Del 56 - KI-Kompis....Hvordan blir kunstig intelligens butikkens nye medarbeider?
Updated: Sep 8
KI kan gi virksomheten nye hender og ny kapasitet – men menneskene må fortsatt vite hva som skal gjøres
Tenk deg en liten nettbutikk.
Fem ansatte.
Noen hundre eller kanskje flere tusen produkter.
Kunder som sender spørsmål på e-post.
Produktinformasjon som skal oppdateres.
Nye varer som skal publiseres.
Bilder som skal beskrives.
Kategorier som skal vedlikeholdes.
Kjøpsguider som burde vært skrevet.
Kundeservice som skal besvares.
Søket som burde vært bedre.
Og et stadig voksende behov for å holde nettstedet oppdatert.
Listen over oppgaver kan være nesten like lang som hos en stor nettbutikk.
Forskjellen er at den lille virksomheten ikke har femti mennesker til å gjøre jobben.
Her blir kunstig intelligens interessant.
Ikke først og fremst fordi KI kan erstatte menneskene.
Men fordi KI kan hjelpe menneskene med å gjøre mer av det de allerede forsøker å gjøre.
Den kan hjelpe med å strukturere produktinformasjon.
Lage førsteutkast.
Oppsummere store informasjonsmengder.
Identifisere manglende opplysninger.
Foreslå kategorisering.
Bearbeide kundespørsmål.
Finne mønstre.
Tilpasse eksisterende kunnskap til forskjellige formater.
Og gjøre kunnskap lettere tilgjengelig.
Dermed kan vi begynne å tenke på KI som en slags digital medarbeider.
Men metaforen har en viktig begrensning.
En KI er ikke et menneske.
Den har ikke medarbeiderens erfaring, ansvar, dømmekraft eller
forståelse av virksomheten.
Den kan gjøre feil.
Den kan misforstå.
Den kan produsere overbevisende informasjon som ikke er riktig.
Og den vet ikke automatisk hva virksomheten ønsker å oppnå.
Derfor handler den interessante KI-reisen ikke om:
Hva kan vi overlate til KI?
Det bedre spørsmålet er:
Hvordan kan mennesker og KI arbeide sammen slik at virksomheten blir bedre til å hjelpe kunden?
For små og mellomstore virksomheter kan akkurat dette bli en av de viktigste mulighetene kunstig intelligens skaper.
Magne & Kompisen
Magne
Kompis...
nå trenger jeg hjelp.
Kompisen
Det var jo hyggelig.
Hva skal vi gjøre?
Magne
Vi har 4 000 produkter i nettbutikken.
Kompisen
Greit.
Magne
1 200 produktbeskrivelser burde vært forbedret.
Kompisen
Aha.
Magne
Noen hundre produkter mangler gode attributter.
Kundeservice har en haug med spørsmål.
Vi burde laget kjøpsguider.
Vi burde analysert returårsakene.
Og så burde vi selvfølgelig oppdatert alt det gamle innholdet.
Kompisen
Når begynner vi?
Magne
Jeg tenkte du kunne ta det.
Kompisen
Alt?
Magne
Du er jo kunstig intelligens.
He he.
KI kan gjøre mye
Kompisen
Jeg kan hjelpe med mye av dette.
Magne
Flott.
Da tar jeg kaffe.
Kompisen
Ikke så fort.
Magne
Jeg visste det.
Kompisen
La oss begynne med produktbeskrivelsene.
Hva vet vi om produktene?
Magne
Vi har leverandørdata.
Kompisen
Er de korrekte?
Magne
Stort sett.
Kompisen
Er de komplette?
Magne
Ikke alltid.
Kompisen
Har vi medarbeidernes erfaringer?
Magne
Noe.
Men mye sitter nok i hodene deres.
Kompisen
Da har vi et viktig problem.
Magne
Du mangler kunnskap.
Kompisen
Ja.
Jeg kan hjelpe med å bearbeide kunnskapen dere har.
Men jeg kan ikke garantere at manglende kunnskap blir korrekt bare fordi teksten høres bra ut.
Første oppgave: strukturere produktinformasjonen
Magne
Hva kunne du gjort først?
Kompisen
Jeg kunne for eksempel hjelpe med å se etter mønstre i produktinformasjonen.
Magne
Som?
Kompisen
Kanskje noen produkter bruker «vekt», andre «produktvekt» og noen «netto vekt».
Magne
Mens det egentlig er samme egenskap?
Kompisen
Kanskje.
Men et menneske bør kontrollere at vi faktisk mener det samme.
Magne
Og når det er avklart?
Kompisen
Da kan KI hjelpe med å foreslå en mer konsistent struktur.
Magne
Det høres ikke like spektakulært ut som en snakkende robot.
Kompisen
Nei.
Men god datakvalitet er ofte mer nyttig for nettbutikken.
Andre oppgave: lage førsteutkast
Magne
Hva med produkttekstene?
Kompisen
Der kan KI spare mye tid.
Gi meg pålitelige produktdata, målgruppen, bruksområdet, ønsket struktur og virksomhetens faglige retningslinjer...
Magne
...og du kan lage et utkast?
Kompisen
Ja.
Magne
Som vi publiserer direkte?
Kompisen
Nei.
Magne
Du er vanskelig å automatisere, kompis.
Kompisen
He he.
Et menneske bør kontrollere fakta, relevans, språk og om teksten faktisk beskriver produktet riktig.
Magne
Så KI lager førsteutkastet.
Mennesket gjør det til vår kunnskap.
Kompisen
Det er en langt tryggere arbeidsdeling.
Tredje oppgave: finne hva som mangler
Magne
Kan du også finne ut hva vi ikke har skrevet?
Kompisen
Jeg kan hjelpe med å identifisere mulige kunnskapshull.
Magne
Hvordan?
Kompisen
Hvis femti produkter i samme kategori har informasjon om kompatibilitet og tjue ikke har det, kan det være verdt å undersøke.
Magne
Men du vet ikke nødvendigvis om de tjue faktisk trenger kompatibilitetsinformasjon.
Kompisen
Nettopp.
Jeg kan finne mønsteret.
Mennesket må vurdere betydningen.
Fjerde oppgave: lære av kundespørsmålene
Magne
Hva med kundeservice?
Kompisen
Der kan KI være interessant.
Tenk deg hundrevis av spørsmål fra kundene.
Magne
Ingen rekker å lese dem systematisk.
Kompisen
En KI-løsning kan hjelpe med å gruppere spørsmålene.
Kanskje mange handler om:
størrelse,
levering,
kompatibilitet,
montering,
eller forskjellen mellom to modeller.
Magne
Da kan vi oppdage hva produktsidene ikke forklarer godt nok.
Kompisen
Ja.
Kundeservice blir ikke bare en kanal for å løse problemer.
Den blir også en kilde til kunnskapsutvikling.
Femte oppgave: lære av returene
Magne
Vi snakket om returer i forrige artikkel.
Kan KI hjelpe der også?
Kompisen
Hvis virksomheten har relevante og forsvarlig behandlede data, kan KI hjelpe med å finne mønstre i tekstlige returårsaker og tilbakemeldinger.
Magne
For eksempel?
Kompisen
Hvis mange kunder skriver:
«mindre enn forventet»,
«passet ikke modellen min»,
eller
«trodde denne funksjonen var inkludert»...
kan vi kanskje oppdage gjentakende informasjonsproblemer.
Magne
Og forbedre produktinformasjonen.
Kompisen
Der får vi en tilbakemeldingssløyfe.
Kunde → erfaring → innsikt → forbedret informasjon → neste kunde.
Sjette oppgave: gjøre én kunnskap til flere formater
Magne
Her tror jeg små virksomheter virkelig kan spare tid.
Kompisen
Ja.
Tenk deg at en fagperson har laget en grundig forklaring på hvordan kunden velger riktig sykkelhjelm.
Magne
Da kan vi bruke kunnskapen i en kjøpsguide.
Kompisen
Og KI kan hjelpe med å bearbeide den samme kvalitetssikrede kunnskapen til:
en kort FAQ,
produktveiledning,
opplæringsmateriale,
et utkast til nyhetsbrev,
eller andre relevante formater.
Magne
Så fagpersonen trenger ikke begynne fra blankt ark hver gang.
Kompisen
Akkurat.
KI kan redusere noe av produksjonsarbeidet rundt kunnskapen.
Men KI skal ikke finne på produktet
Magne
La oss ta den viktige advarselen.
Kompisen
Gjerne.
Generativ KI er laget for å generere.
Det er en styrke.
Og en risiko.
Magne
Fordi du kan skrive noe som høres riktig ut...
Kompisen
...uten at det nødvendigvis er riktig.
Magne
Hvis du finner på et adjektiv i en bloggtekst, kan vi rette det.
Hvis du finner på at en reservedel passer til en bilmodell den ikke passer til...
Kompisen
...kan konsekvensene være langt større.
Magne
Så jo viktigere fakta er for kundens beslutning, desto strengere bør kontrollen være.
Kompisen
Ja.
Skal KI få snakke direkte med kunden?
Magne
Nå blir det interessant.
Hva hvis vi setter deg rett inn i nettbutikken?
Kompisen
Som kunderådgiver?
Magne
Ja.
Kunden spør.
Du svarer.
Kompisen
Det kan være mulig.
Men da må vi stille noen nye spørsmål.
Magne
Som?
Kompisen
Hvilken kunnskap får jeg bruke?
Hvordan vet vi at informasjonen er oppdatert?
Hva gjør jeg når jeg ikke vet?
Når skal kunden sendes videre til et menneske?
Hvordan håndterer vi personopplysninger?
Hvordan kontrollerer virksomheten svarene?
Magne
Så plutselig handler dette om langt mer enn en chatbot.
Kompisen
Mye mer.
Den beste digitale medarbeideren kjenner sine grenser
Magne
Hva burde en god KI gjøre når den ikke vet?
Kompisen
Si at den ikke vet.
Magne
Ikke gjette?
Kompisen
Nei.
Og hvis spørsmålet krever menneskelig vurdering, bør den kunne sende kunden videre.
Magne
Det minner faktisk om en god medarbeider.
Kompisen
Ja.
En god medarbeider trenger ikke vite alt.
Men hun bør vite når hun skal spørre noen andre.
Mennesket får kanskje en viktigere jobb
Magne
Men hvis KI gjør førsteutkastene, kategoriserer spørsmålene og finner mønstrene...
hva skal menneskene gjøre?
Kompisen
De vanskeligere oppgavene.
Magne
Som?
Kompisen
Vurdere.
Prioritere.
Kontrollere.
Forklare.
Forstå kunden.
Tilføre erfaring.
Håndtere unntak.
Bygge relasjoner.
Ta ansvar.
Magne
Så arbeidet forsvinner ikke nødvendigvis.
Kompisen
Noen oppgaver kan automatiseres eller endres.
Men samtidig kan menneskelig dømmekraft og fagkunnskap bli enda viktigere.
KI bør frigjøre tid til kunden
Magne
Dette tror jeg er viktig for SMB-ene våre.
Kompisen
Ja.
Hvis KI sparer en liten virksomhet fem timer på rutinearbeid...
hva skal den gjøre med de fem timene?
Magne
Helst ikke bare produsere femti ekstra tekster ingen trenger.
Kompisen
He he.
Magne
Den kan bruke tiden på kundene.
Produktene.
Kunnskapen.
Forbedringene.
Kompisen
Der har du poenget.
Målet med KI bør ikke være å produsere mest mulig.
Målet bør være å skape mer verdi med ressursene virksomheten har.
Faglig utdypning
KI som arbeidsverktøy – ikke som menneskelig medarbeider
Begrepet «butikkens nye medarbeider» er en metafor.
Det er viktig å beholde dette skillet.
Et KI-system er ikke en ansatt person. Det har ikke menneskelig erfaring, ansvarsfølelse, intensjon eller dømmekraft.
Men KI kan utføre eller støtte oppgaver som tidligere krevde betydelig manuelt kunnskapsarbeid.
Det gjør teknologien interessant som arbeidsverktøy og kapasitetsforsterker.
I stedet for bare å spørre hvilke stillinger KI kan erstatte, kan virksomheten derfor spørre:
Hvilke oppgaver tar mye tid?
Hvilke krever menneskelig dømmekraft?
Hvilke kan KI forberede?
Hvilke kan automatiseres forsvarlig?
Hvor må mennesker kontrollere resultatet?
Dette gir et mer praktisk utgangspunkt for KI-arbeidet.
Oppgaver bør analyseres før roller
En stilling består vanligvis av mange forskjellige oppgaver.
En e-handelsmedarbeider kan samme dag:
oppdatere produktdata,
svare kunder,
forhandle med en leverandør,
skrive innhold,
analysere salg,
løse et uventet problem,
og diskutere sortiment med kolleger.
KI vil ikke nødvendigvis være like egnet til alle disse oppgavene.
Derfor er det ofte mer nyttig å analysere oppgaver enn hele yrkesroller.
Noen oppgaver kan automatiseres.
Noen kan KI støtte.
Noen bør fortsatt utføres av mennesker.
Og enkelte oppgaver kan bli viktigere nettopp fordi andre deler av arbeidet effektiviseres.
Fire forskjellige roller for KI
Det kan være nyttig å skille mellom fire måter KI kan inngå i arbeidsprosessen.
KI som assistent
Mennesket utfører oppgaven, mens KI hjelper med eksempelvis søk, utkast, strukturering eller oppsummering.
KI som medprodusent
Mennesket og KI arbeider frem et resultat i flere omganger. KI genererer, mennesket vurderer og korrigerer.
KI som automatisering
En tydelig definert oppgave gjennomføres helt eller delvis automatisk innenfor bestemte regler og kontroller.
KI som grensesnitt
KI møter kunden direkte og hjelper med å finne informasjon, produkter eller veiledning.
Disse rollene innebærer forskjellige krav til kvalitetssikring og styring.
Jo mer selvstendig systemet opererer – og særlig når det kommuniserer direkte med kunden – desto viktigere blir kontrollmekanismene.
Human-in-the-loop
Et sentralt prinsipp i mange KI-prosesser er human-in-the-loop.
Det innebærer at mennesker inngår aktivt i arbeidsprosessen for å kontrollere, vurdere eller korrigere KI-systemets resultater.
For produktinnhold kan arbeidsflyten eksempelvis være:
produktdata → KI-utkast → menneskelig kontroll → publisering.
For analyse kan den være:
kundedata → KI-identifisert mønster → menneskelig vurdering → tiltak.
Mennesket trenger ikke nødvendigvis gjøre alt manuelt.
Men mennesket beholder kontrollen på punktene der faglighet, risiko og ansvar krever det.
Risikoen bør styre graden av kontroll
Ikke alle KI-oppgaver har samme risiko.
Å bruke KI til å foreslå fem alternative overskrifter har relativt begrensede konsekvenser.
Å la KI gi kunden råd om kompatibilitet mellom kostbare produkter kan innebære større risiko.
Derfor bør virksomheten vurdere blant annet:
konsekvensen av feil,
muligheten til å oppdage feil,
hvor lett feilen kan korrigeres,
om personopplysninger behandles,
og hvor mye kunden stoler på svaret.
Kontrollen bør være sterkere når konsekvensene av feil blir større.
Datakvalitet blir arbeidskapital for KI
KI kan bearbeide store informasjonsmengder raskt.
Men dette gjør ikke kvaliteten på grunnlagsdataene mindre viktig.
Tvert imot.
Hvis produktdataene er:
ufullstendige,
utdaterte,
motstridende,
eller feil,
kan KI bidra til å spre problemet raskere.
Derfor blir arbeidet med produktdata, taksonomier, fagtermer og innholdsstyring en viktig del av KI-beredskapen.
Det er kanskje mindre spektakulært enn en intelligent shoppingassistent.
Men det er fundamentet den intelligente shoppingassistenten trenger.
KI kan gjøre taus kunnskap mer tilgjengelig
Mange virksomheter har kunnskap som aldri er blitt systematisk dokumentert.
Medarbeidere vet:
hvilke produkter kunder ofte blander sammen,
hvilke modeller som fungerer best i bestemte situasjoner,
hvilke problemer som stadig oppstår,
og hvilke forklaringer som hjelper kundene.
Dette kan beskrives som deler av virksomhetens tause eller erfaringsbaserte kunnskap.
KI kan bidra til å strukturere intervjuer, notater, spørsmål og eksisterende dokumentasjon.
Men mennesket må fortsatt validere at den dokumenterte kunnskapen faktisk representerer erfaringene korrekt.
Her kan KI bli et verktøy for å gjøre deler av den usynlige kapitalen mer synlig og tilgjengelig.
Små virksomheter kan få tilgang til ny kapasitet
Historisk har mange former for avansert analyse, personalisering og omfattende innholdsproduksjon krevd store team og betydelige teknologiinvesteringer.
Generativ KI kan senke terskelen for enkelte slike oppgaver.
En liten virksomhet kan eksempelvis få hjelp til:
å analysere store mengder tekstlige tilbakemeldinger,
strukturere produktdata,
utarbeide førsteutkast,
lage oppsummeringer,
identifisere mønstre,
eller gjenbruke eksisterende fagkunnskap.
Det betyr ikke at forskjellen mellom små og store virksomheter forsvinner.
Store virksomheter har fortsatt fordeler gjennom data, teknologi, kompetanse og kapital.
Men KI kan gi mindre virksomheter tilgang til kapasitet som tidligere var vanskeligere eller dyrere å bygge.
Produktivitet er ikke det samme som mer innhold
Hvis KI gjør det mulig å skrive ti ganger så mange produkttekster, betyr ikke det automatisk at virksomheten er blitt ti ganger mer produktiv.
Produktivitet må vurderes i forhold til verdien som skapes.
Hvis de ekstra tekstene:
ikke besvarer kundespørsmål,
ikke forbedrer produktforståelsen,
ikke reduserer feilkjøp,
ikke gjør kunnskapen mer tilgjengelig,
og ikke hjelper virksomheten eller kunden,
har vi først og fremst produsert mer.
Derfor bør KI-produktivitet kobles til bedre resultater, ikke bare større produksjonsvolum.
Fra automatisering til forsterkning
Det finnes en viktig forskjell mellom å bruke KI for å erstatte en oppgave og å bruke KI for å forsterke menneskelig kapasitet.
Automatisering spør:
Kan maskinen gjøre dette i stedet for mennesket?
Forsterkning spør:
Kan mennesket gjøre dette bedre, raskere eller i større skala ved hjelp av maskinen?
Begge tilnærmingene kan være relevante.
Men for kunnskapsintensive oppgaver i e-handel kan forsterkning være spesielt interessant.
Den erfarne medarbeiderens produktkunnskap forsvinner ikke.
Den kan bli lettere å dokumentere, strukturere og distribuere.
Hva kan butikkens KI-medarbeider hjelpe med?
Fra rutinearbeid til kunnskapsarbeid
Oppgave | Hva KI kan bidra med | Menneskets rolle |
Produktdata | Identifisere mangler og foreslå struktur | Kontrollere fakta og definisjoner |
Produktbeskrivelser | Lage førsteutkast fra kvalitetssikrede data | Tilføre fagkunnskap og godkjenne |
Kategorisering | Foreslå kategorier og attributter | Bestemme taksonomi og kontrollere treff |
Kundespørsmål | Gruppere og oppsummere store mengder spørsmål | Tolke hva kundene faktisk trenger |
Returårsaker | Identifisere mulige mønstre | Vurdere årsaker og tiltak |
Kjøpsguider | Strukturere kunnskap og lage utkast | Sikre faglighet og relevans |
FAQ | Foreslå spørsmål og svar fra dokumentert kunnskap | Kontrollere at svarene er korrekte |
Søk | Hjelpe med å forstå mer naturlige formuleringer | Definere hva som er relevant for kunden |
Kundeservice | Foreslå svar eller finne relevant informasjon | Håndtere komplekse saker og unntak |
Analyse | Finne mønstre i store informasjonsmengder | Tolke betydningen og beslutte tiltak |
Hvem gjør hva?
En god KI-strategi begynner med arbeidsdelingen
KI er ofte god til | Mennesker er fortsatt avgjørende for |
Behandle store informasjonsmengder | Dømmekraft |
Lage førsteutkast | Faglig ansvar |
Oppsummere | Kontroll av fakta |
Finne språklige mønstre | Forstå kontekst |
Foreslå kategorisering | Bestemme hva som faktisk er relevant |
Omformulere eksisterende kunnskap | Skape og validere ny fagkunnskap |
Gjenta definerte arbeidsprosesser | Håndtere uventede situasjoner |
Gjøre kunnskap lettere tilgjengelig | Relasjoner og menneskelig kommunikasjon |
Skalere enkelte oppgaver | Etiske og strategiske vurderinger |
Arbeide raskt | Ta ansvar for konsekvensene |
Hvor bør en mindre virksomhet begynne?
Ikke start med «Vi trenger KI» – start med arbeidet som skal forbedres
Spørsmål | Hva undersøker vi? | Mulig første steg |
Hva bruker vi mye tid på? | Gjentakende arbeidsoppgaver | Finn én avgrenset oppgave |
Hvor har vi god kunnskap? | Fagkompetanse og dokumentasjon | Gjør kunnskapen tilgjengelig |
Hvor mangler vi struktur? | Produktdata og innhold | Rydd før automatisering |
Hvor gjør feil størst skade? | Risiko | Behold sterk menneskelig kontroll |
Hva spør kundene om? | Kundeservice og søk | Bruk spørsmålene til å prioritere |
Hva kan KI forberede? | Utkast, sortering og analyse | La mennesker kontrollere resultatet |
Hva bør KI ikke avgjøre alene? | Komplekse eller risikofylte vurderinger | Definer tydelige grenser |
Hvordan måler vi effekten? | Tid, kvalitet og kundeverdi | Mål forbedring – ikke bare produksjon |
Fagtermer
Sentrale begreper når KI blir et arbeidsverktøy i nettbutikken
Norsk fagterm | Engelsk fagterm | Forklaring |
KI-assistent | AI Assistant | Et KI-basert system som støtter mennesker med oppgaver som informasjonssøk, utkast, analyse eller strukturering. |
Generativ KI | Generative AI | KI som kan generere nytt innhold, blant annet tekst, bilder, lyd eller kode, basert på mønstre og instruksjoner. |
Menneske i sløyfen | Human-in-the-loop | Arbeidsmodell der mennesker aktivt kontrollerer, vurderer eller korrigerer resultatene fra et KI-system. |
Automatisering | Automation | Bruk av teknologi til å utføre oppgaver med redusert behov for manuell gjennomføring. |
Menneskelig forsterkning | Human Augmentation / AI Augmentation | Bruk av teknologi for å øke menneskers kapasitet eller evne til å utføre oppgaver fremfor bare å erstatte dem. |
KI-arbeidsflyt | AI Workflow | En definert arbeidsprosess der KI inngår i ett eller flere steg sammen med data, systemer og mennesker. |
Datakvalitet | Data Quality | Graden av korrekthet, fullstendighet, konsistens, relevans og aktualitet i dataene som brukes. |
Hallusinasjon | Hallucination | Når generativ KI produserer informasjon som virker plausibel, men som er feilaktig, udokumentert eller ikke finnes i grunnlaget. |
Taus kunnskap | Tacit Knowledge | Erfaringsbasert kunnskap mennesker har, men som ofte er vanskelig å uttrykke eller ikke er formelt dokumentert. |
Eksplisitt kunnskap | Explicit Knowledge | Kunnskap som er dokumentert og kan formidles gjennom eksempelvis tekst, data, modeller eller prosedyrer. |
Kunnskaps-skalering | Knowledge Scaling | Å gjøre eksisterende kunnskap tilgjengelig og anvendelig for flere mennesker eller situasjoner. |
KI-styring | AI Governance | Prinsipper, roller, prosesser og kontrollmekanismer for ansvarlig utvikling og bruk av KI. |
Vi har bare så vidt begynt
Magne
Kompis...
jeg begynte med å tenke at du skulle bli butikkens nye medarbeider.
Kompisen
Og hvordan går ansettelsesprosessen?
Magne
Du fikk ikke jobben.
Kompisen
Det var brutalt.
Magne
He he.
Ikke alene, i hvert fall.
Kompisen
Det høres bedre ut.
Magne
For nå skjønner jeg at det interessante ikke er å sette KI ved et skrivebord og si:
«Gjør jobben vår.»
Kompisen
Hva er det interessante da?
Magne
Å se på arbeidet.
Hva gjør vi?
Hvor bruker vi tiden?
Hvor finnes kunnskapen?
Hva kan automatiseres?
Hva kan KI hjelpe oss med?
Og hvor trenger vi fortsatt mennesker?
Kompisen
Bra.
Magne
Og kanskje viktigst:
Hvis KI frigjør tid, bør vi bruke noe av den tiden til å bli bedre på kunden.
Kompisen
Der har du hele poenget.
Magne
Men vi har fortsatt bare snakket om KI bak kulissene.
Produktdata.
Tekster.
Analyse.
Kundeservice.
Kompisen
Ja.
Magne
Hva skjer når KI går ut av bakrommet...
og møter kunden direkte?
Kompisen
Da tar vi neste store steg.
Magne
Kunden kommer inn i nettbutikken og sier:
«Jeg vet ikke hvilket produkt jeg trenger. Kan du hjelpe meg?»
Kompisen
Og nettbutikken svarer:
«Selvfølgelig. Fortell meg litt om hva du skal bruke det til.»
Magne
Der har vi den.
Kompisen
Ja.
For neste spørsmål er:
Hvordan bygger vi digitale kunderådgivere?
Magne
Den gleder jeg meg til.
Kompisen
Det gjør jeg også.
For kompis...
vi har bare så vidt begynt.
Faglig bakgrunn og videre lesning
Denne serien bygger også på min egen faglige reise gjennom Webdesign-studiet, eMarketing-studiet, Innovasjon og kommersialisering og faglige seminarer i San Francisco og Oxford. Her finner du bakgrunnen, fagmiljøene og erfaringene som har fulgt utviklingen fra webens første år til dagens digitalisering.
Anbefalt litteratur
Utviklingen innen kunstig intelligens går raskere enn kanskje noe annet fagområde i vår tid. Ingen enkelt bok kan gi alle svarene, men gode bøker kan gi et solid grunnlag for å forstå teknologien, mulighetene og utfordringene.
I KI-Kompis-serien anbefaler vi derfor et utvalg bøker som belyser kunstig intelligens fra ulike perspektiver – teknologi, strategi, ledelse, innovasjon, etikk, digitalisering og praktisk anvendelse. Samlet gir de en bredere forståelse av hvordan kunstig intelligens påvirker mennesker, virksomheter og samfunnet.
Klikk på bokikonet for å se hele litteraturoversikten med anbefalte bøker om kunstig intelligens.
Anbefalte bøker fra biblioteket vårt
Content Strategy for the Web (2nd Edition)
Forfatter/forfattere: Kristina Halvorson og Melissa Rach
Kort omtale
Hvordan skaper du innhold som faktisk hjelper mennesker – og samtidig støtter virksomhetens mål? Content Strategy for the Web regnes som en av de mest innflytelsesrike bøkene innen innholdsstrategi og digital kommunikasjon. Boken viser hvordan godt innhold ikke oppstår tilfeldig, men gjennom en bevisst strategi der brukerbehov, organisasjonens mål, struktur, arbeidsprosesser og styring henger tett sammen.
Forfatterne tar leseren gjennom hele prosessen – fra planlegging og organisering til publisering, forvaltning og kontinuerlig forbedring av innhold på nettsteder og digitale tjenester. Selv om teknologien har utviklet seg siden boken kom ut, er prinsippene om kvalitet, relevans, styring og langsiktig innholdsarbeid minst like aktuelle i en tid der søkemotorer og kunstig intelligens vurderer innholdets troverdighet og nytteverdi.
Hvorfor vi anbefaler boken
Hos Den usynlige kapitalen mener vi at godt innhold er en av de viktigste formene for usynlig verdiskaping. Et nettsted er langt mer enn design og teknologi – det er innholdet som bygger tillit, skaper gode kundeopplevelser og hjelper mennesker med å finne svarene de leter etter.
Denne boken passer perfekt for ledere, kommunikasjonsrådgivere, innholdsprodusenter, webredaktører, UX-designere og alle som arbeider med digitale tjenester. Den viser hvorfor en tydelig innholdsstrategi gir bedre brukeropplevelser, mer effektiv samhandling og sterkere digitale resultater over tid.
I en tid der kunstig intelligens blir stadig viktigere i hvordan informasjon oppdages, forstås og formidles, er denne boken mer aktuell enn noen gang. Den minner oss om at teknologi alene aldri skaper verdi – det er godt, strukturert og relevant innhold som gjør forskjellen.
Don't Make Me ThinkForfatter: Steve Krug
Kort omtale
Don't Make Me Think er en av verdens mest innflytelsesrike bøker om brukervennlighet og webdesign. Siden den første utgaven kom i 2000, har boken hjulpet designere, utviklere, innholdsprodusenter og ledere til å forstå et enkelt, men kraftfullt prinsipp: Gode digitale tjenester skal være intuitive. Brukeren skal kunne løse oppgaven sin uten å måtte stoppe opp og tenke over hvordan nettstedet fungerer.
Hvorfor vi anbefaler boken
Dette er en av bøkene som har hatt størst betydning for mitt eget arbeid med digitale tjenester. Gjennom mange år – fra SAS og Den Norske Opera & Ballett til arbeidet med Bærum kommunes nettsider – har prinsippene i denne boken vært en viktig påminnelse om at teknologi aldri er målet i seg selv. Målet er å gjøre hverdagen enklere for menneskene som bruker tjenestene. Til tross for at boken ble utgitt for mange år siden, er budskapet minst like aktuelt i dag.
Internet Marketing & eCommerce
Forfattere: Ward Hanson og Kirthi Kalyanam
Kort omtale
Internet Marketing & eCommerce gir en grundig innføring i hvordan internett har endret markedsføring, handel og forretningsutvikling. Boken kombinerer teori og praktiske eksempler innen digital markedsføring, e-handel, kundeadferd, verdiskaping og digitale forretningsmodeller. Selv om den ble skrevet i en tid da internett fortsatt var i sterk utvikling, er mange av de grunnleggende prinsippene fortsatt høyst relevante.
Hvorfor vi anbefaler boken
Denne boken var en viktig del av min egen læringsreise innen digital markedsføring og e-handel. Den bidro til å bygge forståelsen av hvordan teknologi, kundeopplevelser og forretningsstrategi henger sammen – en innsikt som senere fikk stor betydning i arbeidet med SAS, Den Norske Opera & Ballett, Bærum kommune og etter hvert prosjektet Den usynlige kapitalen. Mange av tankene om kundeverdi, digitalisering og innovasjon som presenteres på nettstedet, har røtter i kunnskapen denne boken formidler.
The Innovator's Dilemma: When New
Technologies Cause Great Firms to Fail
Forfatter: Clayton M. Christensen
Kort omtale
The Innovator's Dilemma er en av de mest innflytelsesrike bøkene om innovasjon og teknologisk endring. Clayton Christensen introduserer begrepet «disruptiv innovasjon» og viser hvordan selv de mest vellykkede virksomhetene kan mislykkes når nye teknologier og forretningsmodeller endrer markedet. Gjennom en rekke eksempler forklarer han hvorfor etablerte selskaper ofte har vanskelig for å tilpasse seg radikale endringer – selv når de gjør «alt riktig».
Hvorfor vi anbefaler boken
Denne boken har hatt stor betydning for hvordan jeg ser på innovasjon, digitalisering og endringsledelse. Den ga et nytt perspektiv på hvorfor etablerte virksomheter utfordres av nye aktører, og hvorfor evnen til å tenke annerledes er avgjørende i en verden preget av kontinuerlig teknologisk utvikling. Mange av refleksjonene på Den usynlige kapitalen om innovasjon, digital transformasjon og verdiskaping bygger på innsikten Clayton Christensen formidler i denne klassikeren.
Mastering AI: A Survival Guide to Our Superpowered Future
Forfattere: Jeremy Kahn
Kort omtale
Mastering AI tar leseren med bak kulissene hos selskapene og forskerne som former den moderne KI-revolusjonen. Jeremy Kahn forklarer hvordan kunstig intelligens utvikles, hvilke teknologiske gjennombrudd som har gjort dagens språkmodeller mulige, og hvordan KI påvirker næringsliv, politikk og samfunn.
Hvorfor vi anbefaler boken
En svært aktuell bok som kombinerer teknologi, næringsliv og samfunnsutvikling. Passer perfekt for ledere, beslutningstakere og alle som ønsker å forstå hvor kunstig intelligens er på vei.
AI Needs You
Forfatter: Verity Harding
Kort omtale
AI Needs You handler om hvorfor kunstig intelligens ikke bare er et teknologisk spørsmål, men også et spørsmål om demokrati, etikk og samfunnsutvikling. Verity Harding argumenterer for at fremtidens KI må utvikles i samarbeid med mennesker, myndigheter og næringsliv.
Hvorfor vi anbefaler boken
En viktig bok for alle som ønsker å forstå hvordan kunstig intelligens påvirker samfunnet og hvorfor ansvarlig utvikling blir avgjørende i årene som kommer.
The Worlds I See
Forfatter: Fei-Fei Li
Kort omtale
The Worlds I See er den personlige historien til Fei-Fei Li, en av verdens mest innflytelsesrike KI-forskere. Boken kombinerer selvbiografi med historien om utviklingen av moderne kunstig intelligens, og viser hvordan forskning, teknologi og menneskelige verdier henger tett sammen.
Hvorfor vi anbefaler boken
En inspirerende bok som gir et unikt innblikk i utviklingen av kunstig intelligens gjennom øynene til en av fagfeltets mest sentrale forskere.
© 2025 - 2026 Portico Publish | Den usynlige kapitalen Personvern og bruk av nettstedet | Utviklet og driftet av Magne Bjella | Powered and secured by Wix