Hvorfor mislykkes bedrifter med KI? Vanlige fallgruver

Kort oppsummert

Når bedrifter mislykkes med KI, er årsaken sjelden selve teknologien, men hvordan den tas i bruk. I Norge kan bare 8 prosent av virksomhetene dokumentere at KI skaper målbar verdi. Internasjonalt fant en mye omtalt studie fra MIT at 95 prosent av bedrifters KI-pilotprosjekter ikke ga noen målbar avkastning i det hele tatt.

Et typisk eksempel

Merk: eksemplet under er illustrativt. Det er en typisk, sammensatt situasjon basert på mønstrene i funnene under, og ikke en dokumentert enkeltsak fra en navngitt bedrift.

Tenk deg en mellomstor norsk håndverksbedrift som kjøper et abonnement på en KI-chatbot for å svare raskere på kundehenvendelser. Verktøyet settes opp på noen dager, og de ansatte får en kort innføring. Så legges chatboten rett oppå den gamle måten å håndtere kundeservice på, med samme saksflyt og samme rutiner. Etter noen måneder viser det seg at få ansatte faktisk bruker verktøyet aktivt. Ingen har målt om svartiden gikk ned, og ledelsen sitter igjen uten et klart svar på om investeringen lønte seg. Verktøyet var ikke dårlig, men ingen endret selve arbeidsprosessen, satte et konkret mål før oppstart eller fulgte opp med reell opplæring. Det er nettopp dette mønsteret fallgruvene under beskriver i detalj.

Fallgruve 1: KI kastes inn uten å endre hvordan arbeidet faktisk gjøres

Den mest siterte forklaringen kommer fra en studie av forskningsmiljøet MIT Project NANDA. Forskerne fulgte hvordan virksomheter faktisk tok i bruk generativ KI, altså KI-verktøy som selv lager tekst, bilder eller svar, slik ChatGPT gjør. Studien fant at 95 prosent av virksomhetene som testet ut generativ KI, ikke fikk noen målbar avkastning på investeringen. Men forskerne konkluderte ikke med at selve KI-modellene var for dårlige. Problemet lå i det de kalte et «læringsgap», fordi virksomhetene la KI oppå de gamle arbeidsprosessene uten å endre hvordan arbeidet faktisk ble gjort. Og et KI-verktøy som brukes akkurat som det gamle verktøyet det erstattet, gir sjelden den gevinsten som var lovet.

Dette bekreftes også i norske tall. Konsulentselskapet Boston Consulting Group, BCG, fant i en rapport at 43 prosent av norske virksomheters KI-budsjetter går til standardverktøy som effektiviserer arbeidsprosessene slik de er i dag. En langt mindre andel går til å redesigne selve arbeidsprosessene og forretningsmodellene, og det er der rapporten mener den reelle gevinsten ligger.

Fallgruve 2: Ingen har definert hva «suksess» faktisk betyr

Det norske IT-selskapet Computas står bak rapporten «KI-paradoksene 2026», som bygger på en Norstat-undersøkelse blant norske ledere. Den fant et tydelig gap mellom ambisjon og dokumentasjon. Hele 65 prosent av norske virksomheter planlegger å bruke KI til effektivisering det neste året, men bare 8 prosent kan i dag faktisk dokumentere at teknologien skaper målbar verdi. Investeringene øker altså raskere enn evnen til å måle hva de gir tilbake, påpeker rapporten.

Dette er mer enn et rapporteringsproblem. Uten et definert mål før et KI-prosjekt starter, er det umulig å vite om prosjektet faktisk lykkes. Da blir det også enda vanskeligere å prioritere mellom flere KI-initiativer som konkurrerer om de samme ressursene.

Fallgruve 3: Kompetansegapet undervurderes

Deloitte-rapporten «State of AI in the Nordics» fant at norske selskaper har uvanlig høye forventninger til KI sammenlignet med resten av Norden. Hele 84 prosent forventer økte inntekter fra KI, mot et nordisk snitt på 75 prosent. Samtidig oppgir 62 prosent av norske virksomheter at manglende kompetanse er en direkte barriere mot å ta KI i bruk, mens det nordiske snittet ligger på 51 prosent.

Det samme mønsteret finner vi i et funn fra artikkelen vår om KI-kompetansekrav for ansatte. Der mener 87 prosent av norske virksomheter at de ansatte må lære seg KI-verktøy. Likevel oppgir 44 prosent at de fortsatt mangler nok kompetanse, selv etter at opplæringen er gjennomført. Store ambisjoner uten et tilsvarende løft i kompetanse er en oppskrift på skuffelse, uansett hvor godt verktøyet i seg selv fungerer.

Dette er mer enn en driftsrisiko, for etter EUs KI-forordning har du som arbeidsgiver også et konkret ansvar for å lukke dette gapet. Det går vi gjennom i artikkelen om hva arbeidsgivere bør vite om de nye KI-kompetansekravene.

Kilde	Hovedfunn
MIT Project NANDA (internasjonalt)	95 % av KI-pilotprosjekter ga ingen målbar avkastning
Computas/Norstat, «KI-paradoksene 2026» (Norge)	65 % planlegger KI-bruk, kun 8 % kan dokumentere gevinst
Deloitte, «State of AI in the Nordics» (Norge)	62 % opplever kompetansemangel som barriere (51 % nordisk snitt)
BCG (Norge)	43 % av KI-budsjetter går til standardverktøy, ikke prosessendring

Fallgruve 4: Intern motstand blir undervurdert

Den samme Deloitte-rapporten fant at 66 prosent av norske virksomheter opplever intern motstand mot endring når KI innføres, mot et nordisk snitt på 58 prosent. Motstanden gjelder ikke nødvendigvis teknologien i seg selv. Ofte er den en naturlig reaksjon på at arbeidsoppgaver, ansvar og rutiner endrer seg raskere enn folk rekker å tilpasse seg.

Ledelsen kan ha aldri så gode intensjoner og aldri så mye investeringsvilje. Likevel peker flere norske analyser på det samme, nemlig at det er de menneskelige faktorene som til slutt avgjør om en KI-satsing lykkes, ikke teknologien eller toppledelsens investeringsvilje.

Så hva skiller dem som faktisk lykkes?

Funnene over viser noen fellestrekk hos virksomhetene som klarer å hente ut reell verdi:

De endrer selve arbeidsprosessen, i stedet for bare å legge et KI-verktøy oppå den gamle måten å jobbe på.
De definerer et konkret mål før de starter, slik at det faktisk er mulig å måle om satsingen lykkes eller ikke.
De investerer like mye i opplæring som i selve verktøyet. Det er nemlig ofte kompetansegapet som viser seg å være den reelle flaskehalsen, ikke teknologien.
De tar den interne motstanden på alvor og møter den med tydelig kommunikasjon og involvering. De tar ikke for gitt at gode resultater vil overbevise alle av seg selv.

Vanlige spørsmål

Betyr dette at KI ikke fungerer for bedrifter?

Nei. Funnene peker på at problemet sjelden er selve teknologien, men hvordan den tas i bruk. Virksomheter som endrer arbeidsprosessene og investerer i kompetanse, har et helt annet utgangspunkt enn dem som bare legger KI oppå rutinene de har fra før.

Er 95 prosent-tallet fra MIT representativt for norske bedrifter spesifikt?

Tallet kommer fra en internasjonal studie, ikke en norsk undersøkelse. Men de norske tallene peker i samme retning. I Computas-undersøkelsen kan bare 8 prosent dokumentere gevinst, og i Deloitte-rapporten opplever 62 prosent kompetansemangel som en barriere. Mønsteret gjelder altså ikke bare utenlandske virksomheter.

Hva er det viktigste én bedrift kan gjøre annerledes?

Ut fra funnene i denne artikkelen er det viktigste å sette et konkret, målbart mål før prosjektet starter. Vær også villig til å endre hvordan en arbeidsoppgave faktisk utføres, i stedet for bare å legge et nytt verktøy oppå den gamle måten å gjøre det på.

Er det bare store bedrifter dette gjelder for?

Nei. Utfordringene her, som uklare mål og manglende kompetanse, gjelder uansett hvor stor virksomheten er. Mindre virksomheter har ofte en enklere organisasjon å endre, men også færre ressurser til opplæring. Derfor er begge fallgruvene høyst relevante for små bedrifter også.

Oppsummering og kilder

Det viktigste å huske:

MIT Project NANDA fant at 95 prosent av bedrifters KI-pilotprosjekter ikke ga målbar avkastning, hovedsakelig fordi KI ble lagt oppå gamle arbeidsprosesser i stedet for å endre dem
Norske tall fra Computas/Norstat viser at 65 prosent planlegger KI-bruk, men kun 8 prosent kan dokumentere reell gevinst i dag
Deloitte fant at 62 prosent av norske virksomheter opplever kompetansemangel som en direkte barriere, og 66 prosent opplever intern motstand mot endring
Virksomheter som faktisk lykkes, endrer arbeidsprosesser, setter konkrete mål, investerer i kompetanse og tar intern motstand på alvor

Kilder brukt i denne artikkelen:

Sist oppdatert: August 2026

Hvorfor mislykkes så mange bedrifter med KI-satsingen sin? Vanlige fallgruver forklart