--- title: "Der store språkmodeller gjør nytte for seg i en virksomhet" url: "https://hurukan.com/no/blog/der-sprakmodeller-gjor-nytte-for-seg" description: "Språkmodeller er sterke på å lese, skrive utkast og oversette mellom mennesker og systemer, men svake på regning, fakta og endelige beslutninger. Et kart." --- # Der store språkmodeller gjør nytte for seg i en virksomhet 19\. juni 2026·3 min lesing·Redaksjonen En kundeservicemedarbeider med hodesett sett fra siden ved et ryddig skrivebord, som leser et utkast til svar på en skjerm med abstrakte blå tekstblokker, en liten bunke papirfakturaer ved siden av tastaturet, mykt dagslys En virksomhet kjøper lisenser til en chatassistent for alle ansatte. Et halvt år senere er bildet blandet. Noen bruker den hver dag til e-post og møtereferater. De fleste prøvde den noen ganger og sluttet. En i økonomiavdelingen ba den avstemme to regnskaper og fikk selvsikre, pent formaterte og feil tall. Når fornyelsen kommer, kan ingen si hva den endret, og beslutningen tas på anekdoter. Lisensene var ikke feilen. Feilen var å ta i bruk en stor språkmodell som et generelt verktøy for alle, i stedet for å plassere den på bestemte punkter i bestemte prosesser der styrkene dens passer arbeidet. De styrkene er reelle og smale. En språkmodell er god på språk: å lese ustrukturert innhold, hente struktur ut av det, skrive utkast, oppsummere, klassifisere og oversette mellom måten en person stiller et spørsmål på og måten et system må spørres på. Den er svak på eksakt regning, på å huske fakta den ikke har fått, på å holde en konsistent tilstand gjennom en lang prosess og på å stå ansvarlig for en beslutning. ## Der de gjør nytte for seg **Å lese det som kommer inn ustrukturert.** E-post, inngående fakturaer, følgesedler, reklamasjoner og ordrer sendt som vedlegg. Modellen gjør dem om til strukturerte felt, hvert med utdraget det ble hentet fra, slik at en person kan sjekke det på sekunder. Dette er starten på prosessen for inngående fakturaer i Hurukans modul [Økonomi](https://hurukan.com/no/modules/okonomi): mottatt, kontert, godkjent, eksportert. **Utkast som en person sender.** Svar til kunder, første versjoner av tilbud, oppsummeringer av en sakshistorikk før en samtale. Personen redigerer og sender; modellen sparer deg for det blanke arket. Modulen [Kundeservice](https://hurukan.com/no/modules/kundeservice) er utformet etter nettopp denne regelen: agentene skriver utkast, en person sender. **Å gjøre spørsmål om til spørringer.** En leder spør hvorfor leveranser til én region er forsinket. Modellen gjør det om til en spørring mot en definert modell av virksomheten og gir svaret med spørringen vist. **Klassifisering og ruting.** Hvilket team, hvilken prioritet, hvilken mal. Smalt, repeterende og lett å kontrollere, noe som også gjør det til en god kandidat for en mindre modell. **Å forklare en post.** Hvorfor står denne ordren på vent? Modellen leser historikken til posten og skriver tre setninger en person kan handle på. **Å skrive endringer i selve systemet.** Et nytt felt, en ny regel, en ny rapport, skrevet av en agent som en endring en person går gjennom. Slik er Hurukan ment å utvides: beskrevet, skrevet av en agent, godkjent av en person, registrert. ## Der de ikke gjør det **Regning og avstemming.** Bruk kode. En modell kan skrive eller kalle koden som gjør utregningen, men bør ikke regne i hodet. **Fakta den ikke har fått.** Uten forankring i virksomhetens data produserer en modell troverdig tekst. Hva den er forankret i, betyr like mye som modellen, slik vi argumenterer for i [søk i ontologien](https://hurukan.com/no/blog/sok-i-ontologien). **Tallprognoser.** Prognoser for etterspørsel, likviditet og kapasitet er en jobb for klassiske statistiske modeller og maskinlæringsmodeller med tilbaketesting, som forklart i [klassisk ML slår fortsatt LLM på prognoser for etterspørsel](https://hurukan.com/no/blog/klassisk-ml-slar-fortsatt-llm-pa-prognoser). **Endelige beslutninger med konsekvenser.** Betalinger, prisforpliktelser, avtalevilkår, alt som har med folks ansettelse å gjøre. Modellen forbereder; et menneske bestemmer. **Alt du ikke kan kontrollere.** Hvis et resultat ikke kan verifiseres billig, er kostnaden ved feilene skjult til den er blitt stor. ## Slik plasserer du dem Still fire spørsmål for hvert mulig bruksområde. Er inndataene for det meste tekst? Kan resultatet kontrolleres raskt av den som mottar det? Kan en feil gjøres om? Hvem godkjenner før noe forlater virksomheten eller endrer en post? De gode bruksområdene har tekst inn, et resultat som er raskt å kontrollere og en feil som kan gjøres om, med en godkjenning der den siste betingelsen ikke holder. Rut deretter hver oppgave til modellen som passer. Hurukans [Superintelligens-lag](https://hurukan.com/no/system/superintelligens) er utformet for å gjøre det per oppgave, mellom frontiermodeller og modeller som kjører på virksomhetens egen maskinvare, etter regler for kvalitet, kostnad og hvor data får gå. Integrasjoner med Microsoft 365 Copilot, Claude og ChatGPT er planlagt, ikke i drift. ## En test du kan gjøre i dag List opp de ti oppgavene som tar mest tid i én avdeling hver uke. Merk tre ting for hver av dem: 1. Inndataene er for det meste tekst. Ja eller nei. 2. Resultatet kan kontrolleres på under ett minutt. Ja eller nei. 3. En feil kan gjøres om. Ja eller nei. Oppgaver med tre ja er der en språkmodell mest sannsynlig gjør nytte for seg. Oppgaver med nei i siste kolonne trenger et godkjenningssteg utformet før noe annet. Oppgaver med nei i den andre kolonnen trenger en måte å kontrollere resultatet på før de i det hele tatt trenger en modell. - LLM - bruksområder - dokumentbehandling - menneskelig godkjenning ## Les videre - [Én identitet for mennesker og agenter: hvem får gjøre hva](https://hurukan.com/no/blog/en-identitet-for-mennesker-og-agenter) - [Nåtilstand og register: to minner i et operativsystem for virksomheten](https://hurukan.com/no/blog/naatilstand-og-registeret-to-minner)