Magma
14.10.2026
Når KI bygges inn i beslutningssystemer kan det forsterke gode valg, men også skalere konsekvensene av dårlige valg.
Organisasjoner behandler ofte KI-implementering som et teknisk problem, men det er i stor grad et strategisk spørsmål om verdiforslag og ansvarsfordeling. Hvilke mål skal KI optimaliseres mot, og hvilke beslutninger bør vi ikke delegere bort? I denne artikke-
len presenteres KI-kompasset: et verktøy som definerer fire idealtypiske roller for KI i ulike beslutningsprosesser. Ledere må først diagnostisere beslutningstypen, deretter velge KI-rolle. Kompasset hjelper ledere med diagnose slik at KI-satsninger underbygger i stedet for å undergrave organisasjonens egen strategi og kundenes opplevde verdiforslag.
Introduksjon Den raske utbredelsen av kunstig intelligens (KI1)-systemer har ledet til at mange næringslivsledere og andre aktører spør seg hvordan de skal møte KI-revolusjonen. I den norske ofentligheten har debatten i første rekke dreid seg om implementeringshastighet. Nikolai Tangen, administrerende direktør i Norges Bank Investment Management (NBIM), har vært en ledende talsperson for rask og omfattende implementering av KI (Lea, 2026). Andre advarer mot manglende risikovurdering når «alle» varsler kode rød og ber ansatte «putte KI i alt» (Majid, 2026).
For beslutningstakere i virksomheter innebærer dette en reell utfordring. I frykt for å havne bakpå i dette kappløpet har mange virksomheter begynt å løpe. En rapport fra Samfunnsøkonomisk analyse ( Jordell et al., 2026), viser at KI-bruken blant norske virksomheter har doblet seg på kun to år. Det er da fare for at mange prioriterer implementeringshastighet og ender opp med å løpe i feil retning. Denne utfordringen underbygges av en rapport fra MIT (Challapally et al., 2025), som viser at så mye som 95 prosent av KI-initiativer feiler2. Adopsjonsgraden er høy (man begynner å løpe), men transformasjonsgraden (løpingens efekt) synes foreløpig begrenset. Gapet kan skyldes manglende forståelse for hvordan KI integreres i eksisterende strukturer for å bidra til økt verdiskapning i ulike organisatoriske kontekster (Lien & Timmermans, 2026).
I denne artikkelen introduserer vi KI-kompasset: et verktøy som hjelper virksomheter å identifisere hvilken rolle KI bør spille i ulike beslutningsprosesser. På tross av den raske adopsjonen av KI blant praktikere har forskningen på integrasjon av KI i virksomhetsstyring så langt vært begrenset i omfang (Möller et al., 2020) og fragmentert i sin natur (Abbas, 2025). KI blir stadig mer integrert i organisatoriske prosesser, men vi vet fremdeles svært lite om KIs innflytelse på de teknologiske og strukturelle prosessene som støtter beslutningstaking i organisasjoner (Arkhipova et al., 2024). For mange vil den praktiske utfordringen være å forstå hvordan man skal orientere seg når beslutningsprosesser blir distribuert mellom mennesker, modeller og maskiner. Dersom organisasjoner ikke har en tydelig forståelse av sitt eget verdiforslag, hvordan de i sin kjerne skaper verdi, risikerer de enten å automatisere bort prosesser der mennesker tilfører unik verdi, eller å tviholde på manuell involvering i situasjoner hvor bruk av KI klart ville forbedret prosessen.
I denne artikkelen besvarer vi følgende forskningsspørsmål: Hvilke analytiske dimensjoner må ledere vurdere i anvendelse av KI-systemer, og hvilke styringsmessige konsekvenser gir det? Vi søker å besvare forskningsspørsmålet gjennom såkalt abduktiv teoretisering (Sætre & Van de Ven, 2024). Ved å besvare dette spørsmålet bidrar vi med å utvikle et rammeverk til å diagnostisere hvilken ledelsesutfordring man står overfor når man skal integrere KI i konkrete beslutningsprosesser. Ettersom analysenivået er på beslutningsnivå komplementerer KI-kompasset rammeverk som analyserer KI-integrasjon på organisasjonsnivå (Lien & Timmermans, 2026).
I tillegg søker denne studien å komme med tre bidrag. For det første gir studien et mer nyansert bilde av hvordan KI kan anvendes i organisatoriske beslutningsprosesser. Tidligere forskning viser at KI påvirker beslutningsprosesser gjennom uslåelig prosesseringskapasitet og analytisk hastighet (Bhimani et al., 2026), men få studier har presentert strukturelle analyser for hvordan KI vil kunne redefinere menneskers rolle i beslutningsprosesser (Abbas, 2025).
For det andre komplementerer studien eksisterende teori om anvendelse av KI i konkurransesituasjoner. Mens tidligere studier har presentert modeller for å vurdere organisasjoners KI-modenhet (Lien & Timmermans, 2026), bidratt til forståelsen av sosiomaterielle betingelser i møte med KI (Braathen & Tronvoll, 2026), og beste praksis i anvendelse av KI i operasjonelle beslutninger (Skants et al., 2026) søker vår studie å bidra med en dypere forståelse av hvordan KI utfordrer ulike bransjelogikker når KI analyseres som en prediktiv teknologi.
For det tredje avsluttes artikkelen med å diskutere hvordan ØA-fagenes relevans utfordres av den stadig økende implementeringen av KI på et strukturelt nivå. De faglige konsekvensene av vår analyse impliserer at ØA-utdanningen i økende grad må utruste studenter med dyp domenekunnskap og utfordre dem til å utvikle sin evne til å utøve god dømmekraft. Hvordan ØA-sektoren lykkes med dette vil ha både faglige og etiske implikasjoner.
Teori og bakgrunn KI fra et økonomisk perspektiv Fra et økonomisk perspektiv kan KI forstås som en teknologi som reduserer kostnaden for prediksjoner (Agrawal et al. 2022). Dette perspektivet er tilsynelatende smalt, men har vidtrekkende implikasjoner fordi prediksjoner er en sentral komponent i beslutninger. Kort sagt er prediksjon å bruke tilgjengelig informasjon til å si noe om noe vi ikke vet. Prediksjoner er sentrale i alt fra små beslutninger som når man bør reise for å unngå kø (prediksjon: tidspunkt for kødannelse), til større beslutninger om et nytt produkt eller tjeneste skal lanseres eller ikke (prediksjon: vil det være tilstrekkelig interesse i markedet). Prediksjoner er verdifulle fordi de kan hjelpe oss med å ta bedre valg, for eksempel å redusere tid i kø eller å avbryte lanseringen av et produkt markedet ikke har tilstrekkelig interesse for.
Kjernen i KI-revolusjonen er da at vi har fått tilgang på mer presise prediksjoner til en vesentlig lavere kostnad, som også er skalerbar. Når kostnaden for prediksjon faller, vil nye bruksområder for prediksjon dukke opp. KI-genererte bilder og video er et eksempel på dette. KI-systemet predikerer da en konstellasjon av piksler som en bruker mest sannsynlig vil like gitt de instrukser KI-systemet mottar.3
Samtidig er prediksjoner ikke det samme som beslutninger (Agrawal et al., 2022). Beslutninger krever vurderinger av hvilke handlingsalternativer som faktisk er aktuelle, hvordan ulike utfall vektes, og hva som i det hele tatt regnes som et ønsket utfall (Bazerman & Moore, 2012). Dette kommer tydelig frem i strategiske eller etiske dilemmaer. En virksomhet kan for eksempel predikere om en kunde vil oppdage en ugunstig endring i avtalevilkår. Selv om prediksjonen kan være presis, er det ikke gitt at virksomheten skal utnytte kundens uoppmerksomhet. Hvilke hensyn som skal prioriteres og hvem som skal stå til ansvar må avgjøres gjennom en vurderingsprosess.
En enkel økonomisk analyse viser at når kostnaden for en innsatsfaktor faller vil dens substitutter falle i verdi, mens komplementene vil øke i verdi. Ettersom prediksjoner kun er en del av beslutningsprosesser, vil en reduksjon i kostnaden føre til at komplementer som data og vurderinger øker i verdi og substitutter som menneskelig prediksjon og analyse faller i verdi. Dermed er det ikke slik at inntoget av KI er ensbetydende med automatisering av beslutningsprosesser. I stedet vil det øke verdien av beslutningstakers vurderingsevne til å definere problemer, angi hvilke mål KI styres mot og avgjøre hvilke beslutninger som bør delegeres til KI og hvilke som ikke bør det. Det betyr at KI øker verdien av dømmekraft i situasjoner der verdi
Gå til medietlen presenteres KI-kompasset: et verktøy som definerer fire idealtypiske roller for KI i ulike beslutningsprosesser. Ledere må først diagnostisere beslutningstypen, deretter velge KI-rolle. Kompasset hjelper ledere med diagnose slik at KI-satsninger underbygger i stedet for å undergrave organisasjonens egen strategi og kundenes opplevde verdiforslag.
Introduksjon Den raske utbredelsen av kunstig intelligens (KI1)-systemer har ledet til at mange næringslivsledere og andre aktører spør seg hvordan de skal møte KI-revolusjonen. I den norske ofentligheten har debatten i første rekke dreid seg om implementeringshastighet. Nikolai Tangen, administrerende direktør i Norges Bank Investment Management (NBIM), har vært en ledende talsperson for rask og omfattende implementering av KI (Lea, 2026). Andre advarer mot manglende risikovurdering når «alle» varsler kode rød og ber ansatte «putte KI i alt» (Majid, 2026).
For beslutningstakere i virksomheter innebærer dette en reell utfordring. I frykt for å havne bakpå i dette kappløpet har mange virksomheter begynt å løpe. En rapport fra Samfunnsøkonomisk analyse ( Jordell et al., 2026), viser at KI-bruken blant norske virksomheter har doblet seg på kun to år. Det er da fare for at mange prioriterer implementeringshastighet og ender opp med å løpe i feil retning. Denne utfordringen underbygges av en rapport fra MIT (Challapally et al., 2025), som viser at så mye som 95 prosent av KI-initiativer feiler2. Adopsjonsgraden er høy (man begynner å løpe), men transformasjonsgraden (løpingens efekt) synes foreløpig begrenset. Gapet kan skyldes manglende forståelse for hvordan KI integreres i eksisterende strukturer for å bidra til økt verdiskapning i ulike organisatoriske kontekster (Lien & Timmermans, 2026).
I denne artikkelen introduserer vi KI-kompasset: et verktøy som hjelper virksomheter å identifisere hvilken rolle KI bør spille i ulike beslutningsprosesser. På tross av den raske adopsjonen av KI blant praktikere har forskningen på integrasjon av KI i virksomhetsstyring så langt vært begrenset i omfang (Möller et al., 2020) og fragmentert i sin natur (Abbas, 2025). KI blir stadig mer integrert i organisatoriske prosesser, men vi vet fremdeles svært lite om KIs innflytelse på de teknologiske og strukturelle prosessene som støtter beslutningstaking i organisasjoner (Arkhipova et al., 2024). For mange vil den praktiske utfordringen være å forstå hvordan man skal orientere seg når beslutningsprosesser blir distribuert mellom mennesker, modeller og maskiner. Dersom organisasjoner ikke har en tydelig forståelse av sitt eget verdiforslag, hvordan de i sin kjerne skaper verdi, risikerer de enten å automatisere bort prosesser der mennesker tilfører unik verdi, eller å tviholde på manuell involvering i situasjoner hvor bruk av KI klart ville forbedret prosessen.
I denne artikkelen besvarer vi følgende forskningsspørsmål: Hvilke analytiske dimensjoner må ledere vurdere i anvendelse av KI-systemer, og hvilke styringsmessige konsekvenser gir det? Vi søker å besvare forskningsspørsmålet gjennom såkalt abduktiv teoretisering (Sætre & Van de Ven, 2024). Ved å besvare dette spørsmålet bidrar vi med å utvikle et rammeverk til å diagnostisere hvilken ledelsesutfordring man står overfor når man skal integrere KI i konkrete beslutningsprosesser. Ettersom analysenivået er på beslutningsnivå komplementerer KI-kompasset rammeverk som analyserer KI-integrasjon på organisasjonsnivå (Lien & Timmermans, 2026).
I tillegg søker denne studien å komme med tre bidrag. For det første gir studien et mer nyansert bilde av hvordan KI kan anvendes i organisatoriske beslutningsprosesser. Tidligere forskning viser at KI påvirker beslutningsprosesser gjennom uslåelig prosesseringskapasitet og analytisk hastighet (Bhimani et al., 2026), men få studier har presentert strukturelle analyser for hvordan KI vil kunne redefinere menneskers rolle i beslutningsprosesser (Abbas, 2025).
For det andre komplementerer studien eksisterende teori om anvendelse av KI i konkurransesituasjoner. Mens tidligere studier har presentert modeller for å vurdere organisasjoners KI-modenhet (Lien & Timmermans, 2026), bidratt til forståelsen av sosiomaterielle betingelser i møte med KI (Braathen & Tronvoll, 2026), og beste praksis i anvendelse av KI i operasjonelle beslutninger (Skants et al., 2026) søker vår studie å bidra med en dypere forståelse av hvordan KI utfordrer ulike bransjelogikker når KI analyseres som en prediktiv teknologi.
For det tredje avsluttes artikkelen med å diskutere hvordan ØA-fagenes relevans utfordres av den stadig økende implementeringen av KI på et strukturelt nivå. De faglige konsekvensene av vår analyse impliserer at ØA-utdanningen i økende grad må utruste studenter med dyp domenekunnskap og utfordre dem til å utvikle sin evne til å utøve god dømmekraft. Hvordan ØA-sektoren lykkes med dette vil ha både faglige og etiske implikasjoner.
Teori og bakgrunn KI fra et økonomisk perspektiv Fra et økonomisk perspektiv kan KI forstås som en teknologi som reduserer kostnaden for prediksjoner (Agrawal et al. 2022). Dette perspektivet er tilsynelatende smalt, men har vidtrekkende implikasjoner fordi prediksjoner er en sentral komponent i beslutninger. Kort sagt er prediksjon å bruke tilgjengelig informasjon til å si noe om noe vi ikke vet. Prediksjoner er sentrale i alt fra små beslutninger som når man bør reise for å unngå kø (prediksjon: tidspunkt for kødannelse), til større beslutninger om et nytt produkt eller tjeneste skal lanseres eller ikke (prediksjon: vil det være tilstrekkelig interesse i markedet). Prediksjoner er verdifulle fordi de kan hjelpe oss med å ta bedre valg, for eksempel å redusere tid i kø eller å avbryte lanseringen av et produkt markedet ikke har tilstrekkelig interesse for.
Kjernen i KI-revolusjonen er da at vi har fått tilgang på mer presise prediksjoner til en vesentlig lavere kostnad, som også er skalerbar. Når kostnaden for prediksjon faller, vil nye bruksområder for prediksjon dukke opp. KI-genererte bilder og video er et eksempel på dette. KI-systemet predikerer da en konstellasjon av piksler som en bruker mest sannsynlig vil like gitt de instrukser KI-systemet mottar.3
Samtidig er prediksjoner ikke det samme som beslutninger (Agrawal et al., 2022). Beslutninger krever vurderinger av hvilke handlingsalternativer som faktisk er aktuelle, hvordan ulike utfall vektes, og hva som i det hele tatt regnes som et ønsket utfall (Bazerman & Moore, 2012). Dette kommer tydelig frem i strategiske eller etiske dilemmaer. En virksomhet kan for eksempel predikere om en kunde vil oppdage en ugunstig endring i avtalevilkår. Selv om prediksjonen kan være presis, er det ikke gitt at virksomheten skal utnytte kundens uoppmerksomhet. Hvilke hensyn som skal prioriteres og hvem som skal stå til ansvar må avgjøres gjennom en vurderingsprosess.
En enkel økonomisk analyse viser at når kostnaden for en innsatsfaktor faller vil dens substitutter falle i verdi, mens komplementene vil øke i verdi. Ettersom prediksjoner kun er en del av beslutningsprosesser, vil en reduksjon i kostnaden føre til at komplementer som data og vurderinger øker i verdi og substitutter som menneskelig prediksjon og analyse faller i verdi. Dermed er det ikke slik at inntoget av KI er ensbetydende med automatisering av beslutningsprosesser. I stedet vil det øke verdien av beslutningstakers vurderingsevne til å definere problemer, angi hvilke mål KI styres mot og avgjøre hvilke beslutninger som bør delegeres til KI og hvilke som ikke bør det. Det betyr at KI øker verdien av dømmekraft i situasjoner der verdi
