Fase 2-problemet

Du kjenner sikkert situasjonen. Alle snakker om AI. Lederteamet har hatt seminar om det. Det står i strategiplanen. Og likevel: når du konkret vil ta i bruk noe, får du beskjed om at det kommer i fase to.

Fase to, etter at CRM-implementeringen er ferdig. Etter at den nye nettsiden er lansert. Etter at systemintegrasjonene er på plass. Etter at IT-avdelingen har fått sett nærmere på rammeverket for hvordan vi som organisasjon ønsker å forholde oss til KI.

Fase to er et rart sted å befinne seg. Ikke nei — bare ikke nå.

Hvorfor fase to alltid er langt unna

Det er lett å bli frustrert. Og frustrasjonen er ofte berettiget. Store organisasjoner har en naturlig treghet, og AI-entusiaster innenfor disse organisasjonene kan oppleve det som å dytte i en vegg av prosesser, prioriteringer og ansvarskjeder.

Men IT-avdelingens svar er ikke alltid tull. Store systemprosjekter krever faktisk oppmerksomhet. Arkitekturvalg som gjøres nå legger premissene for alt som kommer etterpå. Og komplians-, sikkerhets- og personvernspørsmål rundt AI er reelle — ikke bare byråkratisk tull.

Resultatet er at gode ideer dør i kø. Ikke fordi noen er imot dem, men fordi ingen har tid til dem nå.

Det vi prøvde i stedet

Vi satt med et konkret behov: vi ville bruke AI til å forstå brukernes atferd, teste antagelser om tjenestene våre, og prototypere løsninger. Alt dette krevde data — og data er det der organisasjonens store maskineri bor.

Så vi tok bort dataproblemet.

I stedet for å vente på tilgang til reelle data, laget vi syntetiske data — realistiske, men fiktive datasett som etterligner faktiske mønstre. Ingen reelle personopplysninger. Ingen behov for formell tillatelse fra IT. Ingen GDPR-avklaring å vente på.

Med syntetiske data kunne vi begynne å bygge. Vi kunne teste om ideene våre faktisk fungerte. Vi kunne vise resultater — ikke bare beskrive dem. Og vi kunne gjøre alt dette uten å stå i kø bak neste systemprosjekt.

Hva syntetiske data faktisk er bra for

Syntetiske data er ikke en permanent løsning. De er en innovasjonsflate — et sted du kan eksperimentere trygt, uten å involvere produksjonssystemer eller reelle brukere.

Konkret kan du bruke dem til å teste om en AI-modell gir fornuftige svar på dine spesifikke spørsmål. Du kan simulere scenarier og se om analysen din holder vann. Du kan bygge dashboards og visualiseringer som viser hva du faktisk er ute etter — og så bruke det som argument for å få tilgang til de reelle dataene.

Det er et mye sterkere innspill enn en PowerPoint. «Vi har testet dette og her er hva det ga» åpner dører som «vi tror dette kan bli bra» ikke klarer.

Den ubehagelige sannheten om fase to

Jeg skal være ærlig: fase to kan godt komme. Organisasjoner lærer, prioriteringer endres, og ting som var umulige i fjor er mulige i dag. Noen ganger lønner det seg å vente.

Men det er en annen sannhet her også. Organisasjoner beveger seg sjelden på egne initiativ — de beveger seg fordi noen internt har gjort noe som viser at det er mulig. Fase to kommer raskere for dem som allerede har noe å vise frem.

Syntetiske data, interne eksperimenter, små prototyper med standardverktøy — dette er ikke omgåelse av systemet. Det er evidens for at systemet bør åpne seg.

Tre ting du kan gjøre i dag

Kartlegg hva som faktisk krever tillatelse. Mange stopper opp og venter fordi de antar at alt krever IT-godkjenning. Spør i stedet: hva er det minste vi kan gjøre innenfor eksisterende rammer? Svaret er nesten alltid mer enn du tror.

Bruk syntetiske data for alt det er verdt. Lag dem med Claude, GPT eller et enkelt Python-script. De trenger ikke å være perfekte — de trenger å være representative nok til å teste en idé. Det er en lav terskel.

Bygg noe du kan vise frem, ikke bare beskrive. En enkel prototype, et lite dashboard, et eksempel som faktisk kjører — det gjør argumentet ditt konkret. Og konkrete argumenter er langt lettere å prioritere enn abstrakte visjoner.

Fase to er ikke en destinasjon du venter på. Det er noe du bygger vei mot, én liten prototype av gangen.