De fleste som skriver om AI, gjør det fra et skrivebord: fra universiteter, tenketanker, redaksjoner eller politiske rom. Det er viktige perspektiver. Men de mangler av og til noe avgjørende: kontakt med miljøene der teknologien må fungere under tidspress, kvalitetskrav og økonomisk ansvar.
Jeg tilbringer mye av tiden min i forbedringsprosjekter nær produksjonen: næringsmidler, tilvirkning, flytproblemer, kvalitetsavvik, stillstand, materialvariasjon. Det er i det miljøet jeg ser hva AI allerede gjør på ekte — og hva den ennå ikke klarer.
Det jeg ser, er ikke at mennesket forsvinner over natten. Det jeg ser, er at en erfaren person med AI kan gjøre betydelig mer forarbeid, dekke flere innfallsvinkler og få frem bedre underlag raskere enn før. Det er nok til å begynne å endre organisasjonslogikk, bemanning og konkurransekraft.[1]
Et representativt forbedringstilfelle
I et typisk prosessproblem starter arbeidet med spørsmål som disse: hvorfor varierer vektutfallet, hvorfor øker svinnet, hvorfor driver temperaturprofilene, hvorfor oppfører linjen seg ulikt mellom skift, hvilke eksperimenter er verdt å kjøre først? Tidligere betydde det ofte flere verktøy, manuelle datauttak, hypoteselister, visualiseringer og rapportskriving over flere dager.
I dag kan et første brukbart analyseunderlag ofte lages samme dag. AI hjelper med å strukturere data, foreslå analyseveier, skrive kodeutkast, oppsummere observasjoner og gjøre tekniske notater om til underlag som kan diskuteres med virksomheten. Det betyr ikke at AI gjør jobben for meg. Det betyr at mer av arbeidet kan brukes på vurdering, verifisering og forankring i stedet for på mekanisk forarbeid.[2]
Multiplikatoren ligger i erfaringen
Det viktigste jeg ser fra fabrikkgulvet, er derfor ikke hva AI gjør alene, men hva kombinasjonen menneske pluss AI gjør sammenlignet med en mer tradisjonell arbeidsmåte. En person som vet hva den leter etter, kan gå bredere, dypere og raskere enn før.
Det er også derfor effekten blir ujevn. En uerfaren bruker kan få mye overflate og lite substans. En erfaren bruker, derimot, kan bruke de samme verktøyene som en multiplikator for fagkunnskap. Spørsmålet er derfor ikke bare «hvor god modellen er», men hvor godt den knyttes til problemformulering, data, prosessforståelse og kvalitetssikring.[3]
Der AI fortsatt kommer til kort
Det er viktig å si tydelig: modeller hallusinerer, bommer på edge cases og gir noen ganger svar som høres trygge ut uten å være robuste. De forstår ikke alltid prosessens fysiske begrensninger. De ser ikke automatisk den uformelle virkeligheten i en fabrikk: skiftkultur, lokale workarounds, vedlikeholdsgjeld, målefeil, treghet i organisasjonen.
Derfor oppstår de beste resultatene når AI kombineres med sterk fagkunnskap. En erfaren operatør eller forbedringsleder ser ofte ting modellen ikke ser: når et fornuftig forslag vil feile på grunn av materialvariasjon, sikkerhetskrav eller rett og slett hvordan arbeidet faktisk utføres på stedet.
Det industrien ser tidligere
Industrien er nyttig som linse fordi den er konkret. Flyt, kvalitet, energi, gjennomløpstid, vrak og stillstand kan måles. Det er mindre rom for fluff. Enten forbedres prosessen, eller så gjør den det ikke.
Det er også derfor industrinære miljøer ofte ser AI-skiftet tidligere enn den offentlige debatten. Når teknologien sparer tid i en reell arbeidsflyt, vises det raskt i gjennomføring, bemanning og beslutningsrytme. Man trenger ikke å være enig om alle fremtidsscenarier for å se at noe allerede er i ferd med å endre seg.
Det jeg konkluderer med
Jeg prøver ikke å skrive som evangelist eller dommedagsprofet. Jeg prøver å skrive som ingeniør: observere, sammenligne, teste og trekke konklusjoner. Konklusjonen jeg trekker akkurat nå, er enkel: AI fungerer allerede godt nok i deler av industrinært kunnskapsarbeid til å endre hvordan verdi skapes.
Det er ikke det samme som at alt automatiseres nå. Men det er mer enn nok til at ledelser, utdanninger og politikere bør snakke mindre om eksperimenter og mer om omstilling.
Kildenoter
Essayet kombinerer egne feltobservasjoner med bredere kilder om adopsjon, produktivitet og arbeidsoppgaver.
- For hvordan AI omfordeler arbeidsoppgaver heller enn å erstatte hele jobber, se Anthropic Economic Index, januar 2026 og ILO Working Paper 140.
- Om hvordan AI påvirker produktivitet og verdiskaping, se PwC Global AI Jobs Barometer 2025 og Stanford AI Index 2025.
- Oversikter over hvordan generativ AI brukes i reelle oppgaver finnes hos Anthropic Economic Index; mer generell arbeidsmarkedskontekst hos WEF og IMF.