Skip to main content

Stikkord: AI

Illustrasjon av en AI-assistent, en policy-sjekkliste og sikrede mapper som viser kontrollert bruk av AI-verktøy.

AI-datapolicy for småbedrifter: hva må stå i den?

Skrevet av Mina Berg den . Publisert i IT-sikkerhet. Ingen kommentarer til AI-datapolicy for småbedrifter: hva må stå i den?

De fleste småbedrifter har allerede begynt å bruke AI. Kanskje ikke offisielt. Kanskje ikke strukturert. Men noen har spurt ChatGPT om et tilbudsutkast, brukt Copilot til å oppsummere et møte, limt inn en feilmelding i en AI-assistent eller brukt et bildegeneratorverktøy til markedsføring.

Det er ikke nødvendigvis et problem. AI kan være nyttig. Problemet oppstår når bruken skjer uten felles regler.

Da blir hver ansatt sin egen risikovurdering. Noen er forsiktige. Andre tenker at "det bare er et verktøy". Noen vet forskjellen på en intern notis og personopplysninger. Andre tenker først på tidsbesparelsen. I praksis er det ikke teknologien som er mest uoversiktlig. Det er fraværet av rammer.

En AI-datapolicy for småbedrifter trenger ikke være et langt dokument med juridiske formuleringer som ingen leser. Den bør være kort, konkret og praktisk. Målet er ikke å skremme ansatte bort fra AI. Målet er å gjøre det trygt nok å bruke AI riktig.

Start med det enkle spørsmålet

En god policy bør begynne med ett spørsmål:

Hva kan vi legge inn i eksterne AI-verktøy?

Det høres nesten banalt ut. Men det er kjernen.

Et AI-verktøy kan føles som et søkefelt, et skriveprogram eller en uskyldig assistent. Men når ansatte skriver inn tekst, laster opp filer eller kobler verktøyet til e-post, dokumenter, CRM, kode eller kalender, kan virksomheten dele data med en ekstern leverandør. Kunnskapsrom har tidligere skrevet om hvorfor AI-søkefeltet ikke er et privat rom. En datapolicy er neste praktiske steg.

Spørsmålet er ikke bare personvern. Det handler også om kundelister, tilbud, intern økonomi, kontrakter, tekniske logger, passord, API-nøkler, sikkerhetsinformasjon, kildekode, styredokumenter og planer som ikke skal ut av virksomheten.

Noe av dette er regulert. Noe er bare sensitivt fordi det gir andre innsikt i hvordan bedriften fungerer. Begge deler må håndteres.

Policyen må si hvilke verktøy som er godkjent

Den første feilen mange virksomheter gjør, er å skrive regler om "AI" som om alle AI-verktøy er like.

Det er de ikke.

Noen brukes med privat konto. Noen inngår i Microsoft 365 eller Google Workspace. Noen har bedriftsavtale. Noen lagrer historikk. Noen kan bruke innhold til forbedring av tjenester. Noen har databehandleravtale. Noen har integrasjoner som får tilgang til filer, e-post og kalender. Noen er rene nettjenester uten tydelig kontroll.

Policyen bør derfor ha en enkel liste:

  • Godkjente AI-verktøy
  • Hva hvert verktøy kan brukes til
  • Hvilke datatyper som er tillatt
  • Hvem som eier kontoene
  • Hvem ansatte spør hvis de er usikre

Det er bedre med tre tydelige godkjente verktøy enn en generell formulering om at "AI kan brukes ansvarlig". Ansvar uten konkretisering blir fort pynt.

Policyen må si hvilke data som aldri skal inn

Småbedrifter trenger en tydelig nei-liste. Den bør være så konkret at ansatte slipper å gjette.

Dette bør normalt ikke legges inn i eksterne AI-verktøy uten særskilt godkjenning:

  • Personopplysninger om kunder, ansatte eller samarbeidspartnere
  • Fødselsnummer, helseopplysninger, personalsaker og lønnsinformasjon
  • Kundelister, avtaler, priser og tilbud som ikke er offentlige
  • Passord, API-nøkler, tokens og sikkerhetskoder
  • Tekniske logger med IP-adresser, brukernavn, interne systemnavn eller feildetaljer
  • Kildekode, konfigurasjonsfiler eller systemdokumentasjon som kan avsløre sårbarheter
  • Styredokumenter, strategier, budsjetter og upubliserte planer
  • Taushetsbelagt informasjon eller materiale fra kunder som ikke har godkjent slik bruk

Listen bør tilpasses bedriften. Et regnskapskontor, et verksted, et advokatkontor, en helseaktør og en nettbutikk har ulike datatyper. Men prinsippet er det samme: det som kan skade kunder, ansatte eller virksomheten hvis det havner feil sted, skal ikke inn i et tilfeldig AI-felt.

Datatilsynet peker i sin rapport om kunstig intelligens og personvern blant annet på formålsbestemthet, dataminimalisering, gjennomsiktighet og personvernkonsekvenser. Det er store ord, men de treffer også småbedrifter. Ikke del mer data enn nødvendig. Ikke bruk data til nye formål uten å forstå konsekvensene. Ikke gjør behandlingen usynlig for dem den gjelder.

Den bør forklare hva som faktisk er lov å gjøre

En policy som bare sier nei, blir raskt ignorert. Ansatte trenger også trygge ja-eksempler.

AI kan ofte brukes til:

  • Språkvask av tekst uten kundedata
  • Idéutvikling og disposisjon
  • Generelle forklaringer av fagbegreper
  • Utkast til interne rutiner der sensitive detaljer er fjernet
  • Oppsummering av offentlig tilgjengelig informasjon
  • Oversettelse av tekst som ikke inneholder personopplysninger eller bedriftshemmeligheter
  • Lage sjekklister, maler og spørsmål til videre arbeid

Det viktige er at ansatte lærer forskjellen på innhold og kontekst. En generell tekst om "hvordan skrive en purring" er noe annet enn en faktisk purring til en navngitt kunde med beløp, dato og betalingshistorikk.

En god tommelfingerregel er denne:

Hvis teksten ikke kunne vært sendt til en ekstern konsulent uten avtale, skal den heller ikke inn i et AI-verktøy uten godkjenning.

Den regelen er ikke perfekt. Men den er forståelig.

Anonymisering må forklares praktisk

Mange sier at ansatte kan bruke AI hvis de anonymiserer først. Det er fornuftig, men bare hvis man forklarer hva det betyr.

Å bytte ut navn er ikke alltid nok. En tekst kan fortsatt identifisere en person gjennom rolle, dato, sted, sakstype, hendelsesforløp eller kombinasjoner av detaljer. En liten lokal virksomhet kan ha så få ansatte at "daglig leder i en liten bedrift i bygda" i praksis peker på én person.

Policyen bør derfor bruke et enkelt språk:

  • Fjern navn, e-postadresser, telefonnummer og kundenummer
  • Fjern datoer, adresser og saksnumre hvis de ikke trengs
  • Bytt ut konkrete beløp med omtrentlige kategorier hvis tallene er sensitive
  • Fjern interne systemnavn, IP-adresser og feilkoder som ikke må være med
  • Skriv om caset til et generelt eksempel hvis detaljene gjør personen eller kunden gjenkjennelig

Hvis anonymisering tar lengre tid enn oppgaven sparer, er det kanskje ikke riktig oppgave for et eksternt AI-verktøy. Det er en helt grei konklusjon.

Leverandøren må vurderes, ikke bare funksjonen

En AI-løsning er også en leverandør. Det betyr at virksomheten må stille noen vanlige leverandørspørsmål.

Hvor lagres dataene? Hvem har tilgang? Brukes innhold til trening eller forbedring? Finnes databehandleravtale? Hvilke underleverandører brukes? Kan historikk slettes? Kan administrator styre tilgang? Har løsningen revisjonslogger? Hva skjer hvis en ansatt slutter? Hvilke integrasjoner er skrudd på?

Dette er samme type kontrollspørsmål som gjelder for andre skytjenester. Derfor henger AI-policy tett sammen med datasuverenitet, skylagring og leverandørkontroll. Hvis virksomheten allerede har vurdert GDPR-data i amerikanske skyløsninger, bør AI-verktøy inn i samme tankegang.

Det europeiske personvernrådet har også behandlet flere spørsmål rundt personopplysninger og AI-modeller i Opinion 28/2024. For småbedrifter er ikke poenget å lese alle detaljer som jurist. Poenget er å forstå hovedlinjen: AI fritar ikke virksomheten fra personvernansvar.

Bruk NSMs grunnprinsipper som sikkerhetsrygg

AI-policyen bør ikke være isolert fra vanlig IT-sikkerhet. Den bør bygge på samme grunnlogikk: vite hva man har, styre tilgang, begrense skade, holde oversikt over leverandører og ha rutiner når noe går galt.

NSMs grunnprinsipper for IKT-sikkerhet er laget som anbefalinger for å beskytte informasjonssystemer mot uautorisert tilgang, skade og misbruk. De er relevante også når AI-verktøy blir en del av hverdagen. Spesielt viktig er oversikt, tilgangsstyring, tjenesteutsetting og ansvar.

En liten bedrift trenger ikke starte med et tungt rammeverk. Men den bør vite hvilke AI-verktøy som brukes, hvem som bruker dem, hvilke data de kan få, og hvem som følger opp endringer.

AI-verktøy får stadig nye funksjoner. Det som i dag er en skrivehjelp, kan i morgen få tilgang til dokumentlager, e-post eller møtereferater. Da endres risikoen.

Policyen må ha en feilrutine

Folk gjør feil. En ansatt kan lime inn noe som ikke skulle vært delt. En kunde kan sende sensitiv informasjon inn i en chatbot. En leverandør kan endre vilkår. En integrasjon kan få mer tilgang enn planlagt.

Derfor bør policyen si hva ansatte gjør når noe går galt.

Den bør svare på:

  • Hvem varsles internt?
  • Hvilke opplysninger ble delt?
  • Hvilket verktøy ble brukt?
  • Kan historikk slettes?
  • Må kunden eller den registrerte varsles?
  • Må hendelsen vurderes som personvernavvik?
  • Hvem dokumenterer saken?

Dette skal ikke skrives for å skremme ansatte. Tvert imot. En tydelig feilrutine gjør det lettere å si fra tidlig. Det er bedre å vite om en feil etter fem minutter enn etter fem måneder.

Lag policyen kort nok til at den brukes

En praktisk AI-datapolicy for småbedrifter kan være én til to sider. Den bør ikke prøve å løse hele AI-fremtiden.

Den bør minst inneholde:

  • Formål: hvorfor policyen finnes
  • Godkjente verktøy: hva ansatte kan bruke
  • Tillatt bruk: typiske ja-eksempler
  • Forbudte data: tydelig nei-liste
  • Anonymisering: hvordan data skal fjernes eller omskrives
  • Leverandørkontroll: hvem godkjenner nye verktøy
  • Integrasjoner: hvem kan koble AI til e-post, filer, kalender eller CRM
  • Feilrutine: hva ansatte gjør ved uhell
  • Revisjon: når policyen vurderes på nytt

Det siste punktet er viktig. En AI-policy fra 2024 kan være utdatert i 2026. Verktøyene endrer seg raskt. Derfor bør policyen gjennomgås minst hvert halvår, eller når virksomheten tar i bruk et nytt AI-verktøy.

NISTs Generative AI Profile bygger på tanken om å identifisere og håndtere risiko ved generativ AI på en strukturert måte. Småbedrifter trenger ikke kopiere et amerikansk rammeverk. Men de kan låne den praktiske ideen: styring først, teknologi etterpå.

Konklusjon: gjør AI-bruk lovlig, trygg og mulig

AI-datapolicy handler ikke om å bremse alt. Den handler om å gjøre det mulig å bruke AI uten at hver ansatt må finne opp reglene alene.

Den beste policyen er ikke den lengste. Det er den ansatte faktisk forstår når de sitter med et dokument, en feilmelding eller en kundesak og lurer på om de kan lime det inn.

For småbedrifter bør målet være enkelt:

Bruk AI til det AI er godt til. Hold sensitive data unna tilfeldige verktøy. Godkjenn leverandører før de får tilgang. Si fra raskt hvis noe går galt.

Det er ikke dramatisk. Det er bare normal datakontroll i en tid der søkefeltet er blitt en samtalepartner.

Illustrasjon av et finansbord med diagrammer, strømnett, datasenter og serverrack.

AI-boomen har en strømregning, og noen må betale den

Skrevet av Kasper Volden den . Publisert i Økonomi. Ingen kommentarer til AI-boomen har en strømregning, og noen må betale den

AI-markedet liker å snakke om modeller, agenter, produktivitet og fremtidige marginer. Det er forståelig. Det høres bedre ut enn transformatorstasjoner, kjølevann, nettleie, serverrack og kapitalbinding. Men regningen kommer ikke i form av et poetisk whitepaper. Den kommer i megawatt, leverandørkontrakter, avskrivninger og kraftpriser.

Det betyr ikke at AI-boomen er falsk. Tvert imot. Noe av grunnen til at den er interessant, er nettopp at den ikke bare er programvare. Den bygger fysisk kapasitet i stor skala. Men det betyr også at investorer, virksomheter og politikere bør slutte å late som AI først og fremst er en app med litt bedre autofullføring.

AI er blitt industri.

Og industri har kostnader.

Brikkene er bare starten

Nvidia er fortsatt det tydeligste symbolet på AI-kappløpet. Selskapet meldte i mai 2026 om svært sterk vekst i datasentersegmentet i sin rapport for første kvartal i regnskapsåret 2027. Markedet liker slike tall fordi de gjør AI-fortellingen konkret. Noen kjøper faktisk kapasitet. Noen bygger faktisk datasentre. Noen betaler faktisk for brikkene.

Men brikker alene er ikke AI-infrastruktur. De må installeres, kobles sammen, mates med strøm, kjøles, sikres, vedlikeholdes og finansieres. Kunnskapsrom har tidligere skrevet om Nvidia, chips og AI-infrastruktur. Hovedpoenget er fortsatt undervurdert: AI-boomen er et forsyningskappløp.

Hvis én del av kjeden stopper, hjelper det lite at presentasjonen fortsatt har fine gradienter.

Strøm er ikke en detalj

Det internasjonale energibyrået IEA har i rapporten Energy and AI pekt på hvordan datasentre og AI kan bli en betydelig ny belastning i kraftsystemet. Det betyr ikke at AI alene kommer til å spise hele strømnettet, slik noen overskrifter liker å late som. Men det betyr at kraft, nett, kjøling og lokalisering blir en del av AI-regnestykket.

For investorer er dette viktig. En AI-satsing kan se ut som en programvarecase, men ha kostnadsbase som en industribedrift. Capex, strømavtaler, datasenterleie, nedkjøling, nettverksutstyr og maskinvareoppgraderinger kan spise av marginene.

Det er en litt kjedelig observasjon. Markedet liker ikke kjedelige observasjoner. Derfor er de ofte nyttige.

Kapitalen følger fortellingen

Kapitalmarkedet elsker store fortellinger. Før var det sky. Så var det krypto. Nå er det AI. Fortellingen er ikke nødvendigvis feil, men den kan bli for enkel. Når alle ser samme vekstkurve, er det lett å glemme at vekstkurver har baksider.

Kunnskapsrom har tidligere skrevet om hvordan AI åpner IPO-vinduet, og hvorfor børsnoteringer i AI ikke bare handler om hype, men også om kapitalbehov. Det er et viktig skille. AI-selskaper trenger ofte penger fordi de skal vokse. Men de trenger også penger fordi infrastrukturen er dyr.

Da bør investorene spørre mer presist. Er inntektene skalerbare på samme måte som kostnadene? Har selskapet langsiktige kraftavtaler? Hvem eier datasenterkapasiteten? Hvor raskt blir maskinvaren utdatert? Hvor stor del av veksten er reell kundeadopsjon, og hvor mye er kapasitet som bygges fordi alle tror alle andre trenger mer kapasitet?

Dette er ikke kynisme. Det er analyse uten konfetti.

Norge kan få en rar rolle

Norge har kraft, kjølig klima, kompetanse og politisk interesse for digital infrastruktur. Det gjør oss relevante i datasenterdiskusjonen. Men det betyr ikke at alle datasenterprosjekter automatisk er samfunnsnyttige.

Hvis kraft er knapp lokalt, må man spørre hva den brukes til. Industri? Boliger? Elektrifisering? Datasentre? AI-trening? Kryptomining? Eksport av digitale tjenester? Hver bruk kan være legitim, men de konkurrerer likevel om kapasitet.

Artikkelen om AI, datasentre, strøm og vann tar opp nettopp dette. AI er ikke løsrevet fra naturressurser. Den er koblet til areal, vann, strømnett og politiske prioriteringer.

Når teknologiselskaper snakker om skyen, høres det nesten vektløst ut. Men skyen står på tomter, trekker kabler og sender fakturaer.

Kundene bør også følge med

Dette angår ikke bare investorer. Norske virksomheter som kjøper AI-tjenester, bør forstå at leverandørenes kostnadsstruktur kan påvirke pris, tilgjengelighet og binding.

Hvis AI-kapasitet er dyr, vil kostnaden komme et sted. Kanskje i abonnementet. Kanskje i begrensninger. Kanskje i databruk. Kanskje i at leverandøren optimaliserer hardere for å holde marginene oppe. Kundene bør derfor spørre hva de egentlig kjøper: modelltilgang, datalagring, analyse, prosessering, support, sikkerhet og integrasjoner er ikke samme ting.

Dette henger også sammen med kontrollspørsmålet. Når en virksomhet gjør seg avhengig av AI-verktøy i drift, kundeservice, analyse eller utvikling, blir leverandørens infrastruktur en del av virksomhetens egen risiko. Det er litt mindre glamorøst enn å si "vi har tatt i bruk AI". Men det er mer nyttig.

Fortellingen er sterk, men ikke gratis

AI kan godt være en ekte teknologisk transformasjon. Det betyr ikke at alle AI-investeringer er gode, eller at alle kostnader forsvinner fordi modellen svarer pent i demoen.

Markedet bør klare to tanker samtidig: AI kan skape stor verdi, og AI kan være overinvestert i enkelte lag. Begge deler kan være sant. Det er ofte der de interessante analysene ligger.

Så når noen sier at AI er fremtiden, er det greit å spørre: Hvilken del av fremtiden? Hvem eier kapasiteten? Hvor kommer strømmen fra? Hvor raskt må maskinvaren byttes? Og hvem betaler når regningen kommer?

Digital magi er fint. Men også magi trenger strøm.

Videre lesing

Illustrasjon av et AI-søkefelt der dokumenter og data flyter mot en ekstern skytjeneste med en tydelig sikkerhetsgrense.

AI-søkefeltet er ikke et privat rom

Skrevet av Mina Berg den . Publisert i IT-sikkerhet. Ingen kommentarer til AI-søkefeltet er ikke et privat rom

Et søkefelt føles uskyldig. Man skriver noe inn, får et svar, og går videre. Det er slik vi har lært å bruke nettet i mange år. Men AI-søk og AI-assistenter endrer denne vanen på en stille måte. De inviterer oss til å skrive lengre spørsmål, gi mer kontekst, laste opp filer, lime inn logger og forklare situasjoner som tidligere aldri ville blitt sendt til en søkemotor.

For privatpersoner kan det være praktisk. For virksomheter kan det bli en ny datadelingskanal.

Det er ikke fordi alle AI-tjenester er farlige. Det er fordi de er eksterne tjenester. Når en ansatt limer inn en kontrakt, et kundecase, en teknisk logg eller et internt strateginotat i et AI-søkefelt, har virksomheten allerede gjort et valg. Kanskje var valget bevisst. Ofte var det bare friksjonsfritt.

Friksjonsfrie valg er hyggelige helt til man oppdager at ingen egentlig godkjente dem.

AI-søk ber om mer kontekst

Tradisjonelle søk var ofte korte. "GDPR skylagring USA". "beste backup regel". "feilmelding WordPress REST". AI-søk fungerer annerledes. Tjenesten blir bedre når brukeren gir mer kontekst. Derfor skriver folk også mer.

Google beskriver i hjelpen for AI Mode i Google Search at tjenesten kan brukes med tekst, stemme og bilder, og at den støtter oppfølgingsspørsmål. Det er nyttig, men også viktig: et søkefelt som kan føre en samtale, oppleves mer som en rådgiver enn som en indeks.

Da endrer brukeren adferd. Man spør ikke bare "hva betyr denne feilen?" Man limer inn hele feilmeldingen. Kanskje også IP-adresser, brukernavn, domenenavn, serverstier og kundenavn. Man spør ikke bare "hvordan skrive oppsigelsesbrev?" Man beskriver en personalkonflikt. Kanskje med detaljer som ikke burde ut av virksomheten.

Små handlinger kan bli stor datadeling når de gjentas mange ganger.

Spørsmålet er ikke bare personvern

Personvern er viktig, men dette handler ikke bare om personopplysninger. Virksomheter har også forretningshemmeligheter, leverandøravtaler, sikkerhetslogger, prisstrategier, kundelister, tekniske sårbarheter, kildekode, møtereferater og upubliserte planer.

Noe av dette er regulert. Noe er bare sensitivt fordi det gir andre innsikt i hvordan virksomheten fungerer. Begge deler bør behandles med omtanke.

Kunnskapsrom har tidligere skrevet om hvem som egentlig kontrollerer dataene dine og om GDPR-data i amerikanske skyløsninger. AI-søk gjør disse spørsmålene mer praktiske. Det er ikke lenger bare hvor filene lagres. Det er også hvor spørsmålene, utdragene, loggene og arbeidskonteksten sendes.

En enkel regel hjelper mer enn en lang policy

Mange virksomheter trenger ikke starte med et tykt dokument. De trenger en enkel regel som alle forstår:

Ikke lim inn kundedata, personopplysninger, kontrakter, sikkerhetslogger, passord, nøkler, kildekode, interne strategier eller upublisert materiale i AI-tjenester uten at virksomheten har godkjent tjenesten for den typen bruk.

Den regelen er ikke perfekt. Den løser ikke alt. Men den gjør det viktigste: den flytter AI-bruk fra magefølelse til ansvar.

Datatilsynet har også pekt på behovet for vurderinger rundt kunstig intelligens og personopplysninger. I veiledningen om kunstig intelligens og personvern er det tydelig at behandling av personopplysninger i AI-løsninger må vurderes etter vanlige personvernprinsipper. Det betyr blant annet formål, dataminimering, rettslig grunnlag, informasjonssikkerhet og kontroll.

Det er kjedelige ord. De er kjedelige på samme måte som bremser er kjedelige. Man merker dem mest når de mangler.

Godkjente verktøy må være tydelige

En virksomhet bør ikke bare si hva ansatte ikke kan gjøre. Den bør også si hva de kan gjøre.

Hvilke AI-verktøy er godkjent? Hvilke data kan brukes i dem? Skal filer anonymiseres først? Kan ansatte bruke private kontoer? Logges historikk? Brukes innhold til modelltrening? Hvilken avtale gjelder? Hvem kan svare hvis en ansatt er usikker?

Dette er ikke spørsmål for markedsavdelingen alene. IT, ledelse, personvern og sikkerhet bør være med. AI-verktøy kan være skrivehjelp, søk, analyse, kodeassistent og dokumentverktøy på samme tid. Da kan også risikoen havne flere steder samtidig.

Artikkelen om CLOUD Act handler om lovverk og jurisdiksjon. Men den underliggende lærdommen er bredere: når data flyttes til globale plattformer, må man vite hvilke regler, avtaler og tekniske mekanismer som faktisk gjelder.

AI kan brukes trygt, men ikke tilfeldig

Poenget er ikke at ansatte skal slutte å bruke AI. Det ville vært både urealistisk og lite smart. AI kan hjelpe med utkast, struktur, oppsummeringer, idéarbeid, oversettelser og teknisk feilsøking. Men bruken må rammes inn.

En god praksis kan være å skille mellom tre nivåer.

Første nivå er offentlig informasjon. Generelle spørsmål, åpne kilder og ikke-sensitive tekster kan ofte brukes med lav risiko.

Andre nivå er intern, men ikke sensitiv informasjon. Her bør virksomheten ha klare regler og godkjente verktøy.

Tredje nivå er sensitiv informasjon. Persondata, kundedata, sikkerhetslogger, kontrakter, kildekode og strategidokumenter bør bare brukes i løsninger som er eksplisitt godkjent for formålet.

Denne inndelingen er enkel nok til å huskes. Det er ofte viktigere enn en policy som bare juristen og den mest pliktoppfyllende mellomlederen leser.

Søkefeltet er blitt en dør

AI-søkefeltet er ikke bare et sted man henter informasjon. Det er en dør ut av virksomheten. Noen ganger er det helt greit å åpne den. Andre ganger bør den være låst.

Forskjellen ligger ikke i hvor moderne verktøyet er. Den ligger i hva du sender gjennom døren.

En ansvarlig virksomhet trenger derfor ikke være redd for AI. Den trenger å være presis. Hvilke verktøy brukes? Hvilke data deles? Hvem har godkjent det? Hva skjer med informasjonen etterpå?

Når de spørsmålene er besvart, kan AI bli et nyttig arbeidsverktøy. Når de ikke er besvart, er AI-søkefeltet bare et pent lite hull i veggen. Og hull i veggen er sjelden en god sikkerhetsarkitektur.

Videre lesing

Illustrasjon av en WordPress-lignende publiseringsflate med automasjonsnoder og kode på en ryddig arbeidsstasjon.

En KI-blogger bør være en arbeidsflyt, ikke en tekstmaskin

Skrevet av Eirik Lunde den . Publisert i Teknologi. Ingen kommentarer til En KI-blogger bør være en arbeidsflyt, ikke en tekstmaskin

Det er lett å overvurdere selve skrivingen når man bygger en KI-blogger. Ikke fordi skrivingen er uviktig, men fordi det er den synlige delen. Alle ser teksten. Færre ser alt som må skje rundt teksten for at en WordPress-post faktisk skal bli god.

En KI som bare kan skrive 1200 ord om et emne er nyttig i omtrent fem minutter. Etterpå kommer virkeligheten og banker på døren med våte sko: Finnes det allerede en draft? Hvem skal stå som forfatter? Hvilken kategori passer? Skal posten publiseres eller bare lagres? Finnes det et forsidebilde? Er utdraget satt? Er internlenkene naturlige? Har vi lenket til kilder i teksten, eller dumpet alt nederst som en liten akademisk kirkegård?

Det er der en KI-blogger må være mer enn en tekstmaskin. Den må være en arbeidsflyt.

WordPress er ikke bare et tekstfelt

WordPress ser enkelt ut fra utsiden. Tittel, innhold, bilde, publiser. Ferdig. Men under overflaten har hver post metadata, status, slug, author, kategorier, tagger, excerpt, media-ID-er, revisions, REST-endepunkter og noen ganger SEO-pluginfelter i tillegg.

WordPress REST API-dokumentasjonen for posts viser hvor mye som faktisk ligger i en post. Innholdet er bare én del. Author, excerpt, featured media og status er like praktiske felter når publisering skal automatiseres. Hvis en KI-agent overser dem, får man fort pene tekster med feil avsender, manglende utdrag eller duplikate drafts.

Det var nettopp den typen feil vi traff i praksis: en ny draft ble opprettet selv om en draft allerede fantes. Ikke verdens undergang, men en nyttig påminnelse. En god publiseringsagent må ikke bare spørre "hva skal jeg skrive?" Den må spørre "hvor ligger arbeidet allerede?"

Finn først, skriv etterpå

Den riktige rekkefølgen er litt kjedelig, og det er ofte et godt tegn.

Først bør agenten lese eksisterende poster og drafts. Den bør søke etter tittel, slug, nærliggende emner og innhold. Hvis brukeren sier at det finnes en draft, skal agenten tro på det og lete etter den før den lager noe nytt.

Deretter bør den kartlegge taksonomi. En blogg med kategoriene Teknologi, IT-sikkerhet, Samfunn og Økonomi trenger ikke en ny kategori hver gang en tanke får nytt humør. Kategorier er struktur. Tagger kan være mer fleksible. Hvis alt blir kategori, blir ingenting kategori.

Så kommer forfatteren. En virtuell blogger må ikke ende opp med å publisere under administratoren bare fordi det var den kontoen som hadde API-tilgang. Hvis posten skal skrives av "Eirik Lunde", må WordPress enten ha en author-bruker med det navnet, eller agenten må opprette en slik bruker med lavest fornuftige rolle. Administrator som standardforfatter er praktisk. Og litt som å kjøre gravemaskin til postkassen fordi den allerede står med nøkkelen i.

KI må eie kvalitetssjekken, ikke bare utkastet

Når en KI-agent skriver en bloggpost, bør den også sjekke sitt eget arbeid mot publiseringskrav. Ikke bare "ser teksten fin ut?", men helt konkret:

  • Er statusen riktig?
  • Er excerpt faktisk satt i WordPress?
  • Har posten riktig author?
  • Er forsidebildet lastet opp og koblet til posten?
  • Er norsk tegnsett i orden?
  • Fungerer internlenker og eksterne lenker?
  • Ligger interne lenker inne i teksten, og ikke i bunn som en sliten lenkesamling?

Kunnskapsrom har tidligere skrevet om hvordan AI-kodeagenter endrer utviklerrollen. Det samme prinsippet gjelder publisering. Agenten gjør ikke bare en enkelt oppgave. Den tar mer av arbeidskjeden. Da må den også tåle mer ansvar.

SEO uten maskinspråk

SEO-delen er også mer praktisk enn mystisk. Google skriver i sin veiledning om helpful, reliable, people-first content at innhold bør være laget for mennesker først. Det er en enkel setning som ofte blir glemt når folk begynner å automatisere publisering.

En KI-blogger må derfor ikke optimalisere seg inn i et hjørne der teksten blir teknisk korrekt, men menneskelig død. Den må kunne velge en tydelig tittel, et lesbart utdrag, en fornuftig meta description og naturlige lenker. Men den må også kunne la teksten puste.

Det er her virtuelle skribenter kan være nyttige. Ikke fordi man skal late som en maskin er et ekte menneske med kaffekopp og dårlig rygg. Men fordi faste redaksjonelle stemmer gjør teksten mer stabil. En tørr teknologiskribent skriver ikke som en varm rådgiver. En personvernorientert skribent bør ikke høres ut som en børsanalytiker med litt for god selvtillit.

Den beste automasjonen er litt mistenksom

En KI-blogger bør være hjelpsom, men ikke naiv. Den bør stoppe når author mangler. Den bør si fra hvis SEO-pluginen ikke er synlig. Den bør spørre før den oppretter en ny bruker. Den bør ikke publisere under feil navn fordi "det teknisk sett gikk".

Det høres kanskje tungvint ut. Men tungvint er ofte bare et annet ord for at noen har tenkt gjennom feilene før de skjer.

En god WordPress-agent trenger derfor tre lag. Først språk. Så publiseringsforståelse. Til slutt driftssans. Språk gjør teksten mulig. Publiseringsforståelse gjør posten riktig. Driftssans gjør at det samme kan gjentas uten at nettstedet langsomt fylles med duplikater, feil forfattere og rare små metadatahull.

Den beste KI-bloggeren er altså ikke den som skriver mest tekst raskest. Det er den som forstår nok av WordPress til å la teksten lande riktig.

Videre lesing

Illustrasjon av børsnotering, AI-brikke og kapitalstrømmer.

AI åpner IPO-vinduet: hva mega-noteringene egentlig sier om kapitalmarkedet

Skrevet av Svein Tore den . Publisert i Økonomi. Ingen kommentarer til AI åpner IPO-vinduet: hva mega-noteringene egentlig sier om kapitalmarkedet

Når store teknologiselskaper går mot børs, blir det ofte skrevet som en enkel markedsnyhet: Hvor stor blir verdsettelsen? Hvor mye stiger aksjen første dag? Hvilke investorer blir rike? Bør privatpersoner kjøpe?

Men AI-noteringene i 2025 og 2026 forteller en større historie. De viser at kunstig intelligens ikke lenger bare er en programvaretrend. AI er blitt en kapitalkrevende industri som trenger datasentre, brikker og strøm, modeller, forskere, kundekontrakter, sikkerhet, juridisk arbeid og enorme finansieringsrunder.

Det er derfor IPO-markedet er blitt så interessant. Når AI-selskaper går fra private verdsettelser til offentlige markeder, må de vise mer av virkeligheten. De må forklare inntekter, kostnader, kundekonsentrasjon, gjeld, marginer, leverandøravhengighet, kapitalbehov og risikofaktorer. Det er sunt.

Private markeder kan leve lenge på fortellinger. Offentlige markeder krever rapportering.

CoreWeave og Cerebras viser to ulike deler av AI-økonomien. CoreWeave representerer AI-sky og GPU-infrastruktur. Cerebras representerer spesialisert AI-maskinvare. Anthropic og OpenAI representerer frontier-modeller, produkter, sikkerhet, compute-kostnader og enorm offentlig interesse. Sammen peker de mot samme spørsmål: Hvor mye kapital krever AI-boomen, og hvem skal bære risikoen?

Dette er ikke en artikkel om hvilken aksje man bør kjøpe. Det er en artikkel om hva IPO-bølgen sier om økonomien bak AI.

IPO-vinduet åpnes når fortellingen er sterk nok

Et IPO-vindu åpner når private selskaper, investorer og banker tror offentlige markeder er villige til å prise nye aksjer attraktivt. Det krever risikovilje, likviditet og en overbevisende fortelling.

I 2026 er AI den fortellingen.

Etter flere år der mange teknologiselskaper holdt seg private, har AI gitt markedet en ny appetitt. Investorer leter etter måter å eie mer av AI-boomen. De store børsnoterte teknologiselskapene har allerede mye av oppmerksomheten, men private AI-selskaper og AI-infrastrukturaktører kan gi en mer direkte eksponering mot veksthistorien.

Det er her IPO-ene kommer inn. De gir tidlige investorer og ansatte likviditet. De gir selskapene tilgang til kapital. De gir offentlige investorer en mulighet til å delta. Og de gir markedet mer informasjon.

Men et sterkt IPO-vindu kan også skape hastverk. Selskaper kan ønske å gå på børs mens fortellingen er varm, før marginene er bevist eller før kostnadsnivået blir for tydelig. Investorer kan bli fristet av merkevarer og vekstkurver uten å forstå risikoen.

AI-IPO-er bør derfor leses med samme skepsis som alle andre noteringer, bare med ekstra oppmerksomhet på compute-kostnader, leverandøravhengighet og kundekonsentrasjon.

CoreWeave viste hvor fysisk AI-økonomien er

CoreWeave ble en av de viktigste børsnoteringene i AI-infrastruktur. Selskapet selger tilgang til GPU-basert skyinfrastruktur for AI-aktører som trenger stor beregningskapasitet. Det er en tydelig posisjon i et marked der datakraft er knapp.

CoreWeaves IPO var interessant fordi den gjorde AI-infrastrukturens økonomi mer synlig. Dette er ikke en lett programvaremodell med nesten null marginalkost. Det er en virksomhet som må finansiere maskinvare, datasentre, nettverk, kraft, gjeld, leverandøravtaler og langsiktige kundekontrakter.

Selskapets SEC-rapportering viser hvor tett AI-vekst kan være koblet til store kapitalforpliktelser. Når man bygger AI-sky, må kapasitet ofte kjøpes og finansieres før inntektene fullt ut realiseres. Det kan gi rask vekst, men også balanse- og likviditetsrisiko.

Dette er viktig fordi mange investorer liker AI-eksponering, men ikke alltid ser forskjellen mellom programvare og infrastruktur. Et selskap som bygger datakraft, kan ha stor etterspørsel og likevel være sårbart for gjeldskostnader, kapasitetsutnyttelse, leverandørpriser og teknologisk foreldelse.

CoreWeave forteller derfor samme historie som artikkelen om Nvidia, chips og AI-infrastruktur: AI er fysisk. Den må finansieres fysisk også.

Cerebras viser jakten på alternativer til GPU-dominansen

Cerebras representerer en annen del av AI-økonomien: spesialisert maskinvare. Selskapet er kjent for store AI-brikker og systemer bygget for krevende modelltrening og inferens. Noteringen av Cerebras viser at markedet ikke bare vil kjøpe Nvidia-fortellingen. Det vil også se om alternativer kan bryte gjennom.

Dette er logisk. Når én leverandør dominerer en kritisk verdikjede, oppstår både prisingsmakt og strategisk risiko. Kunder, skyleverandører, modellhus og investorer ønsker alternativer. Ikke nødvendigvis fordi Nvidia gjør noe feil, men fordi én flaskehals er ubehagelig når hele AI-økonomien står på den.

Cerebras-typen selskaper forsøker å svare på dette med spesialisert arkitektur. Hvis de lykkes, kan de redusere kostnad, øke ytelse eller åpne nye måter å kjøre modeller på. Hvis de mislykkes, kan de bli fanget av høye utviklingskostnader, smalt marked, programvareutfordringer og en dominerende konkurrent med enormt økosystem.

For investorer er dette en klassisk høy-risiko, høy-mulighet-fortelling. For teknologiledere er den mer praktisk: det er sunt at AI-infrastrukturen ikke bare har én vei.

Men også her gjelder datakontroll og leverandøravhengighet. Å velge alternativ maskinvare hjelper lite hvis programvarelaget, skyplattformen og modellene fortsatt låser virksomheten til én kommersiell kjede. Infrastrukturvalg må vurderes helhetlig.

Anthropic og OpenAI gjør modelløkonomien offentlig

Når selskaper som Anthropic og OpenAI nærmer seg børs, blir debatten enda mer interessant. Frontier-modellhusene har sterke merkevarer, enorme brukerbaser, stor samfunnspåvirkning og svært høye kostnader.

Anthropic kunngjorde 1. juni 2026 at selskapet hadde sendt inn en konfidensiell draft registration statement på Form S-1 til SEC. En konfidensiell innsendelse betyr ikke at en børsnotering er garantert, men det er et tydelig steg i retning offentlig marked.

For slike selskaper vil en offentlig S-1 etter hvert bli viktig lesning. Den kan vise inntektsmix, kundekonsentrasjon, kostnadsstruktur, compute-avtaler, sikkerhetsforpliktelser, juridiske risikoer, modellrisiko, konkurranse og forholdet til store sky- og kapitalpartnere.

Det offentlige markedet vil spørre om mer enn "hvor god er modellen?" Det vil spørre om bruttofortjeneste, vekstrate, churn, enterprise-adopsjon, kapitalkostnader, regulatorisk risiko og hvor mye det koster å holde seg i front.

Dette er sunt. AI-selskaper har fått enorm kulturell makt før mange av dem har vært gjenstand for vanlig offentlig selskapsrapportering. IPO-prosessen kan tvinge fram mer åpenhet.

Men det kan også skape press. Offentlige markeder liker vekst, men de liker også marginer. Frontier AI kan bli fanget mellom behovet for sikkerhet, forskning, ansvarlig utrulling og investorers ønske om rask kommersialisering.

Offentlig rapportering kan avsløre den egentlige AI-regningen

AI-produkter kan virke billige for brukeren. Et abonnement, en API-pris, en integrert funksjon i et kontorprogram. Men under overflaten ligger kostnader: trening, inferens, datasentre, strøm, sikkerhet, forskere, kundestøtte, juridisk arbeid, innholdsmoderering og produktutvikling.

Når AI-selskaper er private, kan mye av dette holdes bak lukkede dører. Offentlige selskaper må rapportere mer. De må beskrive risikoer og økonomi i et format investorer, analytikere og myndigheter kan lese.

Det kan endre AI-debatten. I stedet for bare å snakke om imponerende modeller, kan vi snakke om kostnad per bruker, margin per produkt, avhengighet til skyavtaler, energibruk, sikkerhetskostnader og hvor mye kapital som trengs for å fortsette.

Dette er særlig viktig for kunder. Hvis en virksomhet bygger kritiske arbeidsprosesser på et AI-selskap, bør den vite om leverandøren har bærekraftig økonomi, realistisk prising og stabil drift. En AI-tjeneste som subsidieres aggressivt for vekst, kan bli dyrere senere.

IPO-er kan derfor gi bedre beslutningsgrunnlag også for ikke-investorer.

Kundekonsentrasjon er en nøkkelrisiko

Mange AI-infrastrukturselskaper kan vokse raskt med få store kunder. Det er naturlig i et marked der de største AI-aktørene kjøper enorme mengder kapasitet. Men det skaper risiko.

Hvis én kunde står for en stor del av inntektene, kan reforhandling, forsinkelse eller tap av kunden få stor effekt. Hvis flere kunder samtidig bremser AI-investeringer, kan kapasitet bli ledig og gjeldskostnader tyngre. Hvis en stor partner også er investor, kunde eller leverandør, kan økonomien bli vanskeligere å lese.

Dette er ikke nødvendigvis et rødt flagg alene. Tidlige vekstselskaper har ofte kundekonsentrasjon. Men investorer må prise risikoen. Kunder må forstå avhengigheten. Og selskapene må vise hvordan de skal diversifisere.

AI-økonomien har en ekstra utfordring: mange avtaler er gjensidig avhengige. Modellhus trenger compute. Compute-leverandører trenger modellhus. Skyleverandører investerer i modellhus. Brikkeprodusenter investerer i økosystemet. Dette kan være rasjonelt, men det kan også gjøre etterspørselen vanskeligere å tolke.

Når offentlige filings beskriver slike forhold, bør lesere ta seg tid til å forstå dem.

Retailinvestorer kommer sent inn

Et tilbakevendende problem med store teknologi-IPO-er er at privatpersoner ofte får tilgang sent. Mye av verdistigningen har allerede skjedd i private runder. Når selskapet noteres, kan verdsettelsen allerede prise inn mange år med vekst.

Det betyr ikke at alle IPO-er er dårlige investeringer. Men det betyr at retailinvestorer må være forsiktige med å tro at en børsnotering er starten på reisen. Ofte er den også en exit-mulighet for tidligere investorer.

AI forsterker dette fordi private verdsettelser kan bli svært høye lenge før selskapene har modne marginer. Når merkevaren er sterk, kan etterspørselen fra privatpersoner bli emosjonell. Alle kjenner produktet. Alle har en mening. Mange vil eie "framtiden".

Det er nettopp da man bør lese prospektet rolig.

Se etter inntektsvekst, men også kostnadsvekst. Se etter kunder, men også konsentrasjon. Se etter bruttofortjeneste, men også capex, gjeld, aksjebasert kompensasjon og avhengigheter. Se etter risikoavsnittene. De er ofte mer verdifulle enn markedsføringen.

Private markeder har flyttet gevinstene tidligere

En viktig forskjell fra tidligere teknologisykluser er at selskaper kan bli enorme mens de fortsatt er private. Store venturefond, sovereign wealth funds, strategiske investorer og sekundærmarkeder gjør at private selskaper kan hente kapital lenge før børsnotering.

Det betyr at IPO-en ikke alltid er den tidlige muligheten den en gang var. For retailinvestorer kan den være første tilgang, men for selskapet kan den være et senere kapital- og likviditetssteg etter at mye av verdsettelsesreisen allerede har skjedd.

Dette gjør prospektet enda viktigere. Hvis et AI-selskap noteres til svært høy verdsettelse, må investoren spørre hvilken vekst som allerede er priset inn. Hvor mye av fremtidig suksess må skje bare for å forsvare dagens pris? Hvor mye oppside finnes hvis marginene blir lavere enn markedet håper?

Samtidig kan offentlige markeder gi disiplin. Private investorer kan akseptere lite innsyn, komplekse aksjeklasser og aggressive vekstplaner. Offentlige investorer krever kvartalsrapportering, revisjon, analytikerdekning og mer sammenlignbarhet. Det kan gjøre AI-økonomien mer lesbar.

Selskapsstyring blir en AI-risiko

AI-selskaper er ikke bare vanlige vekstselskaper. De kan påvirke informasjonstilgang, arbeidsprosesser, sikkerhet, utdanning, medier, utvikling, forskning og offentlig debatt. Derfor betyr selskapsstyring mer enn vanlig.

Når slike selskaper går på børs, bør investorer og kunder se på stemmerett, styresammensetning, kontrollaksjer, sikkerhetskomiteer, avhengighet til enkeltpersoner, partnerskap med skyleverandører og hvordan selskapet balanserer kommersiell vekst mot sikkerhet.

Hvis grunnleggere eller tidlige investorer beholder svært høy stemmekontroll, kan vanlige aksjonærer få liten reell innflytelse. Det kan være positivt hvis det beskytter langsiktig forskning mot kortsiktig press. Det kan være negativt hvis det svekker ansvarligheten. Man må lese strukturen, ikke bare historien.

For kunder er styring relevant fordi det påvirker produktretning og datavilkår. Et selskap under hardt vekstpress kan endre prising, pakking, API-tilgang eller vilkår. Et selskap med god styring og tydelig risikorapportering er enklere å bygge langsiktig på.

Slik bør man lese en AI-prospekt

En AI-prospekt bør leses med noen faste spørsmål i bakhodet.

Hvor kommer inntektene fra? Er de abonnement, API-bruk, langsiktige kontrakter, infrastrukturleie eller engangsavtaler? Hvor mye er gjentakende?

Hva koster leveransen? For modellhus er inferens- og treningskostnader avgjørende. For infrastrukturselskaper er capex, gjeld og kapasitetsutnyttelse sentralt.

Hvem er kundene? En imponerende vekstkurve kan være sårbar hvis få kunder står bak mye av inntekten.

Hvem er leverandørene? Avhengighet til én brikkeprodusent, én sky, én strømregion eller én finansieringskilde kan være en strategisk risiko.

Hva sier risikokapitlet om data, opphavsrett, sikkerhet, regulering og modellmisbruk? Hvis disse avsnittene er lange, er ikke det nødvendigvis negativt. Det kan bety at selskapet faktisk beskriver risikoene tydelig.

Datadeling og AI-IPO-er

IPO-artikler handler ofte om penger, men datadeling bør også med. Mange AI-selskaper bygger verdi på tilgang til data, brukerinteraksjoner, enterprise-integrasjoner og modellforbedring. Når slike selskaper går på børs, får de sterkere press om vekst og monetisering.

For kunder kan det påvirke vilkår over tid. En leverandør som først tilbyr gunstige betingelser for å vinne brukere, kan senere stramme inn priser, begrense funksjoner eller endre databehandling innenfor avtalens rammer. Offentlige investorer vil forvente vekst. Den veksten må komme fra et sted.

Virksomheter bør derfor ikke la seg blende av at en AI-leverandør er stor, kjent eller snart børsnotert. De bør fortsatt vurdere databehandleravtaler, trening på kundedata, logging, supporttilgang, underleverandører, regioner og sletting.

En børsnotering gir ikke automatisk bedre personvern. Den gir mer innsyn i økonomi og risiko, men kunden må fortsatt stille krav.

Dette gjelder særlig for kodeagenter, dokumentanalyse, kundeservice-AI og sikkerhetsverktøy. Slike tjenester kan få tilgang til svært sensitiv virksomhetsinformasjon. Hvis leverandøren samtidig er under sterkt vekstpress, bør kunden ha klare kontrakter og tekniske begrensninger.

Hva AI-IPO-ene sier om markedet

AI-IPO-bølgen sier minst fem ting.

For det første er AI blitt kapitalkrevende. De største mulighetene krever mer enn flinke utviklere og en SaaS-app. De krever datakraft, strøm, brikker, forskere og infrastruktur.

For det andre er offentlige markeder villige til å betale for AI-eksponering, men de vil etter hvert kreve bevis. Vekstfortellingen må støttes av inntekter, marginer og realistisk kostnadskontroll.

For det tredje blir skillet mellom programvare og industri mindre tydelig. AI-selskaper kan ha programvaregrensesnitt, men industrilignende kapitalbehov.

For det fjerde vil regulatorisk og samfunnsmessig risiko bli mer synlig. Opphavsrett, databeskyttelse, sikkerhet, modellmisbruk, energibruk og konkurranse vil følge selskapene inn i prospektene.

For det femte kan IPO-ene endre konkurransen. Offentlige selskaper kan få billigere kapital og sterkere valuta for oppkjøp, men også mer kvartalspress. Private konkurrenter kan beholde mer strategisk ro, men må finansiere seg i private markeder.

Hva norske lesere bør ta med seg

For norske investorer er den første lærdommen å skille mellom produktbegeistring og investeringscase. Det at man bruker et AI-produkt hver dag, betyr ikke automatisk at aksjen er riktig priset.

For norske virksomheter er lærdommen at leverandørøkonomi betyr noe. Hvis man bygger drift på AI-verktøy, bør man forstå om leverandøren har bærekraftig prismodell og tydelige datavilkår.

For norske politikere og næringsmiljøer er lærdommen at AI ikke bare handler om apper. Det handler om kapital, infrastruktur, kraft og kompetanse. Hvis Norge vil være mer enn kunde i AI-økonomien, må vi diskutere hvilke deler av verdikjeden vi faktisk kan eie, bygge eller kontrollere.

For offentlig sektor er lærdommen å ikke la IPO-hype styre anskaffelser. Store leverandører kan være attraktive, men data, jurisdiksjon, sikkerhet og langsiktig kostnad må vurderes nøkternt.

Konklusjon: Børsen tvinger AI ned på jorden

AI-IPO-ene er spennende fordi de bringer store private fortellinger inn i offentlig lys. Det er lett å la seg fascinere av verdsettelser, første dags kursbevegelser og merkevarenavn. Men den virkelige verdien ligger i innsynet.

CoreWeave viser at AI-infrastruktur er fysisk og kapitalkrevende. Cerebras viser jakten på alternativer i maskinvarelaget. Anthropic og OpenAI viser at modellhusene etter hvert må forklare økonomien bak produktene som allerede preger samfunnet.

Det kan bli en sunnere AI-debatt. Mindre magi, mer regnskap. Mindre ren hype, mer risikoanalyse. Mindre "framtiden kommer", mer "hva koster den, hvem betaler, og hvem får kontroll?"

IPO-vinduet åpnes av AI-hypen. Men når selskapene først er på børs, må de leve med noe mer krevende enn hype: rapporteringsplikt.

Videre lesing

Illustrasjon av AI-brikke, skjold og varsellinjer for sårbarheter og cyberangrep.

AI gjør cyberangrep raskere: patch-vinduet krymper og zero-days blir farligere

Skrevet av Svein Tore den . Publisert i IT-sikkerhet. Ingen kommentarer til AI gjør cyberangrep raskere: patch-vinduet krymper og zero-days blir farligere

Cybersikkerhet har alltid vært et kappløp. Angripere leter etter svakheter. Forsvarere prøver å tette dem. Leverandører publiserer oppdateringer. Virksomheter tester, prioriterer og installerer. Noen rekker det. Andre blir kompromittert før de får oversikt.

AI endrer ikke denne grunnlogikken. Men AI endrer tempoet.

Det viktigste med AI-drevne cyberangrep er ikke at maskiner plutselig blir allmektige hackere. Den mer realistiske faren er at AI senker terskler, automatiserer deler av angrepskjeden, hjelper angripere med å forstå kode og sårbarheter raskere, og gjør sosial manipulering mer skalerbar og mer troverdig.

Når tempoet øker, krymper patch-vinduet. Tiden mellom offentlig sårbarhetsinformasjon og aktiv utnyttelse blir kortere. Tiden en virksomhet har til å oppdage, prioritere og oppdatere, blir mindre. Og hvis en sårbarhet allerede utnyttes i det fri, er "vi patcher neste måned" ikke lenger en akseptabel plan.

Dette er grunnen til at AI og zero-days hører sammen i samme diskusjon. Ikke fordi alle AI-angrep bruker ukjente sårbarheter. De fleste angrep bruker fortsatt kjente svakheter, stjålne legitimasjoner, phishing, feilkonfigurasjoner og dårlig drift. Men AI kan gjøre hele prosessen raskere, billigere og mer tilgjengelig.

For norske virksomheter betyr det at grunnsikring blir viktigere, ikke mindre. AI gjør ikke sikkerhetsarbeidet magisk. Det gjør slurv dyrere.

Angripere bruker AI som arbeidsverktøy

OpenAI, Anthropic, Microsoft og Google Cloud har alle publisert materiale om misbruk av AI i trusselaktivitet. Fellesbildet er nøkternt: trusselaktører bruker AI sammen med tradisjonelle verktøy. AI erstatter ikke hele angrepskjeden, men hjelper i deler av den.

Det kan være rekognosering, tekstproduksjon, oversettelse, phishing, kodeforståelse, malware-utkast, feilretting, skripting, automatisering, dokumentasjon av angrepssteg eller analyse av stjålne data. For lavere kompetente aktører kan AI gi et løft. For mer avanserte aktører kan AI spare tid.

Anthropic har analysert kontoer som ble stengt for skadelig cyberaktivitet, og fant omfattende bruk av AI til blant annet malware-relaterte aktiviteter og senere faser av angrepsoperasjoner. Selskapet har også beskrevet en AI-orkestrert spionasjekampanje der menneskelig styring ble kombinert med agentisk bruk av verktøy.

Dette betyr ikke at man skal tro alle dramatiske overskrifter. AI-hacking er fortsatt begrenset av tilgang, kontekst, verktøy, sårbarheter og operasjonell kompetanse. Men det betyr at flere aktører kan gjøre mer, raskere.

I sikkerhet er det nok.

Zero-days er bare toppen av problemet

En zero-day er en sårbarhet som utnyttes før leverandøren har publisert en fiks, eller før forsvarerne har hatt realistisk mulighet til å beskytte seg. Slike sårbarheter får mye oppmerksomhet fordi de er farlige og ofte brukes av avanserte aktører.

Men for de fleste virksomheter er problemet bredere: kjente sårbarheter som ikke er patchet, systemer som ingen eier, gamle VPN-løsninger, åpne tjenester, svake passord, manglende flerfaktor, feilkonfigurerte skyer og tredjepartsprogramvare med for høy tilgang.

CISAs Known Exploited Vulnerabilities Catalog er nyttig nettopp fordi den skiller mellom teoretisk risiko og sårbarheter som faktisk utnyttes. Når en sårbarhet havner der, er spørsmålet ikke lenger "kan noen bruke dette?" Svaret er allerede ja.

AI gjør dette mer presserende. Når informasjon om en sårbarhet publiseres, kan angripere bruke AI til å lese tekniske beskrivelser, sammenligne patcher, skrive proof-of-concept-kode, tilpasse eksisterende exploit-kode og finne systemer som sannsynligvis er sårbare. Forsvarere kan bruke AI til det samme, men angripere trenger bare ett hull.

Det betyr at patch-prioritering må bli mer operasjonell. Ikke alle CVE-er er like viktige. Men kjente, utnyttede, internett-eksponerte sårbarheter i kritiske systemer må behandles som hendelser, ikke som administrativt vedlikehold.

Identitet er fortsatt den enkleste veien inn

Selv med AI og zero-days er identitet ofte den svakeste delen av sikkerheten. Microsofts Digital Defense Report peker på passordangrep, phishing, ransomware, dataeksfiltrering og flertrinnsangrep som sentrale trusler. AI kan gjøre phishing mer overbevisende, mer personlig og bedre tilpasset språk, rolle og kontekst.

Dette gjelder særlig i små og mellomstore virksomheter. En angriper trenger ikke finne en ukjent sårbarhet hvis en ansatt kan lures til å gi fra seg innlogging, godkjenne en MFA-forespørsel eller åpne en ondsinnet fil. AI gjør slike angrep enklere å skalere og vanskeligere å avsløre med klassiske tegn som dårlig grammatikk.

Derfor er identitetssikring fortsatt et av de mest effektive tiltakene. Phishing-resistent flerfaktor, betinget tilgang, gode passordrutiner, deaktivert eldre autentisering, minst mulig privilegier og rask avvikling av gamle kontoer er ikke glamorøst. Men det virker.

AI endrer også intern trusseloverflate. Ansatte kan lime inn sensitiv informasjon i AI-verktøy for å få hjelp. Det kan være kundedata, passord, konfigurasjoner, kontrakter, logger eller kildekode. Da har virksomheten ikke blitt hacket i klassisk forstand, men data er likevel delt med en tredjepart.

Dette må behandles som sikkerhet, ikke bare personvern. En intern logg med feilmeldinger kan inneholde tokens, IP-adresser, kundenavn og systemdetaljer. En kodefil kan inneholde hemmeligheter. En eksport fra CRM kan inneholde personopplysninger. AI-verktøy kan bli en ny lekkasjekanal hvis de brukes uten rammer. Det er samme problemstilling som i Kunnskapsrom-artiklene om hvem som egentlig kontrollerer dataene dine og GDPR-data i amerikanske skyløsninger.

Tredjepartsverktøy gjør risikoen bredere

Moderne IT-drift er bygget på tredjepartsverktøy: skyløsninger, SaaS, RMM, EDR, backup, dokumentdeling, integrasjoner, plugins, API-er og automatiseringsplattformer. Det gjør virksomheter effektive, men også avhengige.

AI legger et nytt lag på toppen. Mange sikkerhets- og produktivitetsverktøy får AI-funksjoner. De analyserer logger, skriver rapporter, prioriterer sårbarheter, foreslår tiltak, oppsummerer hendelser og automatiserer respons. Det kan gi stor verdi, men det betyr også at mer sikkerhetsdata sendes til leverandører.

Sikkerhetsdata er ekstremt sensitive. Logger kan avsløre nettverksstruktur, brukermønstre, sårbare systemer, feilede innlogginger, interne prosesser og hendelser under etterforskning. Hvis slike data brukes til AI-analyse, må virksomheten vite nøyaktig hvordan leverandøren håndterer dem.

Spørsmålene bør være konkrete: Brukes data til modelltrening? Lagres de utenfor valgt region? Har underleverandører tilgang? Kan supportpersonell se innhold? Hvordan slettes data? Hvordan håndteres hendelser hos leverandøren? Hvilke rettigheter har virksomheten til eksport og revisjon?

Det er ikke nok at verktøyet markedsføres som "secure AI". Sikkerhet må dokumenteres.

Forsvarere får også bedre verktøy

AI er ikke bare en fordel for angripere. Forsvarere kan bruke AI til å analysere store loggmengder, oppsummere hendelser, finne mønstre, prioritere sårbarheter, skrive deteksjonsregler, forklare alarmer, generere playbooks og hjelpe mindre team med oppgaver som tidligere krevde spesialister.

Dette kan være svært verdifullt for SMB-er og kommuner som ikke har store sikkerhetsteam. En god AI-assistent kan hjelpe med å forstå hva en alarm betyr, hvilke systemer som er påvirket, og hvilke tiltak som bør prioriteres.

Men forsvarende AI må også styres. En modell som får tilgang til logger, identitetsdata og sikkerhetshendelser, behandler noen av virksomhetens mest sensitive data. Den må brukes innenfor klare avtaler og tekniske grenser.

Det er også fare for falsk trygghet. AI kan oppsummere feil, overse viktig kontekst eller foreslå tiltak som ikke passer miljøet. Sikkerhetsteam må derfor bruke AI som assistent, ikke som autoritet. Mennesker må fortsatt eie beslutningen.

Den beste bruken av AI i forsvar er ofte å redusere støy og frigjøre tid, ikke å automatisere bort ansvar.

AI gjør sårbarhetsforskning mer tilgjengelig

Sårbarhetsforskning har tradisjonelt krevd mye spesialkompetanse. Man må forstå kode, protokoller, minnehåndtering, patcher, arkitektur og hvordan små feil kan bli sikkerhetsproblemer. AI gjør ikke dette enkelt, men kan hjelpe flere med deler av arbeidet.

En modell kan forklare en kodeendring, sammenligne en gammel og ny versjon, foreslå hvor en feil kan ligge, skrive testkode eller hjelpe til med fuzzing-oppsett. For forsvarere er dette positivt. Små team kan få hjelp til å forstå hvorfor en patch haster, hvilke systemer som er utsatt, og hvilke kompenserende tiltak som kan brukes.

Men det samme gjelder angripere. Når en leverandør publiserer en sikkerhetsoppdatering, kan angripere analysere hva som er endret og forsøke å finne sårbarheten patchen lukker. Dette er ikke nytt, men AI kan gjøre prosessen raskere. Det betyr at tiden mellom patch og utnyttelse kan krympe.

Dette er spesielt farlig for programvare som står eksponert mot internett: VPN, brannmurer, filoverføring, e-postsystemer, fjernstyring, identitetsløsninger og webapplikasjoner. Når slike systemer har kjente sårbarheter, er de attraktive mål fordi de kan gi direkte inngang. Den samme utviklingen gjør også AI-kodeagenter og utviklerrollen mer relevant for sikkerhet, fordi mer kode og mer analyse kan produseres raskere enn review-prosessen tåler.

Derfor bør virksomheter ha en egen kategori for "ekstern angrepsflate". Alt som kan nås fra internett, må ha raskere patchløp, tydelig eier og bedre overvåking enn interne støtteverktøy. Det høres enkelt ut, men mange virksomheter mangler fortsatt en komplett oversikt.

Leverandørkjeden er en snarvei rundt forsvaret

AI endrer ikke bare direkte angrep mot virksomheten. Den kan også gjøre leverandørkjedeangrep mer effektive.

Angripere kan bruke AI til å kartlegge hvilke leverandører en virksomhet bruker, lage mer troverdige e-poster, etterligne supportdialoger, analysere offentlig dokumentasjon, skrive skadelig kode som ligner legitim oppdateringslogikk, eller finne svake integrasjoner mellom systemer.

Dette er alvorlig fordi mange virksomheter har gitt leverandører høy tilgang. IT-partnere, driftssystemer, backup, RMM, regnskap, HR, dokumentflyt og sikkerhetsverktøy kan alle ha brede rettigheter. Hvis en leverandør kompromitteres, kan angriperen få en snarvei inn.

AI-funksjoner i leverandørprodukter gjør spørsmålet bredere. Hvis et leverandørverktøy plutselig får AI-assistent som leser logger, bilag, tickets eller kundedata, er det en ny behandlingsaktivitet. Det må vurderes, ikke bare aksepteres som en produktoppdatering.

Virksomheter bør derfor ha en leverandøroversikt som inkluderer tilgangsnivå, datafangst, AI-funksjoner, underleverandører og hendelsesvarsling. Det er ikke nok å vite hvem man betaler faktura til. Man må vite hvem som faktisk kan se, endre eller hente data.

Dette er særlig viktig for små virksomheter som outsourcer mye IT. Outsourcing flytter arbeid, men ikke ansvar. Hvis leverandøren bruker AI-verktøy i drift eller support, bør kunden vite hvilke data som inngår.

Styret må stille bedre spørsmål

AI-cybersikkerhet er ikke bare et teknisk tema. Styre og ledelse bør forstå hovedrisikoene godt nok til å prioritere penger, tid og ansvar.

De trenger ikke kunne skrive deteksjonsregler. Men de bør spørre: Har vi oversikt over internett-eksponerte systemer? Hvor raskt patcher vi sårbarheter som utnyttes aktivt? Har alle privilegerte kontoer phishing-resistent MFA? Hvilke AI-verktøy er godkjent for ansatte? Sender sikkerhetsleverandørene våre logger til eksterne AI-tjenester? Har vi testet gjenoppretting fra backup? Vet vi hvem som beslutter nedstenging ved angrep?

Hvis ledelsen ikke får konkrete svar, er det et styringsproblem. Det er ikke nok med en generell forsikring om at "IT har kontroll". I en raskere trusselverden må kontroll kunne dokumenteres.

Hva norske virksomheter bør gjøre nå

Det første tiltaket er å få oversikt over eksponerte systemer. Hvilke tjenester er tilgjengelige fra internett? Hvilke VPN-er, brannmurer, fjernstyringsverktøy, webapplikasjoner og skyressurser finnes? Hvem eier dem? Hvordan patches de?

Det andre er å bruke risikobasert patching. Alle oppdateringer er ikke like kritiske, men sårbarheter som er kjent utnyttet, internett-eksponert eller knyttet til privilegert tilgang må prioriteres raskt. CISA KEV er et godt startpunkt, men virksomheten må koble katalogen til egen systemoversikt.

Det tredje er å stramme inn identitet. Phishing-resistent MFA, rollebasert tilgang, betinget tilgang, logging av privilegerte handlinger og rask fjerning av gamle kontoer bør være standard.

Det fjerde er å lage en AI-datapolicy. Den må si hvilke data som aldri skal inn i eksterne AI-verktøy, hvilke verktøy som er godkjent, og hva ansatte skal gjøre hvis de er usikre. Policyen bør være kort nok til å bli brukt.

Det femte er å teste hendelsesrespons. Hvis en AI-assistert angriper beveger seg raskere, må virksomheten vite hvem som tar beslutninger, hvem som kan stenge tilgang, hvordan backup kontrolleres, og hvordan kunder varsles.

Det sjette er å stille krav til leverandører. Sikkerhetsleverandører, IT-partnere og SaaS-aktører bør kunne forklare hvordan AI-funksjoner behandler data. Hvis de ikke kan svare presist, bør funksjonen ikke få sensitive data.

Patch-vinduet må behandles som et forretningsspørsmål

Mange virksomheter ser fortsatt patching som en teknisk oppgave som skjer når IT har tid. Det holder ikke. Patching handler om drift, risiko, forsikring, kundetillit og ledelsesansvar.

Når en kritisk sårbarhet publiseres, oppstår en beslutning: Kan vi oppdatere raskt? Kan vi kompensere med brannmur, isolering eller midlertidig nedstengning? Hvilke systemer er påvirket? Hvilken risiko tar vi ved å vente?

Disse spørsmålene må kunne besvares før krisen. Hvis virksomheten først må finne systemeier, leverandørkontakt, backupstatus og vedlikeholdsvindu etter at utnyttelsen er aktiv, er den allerede på etterskudd.

AI forsterker dette fordi angripere kan automatisere mer av analyse- og utnyttelsesarbeidet. Det betyr ikke at alle virksomheter blir angrepet med avansert AI. Det betyr at tidsmarginene blir mindre.

En god patchprosess bør derfor ha ferdige kategorier. Kritisk og aktivt utnyttet: håndteres straks. Kritisk, men ikke observert utnyttet: rask prioritet. Medium i isolerte systemer: planlagt vedlikehold. Sårbarheter i systemer uten eier: eskaleres som styringsproblem.

Zero trust må bli mer konkret

Zero trust er et slitt begrep, men prinsippet er relevant: ikke stol automatisk på noe bare fordi det er på innsiden. Verifiser identitet, begrens tilgang, logg aktivitet og anta at kompromittering kan skje.

I AI-tiden blir dette enda viktigere. Hvis angripere får hjelp til å bevege seg raskere, må virksomheten redusere hva én kompromittert konto kan gjøre. Hvis et AI-verktøy får tilgang til data, må tilgangen være begrenset til det som er nødvendig. Hvis en integrasjon kompromitteres, må den ikke åpne hele miljøet.

Dette er også et argument for dataminimering. Ikke gi AI-verktøy, scripts, plugins eller tredjepartsintegrasjoner bred tilgang "for sikkerhets skyld". Gi dem minst mulig tilgang, logg bruken og fjern tilgangen når den ikke trengs.

I praksis er dette ofte mer verdifullt enn å kjøpe enda et sikkerhetsverktøy.

Backup er siste skanse, men må testes

Ransomware og datautpressing forsvinner ikke fordi AI kommer. Tvert imot kan AI gjøre utpressing mer effektiv ved å hjelpe angripere å finne sensitive dokumenter, oppsummere stjålne data og lage mer målrettede trusler mot ledelse, kunder eller leverandører.

Derfor er backup fortsatt en av de viktigste kontrollene. Kunnskapsrom har også en egen forklaring av 3-2-1 backup-regelen, nettopp fordi backup må forstås som beredskap, ikke bare lagring. Men backup som aldri er testet, er mer håp enn beredskap. Virksomheter bør vite hvor raskt kritiske systemer kan gjenopprettes, om backup er isolert fra domenet, om angripere kan slette eller kryptere den, og om gjenoppretting faktisk fungerer under tidspress.

AI kan hjelpe med dokumentasjon og øvelser, men den kan ikke erstatte en faktisk restore-test. Den dagen alt står stille, er det bare fungerende gjenoppretting som teller.

Det bør også være klart hvem som kan ta vanskelige beslutninger. Kan IT stenge ned en tjeneste uten å vente på ledermøte? Hvem kontakter kunder? Hvem varsler Datatilsynet hvis personopplysninger er berørt? Hvem vurderer politianmeldelse? Hvem har kontakt med forsikring og leverandører? Når angrepet går raskt, er uklare beslutningslinjer en risiko i seg selv.

En enkel øvelse hvert halvår kan avdekke mye. Legg fram et scenario: en kjent utnyttet sårbarhet finnes i VPN-løsningen, mistenkelig innlogging er observert, og backupstatus er usikker. Be teamet gå gjennom første time, første dag og første uke. Det er bedre å oppdage hull i fredstid enn midt i en AI-akselerert hendelse.

Konklusjon: AI gjør tempoet til hovedproblemet

AI gjør ikke cybersikkerhet fundamentalt nytt. Angripere bruker fortsatt kjente metoder: phishing, sårbarheter, legitimasjonstyveri, feilkonfigurasjoner og leverandørkjeder. Men AI gjør mange av metodene raskere, billigere og mer skalerbare.

Derfor må virksomheter redusere tregheten i eget forsvar. Oversikt, patching, identitet, leverandørkontroll og datadisiplin blir viktigere enn noen gang.

Det farlige er ikke bare den spektakulære zero-dayen. Det farlige er kombinasjonen av gamle svakheter, raskere angripere og organisasjoner som fortsatt behandler sikkerhet som periodisk vedlikehold.

AI kan hjelpe forsvarere også. Men bare hvis den brukes kontrollert. Det siste en virksomhet trenger, er å beskytte seg mot datainnbrudd ved å sende sikkerhetsdata ukritisk til nye tredjepartsplattformer.

I 2026 er den beste sikkerhetsstrategien fortsatt nøktern: vit hva du har, patch det viktigste først, beskytt identiteter, begrens datadeling, og øv på hva som skjer når noe går galt.

Videre lesing

Illustrasjon av humanoid robot i industrielt miljø med AI-sensorer og datastrømmer.

Humanoid-robotene er på vei ut av demo-modus: fysisk AI blir neste store kapittel

Skrevet av Svein Tore den . Publisert i Teknologi. Ingen kommentarer til Humanoid-robotene er på vei ut av demo-modus: fysisk AI blir neste store kapittel

Humanoid-roboter har lenge vært teknologiens mest sårbare sjanger. De ser imponerende ut på scenen, men blir fort avslørt i virkeligheten. En robot som går, løfter, sorterer, snakker og gestikulerer på en nøye planlagt demo, er ikke nødvendigvis klar for en fabrikk, et sykehjem eller et lager.

Likevel skjer det noe viktig nå. Humanoid-roboter og fysisk AI er i ferd med å flytte seg fra rene visjoner til konkrete industriplaner. Nvidia bygger åpne modeller, simuleringsmiljøer og referansedesign. Figure rapporterer om industriell testing i bilproduksjon. Store robotikk-, bil-, helse- og automasjonsaktører kobler seg på økosystemer for fysisk AI.

Dette betyr ikke at humanoid-roboter plutselig er klare til å erstatte mennesker i stor skala. Det betyr at bransjen prøver å løse de riktige problemene: data, simulering, sikkerhet, generalisering, finmotorikk, kostnad og drift.

Den viktigste endringen er at AI ikke lenger bare skal skrive tekst, kode eller bilder. Den skal handle i fysisk verden. Den skal forstå et rom, gripe en gjenstand, balansere, reagere på uforutsette situasjoner og samarbeide med mennesker.

Det er en helt annen risikoklasse enn en chatbot.

Fysisk AI er mer enn en robot med språkmodell

Det er fristende å se humanoid-roboter som "ChatGPT med armer og bein". Det er feil. Språkmodeller kan være en del av systemet, men fysisk AI krever mye mer.

En robot må tolke kameraer, dybdesensorer, kraftsensorer, leddposisjoner, kart, lyd, temperatur og bevegelse. Den må planlegge handlinger i sanntid. Den må vite hvordan en gjenstand kan gripes uten å ødelegges. Den må forstå at et glatt gulv, en person i veien eller en skjev pall endrer oppgaven. Den må kunne stoppe trygt.

I en tekstmodell er en feil ofte et dårlig svar. I en fysisk robot kan en feil skade utstyr, produkter eller mennesker. Derfor er toleransen for "nesten riktig" mye lavere.

Dette er grunnen til at simulering er så sentralt. Roboter må øve i digitale miljøer før de slippes løs i virkeligheten. Simulering kan generere scenarioer, teste bevegelse, skape syntetiske data og avsløre feil uten fysisk risiko. Nvidia satser tungt på dette gjennom Isaac, Cosmos og GR00T-familien av modeller og verktøy.

Men simulering løser ikke alt. Den virkelige verden er full av friksjon, rot, variasjon og tilfeldigheter. En robot som klarer en oppgave i et rent testmiljø, kan feile når lyset endres, emballasjen er skadet eller mennesker gjør noe uventet.

Det er derfor veien fra demo til drift er lang.

Hvorfor humanoid form likevel er interessant

Mange spør hvorfor roboter skal se ut som mennesker. Er det ikke bedre med spesialiserte maskiner? Ofte er svaret jo. En robotarm, et transportbånd, en autonom truck eller en spesialmaskin kan være langt mer effektiv enn en menneskelignende robot.

Humanoid form blir interessant fordi verden allerede er bygd for mennesker. Dører, trapper, hyller, verktøy, håndtak, kjøretøy, arbeidsstasjoner og lagerprosesser er tilpasset kropper med armer, hender, bein og øyne i menneskelig høyde. Hvis en robot kan bruke samme miljø uten at alt bygges om, kan den bli fleksibel på en måte spesialmaskiner ikke er.

Dette er den store hypotesen. Ikke at humanoider alltid er best, men at de kan være gode nok på mange oppgaver i miljøer som allerede finnes.

I industri kan det bety oppgaver som materialhåndtering, enkel montering, inspeksjon, sortering, intern logistikk og repeterende arbeid i blandede miljøer. I helse og omsorg kan det på sikt handle om assistanse, transport, rydding eller støtteoppgaver, men her er sikkerhets- og etikkkravene langt høyere. I beredskap kan roboter brukes der mennesker ikke bør sendes inn.

Det avgjørende er ikke om roboten ser imponerende ut. Det avgjørende er om den kan gjøre arbeid trygt, stabilt og økonomisk.

Nvidia vil eie utviklingslaget

Nvidias rolle i fysisk AI ligner selskapets rolle i generativ AI: det vil ikke bare selge brikker. Det vil levere plattformen utviklere bygger på.

Nvidia har annonsert Isaac GR00T som en åpen modell- og utviklingsplattform for humanoid-roboter. Selskapet har også lansert referansedesign for humanoid robotikk, bygget på Jetson Thor og Isaac-verktøy. Poenget er å gi forskere og utviklere et felles utgangspunkt for å trene, sammenligne og dele robotatferd på fysisk maskinvare.

Dette kan akselerere bransjen. Hvis hver aktør må bygge hele robotikkstakken fra bunnen av, går utviklingen sakte. Felles modeller, simuleringsmiljøer, datastrukturer og maskinvareplattformer kan gjøre det lettere å teste ideer og flytte ferdigheter mellom roboter.

Men det skaper også leverandørmakt. Hvis fysisk AI bygges rundt én dominerende plattform, kan robotikkbransjen få samme type avhengighet som AI-infrastrukturen allerede har rundt GPU-er. Det kan være praktisk på kort sikt og strategisk krevende på lang sikt.

For virksomheter som vurderer robotikk, er dette relevant. Man kjøper ikke bare en robot. Man kjøper et økosystem: maskinvare, programvare, modeller, simuleringsverktøy, oppdateringer, dataflyt og leverandøravhengighet.

Data er den virkelige flaskehalsen

Fysisk AI trenger enorme mengder data. Ikke bare tekst og bilder, men data om handlinger: hvordan en hånd beveger seg, hvor mye kraft som brukes, hva som skjer når et objekt glipper, hvordan en robot korrigerer balanse, og hvordan miljøet endrer seg.

Slike data er vanskeligere å samle enn tekst fra internett. Robotdata må ofte komme fra fysisk handling, teleoperasjon, simulering, video, sensorer og menneskelig demonstrasjon. Det gjør data til en flaskehals.

Nvidia og andre prøver å bruke syntetiske data og simulering for å løse dette. Det er fornuftig, men det reiser også spørsmål. Hvor godt representerer syntetiske miljøer virkeligheten? Hvilke feil lærer roboten? Hvilke skjevheter bygges inn? Hvilke situasjoner mangler?

Når roboter trenes i arbeidsmiljøer, oppstår et annet problem: persondata og bedriftsdata. Kameraer og sensorer kan fange ansatte, produksjonslinjer, produkter, rutiner, feil, sikkerhetssystemer og forretningshemmeligheter. Hvis disse dataene sendes til en ekstern leverandør for modelltrening eller analyse, er det en langt mer inngripende datadeling enn å laste opp et dokument. Det gjør spørsmålet om hvem som egentlig kontrollerer dataene dine konkret på fabrikkgulvet.

Dette er et punkt som ofte undervurderes. Humanoid-roboter er mobile sensorplattformer. De kan se, høre, kartlegge og registrere fysisk aktivitet over tid. Det kan være nødvendig for funksjonen, men det må reguleres strengt.

En virksomhet som tester roboter, bør ha klare svar: Hvilke data samles inn? Hvor lagres de? Brukes de til å trene leverandørens modeller? Kan ansatte reservere seg? Hvordan anonymiseres video? Hvem får tilgang? Hvor lenge lagres data? Hva skjer hvis leverandøren bruker underleverandører i andre land?

Fysisk AI uten datastyring er en personvernrisiko på hjul.

Arbeidslivet vil merke det før hjemmet gjør det

Mange populære robotvisjoner handler om roboten hjemme: en assistent som vasker, lager mat, rydder og hjelper eldre. Det kan komme, men det er sannsynlig at industri og lager merker humanoid-roboter først.

Grunnen er enkel. Arbeidsmiljøer kan avgrenses, standardiseres og måles. Oppgavene kan velges nøye. Økonomisk verdi kan beregnes. Sikkerhetsrutiner kan etableres. Roboten kan overvåkes av teknikere. Feil kan logges systematisk.

Hjemmet er mye vanskeligere. Det er rotete, emosjonelt, fullt av barn, dyr, uforutsigbare objekter, private samtaler og personlige rutiner. Kravene til tillit er høyere, og betalingsviljen er mer usikker.

Derfor bør vi være skeptiske til fortellinger om at humanoid-roboter straks blir vanlige husholdningsprodukter. Den mer realistiske historien er gradvis industriell innføring: først trange og kjedelige oppgaver, så mer fleksible oppgaver, deretter miljøer med mer menneskelig samhandling.

Det ligner på mange andre teknologier. Først kommer de til profesjonelle brukere som kan betale, måle og tolerere opplæring. Deretter blir de billigere, tryggere og enklere.

Robotikk er også sikkerhetspolitikk

Humanoid-roboter kan bli strategisk teknologi. De kombinerer AI, sensorer, motorer, brikker, batterier, datasentre, simulering og programvare. Land og selskaper som kontrollerer denne kjeden, kan få fordeler i industri, logistikk, forsvar, helse og beredskap.

Dette gjør leverandørvalg viktig. Hvis kritiske robotfunksjoner styres av skybaserte modeller fra én global leverandør, kan virksomheten bli sårbar for nedetid, prisendringer, eksportkontroll, sikkerhetshendelser eller politisk press. Hvis robotene samler data fra fabrikkgulv eller helsebygg, blir leverandørens jurisdiksjon også et spørsmål.

For Norge betyr dette at robotikk bør kobles til diskusjonen om datasuverenitet, AI-infrastruktur og datasentrenes strøm- og vannbehov. Det er ikke nok å kjøpe en robot som virker. Man må vite hva den er avhengig av.

Dette gjelder også cybersikkerhet. En robot som kan bevege seg i fysisk miljø, må sikres strengere enn et vanlig IT-system. Tilgangsstyring, oppdateringer, nettverkssegmentering, logging, nødstopper, sårbarhetshåndtering og leverandørtilgang må være på plass. En kompromittert robot er ikke bare et datainnbrudd. Det kan bli en fysisk hendelse.

HMS blir et teknologikrav

I vanlig programvare kan en feil ofte rulles tilbake. I robotikk kan en feil skje i nærheten av mennesker, maskiner og varer. Derfor må helse, miljø og sikkerhet være en del av teknologivurderingen fra første dag.

En humanoid robot som jobber i et lager, må kunne oppdage mennesker, redusere fart, stoppe sikkert, varsle tydelig og håndtere tap av nettverk eller sensorer. Den må ha fysiske nødstopper, digitale sperrer og rutiner for manuell overstyring. Det må være klart hvem som har ansvar når roboten gjør noe uventet: leverandøren, integratoren, arbeidsgiveren eller operatøren.

Dette gjør anskaffelsen mer krevende enn å kjøpe et nytt SaaS-verktøy. Man må vurdere mekanisk sikkerhet, programvare, ansvar, forsikring, opplæring, arbeidsmiljølovgivning og internkontroll samtidig. Roboten er både IT-system, maskin, sensorplattform og arbeidsredskap.

For ansatte er forutsigbarhet avgjørende. En robot som beveger seg uventet, selv om den teknisk sett er trygg, kan skape ubehag. God robotikk handler derfor ikke bare om maksimal autonomi. Det handler om at mennesker forstår hva roboten gjør, når den stopper, og hvordan de kan samhandle med den.

Anskaffelse bør starte med pilot, ikke visjon

Virksomheter som vurderer humanoid-roboter, bør starte smalt. En god pilot har én avgrenset oppgave, ett kontrollert miljø, klare suksesskriterier og tydelig databehandling. Den bør ikke starte med et bredt mål om "å automatisere lageret" eller "å teste fremtidens arbeidskraft".

Et godt pilotspørsmål kan være: Kan roboten flytte denne typen kasser mellom to faste punkter i et definert tidsrom med akseptabel feilrate og uten å skape nye HMS-problemer? Et annet kan være: Kan roboten støtte enkel inspeksjon i et område der mennesker i dag bruker mye tid på rutinekontroll?

Suksess bør måles over tid. Én vellykket demonstrasjon er lite verdt hvis roboten krever konstant menneskelig redning. Driftstid, avvik, vedlikehold, opplæring, batteribytte, nettverksfeil, feiltolkede objekter og ansattes opplevelse bør måles like seriøst som antall utførte oppgaver.

Kontrakten bør også være tydelig på læring. Hvis roboten samler data under pilot, hvem eier forbedringene? Kan leverandøren bruke dataene til å forbedre generelle modeller? Kan video fra arbeidsplassen brukes i eksterne treningssett? Må data slettes etter pilot? Uten slike svar kan en liten test bli en stor datadeling.

Norske bruksområder er ikke bare fabrikk

Norge har ikke samme volumindustri som de største bil- og elektronikklandene, men det betyr ikke at fysisk AI er irrelevant. Tvert imot kan høye lønnskostnader, spredt bosetting, krevende vær og behov for sikker drift gjøre robotikk interessant i flere sektorer.

I havbruk kan roboter og fysisk AI på sikt bidra i inspeksjon, logistikk, rengjøring og håndtering, selv om humanoid form ikke alltid er riktig. I energi og industri kan roboter støtte inspeksjon i miljøer som er farlige, monotone eller geografisk krevende. I helse og omsorg kan støtteoppgaver bli aktuelle, men her må man være ekstra varsom: teknologi skal avlaste mennesker, ikke redusere omsorg til logistikk.

I offentlig beredskap kan roboter ha roller der mennesker ikke bør sendes inn først: brann, ras, kjemikalier, flom eller farlige bygg. Men slike bruksområder krever robusthet, kommunikasjon, lokal kontroll og trening. En robot som bare fungerer i et laboratorium, hjelper lite i norsk vintervær.

Det norske spørsmålet bør derfor være: Hvor gir fysisk AI reell nytte i våre forhold? Ikke: Hvordan kopierer vi de mest spektakulære demoene fra USA eller Asia?

Hva norske virksomheter bør gjøre nå

De fleste norske virksomheter trenger ikke kjøpe humanoid-roboter i morgen. Men de bør begynne å forstå hva som kommer.

Det første steget er å kartlegge oppgaver. Hvilke prosesser er repeterende, fysisk belastende, vanskelige å bemanne eller farlige? Hvilke oppgaver krever menneskelig skjønn, omsorg, improvisasjon eller sosial forståelse? Robotikk bør starte der oppgavene er tydelige og risikoen kan avgrenses.

Det andre er å vurdere miljøet. Er arbeidsplassen strukturert nok? Finnes det plass, merking, nettverk, sikkerhetssoner og rutiner? Kan oppgaven standardiseres uten å ødelegge verdien?

Det tredje er å stille datakrav tidlig. Hvis roboten skal filme, kartlegge, analysere eller lære i virksomhetens lokaler, må databehandling avklares før piloten starter. Ikke etter at video og sensordata allerede er sendt til leverandøren.

Det fjerde er å involvere ansatte. Robotikk som innføres ovenfra uten dialog, skaper motstand. Ansatte vet ofte best hvor oppgaven er vanskelig, hvor feil oppstår, og hva som er farlig. De bør være med i utformingen av piloter.

Det femte er å måle riktig. En robotpilot bør ikke vurderes bare på om den klarer en spektakulær oppgave én gang. Den bør måles på driftstid, feilrate, sikkerhet, vedlikehold, opplæring, datarisiko, arbeidsmiljø og total kostnad.

Hva som fortsatt mangler

Humanoid-roboter har gjort store fremskritt, men flere problemer er uløste.

Batteritid er ett. En robot som skal jobbe i flere timer, må ha nok energi uten å bli tung, dyr eller treg.

Hender er et annet. Menneskehånden er ekstremt vanskelig å kopiere. Mange nyttige oppgaver krever presis grep, følelse, tilpasning og forsiktighet.

Generalisering er et tredje. En robot kan lære én oppgave, men slite når objektet, lyset, vinkelen eller rekkefølgen endres. Virkeligheten er full av små variasjoner.

Kostnad er et fjerde. Selv om roboten teknisk fungerer, må regnestykket gi mening. Pris, service, drift, forsikring, sikkerhet, oppetid og integrasjon avgjør om teknologien faktisk tas i bruk.

Tillit er det femte. Mennesker må føle seg trygge rundt roboter. Det krever forutsigbar atferd, tydelige signaler, gode nødprosedyrer og transparent databruk.

Dette er grunnen til at man bør være både optimistisk og skeptisk. Fysisk AI er reelt. Men det er ikke magi.

En sjette mangel er standardisering. Virksomheter trenger felles måter å teste robotferdigheter, sikkerhet, databehandling og drift på. Uten standarder blir det vanskelig å sammenligne leverandører. Da kan markedet belønne gode videoer mer enn stabil ytelse. For en moden robotikkbransje må benchmarks, revisjon og praktisk dokumentasjon bli like viktige som demonstrasjoner på konferansescener.

Det samme gjelder ansvar ved læring etter utrulling. Hvis roboten forbedres gjennom data fra kundens lokaler, bør kunden vite om endringen bare forbedrer egen robot, eller om den går inn i leverandørens generelle modell. Det kan være rimelig at leverandøren lærer av drift, men ikke uten avtale. Arbeidsplassdata, video og prosesskunnskap kan være konkurransesensitivt. Robotikkanskaffelser bør derfor ha klare regler for modellforbedring, datadeling og sletting etter endt kontrakt.

Konklusjon: Den neste AI-bølgen får kropp

Humanoid-roboter er på vei ut av ren demo-modus, men ikke inn i full masseadopsjon over natten. Den mest sannsynlige utviklingen er gradvis industriell bruk, støttet av bedre simulering, billigere maskinvare, mer robotdata og sterkere AI-modeller.

Det gjør fysisk AI til en av de viktigste teknologitrendene å følge. Ikke fordi alle snart får en robot hjemme, men fordi AI flytter seg fra skjerm til rom, fra tekst til handling, fra prompt til fysisk konsekvens.

For virksomheter er hovedpoenget enkelt: Ikke la demoene blende. Spør hva roboten faktisk kan gjøre stabilt, hvilke data den samler, hvem som får tilgang, hvordan sikkerheten håndteres, og hva som skjer når den feiler.

Når AI får kropp, må ansvar og kontroll også bli mer håndfast.

Videre lesing

Illustrasjon av Bitcoin-symbol og AI-brikke som konkurrerer om kapitalstrømmer.

Bitcoin er ikke død, men AI har stjålet narrativet

Skrevet av Svein Tore den . Publisert i Økonomi. Ingen kommentarer til Bitcoin er ikke død, men AI har stjålet narrativet

Bitcoin er fortsatt en av verdens mest kjente finansielle eiendeler. Det har overlevd krasj, regulatorisk press, børsfiaskoer, energikritikk, interne splittelser og utallige nekrologer. Hver gang noen erklærer Bitcoin død, dukker det opp igjen i markedet, i mediene og i porteføljene til både privatpersoner og institusjonelle investorer.

Likevel er det noe som har endret seg.

I flere år var Bitcoin den store teknologifortellingen for risikovillig kapital. Det var knapphet, digitalt gull, desentralisering, inflasjonsvern, ETF-håp, institusjonell adopsjon og en mulig ny finansarkitektur. I 2026 er ikke denne historien borte, men den konkurrerer med en annen fortelling som er mer konkret, mer industriell og mer synlig i resultatregnskapene: kunstig intelligens.

AI har tatt over mye av oppmerksomheten som tidligere gikk til krypto. Nvidia, datasentre, brikker, kodeagenter, robotikk, AI-søk og store infrastrukturavtaler har blitt den nye vekstfortellingen. Bitcoin kan fortsatt være interessant, men det er ikke lenger alene om å være "teknologiupside" i markedet.

Det er forskjell på å miste verdi og å miste narrativ. Bitcoin har hatt mange perioder med kursfall og likevel kommet tilbake. Å miste narrativet er mer subtilt. Det betyr at investorer, medier, gründere og analytikere begynner å lete etter framtidsfortellingen et annet sted.

I 2026 er det stedet ofte AI.

Bitcoin vant en stor institusjonell seier

Det er lett å glemme hvor stor milepælen var da amerikanske spot Bitcoin-ETP-er ble godkjent i januar 2024. SECs godkjenning åpnet for at investorer kunne få eksponering mot Bitcoin gjennom regulerte børsnoterte produkter, uten å måtte håndtere private nøkler, kryptobørser eller egen oppbevaring.

Congressional Research Service beskrev beslutningen som godkjenning av 11 spot Bitcoin ETP-søknader. For Bitcoin var dette en institusjonell legitimering. Etter mange år med avslag, usikkerhet og regulatorisk motstand fikk aktivaklassen en enklere vei inn i tradisjonelle porteføljer.

Det er viktig: Bitcoin ble ikke bare en intern kryptohistorie. Det ble et produkt banker, rådgivere, fondsplattformer og institusjonelle investorer kunne diskutere på et mer kjent språk.

Men nettopp derfor endret også Bitcoin karakter. Før ETF-ene var en del av fortellingen at Bitcoin sto utenfor systemet. Etter ETF-ene ble en del av Bitcoin pakket inn i systemet. Det gjorde tilgangen enklere, men det gjorde også Bitcoin mer sammenlignbart med andre investeringsprodukter.

Når Bitcoin blir en porteføljekomponent, må den konkurrere om kapital med andre porteføljekomponenter. Da er ikke spørsmålet bare "tror du på Bitcoin?" Spørsmålet blir "hvorfor skal kapitalen stå i Bitcoin i stedet for AI-aksjer, obligasjoner, kontanter, gull, private credit, semiconductors eller stablecoin-infrastruktur?"

Den konkurransen er hardere.

AI har inntekter, kunder og fysisk knapphet

Bitcoin-fortellingen bygger på knapphet, nettverkseffekt, sensurresistens og digitalt eierskap. AI-fortellingen bygger på noe annet: inntektsvekst, produktivitetsløfter, kundeadopsjon og fysisk knapphet i brikker, datasentre og strøm.

Nvidia er symbolet. Selskapets datasenterinntekter har vokst ekstremt raskt, og investorene kan se etterspørselen i regnskapet. Dette er en annen type fortelling enn Bitcoin. Den handler ikke bare om at flere skal tro på et knapphetsobjekt. Den handler om at virksomheter faktisk kjøper datakraft for å bygge produkter, automatisere arbeid, trene modeller og konkurrere.

Det betyr ikke at AI-aksjer er risikofrie. Tvert imot kan deler av AI-markedet være preget av overinvestering, forventningspress og sirkulære avtaler. Men fortellingen er lett å gripe: AI trenger chips. Chips trenger datasentre. Datasentre trenger strøm. Store selskaper betaler.

Bitcoin trenger også fysisk infrastruktur, særlig mining og energitilgang, men verdifortellingen er annerledes. Bitcoin produserer ikke kontantstrøm. Det er en monetær og spekulativ eiendel. AI-selskaper kan i beste fall peke på inntekter, kunder, backlog og produktivitetsgevinster.

I perioder der markedet vil ha vekst med synlige inntekter, vinner AI narrativt terreng.

ETF-er gjorde Bitcoin enklere, men også mer vanlig

Bitcoin-ETF-ene var en seier, men de gjorde også Bitcoin mindre fremmed. Det høres positivt ut, og på mange måter er det det. Men et produkt som blir vanlig, mister noe av opprørsfortellingen.

Tidligere kunne Bitcoin presenteres som et alternativ til hele finanssystemet. Nå kan det kjøpes gjennom finanssystemet. Det gjør terskelen lavere, men også sammenligningen skarpere. En investor kan se Bitcoin-eksponering ved siden av Nasdaq, gull, energi, AI-ETF-er, chip-aksjer og rentefond.

Da blir pengestrømmer viktige. Hvis Bitcoin-produkter har utstrømninger samtidig som AI- og semiconductor-fond får tilsig, tolker markedet det som et signal. Det trenger ikke bety at Bitcoin er dødt. Det betyr bare at marginal kapital går et annet sted akkurat nå.

CoinShares har i 2026 rapportert flere perioder med utstrømninger fra digitale aktivaprodukter, inkludert Bitcoin. Slike data må leses forsiktig, fordi uke-til-uke-tall kan snu raskt. Men de viser at institusjonell kryptoetterspørsel ikke er en rett linje oppover.

Dette er kanskje den viktigste lærdommen etter ETF-godkjenningen: institusjonalisering gir tilgang, men ikke garantert etterspørsel. Kapital er rastløs.

Bitcoin-fortellingen er blitt mer defensiv

Bitcoin hadde lenge en offensiv fortelling. Det var det nye pengesystemet, den digitale gullstandarden, et svar på inflasjon, et verktøy for frihet, en hedge mot sentralbanker og en teknologisk revolusjon.

Noe av dette lever fortsatt. Men i 2026 høres Bitcoin-fortellingen oftere defensiv ut: beskytte seg mot pengepolitikk, beskytte seg mot systemrisiko, beskytte seg mot inflasjon, beskytte seg mot statlig kontroll. Dette kan være sterke argumenter, men de har en annen energi enn AI-fortellingen, som lover produktivitet, nye selskaper, automatisering, medisinsk forskning, robotikk og industriell transformasjon.

Markedet liker ofte offensive vekstfortellinger når risikoviljen er høy. AI har akkurat nå en slik fortelling. Bitcoin må i større grad forklare hvorfor det fortsatt er nødvendig etter at ETF-ene finnes og etter at stablecoins har tatt mye av betalingshistorien.

Det er særlig interessant at stablecoins går mainstream. Mange av de praktiske argumentene krypto brukte tidligere, som raske digitale betalinger og overføringer på tvers av grenser, flyttes nå over i stablecoin-historien. Bitcoin står igjen med knapphet, sikkerhet, monetær uavhengighet og spekulasjon. Det er ikke lite, men det er smalere.

AI har også en boblerisiko

At AI har stjålet narrativet, betyr ikke at AI nødvendigvis er en bedre investering. Det er viktig å være nøktern. Når én fortelling blir dominerende, stiger risikoen for overprising, overbygging og dårlige beslutninger.

AI-markedet har flere klare risikofaktorer. Datasentre kan bygges for raskt. Strømkapasitet kan bli dyrere enn forventet. GPU-er kan falle i verdi raskere enn planlagt. Kunder kan reforhandle avtaler. Modeller kan bli mer effektive og redusere behovet for ekstrem kapasitet. Regulering kan begrense databruk. Og produktivitetsgevinstene kan ta lengre tid å realisere enn investorene håper.

Vi har sett slike teknologisykluser før. Internett var reelt, men dotcom-boblen var også reell. Skyen var reell, men ikke alle skyaksjer var gode investeringer. Elbilmarkedet var reelt, men ikke alle elbilverdsettelser holdt.

AI kan være en ekte industriell transformasjon og samtidig være overpriset i deler av markedet. Det ene utelukker ikke det andre.

Derfor bør poenget ikke være at Bitcoin er dårlig og AI er bra. Poenget er at markedsfortellinger flytter kapital, og akkurat nå har AI en mer håndfast veksthistorie.

Energi binder Bitcoin og AI sammen

Bitcoin og AI har én felles fysisk begrensning: energi.

Bitcoin-mining har lenge vært kritisert for strømforbruk. Forsvarere peker på bruk av overskuddskraft, fleksibel last og insentiver for energiproduksjon. Kritikere peker på utslipp, lokal belastning og konkurranse med andre formål. Uansett ståsted er det umulig å diskutere Bitcoin uten energi.

AI har nå fått samme type debatt, bare i en annen form. Datasentre krever strøm, kjøling og vann. IEA og andre peker på at AI-drevne datasentre kan bli en viktig ny belastning i kraftsystemet. Dette gjør at både Bitcoin og AI må svare på samme grunnspørsmål: Hva får samfunnet igjen for energien?

Her har AI et narrativt fortrinn. AI kan peke på konkrete bruksområder: forskning, kode, kundeservice, helse, industri, søk, sikkerhet og automatisering. Bitcoin kan peke på monetær suverenitet, et åpent nettverk og et alternativt verdilager. Begge kan være legitime argumenter, men de treffer ulike publikum.

For politikere og lokalsamfunn kan AI derfor virke lettere å forsvare enn Bitcoin-mining, selv om begge kan være ressurskrevende. Det betyr ikke at AI alltid er mer verdifullt. Det betyr at AI-fortellingen er enklere å selge.

Dette er bakgrunnen for Kunnskapsrom-artikkelen om AI, datasentre, strøm og vann. AI har fått en fysisk pris, men markedet aksepterer foreløpig prisen fordi vekstfortellingen er sterk.

Datakontroll er Bitcoins undervurderte argument

Bitcoin-forkjempere har ofte vært opptatt av selvforvaring: muligheten til å eie og flytte verdi uten en mellommann. Dette argumentet blir mer relevant, ikke mindre, i en tid der AI- og fintech-plattformer samler stadig mer data.

Når stablecoins blir regulert og integrert i betalingssystemer, øker også kravene til identitet, sanksjonsscreening og transaksjonsovervåking. Når AI-verktøy flytter arbeid inn i skyen, sendes dokumenter, kode og analyser til leverandører. Når betalingsapper og digitale lommebøker blir mer avanserte, skapes rikere dataprofiler.

Bitcoin tilbyr ikke personvern automatisk. Den offentlige blokkjeden er sporbar, og mange brukere går gjennom regulerte børser. Men Bitcoin minner markedet om et prinsipp: digital verdi kan designes slik at brukeren ikke trenger å stole fullt på én sentral aktør. Det er en annen variant av spørsmålet Kunnskapsrom stiller i artikkelen om hvem som egentlig kontrollerer dataene dine: kontroll kan være like viktig som bekvemmelighet.

Det er kanskje Bitcoins sterkeste langsiktige narrativ. Ikke at prisen alltid skal opp. Ikke at det erstatter alle penger. Men at det finnes som et åpent, globalt, begrenset og relativt nøytralt verdinettverk.

Utfordringen er at dette argumentet krever mer forklaring enn AI-vekst. Det er mindre umiddelbart enn "selskapet solgte flere GPU-er". I et marked som elsker kvartalsresultater, er det en svakhet.

Hva investorer bør se etter

Dette er ikke investeringsråd, men en måte å lese markedet på. Når Bitcoin og AI konkurrerer om kapital, bør man se etter fem forhold.

Det første er pengestrømmer. ETF-innstrømning og -utstrømning sier ikke alt, men de viser hvor marginal kapital beveger seg. Bitcoin-produkter og AI-/semiconductor-fond kan fortelle ulike historier i samme uke.

Det andre er realisert bruk. AI-selskaper må etter hvert vise at investeringene gir produkter, kunder og marginer. Bitcoin må vise at nettverket fortsatt har relevant etterspørsel som verdilager, oppgjørslag eller sikker digital knapphet.

Det tredje er rente og likviditet. Både Bitcoin og AI-aksjer påvirkes av risikovilje. Når likviditet strammes inn, kan begge falle. Når markedet søker vekst, kan begge stige, men ikke nødvendigvis samtidig.

Det fjerde er regulatorisk utvikling. Bitcoin påvirkes av ETF-regler, skatt, børsregulering og institusjonell tilgang. AI påvirkes av databruk, opphavsrett, sikkerhet, eksportkontroll, energipolitikk og konkurransemyndigheter.

Det femte er konsentrasjon. Bitcoin har én hovedaktivaklasse. AI-markedet består av flere lag: brikker, datasentre, kraft, skyleverandører, modeller, apper og sikkerhet. Det gjør AI mer diversifiserbart, men også mer komplekst.

Hva virksomheter bør lære av dette

For virksomheter er den viktigste lærdommen ikke hvilken eiendel som gir best avkastning. Det er at teknologinarrativer kan endre prioriteringer raskt.

For få år siden kunne "blokkjede" åpne budsjetter, investorpresentasjoner og innovasjonsprosjekter. Nå gjør "AI" ofte det samme. Det betyr at virksomheter må være ekstra kritiske. Ikke alle AI-prosjekter er gode fordi AI er populært. Ikke alle kryptoprosjekter var gode fordi krypto var populært.

Et modent teknologivalg starter med behovet. Skal man løse betaling, identitet, dokumentbehandling, kundeservice, analyse, sikkerhet eller automatisering? Hvilke data krever løsningen? Hvilken leverandør får kontroll? Hva skjer hvis trenden snur?

Dette er særlig viktig ved datadeling til tredjeparter. AI-verktøy kan virke gratis eller billige, men prisen kan være data, avhengighet og lock-in. Stablecoins kan virke effektive, men prisen kan være transaksjonsinnsikt hos nye mellomledd. Bitcoin kan virke uavhengig, men brukeren må forstå oppbevaring, nøkkelrisiko og sporbarhet.

Teknologihistorier skifter. Data- og risikospørsmål består.

Hva kan gi Bitcoin narrativet tilbake?

Bitcoin kan få sterkere narrativ igjen, men da må noe endre markedets prioritering. Det kan skje på flere måter.

Den første muligheten er makroøkonomisk uro. Hvis tilliten til valutaer, statsfinanser eller banker svekkes, kan Bitcoins knapphetsfortelling bli mer attraktiv. Da blir spørsmålet om et nøytralt, globalt verdilager mer relevant enn spørsmålet om kvartalsvekst i AI-aksjer.

Den andre er ny institusjonell etterspørsel. ETF-godkjenningen åpnet døren, men store kapitalstrømmer kommer ikke automatisk. Hvis pensjonsfond, selskaper, nasjonalstater eller store formuesforvaltere øker Bitcoin-allokeringene merkbart, kan narrativet snu fra skuffelse til ny adopsjonsfase.

Den tredje er teknisk og økosystemmessig utvikling. Bitcoin er konservativt designet, men løsninger rundt nettverket kan forbedre betalinger, sikkerhet, oppgjør og brukervennlighet. Hvis slike lag får praktisk adopsjon, kan Bitcoin få mer enn bare verdilagerfortellingen tilbake.

Den fjerde er svakhet i AI-fortellingen. Hvis AI-investeringer ikke gir forventede marginer, hvis datasenterkapasitet bygges for aggressivt, eller hvis regulatoriske og energimessige begrensninger bremser veksten, kan kapitalen lete etter andre teknologiske knapphetsobjekter igjen.

Dette viser hvorfor markedsfortellinger ikke bør leses som evige sannheter. AI leder narrativt nå, men det kan endre seg. Bitcoin har flere ganger vært ute av sentrum og likevel kommet tilbake.

To ulike former for tillit

Bitcoin og AI bygger på svært ulike former for tillit. Bitcoin ber brukeren stole på kode, kryptografi, nettverkseffekt og en forutsigbar utstedelsesplan. AI-selskaper ber brukeren stole på modeller, selskaper, datasentre, leverandørkjeder, datasett, sikkerhetsteam og fremtidige inntekter.

Dette skillet er undervurdert. Bitcoin er enklere i sin kjerne, men vanskeligere å bruke ansvarlig for mange vanlige brukere. AI er enklere å bruke i grensesnittet, men langt mer kompleks under overflaten. Når en bruker skriver inn tekst i et AI-verktøy, er det ikke alltid åpenbart hvilke systemer, modeller, logger og underleverandører som involveres.

Derfor er ikke spørsmålet bare hvilken teknologi som er mest spennende. Det er hvilken type avhengighet man aksepterer. Bitcoin gir brukeren mulighet til egen kontroll, men straffer feil hardt. AI-plattformer gir brukeren bekvemmelighet og kraft, men kan skape dyp leverandøravhengighet og omfattende datadeling.

For virksomheter er dette særlig viktig. Det er mulig å ha en streng policy for kryptobetalinger og samtidig være altfor naiv med AI-verktøy. Det er også mulig å være skeptisk til AI-skyer og samtidig undervurdere risikoen ved digitale eiendeler. Begge feilene kommer av at man lar narrativet styre mer enn risikovurderingen.

En moden organisasjon bør klare to tanker samtidig: Bitcoin er risikabelt, men interessant som åpent verdinettverk. AI er nyttig, men risikabelt som datadrevet plattformskifte. Ingen av dem bør behandles som magi.

Konklusjon: Bitcoin trenger en ny fase

Bitcoin er ikke død. Det er en for enkel og historieløs påstand. Bitcoin har overlevd for mye til at man bør avskrive det fordi markedet midlertidig foretrekker en annen fortelling.

Men Bitcoin har mistet noe av den narrative monopolsituasjonen. AI har overtatt rollen som den store teknologiske vekstfortellingen. Det er her kapitalen ser industriell knapphet, synlige inntekter, produktivitetsløfter og politisk betydning.

Bitcoin kan fortsatt ha en rolle som digital knapphet, alternativt verdilager og åpent verdinettverk. Men det må konkurrere i et marked der stablecoins tar betalingshistorien og AI tar veksthistorien.

Den neste fasen for Bitcoin handler derfor ikke bare om pris. Den handler om relevans. Hva skal Bitcoin være når krypto ikke lenger eier framtidsfortellingen alene?

Det er et krevende spørsmål, men også et sunt et. Teknologier som overlever flere sykluser, må tåle å bli vurdert på nytt. Bitcoin trenger ikke vinne AI-fortellingen for å være relevant. Men det må forklare hvorfor åpen digital knapphet fortsatt betyr noe i en verden der kapitalen løper etter kunstig intelligens, datasentre og automatisering.

Videre lesing

Illustrasjon av et datasenter koblet til strømnett, vann og AI-infrastruktur.

AI har fått et strømproblem: datasentre, vann og den fysiske prisen for kunstig intelligens

Skrevet av Svein Tore den . Publisert i Teknologi. Ingen kommentarer til AI har fått et strømproblem: datasentre, vann og den fysiske prisen for kunstig intelligens

Kunstig intelligens blir ofte beskrevet som noe lett, digitalt og nesten kroppsløst. Vi snakker om modeller, agenter, chatvinduer, API-er, søk, automatisering og produktivitet. Men bak alt dette står en mer jordnær virkelighet: servere, brikker, strøm, kjøling, vann, fiber, transformatorer, tomter, byggeprosesser og lokale kraftnett.

AI er ikke bare programvare. AI er infrastruktur.

Det er derfor datasentre plutselig er blitt en av de viktigste teknologihistoriene. Når flere virksomheter tar i bruk AI, øker behovet for beregning. Når behovet for beregning øker, bygges flere datasentre. Når flere datasentre bygges, møter AI-sektoren den fysiske verden: energikapasitet, lokale nettkøer, vannressurser, varme, støy, arealkonflikter og politiske prioriteringer.

Dette betyr ikke at AI er "for dyrt" eller "for skadelig" i seg selv. Den typen enkel dom hjelper lite. Spørsmålet er heller hva vi får igjen for ressursbruken, hvem som kontrollerer infrastrukturen, hvor dataene behandles, og om samfunnet er ærlig nok om kostnadene før det lar AI bli et altoverskyggende argument.

For Norge er dette spesielt relevant. Vi har relativt ren kraft, kjølig klima, fiberforbindelser, datasenterambisjoner og et sterkt behov for digital suverenitet. Samtidig har vi også kraftkonflikter, naturhensyn, industri som trenger elektrifisering, og offentlige tjenester som ikke kan overlate alle data og prosesser til globale plattformer uten kritiske spørsmål.

Det nye AI-kappløpet starter i strømnettet

Det er fristende å tenke på AI-kapasitet som noe man bare kan kjøpe i skyen. Man trykker på en knapp, får tilgang til en modell, og betaler for bruk. Men skyen er ikke et sted uten friksjon. Den er en samling fysiske datasentre som må mates med strøm og kjøles kontinuerlig.

IEA har beskrevet sammenhengen brutalt enkelt: Det finnes ingen AI uten energi, særlig strøm til datasentre. I rapporten *Energy and AI* peker IEA på at datasentre allerede er en tydelig del av global strømvekst fram mot 2030. Selv om datasentre fortsatt bare er én del av det totale energibildet, kan veksten bli svært merkbar lokalt fordi belastningen konsentreres i bestemte regioner, byer og nettnoder.

Dette er en viktig nyanse. Globalt kan datasentre fortsatt være mindre enn mange andre strømforbrukere. Lokalt kan de likevel være enorme. Et datasenterprosjekt på flere hundre megawatt kan være større enn mye eksisterende industri i området. Det kan utløse behov for nettforsterkning, nye kraftavtaler, reservekraft og politiske beslutninger om hvem som skal få tilgang først.

AI skjerper dette fordi moderne AI-bruk ikke bare handler om lagring og webtrafikk. Store modeller krever tung trening, og like viktig: stadig mer inferens. Inferens er når modellen faktisk brukes. Hver gang noen ber en modell analysere en kontrakt, skrive kode, oppsummere et møte eller svare i et søk, kjøres beregninger. Når AI bygges inn i kontorprogrammer, nettlesere, søk, kundeservice, produksjon, sikkerhet og økonomisystemer, blir strømbehovet en del av normal digital drift.

Det er derfor artikkelen om Nvidia, chips og AI-infrastruktur ikke kan leses isolert. Brikker er bare første del av kjeden. Når brikkene leveres, må de settes inn i datasentre. Når datasentrene bygges, må kraft og kjøling følge etter.

Kjøling er ikke en detalj

En server som regner tungt, lager varme. En hel hall full av AI-servere lager svært mye varme. Den varmen må bort. Hvis ikke faller ytelsen, maskinvaren slites, eller systemene stopper.

Tradisjonelle datasentre har ofte brukt luftkjøling, men tettere AI-rack og kraftigere GPU-klynger skyver bransjen mot mer avansert væske- og hybridkjøling. Dette kan være mer effektivt, men det gjør ikke ressursdiskusjonen irrelevant. Noen løsninger bruker mindre vann, men mer strøm. Andre bruker mer vann for å spare energi. Noen kan bruke lukkede kretsløp. Andre er avhengige av lokale vannressurser eller fordampningskjøling.

IEA peker på at kjølesystemer kan utgjøre en betydelig del av datasentrenes strømforbruk, med store forskjeller mellom effektive hyperskala-anlegg og eldre eller mindre effektive anlegg. Det betyr at datasentre ikke er like. To datasentre med samme IT-kapasitet kan ha svært ulik påvirkning på strøm, vann og lokale ressurser.

For en kommune eller region er dette avgjørende. Det holder ikke å spørre hvor stort datasenteret er. Man må spørre hvordan det kjøles, hvor mye vann det trenger, om overskuddsvarme kan brukes, hvor fleksibelt forbruket er, og hva som skjer i tørkeperioder eller ved kraftknapphet.

Her er det lett å drukne i tekniske forkortelser. PUE måler forholdet mellom total energibruk og IT-energi. WUE måler vannbruk per IT-energi. Begge kan være nyttige, men de kan også skjule viktige forhold hvis de brukes ukritisk. Lav PUE er ikke automatisk lav miljøbelastning hvis kraften er fossil eller vannbruken er høy i et vannstresset område. Lav WUE er ikke automatisk best hvis løsningen flytter belastningen over på strømnettet i et område med knapp kapasitet.

Det viktigste spørsmålet er derfor ikke om datasenteret har fine effektivitetstall. Det viktigste er om tallene gir mening i den lokale virkeligheten.

Vannspørsmålet kommer til å bli mer politisk

Strøm får mest oppmerksomhet, men vann kan bli den mest konfliktfylte ressursen i enkelte områder. Datasentre kan bruke vann direkte til kjøling, indirekte gjennom kraftproduksjon, og indirekte gjennom produksjon av maskinvare. Det betyr at vannfotavtrykket ikke alltid er synlig på tomten der datasenteret står.

I områder med god vanntilgang er dette mindre dramatisk enn i tørre regioner. Men vann er ikke bare et globalt gjennomsnitt. Det er lokalt. Et datasenter som er uproblematisk ett sted, kan være politisk uholdbart et annet sted.

Dette er grunnen til at rapportering og åpenhet blir viktig. Lokalsamfunn bør få vite hvor mye vann som brukes, hvilke perioder som er mest belastende, hvilke kilder som brukes, og om anlegget konkurrerer med husholdninger, landbruk eller annen industri. Uten slike data blir debatten fort preget av enten skremsel eller glansbilder.

Vannspørsmålet er også et eksempel på hvorfor AI ikke bør behandles som en unntakskategori. Det at et datasenter brukes til AI, gjør ikke automatisk prosjektet mer samfunnsnyttig enn andre kraft- og vannkrevende formål. En AI-klynge som støtter forskning, helse, sikkerhet, språkmodeller og industri kan ha høy samfunnsverdi. En like stor klynge brukt til aggressiv annonseoptimalisering, spekulativ handel eller datadrevet manipulasjon har en annen verdi.

Ressursbruken bør vurderes opp mot bruken. Det høres selvfølgelig ut, men i praksis blir "AI" ofte brukt som et magisk ord som gjør prioriteringen uklar.

Norge har fordeler, men ikke gratis kapasitet

Norge har flere egenskaper som gjør landet interessant for datasentre. Vi har mye fornybar kraft sammenlignet med mange andre land, kjøligere klima, politisk stabilitet og god digital infrastruktur. I tillegg har vi et legitimt behov for mer kontroll over data, særlig i offentlig sektor, forskning, helse og kritisk infrastruktur.

Men Norge har ikke ubegrenset strøm. Kraftsystemet er allerede gjenstand for konflikt. Industri, elektrifisering, transport, husholdninger, batteriproduksjon, hydrogen, datasentre og nye grønne prosjekter konkurrerer om kapasitet, nett og politisk oppmerksomhet.

Derfor bør norske datasenterprosjekter vurderes konkret. Hvilken type kapasitet bygges? Hvem er kundene? Hvor mye lokal verdiskaping gir prosjektet? Gir det arbeidsplasser og kompetanse, eller bare store bygg med lav bemanning? Kan overskuddsvarme brukes? Belaster det nettkapasitet som andre samfunnsformål trenger? Er det transparent nok til at lokalsamfunnet kan vurdere fordeler og ulemper?

Et norsk datasenter kan være en del av en god strategi for digital suverenitet. Men det er ikke automatisk suverent bare fordi det ligger i Norge. Eierskap, driftsmodell, underleverandører, programvarelag, tilgangskontroll og juridiske avtaler betyr også noe. Hvis et datasenter i Norge i praksis styres av en global plattform, med uklare dataveier og avhengigheter til tredjeland, er bildet mer komplisert.

Dette er samme grunnproblem som i tidligere Kunnskapsrom-artikler om datasuverenitet, private skyer og self-hosted skylagring. Fysisk plassering er viktig, men ikke nok.

Datadeling er den skjulte infrastrukturen

Når en virksomhet bruker AI, er det lett å se strømforbruket som datasenterets problem og datadeling som IT-avdelingens problem. I virkeligheten henger de sammen. Valget av AI-leverandør bestemmer ofte både hvor beregningen skjer og hvor dataene flyter.

Hvis ansatte bruker en ekstern AI-tjeneste til dokumentanalyse, kundesaker, kode, økonomirapporter eller interne strategier, sendes data ut av virksomheten. Spørsmålet er ikke bare om modellen er god. Spørsmålet er hvor dataene behandles, om de logges, om de brukes til trening eller forbedring, hvilke underleverandører som inngår, og hvilke lands lover som kan komme til anvendelse.

Dette blir mer kritisk når AI-verktøy blir agentiske. En enkel chatbot får gjerne ett spørsmål og ett svar. En agent kan lese mapper, analysere kildekode, hente logger, kjøre kommandoer, koble seg til systemer og produsere endringer. Det er kraftig. Det er også en mye dypere form for datatilgang.

AI-datasentre er derfor ikke bare et spørsmål om strøm og vann. De er også et spørsmål om kontroll. Når mer arbeid flyttes til AI-systemer, flyttes også mer informasjon til infrastrukturen bak. Det kan være helt greit når dataene er offentlige eller ufarlige. Det kan være uforsvarlig når dataene er sensitive, personlige, konkurransekritiske eller knyttet til sikkerhet.

En god AI-strategi bør derfor koble tre ting: energibruk, datakontroll og verdi. Hva brukes AI-en til? Hvilke data krever den? Hvilken infrastruktur kjører den på? Hvilken samfunnsnytte eller forretningsnytte rettferdiggjør ressursbruken?

AI kan også hjelpe energisystemet

Det er viktig å ikke gjøre dette til en ensidig dom over AI. AI kan også bidra positivt i energisystemet. Bedre prognoser, mer fleksibelt forbruk, prediktivt vedlikehold, styring av bygg, optimalisering av nett og mer effektiv industri kan redusere sløsing. IEA peker også på at AI kan ha betydelig potensial for effektivisering i bygg og kraftsystemer.

Men det positive potensialet fritar ikke datasentre fra krav. En teknologi kan både være nyttig og ressurskrevende samtidig. Nettopp derfor må den styres godt.

Det mest interessante spørsmålet er ikke om AI bruker strøm. Alt digitalt bruker strøm. Spørsmålet er om AI-bruken gir nok verdi til å forsvare ressursene, og om de mest ressurskrevende bruksområdene faktisk er de viktigste.

Her bør offentlige innkjøpere, store virksomheter og datasenteraktører ta mer ansvar. Det bør være mulig å stille krav til energieffektivitet, vannrapportering, regionvalg, overskuddsvarme, databehandling, underleverandører og beredskap uten at det oppfattes som teknologifiendtlighet.

Hva virksomheter bør gjøre nå

Det første virksomheter bør gjøre, er å kartlegge AI-bruken. Hvilke tjenester brukes allerede? Hvilke data sendes inn? Hvilke leverandører ligger bak? Hvilke regioner behandles data i? Hvilke funksjoner er bare pilot, og hvilke har blitt kritisk drift?

Det andre er å klassifisere data. Offentlig informasjon, interne rutiner, personopplysninger, kundedata, sikkerhetslogger, kildekode og forretningshemmeligheter kan ikke behandles likt. En tjeneste som er grei for åpne tekster, kan være uegnet for kundedata.

Det tredje er å stille krav til leverandører. Spør om datalagring, logging, modelltrening, underleverandører, region, sletting, revisjon og hendelseshåndtering. Spør også om energibruk og bærekraftsrapportering der det er relevant. Ikke fordi alle kunder skal bli datasenterrevisorer, men fordi leverandører må merke at kontroll betyr noe.

Det fjerde er å vurdere lokale eller mer kontrollerte alternativer for sensitive arbeidsflyter. Det betyr ikke at alt må kjøres på egne servere. Det betyr at virksomheten bør ha flere nivåer: åpne data kan bruke én type løsning, sensitive data en annen, og virksomhetskritiske prosesser en tredje.

Det femte er å unngå å gjøre AI til standardvalg uten nyttevurdering. Noen oppgaver trenger ikke en stor modell. Noen kan løses med en mindre modell, en regelmotor, et søk, et script eller bedre informasjonsarkitektur. Den mest bærekraftige AI-bruken er ofte den som er presis nok, ikke størst mulig.

En enkel prioriteringsmodell for AI-kapasitet

For å gjøre diskusjonen mer praktisk kan virksomheter og offentlige aktører sortere AI-bruk i fire nivåer.

Første nivå er lavrisiko og lav ressursbruk. Det kan være åpne tekster, generell idéutvikling, språkvask, enkle oppsummeringer og eksperimenter uten sensitive data. Her er det ofte fornuftig å bruke standardverktøy, så lenge ansatte forstår hva som ikke skal deles.

Andre nivå er intern produktivitet. Her brukes AI på dokumenter, møteoppsummeringer, interne rutiner, kodeforklaring eller analyse. Verdien kan være stor, men datadeling blir mer alvorlig. Virksomheten bør vite om data lagres, om de kan brukes til modellforbedring, og hvilke underleverandører som inngår.

Tredje nivå er sensitiv fagbruk. Det kan være helse, juridiske vurderinger, sikkerhetslogger, kundedata, offentlige saksdokumenter eller konkurransesensitiv informasjon. Her bør man vurdere kontrollerte miljøer, streng tilgangsstyring, logging, dataminimering og klare ansvarsforhold.

Fjerde nivå er kritisk automatisering. Da får AI-systemer påvirke drift, beslutninger, produksjon, økonomi, sikkerhet eller infrastruktur. Her er det ikke nok at modellen er god. Hele systemet må kunne revideres, stoppes, forklares og drives videre hvis leverandøren endrer vilkår eller kapasitet forsvinner.

Denne typen sortering gjør det lettere å koble ressursbruk til verdi. En stor ekstern modell kan være helt grei for enkelte åpne oppgaver, men feil valg for sensitive prosesser. En lokal eller privat løsning kan være unødvendig dyr for enkle oppgaver, men riktig for data som ikke bør forlate virksomhetens kontroll.

Offentlig sektor bør være ekstra tydelig

Offentlig sektor har et særskilt ansvar fordi den forvalter både innbyggerdata og samfunnstillit. Når AI tas i bruk i kommuner, helse, utdanning, politi, skatt, NAV-lignende tjenester eller saksbehandling, blir datadeling og infrastrukturvalg demokratiske spørsmål, ikke bare tekniske.

En kommune som bruker AI til å effektivisere interne rutiner, kan få reell nytte. Men dersom dokumenter med personopplysninger eller sårbare livssituasjoner sendes til uklare tredjepartsløsninger, kan effektiviseringen bli dyr på en annen måte. Det samme gjelder skole og helse, der data ofte er både sensitive og vanskelige å anonymisere godt nok.

Offentlig sektor bør derfor ikke bare spørre om en AI-tjeneste har europeisk datasenter. Den bør spørre om hele behandlingskjeden: modell, logging, support, underleverandører, tilgangsstyring, sikkerhetskopier, sletting, revisjon og juridisk kontroll. Et datasenter i riktig region hjelper lite hvis støttepersonell, analyseverktøy eller treningsprosesser trekker data videre.

Dette er ikke et argument mot offentlig AI-bruk. Det er et argument for å bygge den på infrastruktur som tåler innsyn. Hvis innbyggerne skal stole på AI i offentlig sektor, må de kunne stole på at dataene ikke blir en skjult råvare i globale plattformer.

Hva kommuner og myndigheter bør spørre om

Når et datasenterprosjekt kommer til en kommune, bør spørsmålene være konkrete. Hvor mye effekt krever prosjektet? Når på døgnet er belastningen størst? Hvordan kjøles anlegget? Hvor mye vann brukes, og fra hvilken kilde? Hva skjer ved tørke, kraftknapphet eller beredskapssituasjoner? Hvilken lokal verdi skapes? Kan overskuddsvarme brukes? Hvem eier og drifter anlegget? Hvilke kunder er aktuelle? Finnes det sikkerhets- og beredskapsmessige hensyn?

Kommunen trenger ikke vite alt om AI for å stille gode spørsmål. Den trenger å vite at datasentre er industriell infrastruktur, ikke bare "digital næring". De bør behandles med samme alvor som andre store kraft- og arealkrevende prosjekter.

For staten handler det om prioritering. Hvis AI skal være en del av norsk konkurransekraft, forskning, språk, helse og offentlig sektor, trenger vi infrastruktur. Men hvis all kapasitet kontrolleres av globale aktører, blir suvereniteten svak. Hvis alle prosjekter får ja uten prioritering, blir kraftpolitikken svak. Begge deler kan være problematisk.

Konklusjon: AI må ned på bakken

AI-debatten trenger mindre magi og mer infrastrukturforståelse. Kunstig intelligens er ikke bare modeller og apper. Det er datasentre, strøm, vann, kjøling, nett, brikker, leverandørkjeder og databehandling.

Det betyr ikke at AI-boomen bør stoppes. Det betyr at den bør styres. Vi bør bygge kapasitet der den gir reell verdi, med åpenhet om ressursbruk og streng kontroll med data. Vi bør skille mellom AI som styrker forskning, industri og samfunn, og AI som bare øker datainnsamling, avhengighet og energiforbruk uten klar nytte.

For Norge kan dette bli en mulighet. Men bare hvis vi er ærlige om at AI har en fysisk pris, og at den prisen må vurderes før strøm, vann og data låses inn i andres infrastruktur.

Videre lesing

Illustrasjon av en AI-brikke koblet til serverrack og leverandørledd.

Nvidia, chips og AI-infrastruktur: hvorfor AI-boomen er blitt et forsyningskappløp

Skrevet av Svein Tore den . Publisert i Teknologi. Ingen kommentarer til Nvidia, chips og AI-infrastruktur: hvorfor AI-boomen er blitt et forsyningskappløp

Nvidia er blitt mer enn et teknologiselskap. Det er blitt en målestokk for hvor hardt verden bygger ut kunstig intelligens. Når Nvidia rapporterer rekordsalg, tolkes det ikke bare som en bedriftsnyhet. Det leses som et signal om hvor mye kapital, strøm, datasenterplass og optimisme som fortsatt strømmer inn i AI-økonomien.

I mai 2026 rapporterte Nvidia 81,6 milliarder dollar i kvartalsomsetning for første kvartal i regnskapsåret 2027, opp 85 prosent fra året før. Datasenterinntektene var 75,2 milliarder dollar, opp 92 prosent fra året før. Dette er tall som nesten er vanskelige å plassere i en normal teknologifortelling. De viser at AI ikke lenger bare er et programvaretema. Det er et industriprosjekt.

Men Nvidia-historien blir lett for smal. Den reduseres ofte til aksjekurs, markedsverdi og spørsmålet om man "burde kjøpe Nvidia". Det er en overflatisk vinkel. Den dypere historien er at AI-boomen har gjort datakraft til en knapp ressurs. Det handler om GPU-er, høybåndbredde-minne, avansert pakking, fabrikkapasitet, nettverk, strøm, kjøling, datasentre og leverandørmakt.

For norske lesere er dette ikke bare interessant for investorer. Det påvirker prisen på skytjenester, tilgangen til AI-verktøy, bygging av datasentre, nasjonal forskningsinfrastruktur og muligheten til å drive AI mer lokalt. Den som forstår AI som ren programvare, ser bare halvparten av bildet.

AI trenger maskiner før den trenger magi

Det er lett å snakke om AI som om det er et abstrakt intellekt i skyen. I praksis er det enorme mengder matematikk kjørt på fysisk maskinvare. Modeller trenes og kjøres på brikker. Brikkene står i servere. Serverne står i datasentre. Datasentrene trenger strøm, kjøling, nettverk, tomt, avtaler, kapital og mennesker.

Nvidia har lykkes fordi selskapet lenge bygde et økosystem rundt GPU-er, programvareverktøy, bibliotek, nettverk og akselerert databehandling. Da generativ AI eksploderte, var Nvidia allerede plassert midt i verdikjeden. Mange AI-aktører trengte ikke bare en brikke. De trengte et fungerende system for å trene og kjøre modeller i stor skala.

Dette er grunnen til at Nvidia kan ha en så dominerende posisjon selv om konkurrenter finnes. Det er vanskelig å bytte når hele verktøykjeden, kompetansen og infrastrukturen er bygget rundt én plattform. Det er ikke umulig, men det tar tid.

Samtidig gjør dominansen markedet sårbart. Når mange vil ha de samme brikkene, de samme serverne og den samme produksjonskapasiteten, oppstår flaskehalser. Etterspørselen kan være reell, men leveringen kan likevel bli begrenset.

Chips er bare ett lag i kjeden

En AI-chip alene skaper ikke AI-kapasitet. Den må settes inn i et system. Det systemet trenger minne med ekstrem båndbredde, rask internkommunikasjon, nettverk mellom noder, effektiv kjøling og programvare som utnytter maskinvaren. Hvis ett lag mangler, hjelper det ikke at resten er klart.

Høybåndbredde-minne er et godt eksempel. Store AI-modeller flytter enorme datamengder mellom beregning og minne. Hvis minnet ikke leverer raskt nok, står dyre beregningsenheter og venter. Derfor er minneleverandører som SK Hynix, Samsung og Micron viktige i AI-økonomien, selv om Nvidia får de største overskriftene.

Avansert brikkeproduksjon er et annet lag. Nvidia designer mye selv, men produksjonen er avhengig av leverandører som TSMC og et helt økosystem av utstyr, materialer og pakkingsteknologi. Dette gjør AI-boomen til en geopolitisk historie. Taiwan, USA, Sør-Korea, Japan, Nederland og andre land er koblet inn i samme strategiske verdikjede.

Nettverk er et tredje lag. Når tusenvis av GPU-er skal jobbe sammen, er intern kommunikasjon avgjørende. Forsinkelser, flaskehalser og ustabilitet kan redusere verdien av dyr maskinvare. Derfor handler AI-infrastruktur ikke bare om "flest mulig chips", men om helhetlige systemer.

Dette er en viktig korreksjon til den enkle fortellingen. Nvidia er viktig, men Nvidia alene er ikke AI. AI-kapasitet oppstår når hele den fysiske og digitale infrastrukturen fungerer sammen.

Datasenterinntektene sier hvor markedet egentlig er

Nvidias datasentertall viser at AI-bølgen først og fremst drives av store kunder med enorme infrastrukturbehov. Hyperskalere, AI-laboratorier, datasenteraktører, forskningsmiljøer, industrielle aktører og stater kjøper ikke grafikkort for hobbybruk. De bygger kapasitet.

Når datasenterinntektene er størstedelen av omsetningen, betyr det at AI-markedet har beveget seg fra demonstrasjoner til drift. Modeller skal trenes, finjusteres, tilbys som API, brukes i søk, kode, dokumentbehandling, kundeservice, analyse, robotikk og forskning. Alt dette krever kapasitet.

Men veksten reiser også et spørsmål: Hvor mye av etterspørselen er langsiktig produktivitet, og hvor mye er kappløp? Store aktører kjøper kapasitet fordi de trenger den, men også fordi de ikke har råd til å stå uten. I AI-markedet kan mangel på beregning bety lavere modellkvalitet, tregere produktutvikling og svakere posisjon i markedet.

Dette kan skape en selvforsterkende dynamikk. Når én aktør bygger mer, må andre bygge mer. Når modeller blir større eller mer agentiske, trengs mer inferenskapasitet. Når brukerne får nye AI-funksjoner i søk, kontorprogrammer, kodeverktøy og telefoner, øker grunnlasten.

Det betyr ikke at veksten kan fortsette uendelig. Men det forklarer hvorfor AI-infrastruktur foreløpig ser mer ut som et industrielt utbyggingskappløp enn en vanlig programvaretrend.

Hva skjer hvis Nvidia ikke kan levere nok?

Når etterspørselen er større enn leveringskapasiteten, oppstår tre mulige reaksjoner. Den første er prispress. Kunder betaler mer for kapasitet, og kostnaden kan etter hvert sendes videre til brukere av AI-tjenester. Gratis eller billige AI-verktøy kan bli dyrere, mer begrenset eller pakket inn i abonnementer.

Den andre reaksjonen er prioritering. Store kunder med store kontrakter kan få tilgang først. Mindre aktører kan bli stående lenger bak i køen. Dette kan gjøre AI-markedet mer konsentrert, fordi de som allerede har kapital og volum, får bedre tilgang til kapasitet.

Den tredje reaksjonen er diversifisering. Google har TPU-er, Amazon har egne Trainium- og Inferentia-brikker, Microsoft investerer i egne og partnerbaserte løsninger, og flere selskaper bygger spesialiserte akseleratorer. Kundene ønsker alternativer, ikke nødvendigvis fordi Nvidia er dårlig, men fordi én dominerende leverandør er en strategisk risiko.

Likevel er det vanskelig å bryte ut av et etablert økosystem. Programvare, modeller, optimalisering og kompetanse er ofte bygget rundt Nvidia. Derfor kan alternativer vokse samtidig som Nvidia fortsatt dominerer.

For virksomheter som kjøper AI-tjenester indirekte, er dette relevant. Hvis leverandøren deres er avhengig av én type infrastruktur, kan pris, ytelse og tilgjengelighet påvirkes av samme flaskehals. AI i skyen føles elastisk, men er fortsatt bundet til fysiske begrensninger.

Norsk vinkel: superdatamaskiner og suveren kapasitet

Norge er ikke Nvidia, TSMC eller Silicon Valley. Men Norge trenger likevel AI-infrastruktur. Forskning, industri, helse, offentlig sektor, energi og språkmodeller for norske forhold krever datakraft. Hvis all kapasitet må kjøpes fra globale skyleverandører, får vi både kostnads-, kontroll- og datadelingsspørsmål.

Sigma2s superdatamaskin Olivia med Nvidia Grace Hopper-brikker viser at behovet også finnes her. Norsk forskning trenger moderne GPU-kapasitet for simulering, maskinlæring, klimamodellering, biovitenskap, materialforskning og andre beregningstunge områder. Slike investeringer er ikke bare tekniske oppgraderinger. De handler om hvor mye avansert forskning som kan gjøres lokalt.

Dette kobler AI-infrastruktur til datasuverenitet. Hvis norske virksomheter og forskningsmiljøer alltid må sende data og beregning til globale plattformer, blir kontrollspørsmålet mer krevende. Hvor behandles data? Hvem har tilgang? Hvilke avtaler gjelder? Hvilke jurisdiksjoner kan gripe inn?

Kunnskapsrom har tidligere skrevet om datasuverenitet og private skyer. AI gjør disse temaene mer aktuelle. Det er ikke nok å spørre om man har tilgang til en modell. Man må også spørre hvor modellen kjører, hvor data flyter, og om man kan kontrollere infrastrukturen når kravene skjerpes.

Chips, energi og datasentre henger sammen

AI-infrastruktur stopper ikke ved brikken. Når flere GPU-er kjøpes, må flere servere bygges. Når flere servere bygges, trengs mer strøm, kjøling, fiber, reservekraft og fysisk plass. Derfor henger Nvidia-historien tett sammen med datasenter- og energihistorien.

IEA peker på at datasentrenes strømbehov kan vokse kraftig fram mot 2030. Det betyr at AI ikke bare konkurrerer om brikker, men også om energi. Et datasenter med verdens beste GPU-er er lite verdt uten stabil kraft og kjøling.

Dette skaper nye geografiske muligheter. Steder med stabil kraft, kaldt klima, god fiber og politisk forutsigbarhet kan bli mer attraktive. Norge har noen av disse egenskapene. Men det betyr ikke at alle datasenterprosjekter automatisk er gode. De må vurderes mot kraftbalanse, naturinngrep, lokal nytte, arbeidsplasser, varmegjenvinning og beredskap.

AI-kappløpet kan altså gi Norge muligheter, men også konflikter. Skal kraft brukes til datasentre, industri, elektrifisering eller husholdninger? Hvem får verdien? Hvor mye lokal kontroll finnes? Hva skjer med vann- og arealbruk? Disse spørsmålene bør stilles før man lar "AI" bli et magisk ord som overstyrer alt annet.

Datadeling og skyleverandører

Når AI-kapasitet er knapp, kan virksomheter bli fristet til å bruke den løsningen som er lettest tilgjengelig. Det kan være en global AI-plattform, en skytjeneste, en API-leverandør eller et ferdig produkt. Det er forståelig. Men datadeling må fortsatt vurderes.

Hvis en virksomhet bruker ekstern AI-infrastruktur til kundedata, dokumenter, kode, logger eller interne analyser, må den vite hva som skjer med dataene. Brukes de til modellforbedring? Lagres de? Hvem er underleverandør? Hvilket land behandles dataene i? Kan virksomheten slette dem? Er tjenesten egnet for personopplysninger?

Dette er særlig viktig for AI-kodeagenter, analyseverktøy og dokumentverktøy. De kan gi stor nytte, men de fungerer ofte best når de får mye kontekst. Mye kontekst betyr også mye data. I en travel organisasjon kan terskelen for å laste opp "bare denne filen" bli lav. Det er der risikoen ligger.

En god regel er å behandle AI-infrastruktur som en ekstern databehandler, ikke som et nøytralt regneverktøy. Hvis dataene ikke ville blitt sendt ukritisk til en tilfeldig konsulent, bør de heller ikke sendes ukritisk til en AI-tjeneste.

Hva bør norske virksomheter følge med på?

Det første er pris og tilgjengelighet på AI-tjenester. Hvis beregningskostnaden fortsetter å være høy, vil leverandørene lete etter måter å prise bruken mer presist. Det kan bety grenser, kredittsystemer, høyere abonnementer eller prioriterte bedriftsplaner.

Det andre er leverandørenes regioner og databehandling. Spør hvor AI-tjenesten kjører, hvilke regioner som brukes, og om det finnes europeiske eller norske alternativer når dataene krever det.

Det tredje er modellvalg. Den beste modellen er ikke alltid nødvendig. Mange oppgaver kan løses med mindre modeller, lokale modeller eller mer avgrensede systemer. Det kan spare kostnad, redusere datadeling og gi bedre kontroll.

Det fjerde er intern kompetanse. Virksomheter bør ikke outsource all forståelse av AI-infrastruktur til leverandøren. De trenger nok kompetanse til å stille riktige spørsmål om kapasitet, kostnad, sikkerhet og data.

Det femte er beredskap. Hva skjer hvis en AI-tjeneste blir dyrere, tregere eller utilgjengelig? Har man en alternativ arbeidsflyt? Kan kritiske prosesser kjøres uten AI? Hvilke data ligger allerede i leverandørens systemer?

Anskaffelser blir et strategisk spørsmål

For virksomheter som skal kjøpe AI-kapasitet, er den viktigste endringen at anskaffelsen ikke lenger bare handler om pris per bruker eller pris per API-kall. Den handler om kontroll over en hel kjede. Det gjelder hvor data sendes, hvilke underleverandører som kan få tilgang, hvor logging skjer, hvilke modeller som brukes, hvordan trening og finjustering håndteres, og hvor lett det er å flytte seg senere.

Dette er særlig viktig når AI brukes på interne dokumenter, kildekode, kundedata, avvik, sikkerhetshendelser eller forretningskritisk kunnskap. Det hjelper lite at en leverandør har verdens beste GPU-er hvis kontrakten åpner for uklar viderebruk av data, uoversiktlige tredjepartsledd eller manglende kontroll med jurisdiksjon. AI-infrastruktur kan gi stor verdi, men den kan også bli en ny kanal for dataeksponering.

En moden anskaffelse bør skille mellom minst fire behov. Det første er eksperimentering med offentlig eller ufarlig informasjon. Det andre er produktivitetsverktøy for ansatte. Det tredje er analyse av interne eller sensitive data. Det fjerde er virksomhetskritisk automatisering. Disse behovene kan ikke behandles likt. De har ulik risikoprofil, ulike krav til databehandleravtaler og ulik toleranse for leverandørlås.

For mange norske virksomheter vil en hybrid strategi være mest realistisk. Offentlige skytjenester kan brukes der risikoen er lav og gevinstene er raske. Private eller mer kontrollerte løsninger bør vurderes der dataene er sensitive, der regulatoriske krav er strenge, eller der virksomheten ikke vil gjøre seg helt avhengig av én global AI-leverandør. Dette er samme grunnlogikk som i diskusjonen om privat sky for bedrifter og datasuverenitet.

Leverandørlås er mer enn en teknisk irritasjon

Når AI-infrastruktur bygges rundt én plattform, kan flyttekostnaden bli høy. Det gjelder ikke bare Nvidia. Det gjelder også modell-API-er, skyarkitektur, vektordatabaser, orkestreringsverktøy, sikkerhetslag og observability-løsninger. Hver liten avhengighet kan være fornuftig isolert sett. Samlet kan de likevel gjøre virksomheten tung å flytte.

Leverandørlås betyr ikke at man alltid skal unngå de beste leverandørene. Det betyr at man må vite hva man bytter bort. En virksomhet kan legitimt velge en dominerende plattform fordi den gir kvalitet, stabilitet og fart. Men valget bør tas med åpne øyne. Hvis hele AI-strategien forutsetter én leverandørs API, én brikkefamilie, én skyregion og én prismodell, har man ikke bare kjøpt teknologi. Man har tatt et strategisk avhengighetsvalg.

Derfor bør virksomheter stille noen praktiske spørsmål tidlig. Kan data eksporteres i åpne formater? Kan arbeidsflyten kjøres mot flere modeller? Kan sensitive deler holdes utenfor eksterne tjenester? Kan logging skrus av eller begrenses? Finnes det en plan for hva som skjer hvis prisene endres, en region stenges, eller vilkårene for databruk endres?

Dette er normal driftshygiene i en tid der AI-verktøy flytter raskt inn i kjerneprosessene. Jo mer nyttig AI blir, desto viktigere blir kontrollen rundt den.

Investorer bør se bredere enn Nvidia

For investorer er Nvidia fortsatt en nøkkelaksje i AI-fortellingen, men den bør ikke være hele analysen. AI-infrastruktur består av mange lag: brikker, minne, produksjonsutstyr, nettverk, datasentre, kraft, kjøling, programvare, sikkerhet og applikasjoner.

Noen selskaper tjener på selve brikkene. Andre tjener på serverbygging, kraftavtaler, fiber, minne, eiendom, kjøling eller programvare. Noen kan få sterk vekst, men også store kapitalkrav. Andre kan få mer stabile marginer fordi de selger nødvendige støttefunksjoner.

Det er også risiko for overbygging. Hvis alle bygger datasenterkapasitet basert på svært optimistiske AI-prognoser, kan markedet senere få overskudd i enkelte regioner eller segmenter. Samtidig kan det være knapphet i andre deler, som strømtilgang eller minne. AI-infrastruktur er derfor ikke én enkel kurve oppover. Det er et komplekst investeringslandskap.

Den viktigste investeringslærdommen er kanskje den samme som for teknologiinnkjøp: Se på flaskehalsene. Der det finnes knapphet, finnes ofte prisingsmakt. Der det finnes avhengighet, finnes risiko.

Konklusjon: AI er blitt fysisk

Nvidia viser hvor kraftig AI-boomen er, men også hvor fysisk den er. Kunstig intelligens er ikke bare modeller, apper og chatvinduer. Det er chips, minne, nettverk, datasentre, strøm, kjøling og leverandørkjeder.

For norske virksomheter betyr dette at AI-strategi ikke kan stoppe ved "hvilket verktøy skal vi bruke?" Den må også handle om datadeling, leverandøravhengighet, kostnad, region, sikkerhet og beredskap. For samfunnet betyr det at AI-politikk også blir energipolitikk, industripolitikk og infrastrukturpolitikk.

Nvidia er en hovedperson i historien. Men den virkelige historien er større: Verden bygger en ny beregningsindustri i høyt tempo. Den som vil forstå AI i 2026, må forstå maskinene bak.

Det er også derfor små valg i dag kan bli store bindinger senere. Hvilken sky man bruker, hvilken modellplattform man bygger rundt, og hvilke data man tillater inn i verktøyene, former handlingsrommet neste år. AI-infrastruktur bør derfor behandles som et langsiktig styringsvalg, ikke som et raskt innkjøp av kapasitet.

Videre lesing