Hver partnerdag, hvert produkt-keynote, hver demo jeg har vært på så langt i 2026 har det samme budskapet: AI-en er her, agentene tar over, fremtiden er nå. Det er fint. Det er også sant – på roadmapen.
Problemet er at jeg sitter i den andre enden hver uke. Jeg snakker med økonomisjefen som ennå ikke har fått masterdataen ren etter forrige systemskifte. IT-sjefen som har tre integrasjoner som ikke har vært dokumentert siden 2019. Daglig leder som vurderer å si opp en nøkkelressurs som «egentlig burde være erstattet av AI for lengst». Og så er det fagpersonen som faktisk skal sitte med systemet – som ikke har fått en time formell opplæring siden installasjonen.
Avstanden mellom det som vises i en demo i Stockholm eller Oslo, og det som faktisk er produksjonsklart, brukervennlig og forvaltbart i en typisk norsk mellomstor virksomhet, er ofte 18 til 36 måneder. Ikke fordi teknologien ikke fungerer – den fungerer ofte ganske godt – men fordi adopsjonen krever forutsetninger som svært få av kundene jeg jobber med har på plass.
Det kundene faktisk spør om
Den vanligste samtalen jeg har med kunder akkurat nå starter på samme måte: «Vi var på partnerdagen/konferansen/webinaret, og de viste noe spennende med AI. Kan vi få det demonstrert hos oss? Kan vi få det i drift?»
Det er et helt legitimt spørsmål. Kunden har sett en imponerende demo, de ser potensialet, og de vil komme i gang. Problemet er at jeg ofte må svare med en variant av: «Det er en spennende funksjon. Den er bare ikke faktisk tilgjengelig ennå. Den er på roadmap. Vi vet ikke når den lanseres, og når den gjør det, kommer den i en grunnform som ikke nødvendigvis matcher det dere så på sceneskuen.»
Det er en ubehagelig samtale, både for kunden og for meg. Kunden føler at de har blitt lovet noe som ikke leveres. Jeg som rådgiver må enten temperere forventningene leverandøren har bygget opp – eller la kunden løpe i veggen senere.
Etter mange slike samtaler er mitt syn dette: vi som rådgivere må være tydeligere på å skille mellom demo, preview, generelt tilgjengelig, og modent nok til produksjon hos en kunde uten teknisk dybde. Det er fire ulike ting, og leverandørene har et insentiv til å gjøre skillet utydelig.
Det er ikke bare leverandørene som løper foran
Det ville være urettferdig å bare peke på leverandørene. Mange av kundene jeg snakker med er selv fremoverlente og visjonære – og de vil ofte at AI skal gjøre mer enn det som er realistisk akkurat nå.
Det er en samtale jeg har jevnlig: en daglig leder eller økonomisjef som har lest, sett og diskutert AI i månedsvis, og som kommer med ambisjoner om autonom fakturahåndtering, prediktive cash flow-modeller, AI-drevet leverandørforhandling og selvstyrende rapportering – alt sammen, helst innen neste kvartal. Det er ikke naivt, men entusiasme bygget på reelle muligheter. Men det undervurderer hva som faktisk skal til for å få det i drift.
Min jobb i den samtalen er ikke å dempe ambisjonen. Den er å hjelpe med å sekvensere den. Hva kan vi få til denne høsten? Hva kan vi få til neste år? Og hva forutsetter at vi først rydder masterdata, dokumenterer prosesser eller bygger opp endringskapasitet?
Det jeg har lært etter mange slike samtaler er at fremoverlente kunder ikke vil bli bremset – de vil bli veiledet. De vil ha en rådgiver som tar ambisjonen på alvor og samtidig viser hvordan man kommer dit uten å sette hele virksomheten i en pilotsmell. Det er en mye mer takknemlig samtale enn å si nei, og det er den samtalen jeg helst vil ha.
La meg være tydelig: Jeg er ikke AI-skeptiker
Jeg bruker AI selv hver dag, og jeg er overbevist om at agentbaserte løsninger kommer til å endre måten vi jobber med forretningssystemer på. De som lærer seg å bruke dem riktig får et reelt fortrinn. Jeg vil at vi i Norden skal ligge i front på dette – at vi skal være innovatører, ikke etternølere.
Det er nettopp derfor jeg sier fra når premissene ikke stemmer. De som vinner på AI i ERP er ikke de som adopterer raskest eller mest ukritisk. Det er de som forstår hva som faktisk skal til for at adopsjonen leverer verdi – og som tør å si det høyt, også når det går på tvers av leverandørenes fortelling.
De fleste norske bedrifter kommer ikke til å høste den fulle, lovede gevinsten i 2026 – uavhengig av hvor høye ambisjonene er. Ikke fordi teknologien ikke er der, men fordi gevinsten ikke ligger i teknologien. Den ligger i forutsetningene.
Hva må være på plass før AI gir reell verdi?
Etter mange prosjekter ser jeg fire forutsetninger som går igjen:
Datakvalitet. AI-en er bare så god som dataen den jobber på. Skitne kundekartotek, inkonsistente kontoplaner, dupliserte leverandører — alt dette gjør at AI-en gjør feil på en mer overbevisende måte enn et menneske gjør.
Prosessmodenhet. Skal du automatisere noe, må du først forstå det. Mange bedrifter har prosesser som lever i hodene til to-tre personer. Det er ikke en god startpakke for agentbasert automatisering.
Endringskapasitet. Det er forskjell på endringsvilje og endringsevne. Jeg har skrevet om dette før, og det blir bare mer aktuelt med AI. Folkene som skal ta i bruk dette må ha tid, energi og motivasjon — alle tre.
Kompetanse på å utfordre AI-output. Dette kommer jeg tilbake til i del 2 av denne serien, fordi det fortjener en egen artikkel.
Hva bør du spørre leverandøren om?
Når noen presenterer en glanset AI-funksjon, prøv disse spørsmålene:
- Er denne funksjonen generelt tilgjengelig i dag, eller er den i preview eller på roadmap?
- Hvilke andre kunder i Norden bruker den i produksjon nå?
- Hva er datakravene for at den skal fungere?
- Hvordan håndteres feil — hvem ser dem, og hvem retter dem?
- Hva koster den utover grunnlisensen, og hvordan utvikler den kostnaden seg med bruk?
Du vil bli overrasket over hvor ofte svarene gjør funksjonen mindre imponerende.
Min anbefaling
Ikke vent med AI. Men ikke kjør etter leverandørens kalender heller. Lag din egen modenhetsplan: rydd masterdata først, dokumenter prosesser, bygg endringskapasitet, og start med smale, velavgrensede AI-use cases der gevinsten er målbar og risikoen håndterbar. Bygg ut derfra.
De som lykkes med AI i ERP de neste tre årene, er ikke de som adopterer raskest. Det er de som adopterer mest disiplinert.
I del 2 ser jeg på den nye og undervurderte risikoen: brukere som stoler blindt på AI-output. I del 3 utfordrer jeg ideen om at ERP-grensesnittet må rives ned for at AI skal gi verdi, mens i siste del ser jeg på MCP – den infrastrukturendringen som faktisk forandrer hvordan AI snakker med ERP-en din.