Når ny teknologi dukker opp, er mønsteret alltid det samme. De som er tidlig ute investerer tid, penger og overbevisning. Ofte sliter de med å rettferdiggjøre innsatsen, mens resten ser på fra sidelinjen. Så kommer det uunngåelige skiftet: Frykten for å gå glipp av noe tar over, og plutselig kaster alle seg på bølgen, ofte uten en klar forståelse av hvor den er på vei, eller hvorfor de følger den. I dag er det AI som er denne bølgen.
Alle bygger AI, selger AI, investerer i AI og hevder å være AI-drevet. Det er ingen tvil om at teknologien er spennende, og mulighetene er reelle. Men midt i all støyen er det verdt å stille et enkelt spørsmål:
Er dagens AI-teknologi svaret på alt?
Det ærlige svaret er nei. Jeg skriver denne teksten ved hjelp av Claude, og det illustrerer nettopp hva denne typen AI er svært godt egnet til: å utarbeide, strukturere og spisse et resonnement. Men ikke alle problemer bør løses med AI. I mange tilfeller er det heller ikke riktig verktøy. Hvorfor?
Den blå pillen var aldri ment å vare
La oss begynne med økonomien. Hyperscalerne ga oss den blå pillen for en stund siden: «Vær så god – billig AI. Gjør mer, raskere og billigere enn mennesker noensinne kunne.» Problemet er at denne pillen aldri var ment å være gratis på sikt. Funksjonene vi blir mest avhengige av, flyttes nå gradvis – og stille – bak stadig dyrere premiumnivåer. Denne utviklingen akselererer.
Noen eksempler vi allerede ser:
- Microsoft har økt prisen på Microsoft 365 flere ganger de siste årene. Den siste økningen var eksplisitt knyttet til kostnadene for innebygde AI-funksjoner. Forbered deg på M365 E7-lisensen – den såkalte «Frontier Suite».
- GitHub flytter Copilot fra en fast månedspris til bruksbasert, tokenbasert fakturering i midten av 2026. Den faste modellen kollapset under tung, agentbasert bruk som forbrukte beregningskraft langt raskere enn tradisjonell chat.
- På tvers av markedet har det reelle kostnadstaket krøpet oppover. «Pro»- og «Max»-nivåer på 100–200 dollar i måneden posisjoneres nå som normalprisen for seriøs bruk, ikke som unntaket. Samtidig forsvinner rabatter, bruksgrenser strammes inn, og funksjoner skilles ut i betalte tillegg – det mange nå omtaler som en «AI-skatt».
Dette er ikke tilfeldig. De store aktørene investerer hundrevis av milliarder dollar årlig i globale AI-datasentre, og denne kapitalen må tjenes inn igjen. Ringvirkningene merkes i hele IT-bransjen, særlig gjennom økende maskinvarekostnader når alle konkurrerer om de samme brikkene, minnet og energien.
Den faktiske verdien er det få som undersøker
Så hvor ligger den virkelige verdien? Den som nesten ingen snakker om? I økende grad ikke i AI i seg selv, men i teknologiene AI gjør mulig eller dramatisk akselererer.
Kvanteberegning er det tydeligste eksempelet. AI brukes nå til å angripe et av feltets største hinder: feilkorreksjon. Resultatet er at AI og kvanteteknologi konvergerer raskt. Mot slutten av 2025 demonstrerte Google en verifiserbar kvantefordel – en fysikksimulering som kjørte tusenvis av ganger raskere enn verdens kraftigste klassiske superdatamaskiner. Bransjene som påvirkes først er nettopp de med de mest komplekse problemene: materialvitenskap, energi, klima- og værmodellering og logistikk.
Robotteknologi og autonome laboratorier er et annet område. Forskere bygger nå lukkede systemer der AI planlegger eksperimenter, roboter utfører dem, sensorer tolker resultatene, og systemet selv designer neste steg med minimal menneskelig innblanding. Kombiner dette med den raske utviklingen innen humanoid robotikk, og du har teknologi som vil endre produksjon, logistikk og selve forskningsprosessen.
Olje og gass er et skoleeksempel, selv om det sjelden omtales i denne sammenhengen. AI analyserer i dag seismiske data, brønnlogger og satellittinformasjon på timer – arbeid som tidligere tok geologer uker. Resultatet er raskere identifisering av reservoarer og færre tørre, ekstremt kostbare brønner. Hos Cegal har vi hjulpet flere kunder med konkrete, målbare resultater gjennom reelle brukstilfeller der verdien er tydelig dokumentert.
Kraft og fornybar energi er kanskje områdene der dette betyr aller mest. Utfordringen med sol og vind er enkel: Du kan ikke slå dem av og på etter behov. Et kraftsystem med høy andel fornybar energi er derfor svært krevende å drifte. Her fungerer AI i økende grad som en sanntidskoordinator. Den forutser produksjonstimer i forveien, bestemmer når batterier skal lades eller lades ut basert på nettbehov og markedspriser, og balanserer tilbud og etterspørsel langt raskere enn menneskelige operatører.
Poenget er dette: Den største, langsiktige effekten av AI er sannsynligvis ikke chatboten på skjermen din, men alt teknologien muliggjør i bakgrunnen.
Hvis du ikke kan måle det, er det sannsynligvis ikke AI
La det ikke være noen tvil: AI er kommet for å bli. Den endrer allerede hvordan vi jobber, og det finnes store verdier å hente. Men ikke for enhver pris.
Gode AI-initiativer starter med målbare bruksområder forankret i tydelige KPI-er. Dette må være utgangspunktet, ikke noe man legger til i etterkant. Begynn i det små. Kjør en reell pilot. Knytt den til resultater du faktisk kan kvantifisere: sparte arbeidstimer, lavere feilrate, kortere syklustider, økte inntekter.
Disiplin er viktigere enn noen gang. AI-kostnader oppfører seg ikke som tradisjonell programvare. Tokenforbruk, nivåterskler og oppgraderinger midt i kontraktsperioden kan stille og rolig forvandle et håndterbart budsjett til et alvorlig problem.
Derfor er testen enkel: Hvis du sliter med å identifisere gode brukstilfeller, hvis du ikke kan måle før og etter, og hvis du ikke kan peke på et konkret tall som faktisk har endret seg, så er dette sannsynligvis ikke et problem som bør løses med AI.
Hos Cegal har vi utviklet en velprøvd tilnærming for å omsette AI-ambisjoner til reell forretningsverdi. Det starter med å samle de riktige menneskene: domeneeksperter, AI-spesialister og beslutningstakere rundt samme bord.
Når dyp bransjekunnskap kombineres med teknisk ekspertise og forretningsforståelse, kan vi identifisere de mest verdifulle bruksområdene, prioritere dem basert på effekt og forventet avkastning, og bygge et realistisk veikart for gjennomføring. Hele arbeidet hviler på et avgjørende fundament: data av høy kvalitet.
Resultatet er AI-initiativer som ikke bare er teknologisk interessante, men også praktiske, målbare og tydelig forankret i forretningsmålene.
Mario
