AI
Artificial Intelligence / Kunstig intelligens
Hva er det? Maskiner som handler på måter som virker intelligente.
Enkelt forklart:
AI er datamaskiner som kan lære, resonnere og ta beslutninger uten å være eksplisitt programmert for hver enkelt situasjon.
Hovedområder:
- Maskinlæring (ML)
- Naturlig språkbehandling (NLP)
- Computer vision / datasyn
- Robotikk
- Planlegging og optimalisering
Eksempel: ChatGPT som skriver tekst, bildegenkjenning i telefonen din, eller anbefalingssystemer på Netflix.
LLM
Large Language Model / Stor språkmodell
Hva er det? Svært store AI-modeller trent på enorme mengder tekst for å forstå og generere menneskelig språk.
Kjennetegn:
- Trent på milliarder av ord
- Kan forstå kontekst
- Genererer sammenhengende tekst
- Kan oversette, oppsummere, svare på spørsmål
Eksempler:
- GPT-4 (OpenAI / ChatGPT)
- Claude (Anthropic)
- Gemini (Google)
- Llama (Meta)
Praktisk bruk: Skrive e-poster, lage rapporter, kundeservice-chatboter, oversette dokumenter.
RAG
Retrieval-Augmented Generation / Henting-forsterket generering
Hva er det? En metode som kombinerer AI med intern kunnskapsbase for å gi mer presise, faktabaserte svar.
Slik fungerer det:
- AI får spørsmål
- Systemet henter relevant info fra bedriftens egne dokumenter
- AI bruker denne infoen til å generere svar
- Resultatet er mer nøyaktig enn bare generell AI
Hvorfor det er viktig:
LLM-er vet bare det de er trent på. RAG lar deg bruke bedriftens egne data uten å måtte trene modellen på nytt.
Eksempel: En kundeservice-bot som svarer basert på bedriftens egne produktmanualer, ikke bare generell kunnskap.
RPA
Robotic Process Automation / Robotisk prosessautomatisering
Hva er det? Programvare-"roboter" som automatiserer repeterende, regelbaserte oppgaver.
Egnet for:
- "Swivel chair"-prosesser (kopiering mellom systemer)
- Fakturabehandling
- Datainnlegging
- Statusoppdateringer
- Rapportgenerering
Forskjell fra AI:
RPA følger faste regler. AI lærer og tilpasser seg. Ofte brukes de sammen.
Eksempel: Bot som automatisk leser PDF-fakturaer, henter ut data og legger det inn i regnskapssystemet.
ML
Machine Learning / Maskinlæring
Hva er det? Datamaskiner som lærer fra data uten å bli eksplisitt programmert.
Tre hovedtyper:
- Supervised Learning: Lærer fra merkede eksempler
- Unsupervised Learning: Finner mønstre selv
- Reinforcement Learning: Lærer gjennom prøving og feiling
Eksempel: Spam-filter som lærer hvilke e-poster som er søppelpost basert på tusenvis av eksempler.
NLP
Natural Language Processing / Naturlig språkbehandling
Hva er det? AI som forstår, tolker og genererer menneskelig språk.
Typiske oppgaver:
- Sentimentanalyse (er teksten positiv/negativ?)
- Navngitt entitetsgjenkjenning (finne navn, steder, datoer)
- Oversettelse
- Oppsummering
- Chatboter
Eksempel: Analysere kundehenvendelser for å finne vanligste problemene og kundens følelser.
Generativ AI
Generative Artificial Intelligence
Hva er det? AI som skaper nytt innhold (tekst, bilder, kode, lyd).
Hva kan den lage?
- Tekst: Artikler, rapporter, e-poster, kode
- Bilder: Kunst, design, produktvisualisering
- Lyd: Musikk, talesyntese
- Video: Animasjon, redigering
Forskjell fra tradisjonell AI:
Tradisjonell AI analyserer og klassifiserer. Generativ AI skaper nytt innhold.
Eksempel: DALL-E lager bilder fra tekstbeskrivelser. ChatGPT skriver artikler. GitHub Copilot genererer kode.
Lokal AI
On-premise AI / Lokalt hostet AI
Hva er det? AI-modeller som kjører på dine egne servere, ikke i skyen.
Fordeler:
- Full kontroll over sensitive data
- Ingen dataoverføring til tredjeparter
- Uavhengighet av eksterne leverandører
- Kan tilpasses helt til dine behov
- Kostnadseffektivt ved høy bruk
Ulemper:
- Krever investeringer i hardware
- Trenger intern kompetanse
- Vedlikehold og oppdateringer
Når det gir mening: Advokatkontorer, helsesektor, forskning - alle med sensitive data som ikke kan sendes til skyen.
API
Application Programming Interface / Programmeringsgrensesnitt
Hva er det? En måte for programmer å snakke sammen på.
Enkelt forklart:
API er som en kelner på en restaurant: Du (programmet) bestiller noe fra menyen (API), kelneren tar bestillingen til kjøkkenet (systemet), og bringer tilbake maten (data).
Hvorfor viktig for AI?
- Kobler AI til eksisterende systemer
- Henter data fra ERP, CRM, etc.
- Sender resultater tilbake
- Muliggjør automatisering
Eksempel: AI-chatbot bruker API til å hente kundeinfo fra CRM-systemet når du spør om ordrestatus.
n8n
Workflow automation tool / Arbeidsflytautomatisering
Hva er det? Verktøy for å bygge automatiserte arbeidsflyter uten å måtte kode.
Hva kan det gjøre?
- Koble sammen ulike systemer
- Automatisere repeterende oppgaver
- Bygge AI-agenter
- Integrere med hundrevis av tjenester
Fordeler:
- Open source (gratis)
- Kan kjøres lokalt
- Visuelt grensesnitt (drag-and-drop)
- Fleksibelt og kraftig
Eksempel: "Når ny ordre kommer i nettbutikken → Send melding i Slack → Opprett oppgave i prosjektsystem → Send bekreftelse til kunde"
Foundation Models
Grunnlagsmodeller
Hva er det? Store, forhåndstrente AI-modeller som kan tilpasses til mange ulike oppgaver.
Kjennetegn:
- Trent på enorme datamengder med generell kunnskap
- Kan tilpasses (fine-tunes) til spesifikke oppgaver
- Brukes som utgangspunkt for mange applikasjoner
- Koster millioner å trene fra bunnen
Eksempler: GPT-4, Claude Opus, Gemini, Llama 3 — alle er foundation models som kan brukes til alt fra koding til kundeservice.
Prompt Engineering
Prompt-design / Instruksjonsdesign for AI
Hva er det? Kunsten å formulere gode instruksjoner til AI for å få best mulig resultat.
Viktige teknikker:
- Rolleangivelse: "Du er en erfaren markedsfører..."
- Kontekst: Gi bakgrunnsinformasjon
- Eksempler (few-shot): Vis hva du forventer
- Begrensninger: Angi format, lengde, tone
- Steg-for-steg (chain-of-thought): Be AI tenke trinnvis
Tips: En god prompt er forskjellen mellom et middelmådig og et utmerket AI-svar. Jo mer presis du er, jo bedre blir resultatet.
Hallucination
AI-hallusinasjon / Konfabulering
Hva er det? Når AI genererer informasjon som høres overbevisende ut, men er feil eller oppdiktet.
Hvorfor skjer det?
- AI predikerer neste ord basert på sannsynlighet, ikke sannhet
- Modellen fyller hull i kunnskapen med plausibelt innhold
- Mangler evne til å skille fakta fra fiksjon
Slik reduserer du risikoen:
- Bruk RAG for å gi AI tilgang til faktiske data
- Be AI oppgi kilder
- Verifiser viktig informasjon manuelt
- Bruk lavere "temperature"-innstilling
Viktig: Hallusinasjoner er den største risikoen ved AI i forretningskritiske prosesser. Alltid ha en menneskelig kvalitetssjekk.
Human-in-the-loop
HITL / Menneske i sløyfen
Hva er det? Et system der mennesker aktivt deltar i AI-prosessen — godkjenner, korrigerer eller veileder AI-en.
Tre nivåer:
- Human-in-the-loop: Menneske godkjenner hvert steg
- Human-on-the-loop: Menneske overvåker, griper inn ved behov
- Human-out-of-the-loop: Fullt automatisert (høy risiko)
Anbefaling: For de fleste norske bedrifter er human-in-the-loop det tryggeste valget — la AI gjøre grovarbeidet, men ha alltid en person som kvalitetsikrer.
Agentic AI
AI-agenter / Autonome AI-systemer
Hva er det? AI som kan planlegge, ta beslutninger og utføre oppgaver på egenhånd — uten at du guider hvert steg.
Forskjell fra vanlig AI:
- Vanlig chatbot: Du spør, den svarer. Ferdig.
- AI-agent: Du gir et mål, den planlegger stegene, bruker verktøy, evaluerer resultatet og justerer kursen
Hva kan AI-agenter gjøre?
- Skrive og teste kode automatisk
- Gjennomføre research med flere kilder
- Automatisere arbeidsflyter på tvers av systemer
- Koordinere med andre AI-agenter
Eksempler: Claude Code som bygger hele programvareprosjekter, Devin som løser GitHub-issues, eller n8n-agenter som styrer komplekse arbeidsflyter.
MCP
Model Context Protocol
Hva er det? En åpen standard som lar AI-modeller koble seg til eksterne verktøy og datakilder — som en universal plugg for AI.
Enkelt forklart:
Tenk på MCP som USB-C for AI. I stedet for å bygge en tilpasset integrasjon for hvert verktøy, lar MCP AI-en koble seg til hva som helst via ett standardisert grensesnitt.
Hva kan det gjøre?
- Gi AI tilgang til databaser, filsystemer og APIer
- La AI bruke nettlesere, terminaler og andre verktøy
- Koble AI til Slack, GitHub, Google Sheets m.m.
- Utviklet av Anthropic, støttes av flere aktører
Eksempel: Claude Code bruker MCP for å lese filer, kjøre kode og kommunisere med GitHub — alt uten manuell integrasjon.
Fine-tuning
Finjustering av AI-modeller
Hva er det? Prosessen med å tilpasse en ferdigtrent AI-modell til dine spesifikke behov ved å trene den videre på dine data.
Når bruker du det?
- Modellen trenger spesialkunnskap om din bransje
- Du vil ha konsistent tone og stil
- RAG alene ikke gir godt nok resultat
Fine-tuning vs. RAG:
RAG gir AI tilgang til oppdatert informasjon. Fine-tuning endrer hvordan AI oppfører seg og svarer. Ofte brukes begge sammen.
Eksempel: En advokatfirma fine-tuner en modell på juridisk norsk for å få presise formuleringer i kontraktsutkast.
Token
Token / Tekstenhet for AI
Hva er det? Den minste enheten AI jobber med — omtrent 3/4 av et norsk ord.
Hvorfor er det viktig?
- Kontekstvindu: Hvor mye tekst AI kan lese samtidig (f.eks. 128K tokens = ca. 200 sider)
- Pris: API-bruk faktureres per token
- Kvalitet: Flere tokens inn = bedre kontekst = bedre svar
Tommelfingerregel: 1 norsk side med tekst ≈ 350 tokens. En gjennomsnittlig e-post ≈ 150-300 tokens.
Embedding
Vektorrepresentasjon / Innbygging
Hva er det? En metode for å gjøre tekst, bilder eller lyd om til tall som AI kan forstå og sammenligne.
Enkelt forklart:
Tenk på det som GPS-koordinater for mening. Ord med lignende betydning får koordinater som ligger nærme hverandre. "Hund" og "valp" er nær hverandre, mens "hund" og "bil" er langt fra hverandre.
Brukes til:
- Semantisk søk (finn dokumenter etter mening, ikke bare nøkkelord)
- RAG-systemer (finn relevante tekstbiter)
- Anbefalingssystemer
- Svindeldeteksjon og anomalifunn
Eksempel: Du søker etter "ferieretningslinjer" og finner dokumentet som heter "Regler for fravær og permisjon" — fordi embeddings forstår at meningen er lik.
Transformer
Transformer-arkitekturen
Hva er det? Arkitekturen bak alle moderne AI-modeller. Oppfunnet av Google i 2017 i artikkelen "Attention Is All You Need".
Nøkkelkonsept — Attention:
Transformer-modeller kan fokusere på de viktigste delene av teksten, uansett hvor langt fra hverandre de er. Tidligere modeller leste tekst ord for ord — transformer ser hele bildet.
Hvorfor viktig: GPT, Claude, Gemini, Llama — alle er bygget på transformer-arkitekturen. Det er grunnmuren i dagens AI-revolusjon.
Vibe Coding
AI-assistert programmering
Hva er det? En ny måte å programmere på der du beskriver hva du vil bygge i naturlig språk, og AI skriver koden for deg.
Slik fungerer det:
- Du beskriver appen eller funksjonen du ønsker
- AI genererer koden, kjører den og fikser feil
- Du itererer med feedback til resultatet er riktig
- Du trenger ikke kunne programmere — men det hjelper
Populære verktøy:
- Claude Code: Terminal-basert AI-agent for hele prosjekter
- Lovable: Webapper fra enkle beskrivelser
- Cursor: AI-first koderedigerer
- Bolt.new: Instant full-stack webapper
Martin sin erfaring: Vibe coding er fantastisk for prototyper og MVPer. For produksjonskode bør du fortsatt forstå hva AI-en lager. Se vår Ressursbank for alle verktøyene.
Deep Learning
Dyp læring / Dype nevrale nettverk
Hva er det? En undergren av maskinlæring som bruker nevrale nettverk med mange lag (derav "dyp") for å løse komplekse problemer.
Hierarkiet:
AI → Maskinlæring → Deep Learning → Transformer → LLM. Hvert nivå er en spesialisering av det over.
Brukes til:
- Bildegjenkjenning og computer vision
- Talesyntese og talegjenkjenning
- Alle store språkmodeller (LLM-er)
- Selvkjørende biler
Faktum: Deep learning er grunnen til at AI har eksplodert de siste årene. Mer data + mer datakraft + dypere nettverk = dramatisk bedre resultater.
Ollama
Lokalt AI-verktøy
Hva er det? Et gratis, åpen kildekode-verktøy for å kjøre AI-modeller lokalt på din egen maskin — uten skytjenester.
Fordeler:
- Gratis — ingen abonnement eller API-kostnader
- Privat — ingen data forlater din maskin
- Raskt — ingen nettverksforsinkelse
- Støtter hundrevis av modeller (Llama, Gemma, Mistral m.m.)
Krav:
En datamaskin med god GPU (8 GB+ VRAM) for de større modellene, eller 16 GB+ RAM for CPU-kjøring av mindre modeller.
Perfekt for: Bedrifter med sensitive data, utviklere som vil eksperimentere, eller alle som vil prøve AI uten å betale. Vi bruker Ollama selv hos Justfixit.