Blog and news

Go Back

Hvordan vet du om AI-tiltakene dine faktisk virker?

AI - Et kraftfullt, spennende, grenseløst verktøy - men det hjelper ikke hvis du ikke vet hvor du skal bruke det

Av Henrik Kristiansen, Voglio

‍

Alle snakker om kunstig intelligens for tida. ChatGPT. Copilot. Automatisering av alt.

Men midt i all hypen er det lett å glemme det viktigste spørsmålet: Vet vi egentlig hva vi driver med - før vi hiver AI på det?

‍

Jeg leste denne artikkelen på Digi.no nylig. "Alle snakker om KI, men få gjør grunnjobben." Det traff meg og ga meg inspirasjonen til å skrive dette innlegget. For det stemmer. Mange har det travelt med å komme i gang med AI - men hopper glatt over det viktigste først.

‍

Hvis du ikke vet hvor du står, hvordan vet du hvor du skal?

Du kan ha de råeste AI-verktøyene i verden, men hvis prosessene dine er fulle av manuelle omveier, inkonsistente data og ustrukturert flyt, hjelper det lite.

“Garbage in, garbage out” er ikke et gammelt uttrykk uten grunn. (Techtarget, 2025)

Gir du AI dårlige eller uklare data - så får du dårlige eller uklare svar. Det er ikke magi. Det er logikk. Det betyr ikke at AI ikke er kraftfullt - det er det. Men det fungerer best når det får jobbe i strukturer vi faktisk forstår.

Det blir sagt i artikkelen:
«La oss starte med noe enkelt, som alle kan si seg enige i. Uansett hva du skal gjøre, er det viktig å ha en klar og tydelig målsetting før du begynner.»

....Jeg vil si meg delvis enig.
Selvfølgelig er det viktig å ha mål - det gjelder for alt, også for AI. Men når vi snakker om kunstig intelligens, kommer vi fort til et punkt der du kanskje ikke vet nok om prosessene dine til å sette gode mål. Du vet kanskje ikke hvor AI faktisk kan bidra, eller hva som bør automatiseres.

Uten prosessinnsikt blir målsetting bare en antakelse. Og da risikerer du å bygge på feil grunnmur.

‍

Så hva gjør du?

Du må få oversikt. Ikke synsing, ikke gamle prosedyredokumenter. Faktisk innsikt.

Tenk deg: Hva kunne din bedrift fått til hvis AI faktisk jobbet basert på virkeligheten, ikke antakelser?

Det er her process mining kommer inn - og hvorfor jeg mener det er et veldig undervurdert verktøy her i Norge, når vi snakker om f.eks. AI og automatisering.

‍

Hvordan måler du effekten - før og etter AI?

Du skal ikke bare sette inn AI fordi det "føles riktig". Du må vite hvor det kan ha effekt og hva det faktisk fører til.

Med process mining får du nettopp det:

- Tidsbruk - hvor lang tid tar prosessen nå, sammenlignet med før?

- Automatiseringsgrad - hvor stor andel går "touchless"? Hvor skjer det fortsatt manuelle avvik?

- Flyt og stabilitet – forsvinner flaskehalser? Har variasjonen gått ned?

- Resultater mot KPI-er – hvordan presterer prosessene dine opp mot de målene du har satt? (for eksempel gjennomløpstid, feilrate, kostnad per ordre)

‍

Du kan med Process mining analysere dette før og etter tiltak, på tvers av team, markeder, leverandører eller systemer - og se svart på hvitt hvor det funker. Det er ikke synsing. Det er målbart. Og det gjør det mulig å bevise verdien av det du gjør.

‍

Process mining viser hvor AI faktisk kan hjelpe

Før jeg skrev dette innlegget, spurte jeg ChatGPT selv: Hva synes du om dette med å få prosessinnsikt før man setter i gang med AI i en virksomhet?

Svaret var overraskende tydelig:

"Prosessinnsikt er ikke bare nyttig – det er helt nødvendig. Uten forståelse av hvordan ting faktisk fungerer, risikerer man å automatisere feil, forsterke ineffektivitet eller trene AI på feil data."

.... Jeg kunne ikke vært mer enig.

‍

Med process mining kan du:

Kartlegge hele prosessen, slik den faktisk foregår - ikke bare slik du tror den gjør.

Se hva som allerede er automatisert, og hva som fortsatt er manuell jobb.

Finne flaskehalser, variasjon og repetitive oppgaver - det som spiser tid og skaper frustrasjon

Og viktigst av alt: Du får innsikt i hvor det faktisk gir mening å bruke AI eller automatisering - og du slipper å gjette.

Process mining gir deg kontekst. Det gir AI en arena der det faktisk kan skinne.

‍

AI-verktøyene er her - men de trenger noe å jobbe med

Verktøy som ChatGPT, Copilot i Microsoft, Einstein i Salesforce og Joule i SAP er på vei inn overalt.

De er smarte, raske, ofte overraskende gode og folk har store forventninger.

‍

Men her er greia:

Hvis de ikke har strukturert og relevant informasjon å jobbe med, bommer de.

Enten blir det generiske forslag. Eller så svarer de på feil problem.

Et enkelt eksempel: Har du bedt en AI lage et bilde for deg, men gitt en vag beskrivelse? Du vet hvordan det blir.

Det samme skjer i virksomheten - uklare prosessdata gir uklare output.

Derfor er det avgjørende å rydde opp og harmonisere dataene på forhånd.
Her kommer behovet for master data management inn - å sikre at dataene er riktige, konsistente og tilgjengelige.


Og nettopp derfor er løsninger som Boomi DataHub godt egnet - de hjelper virksomheter med å samle, kvalitetssikre og tilgjengeliggjøre både master data og andre forretningskritiske data. Det gjør at AI får et solid og pålitelig grunnlag å jobbe med.


Jeg nevner Boomi DataHub spesielt fordi det representerer en moderne tilnærming til datahåndtering. Plattformen kombinerer tradisjonell master data management med avanserte funksjoner for datasynkronisering, deling og AI-forberedelse. Det betyr at AI ikke bare får tilgang til faste grunndata, men også oppdaterte og relevante forretningsdata som gjør det mulig å ta bedre og mer treffsikre beslutninger. (Boomi, 2025)

 

Når prosessinnsikt møter datastrategi

For at AI virkelig skal skape verdi, trenger du mer enn prosessinnsikt alene.

Et bilde som inneholder sirkel, symbol, skjermbildeKI-generert innhold kan være feil., Bilde

En strategisk kundeansvarlig i Salesforce Norge med god erfaring innenfor feltet, uttrykte det slik da jeg diskuterte temaet med ham:

"For å lykkes med AI må virksomheter ikke bare forstå prosessene sine, men også ha en klar datastrategi og sikre hvordan AI-systemene håndterer dataene deres."
Du trenger også en robust datastrategi - en som kobler sammen data på tvers av systemer, sikrer sanntidsinnsikt, og beskytter virksomhetens informasjon.

‍

Dette handler ikke bare om prosessinnsikt, men også om å samle og tilgjengeliggjøre data effektivt, noe Master Data management-løsninger er utviklet for å gjøre.

‍

Videre snakket vi om at mange AI-initiativ feiler fordi dataene de bygger på er fragmenterte, utdaterte eller usikre.
Spesielt når AI brukes eksternt mot kunder, leverandører eller samarbeidspartnere. Da blir sikkerhet, datakvalitet og oversikt helt kritisk.

‍

‍

‍AI-agenter

I dag snakker man om AI-agenter: intelligente assistenter som jobber side om side med ansatte for å gjøre dem mer produktive.
For å lykkes med AI-agenter, trenger du:

- En klar og helhetlig datastrategi

- En sikker AI-plattform som beskytter bedriftsdata

- Prosessinnsikt fra Process mining for å vite hvor automatisering og forbedring faktisk gir mening

- En løsning for å harmonisere og tilgjengeliggjøre data – her kan Master Data Management og moderne datahuber, som for eksempel Boomi DataHub, spille en viktig rolle.

Når du har kontroll på både dataene og prosessene, kan AI gå fra å være en visjon - til å bli en konkret realitet i virksomheten.

‍

Når Prosessinnsikt og AI kobles sammen

Ledende aktører som Celonis begynner allerede å ta grep for å sikre at AI faktisk gir verdi. Nylig annonserte Celonis et samarbeid med Microsoft Fabric for å integrere process intelligence direkte i Microsoft dataanalyseplatform. Dette gjør det mulig for AI-agenter å operere med en dyp forståelse av virksomhetens prosesser, noe som fører til raskere og mer presise beslutninger. Som Celonis’ nye CPO uttalte, handler dette om å akselere tiden det tar å oppnå verdi fra AI ved å gi den nødvendige prosesskonteksten. (Preez, D, D, 2025)

‍

Mange blir skuffet - og det er ikke AI sin feil

En rapport fra McKinsey peker på noe veldig viktig: Mange AI-løsninger når ikke sitt potensial - ikke fordi teknologien er svak, men fordi folk mangler tilgang på god data og innsikt i hvordan prosessene faktisk fungerer. Uten den innsikten settes AI ofte inn i prosesser man ikke forstår fullt ut – og da er det vanskelig å få noe reell verdi tilbake.

Process mining løser ikke alt, men det gir oversikten og strukturen som må være på plass for at AI skal fungere i praksis.

‍

AI-hypen er ekte. Men verdien må bygges.

Gartner sin Hype Cycle for kunstig intelligens 2024 viser tydelig at AI-forventningene er på topp.

Og det er kult - men det er også en påminnelse: Hvis du ikke har grunnarbeidet på plass, er det lett å kaste bort både tid og penger.

Les artikkelen her

Et bilde som inneholder tekst, appelsin, logo, GrafikkKI-generert innhold kan være feil., Bilde

Oppsummert:

For meg handler det om to ting

- AI er ikke nødvendigvis løsningen. Det er et verktøy.

- Et kraftfullt, spennende, grenseløst verktøy - men det hjelper ikke hvis du ikke vet hvor du skal bruke det.

‍

Process mining gir deg kartet, kompasset og høydemåleren.... Så du faktisk kan bygge noe som virker.

Men prosessinnsikt alene er ikke nok. Master data management gir deg kontrollen, kvaliteten og sammenhengen i dataene - slik at AI faktisk har noe å jobbe med.

‍

Vil du lykkes med AI? Da må du starte med grunnmuren - prosessene dine, og sørge for at dataene er ryddige og tilgjengelige.
Når du kjenner flyten, ser avvikene og bygger på fakta – da kan du sette AI på og virkelig høste verdien.

Eller som markedslederen innenfor process mining, Celonis, sier det så treffende:
"When processes work, AI works."

‍

‍

Kildeliste

‍

Go Back