjef | 12 mnd |
---
## KPI-er med baseline og mål
### Kvantitative KPI-er
| KPI | Baseline (typisk) | Mål (pilot, 3 mnd) | Mål (6 mnd) | Mål (12 mnd) | Målemtode |
|-----|-------------------|---------------------|-------------|--------------|-----------|
| Saksbehandlingstid (min/sak) | 45 | 30 (-33%) | 20 (-56%) | 15 (-67%) | Fagsystem-logg |
| Svartid innbygger (virkedager) | 5 | 4 (-20%) | 3 (-40%) | 2 (-60%) | Saksbehandlingssystem |
| Feilklassifiseringsrate (%) | 12% | 8% | 5% | 3% | Manuell stikkprøve + automatisk |
| Antall saker behandlet per dag | 20 | 25 (+25%) | 35 (+75%) | 45 (+125%) | Fagsystem-logg |
| FTE brukt på rutineoppgaver | 2.0 | 1.5 | 1.0 | 0.5 | Timeregistrering |
| AI-oppetid (%) | N/A | 95% | 99% | 99.5% | Azure Monitor |
| Brukeradopsjonsrate (%) | N/A | 40% | 70% | 90% | Applikasjonskonslog |
### Kvalitative KPI-er
| KPI | Baseline | Mål (6 mnd) | Mål (12 mnd) | Målemtode |
|-----|----------|-------------|--------------|-----------|
| Innbyggertilfredshet (CSAT) | 3.2/5 | 3.6/5 | 4.0/5 | Brukerundersøkelse (kvartalsvis) |
| Medarbeidertilfredshet med AI-verktøy | N/A | 3.5/5 | 4.0/5 | Intern survey |
| Opplevd beslutningskvalitet | «Variabel» | «Konsistent» | «Høy og konsistent» | Kvalitetsrevisjon |
| Tillit til AI-systemet (ansatte) | N/A | 3.0/5 | 4.0/5 | Intern survey |
---
## Tidsplan: Pilot til evaluering
### Evalueringskadens
```
Pilot (0-3 mnd)
│ Ukentlig oppfølging av teknisk ytelse og brukeropplevelse
│ Gevinstmåling: Tidlige indikatorer (saksbehandlingstid, feilrate)
│ Beslutningspunkt: Fortsette, justere eller stoppe?
│
3-måneders evaluering
│ Første formelle gevinstrapport
│ Sammenligne pilot-KPI-er mot baseline
│ Vurdere skalering til flere brukere/enheter
│
6-måneders evaluering
│ Gevinstrapport med bredere datamateriale
│ Vurdere organisatoriske effekter (prosessendringer, kompetanse)
│ Justere gevinstrealiseringsplan basert på erfaringer
│
12-måneders evaluering (sluttevaluering)
│ Fullstendig gevinstrapport mot opprinnelig plan
│ Vurdere TCO vs. realiserte gevinster
│ Erfaringsrapport (lessons learned)
│ Beslutning: Videreføre, skalere, avvikle
│
Årlig oppfølging (deretter)
Langsiktig gevinstrealisering og modellvedlikehold
Nye gevinstmuligheter ved modelloppgradering
```
### Milepæler per fase
| Milepæl | Tidspunkt | Ansvarlig | Leveranse |
|---------|-----------|-----------|-----------|
| Baseline etablert | T-0 (før pilot) | Prosjektleder | Baseline-rapport |
| Pilot-start | T+0 | Prosjektleder | Pilot-plan |
| Første gevinstmåling | T+4 uker | Gevinstansvarlig | Tidlig indikator-rapport |
| Pilot-evaluering | T+3 mnd | Prosjekteier | Pilot-rapport med anbefaling |
| Fullskala utrulling | T+4 mnd | Prosjektleder | Utrullingsplan |
| 6-mnd evaluering | T+6 mnd | Gevinstansvarlig | Halvårs gevinstrapport |
| Prosjektavslutning | T+9 mnd | Prosjekteier | Prosjektsluttrapport |
| 12-mnd sluttevaluering | T+12 mnd | Gevinstansvarlig | Sluttevaluering |
| Overføring til linje | T+12 mnd | Linjeleder | Oppdatert gevinstrealiseringsplan |
---
## Gevinstansvarlig - Rolle og RACI-modell
### Rollen gevinstansvarlig
Gevinstansvarlig er en person i linjeorganisasjonen som har ansvar for at gevinster fra prosjektet faktisk realiseres. DFØ beskriver rollen slik:
> «En gevinstansvarlig skal normalt være en leder plassert i den delen av linjeorganisasjonen der gevinsten skal realiseres.»
**Sentrale oppgaver:**
- Være direkte involvert i utarbeidelsen av gevinstrealiseringsplanen
- Godkjenne gevinstmål og KPI-er for sine ansvarsområder
- Sørge for at nødvendige organisatoriske endringer gjennomføres
- Rapportere gevinstutvikling til virksomhetsledelsen
- Dokumentere realiserte gevinster og vurdere behov for ytterligere tiltak
**Kilde:** [DFØ - Roller og ansvar i gevinstrealiseringsprosessen](https://dfo.no/fagomrader/styring-i-staten/gevinstrealisering/roller-og-ansvar-i-gevinstrealiseringsprosessen)
### RACI-modell for AI-gevinstrealisering
| Aktivitet | Virksomhets-ledelse | Prosjekt-eier | Prosjekt-leder | Gevinst-ansvarlig | Linje-organisasjon | IT/teknikk |
|-----------|:---:|:---:|:---:|:---:|:---:|:---:|
| Godkjenne mandat med gevinstkrav | **A** | R | C | I | I | I |
| Identifisere gevinster | I | A | R | **R** | C | C |
| Utarbeide gevinstkart | I | A | R | **R** | C | C |
| Etablere baseline | I | I | **R** | A | C | R |
| Utarbeide gevinstrealiseringsplan | A | R | R | **R** | C | C |
| Oppnevne gevinstansvarlige | **A/R** | R | I | - | I | I |
| Gjennomføre organisatoriske endringer | I | I | C | **A** | R | C |
| Gjennomføre teknisk implementering | I | A | R | C | I | **R** |
| Måle gevinster (periodisk) | I | I | C | **A/R** | R | C |
| Rapportere gevinstutvikling | **A** | R | C | **R** | I | I |
| Evaluere og lære | **A** | R | C | **R** | C | C |
| Vedlikeholde AI-modell i drift | I | I | I | C | I | **A/R** |
**Forklaring:** R = Responsible (utfører), A = Accountable (ansvarlig), C = Consulted (rådføres), I = Informed (informeres)
### Kritiske suksessfaktorer for gevinstansvarlig
1. **Ledelsesforankring:** Gevinstansvarlig må ha tilstrekkelig myndighet til å gjennomføre endringer
2. **Tidlig involvering:** Skal være med fra gevinstidentifisering, ikke først ved overlevering
3. **Tilstrekkelige ressurser:** Gevinstrealisering er et linjeansvar som krever dedikert tid
4. **Kompetanse:** Må forstå både AI-løsningens muligheter og begrensninger
5. **Støtte fra prosjektet:** Prosjektteamet må levere nødvendig dokumentasjon og opplæring
---
## Gevinstprofiler for ulike AI-prosjekttyper
### Chatbot / copilot for innbyggerkontakt
| Gevinst | Typisk størrelse | Tidshorisont | Risiko |
|---------|-----------------|--------------|--------|
| Redusert ventetid for innbygger | 60-80% reduksjon | 3-6 mnd | Lav |
| Frigjort kapasitet kundeservice | 0.5-2 FTE | 6-12 mnd | Middels |
| 24/7 tilgjengelighet | Fra kontortid til døgnåpent | 1-3 mnd | Lav |
| Konsistent informasjon | Eliminerer variasjon mellom rådgivere | 3 mnd | Lav |
| Innsikt fra henvendelsesdata | Nye mønstre i innbyggerbehov | 6-12 mnd | Middels |
### AI-assistert saksbehandling
| Gevinst | Typisk størrelse | Tidshorisont | Risiko |
|---------|-----------------|--------------|--------|
| Tidsbesparelse per sak | 30-70% reduksjon | 6-12 mnd | Middels |
| Feilreduksjon | 50-80% reduksjon | 3-6 mnd | Middels |
| Økt gjennomstrømning | 50-150% økning | 6-12 mnd | Middels |
| Forbedret likebehandling | Målbar reduksjon i variasjon | 12 mnd | Høy |
| Kompetansebygging | Organisasjonslæring om AI | 12+ mnd | Lav |
### Dokumentklassifisering og datauttrekk
| Gevinst | Typisk størrelse | Tidshorisont | Risiko |
|---------|-----------------|--------------|--------|
| Automatisert klassifisering | 80-95% automatiseringsgrad | 3-6 mnd | Lav |
| Tidsbesparelse manuell registrering | 60-90% reduksjon | 3 mnd | Lav |
| Færre tastetrykk-feil | 70-90% reduksjon | 1-3 mnd | Lav |
| Raskere arkivering | Fra dager til minutter | 1-3 mnd | Lav |
| Bedre datakvalitet i fagsystem | Målbar forbedring | 6 mnd | Middels |
---
## Kobling til Prosjektveiviseren
DFØs gevinstrealiseringsmodell er koordinert med Digdir sin Prosjektveiviseren. Slik kobles de 5 stegene til prosjektfasene:
| Prosjektveiviser-fase | Gevinstrealiseringssteg | Nøkkelaktivitet |
|----------------------|------------------------|-----------------|
| Konseptfase | Steg 1: Identifisere | Gevinstoversikt, gevinstkart, tidlig estimering |
| Planleggingsfase | Steg 2: Planlegge | Gevinstrealiseringsplan, gevinstansvarlig oppnevnt |
| Gjennomføringsfase | Steg 3: Gjennomføre | Organisatoriske endringer, pilot, utrulling |
| Avslutningsfase | Steg 4: Følge opp | Første gevinstmåling, overlevering til linje |
| Realiseringsfase | Steg 4 + 5: Måle og evaluere | Periodisk måling, sluttevaluering, erfaringsdeling |
**Kilde:** [Prosjektveiviseren - Gevinstrealisering i de ulike fasene](https://prosjektveiviseren.digdir.no/god-praksis/gevinstrealisering-i-de-ulike-fasene/117)
---
## Kilder
- [DFØ - Gevinstrealisering](https://www.dfo.no/fagomrader/styring-i-staten/gevinstrealisering)
- [DFØ - Roller og ansvar i gevinstrealiseringsprosessen](https://dfo.no/fagomrader/styring-i-staten/gevinstrealisering/roller-og-ansvar-i-gevinstrealiseringsprosessen)
- [DFØ - Identifisere gevinster](https://dfo.no/fagomrader/etats-og-virksomhetsstyring/gevinstrealisering/identifisere-gevinster)
- [DFØ Veileder: Gevinstrealisering (PDF)](https://www.dfo.no/sites/default/files/fagomr%C3%A5der/Gevinstrealisering/Veileder-i-gevinstrealisering.pdf)
- [Prosjektveiviseren - Gevinster (Digdir)](https://prosjektveiviseren.digdir.no/god-praksis/gevinster/116)
- [Prosjektveiviseren - Gevinstrealisering i de ulike fasene](https://prosjektveiviseren.digdir.no/god-praksis/gevinstrealisering-i-de-ulike-fasene/117)
---
## For arkitekten
### Når denne filen er relevant
Bruk denne referansen når:
- Kunden spør om systematisk gevinstrealisering for et AI-prosjekt
- Det skal lages en gevinstrealiseringsplan eller gevinstregister
- Roller og ansvar for gevinstrealisering skal avklares
- KPI-er og baseline skal defineres for AI-gevinster
- Evalueringsplan etter pilot/utrulling skal utformes
### Nøkkelspørsmål å stille
1. **«Hvem er oppnevnt som gevinstansvarlig?»** — Hvis svaret er «prosjektleder» eller «IT», er det feil. Gevinstansvarlig skal være en linjeleder der gevinsten realiseres.
2. **«Har dere etablert baseline før AI-løsningen tas i bruk?»** — Uten baseline kan gevinster ikke dokumenteres. Vektlegg at baseline må måles FØR implementering.
3. **«Hva er den første gevinsten dere forventer å se, og når?»** — Tvinger konkretisering og avslører urealistiske forventninger.
4. **«Hvordan skal frigjort kapasitet fra AI brukes?»** — Tidsbesparelse er ikke en gevinst med mindre frigjort tid brukes til noe verdifullt. Press på dette.
5. **«Hvem rapporterer gevinstutvikling til ledelsen, og hvor ofte?»** — Avdekker om gevinstrealisering er forankret i styringslinja.
### Advarselstegn
- **Ingen gevinstansvarlig oppnevnt** → Gevinstrealisering vil sannsynligvis feile
- **Baseline mangler** → Umulig å dokumentere gevinster
- **Kun tekniske KPI-er** → Mangler kobling til virksomhetsmål
- **Gevinster kun i prosjektplanen, ikke i linjebudsjett** → Ikke reell forankring
- **«AI fikser alt»-holdning** → Undervurderer organisatoriske endringer
Reference in a new issue View git blame Copy permalink