AI i Haugesund og Rogaland: hva lokale bedrifter faktisk bruker det til

Hva bruker bedrifter på Haugalandet AI til i praksis?

Næringslivet her er ikke bygget på programvare. Det er bygget på subsea, verft, industri, handel, logistikk og kultur — bransjer der pengene tjenes ute i produksjonen, og der kontorarbeidet er noe som må gjøres i tillegg. Det preger hva AI faktisk brukes til: ikke nye produkter, men mindre friksjon i det som allerede skjer.

Mønsteret går igjen. Noen bruker fire timer i uken på å hente de samme tallene fra de samme stedene. Noen må huske hvilket regneark svaret sto i. Noen oppdager en svak uke først når den er over. Det er disse tre situasjonene som utgjør nesten hele det lokale AI-markedet, og de er alle løsbare uten at bedriften legger om driften.

Vi holder til i Sundgata i Haugesund og jobber tett på bedrifter i regionen. Under følger fire mønstre vi ser igjen og igjen, med eksempler fra faktiske leveranser.

Hva gjør subsea- og maritimmiljøet med AI?

Prosjektinformasjon er den store utfordringen. Et subsea-prosjekt har egne faser, egne dokumentkrav, egen timeføring og et dokumentarkiv som vokser i hele prosjektets levetid. Standard prosjektverktøy dekker sjelden hele løpet, og det som ikke passer havner i regneark.

CSUB, som leverer subsea-konstruksjoner fra Haugalandet, hadde nettopp dette: prosjektdataene lå spredt i regneark og dokumentmapper, hver med sin struktur og sin eier. Et enkelt spørsmål krevde at noen husket hvilket ark det sto i. Vi samlet tallene i én datamodell og et dashbord, og satte en chatassistent oppå arkivet slik at spørsmål kunne besvares med en kilde å klikke på.

Den viktigste jobben i slike prosjekter er sjelden AI-delen. Den er systemintegrasjonen under: å bli enige om hva et prosjekt er, hva en fase er og hvilket tall som gjelder når to systemer er uenige.

Hva gjør industri og verksted med det?

I produksjon og verksted følger kvalitetskontroll, sporbarhet og avvikshåndtering bedriftens egen oppskrift, ikke en generisk bransjemal. Det er nettopp derfor hyllevare treffer dårlig: systemet må kjenne rekkefølgen dere faktisk jobber i.

Bruksområdene som gir raskest utslag her er de kjedelige: avviksmeldinger som skrives på mobil ute i hallen og havner riktig sted uten omskriving, dokumentasjonspakker som settes sammen automatisk til sluttkunde, og søk i tekniske spesifikasjoner der svaret må være eksakt. Språkmodellen brukes til å lese og strukturere tekst — beslutningene ligger fortsatt hos folk med fagbrev.

Hva med kultur, handel og tjenesteytende næringer?

Her handler det oftest om å oppdage ting i tide. Festiviteten, det historiske teateret i Haugesund, har et program som skal fylles kveld etter kveld, og et billettsalg som svinger fra forestilling til forestilling. Ingen rekker å følge salgstall og annonsering time for time, og en svak uke gir ikke fra seg noe varsel av seg selv.

Løsningen ble en AI-agent som overvåker billettsalg og annonsering døgnet rundt, sammenligner mot forventet kurve og sier fra når en forestilling ligger etter. Varselet kommer mens det ennå er tid til å justere markedsføringen — ofte midt på natten, lenge før noen ville sett det i en ukesrapport.

Samme mønster finnes i handel og logistikk: lagerbeholdning som avviker fra forventet, leveranser som står stille for lenge, kunder som ikke har hørt fra noen på to uker. Agenten leter ikke etter noe nytt — den passer på det dere allerede vet dere burde fulgt med på.

Hvor kommer timene fra?

ElementLab er en norsk bedrift med en rapporttung hverdag, der de samme tallene ble hentet, limt og formatert på nytt hver uke. Arbeidet var forutsigbart, men tok timer. Vi bygde flyten som gjør jobben i stedet: den henter grunnlaget, behandler det og bygger rapporten ferdig — mennesket kontrollerer og sender.

Resultatet var 80 % raskere rapporter og hundrevis av timer frigjort i året. Tallene er målt hos kunden, ikke estimert. Det er verdt å merke seg hva som ikke skjedde: ingen mistet jobben, og ingen la om arbeidsdagen. Timene gikk tilbake til faget.

Denne typen automasjonsflyt er det klart vanligste første steget for en bedrift i Rogaland. Den er billig å bygge, lett å måle, og den skaper tillit til at det neste steget også er verdt å ta.

Betyr det noe at leverandøren sitter lokalt?

Teknisk sett nei — kode skrives like godt fra Oslo. I praksis betyr det likevel en del, av tre grunner. Den første er at kartlegging krever at noen ser hvordan jobben faktisk gjøres. Et halvt døgn i produksjonshallen eller på kontoret avdekker mer enn tre videomøter.

Den andre er at bransjeforståelse er lokal. Vet leverandøren hva en subsea-leveranse er, hva et verft har av dokumentkrav, eller hvordan et teater planlegger en sesong, slipper dere å bruke de første ukene på å forklare grunnleggende ting. Den tredje er tempo: kort vei mellom den som lurer på noe og den som skriver koden gjør at ting løses samme dag.

Hva stopper de fleste lokale AI-prosjektene?

• Ambisjonen er for stor. «Vi må ha en AI-strategi» blir til et halvt år med utredning. Én oppgave satt i drift på to uker slår enhver strategi
• Datagrunnlaget er ikke ryddet. Skal maskinen vurdere noe, må det finnes noe konsistent å vurdere
• Ingen eier prosessen. Uten en person som kan avgjøre grensetilfeller stopper prosjektet i møter
• Verktøyet ble valgt før problemet. Riktig rekkefølge er oppgave først, teknologi etterpå

Det som skiller prosjektene som lykkes er nesten alltid det samme: de begynte lite, på en oppgave noen faktisk var lei av, og de hadde et tall å måle mot etter tre måneder. Den første praten om hva det tallet bør være, koster ingenting hos oss.