AI har gjort en ny kategori produkter og tjenester lønnsom — tett på det dere allerede leverer, bygget på ressurser dere allerede har. Det er den tredje, og mest oversette, måten AI skaper verdi på i norske virksomheter. Muligheten er reell, men ikke gratis, og de fleste mangler én ting for å gripe den.
De to første artiklene i denne serien argumenterte for to ting. Først at de fleste norske virksomheter bør starte AI-arbeidet i prosessene de allerede har — der eierskapet finnes, dataene genereres og gevinstmodellen er enklest å definere. Deretter at en mindre gruppe, der signalene tilsier det, bør være villige til å redesigne hele verdikjeden bak et eksisterende sluttprodukt.
Begge modusene handler om å levere det dere allerede leverer — bare bedre, eller på en annen måte.
Det finnes en tredje modus. Den handler verken om å forbedre det eksisterende produktet eller om å endre måten det leveres på. Den handler om å oppdage at AI har gjort en helt ny kategori av produkter og tjenester økonomisk mulig — produkter som ligger så nært det dere allerede gjør at de er innen rekkevidde, men som dere ikke har sett, fordi organisasjonen er rigget rundt den eksisterende produktkatalogen.
Dette er tilgrensende verdiskaping. Det er ikke disrupsjon, og det er ikke en pivot. Det er den systematiske utvidelsen av det dere kan tjene penger på, basert på ressurser dere allerede har.
Erfaringsmessig er dette den mest undervurderte AI-muligheten i norske virksomheter i dag. Og tallene støtter at den er lite brukt: spørreundersøkelsen bak NHO-rapporten fra Samfunnsøkonomisk Analyse viser at norske virksomheter i hovedsak bruker AI til å forbedre drift og interne arbeidsprosesser, og at det først og fremst er enkelte bransjer — IKT, finans og faglig tjenesteyting — som går lenger (Samfunnsøkonomisk Analyse, 2026). Den første modusen dominerer. Den tredje er nesten ikke påbegynt.
Muligheten er bredere enn de fleste tror
Den vanligste misforståelsen bør ryddes unna først, fordi den får mange ledergrupper til å avskrive muligheten før de har vurdert den.
Uttrykket «nye inntektsstrømmer fra AI» får mange til umiddelbart å tenke på én av to ting: å selge dataene sine, eller å lansere et helt nytt produkt. Og fordi de færreste opplever at de har en åpenbar datasjappe eller et nytt produkt på lager, konkluderer de raskt med at dette ikke gjelder dem.
Det er en for trang forståelse. Kategorien er bredere. Den rommer nye tjenester avledet av et eksisterende produkt, eksisterende produkter sett på nytt gjennom det AI nå gjør mulig i design, produksjon, markedsføring og salg, personaliserte varianter av standardprodukter — og ja, også produkter bygget på data. En utstyrsprodusent som begynner å selge tilstandsovervåking oppå utstyret. En leverandør som pakker bransjekunnskapen sin som et beslutningsverktøy. Felles for dem er ikke dataene. Felles for dem er at de bygger på noe virksomheten allerede har: kompetanse, kundeposisjon, installert base, merkevare — og i noen tilfeller data.
Data er altså én vei inn, ikke hovedveien. Det understrekes av forskningen på området: selv blant virksomheter som er gode på å hente verdi ut av data, kommer mesteparten av verdien fra å forbedre egen drift og kundeopplevelse — ikke fra å selge informasjon videre (Wixom mfl., 2023). Poenget er ikke å lete etter data å selge. Poenget er å se hele bredden av hva AI gjør mulig oppå det dere allerede har.
Den andre misforståelsen er mer stillferdig: troen på at muligheten vil melde seg selv. Det gjør den ikke — og grunnen er strukturell, ikke kommersiell. Den behandles senere, fordi den er hele poenget.
Rommet som ikke fantes i fjor
Den underliggende driveren er ikke komplisert som idé. AI har senket kostnaden ved å produsere visse typer arbeid — å lese, analysere, sammenstille, generere, utforme og resonnere — dramatisk. Arbeid som tidligere krevde en spesialist med høy timepris, kan nå gjøres til en brøkdel av kostnaden, med en kvalitet som er god nok for mange — om enn ikke alle — kommersielle anvendelser.
Det er verdt å være tydelig på hva slags påstand dette er: at kostnaden har falt så mye at det flytter hva som er lønnsomt, er en vurdering — ikke et måltall som kan festes til to desimaler på tvers av bransjer.
Men konsekvensen er det som betyr noe: det har åpnet seg et rom mellom det vi alltid har solgt og det ingen kunne produsere lønnsomt. Produkter og tjenester som lå like utenfor rekkevidde fordi kostnaden ved å lage dem oversteg det noen ville betale, er plutselig innenfor. Det rommet fantes knapt for to år siden. Det er der tilgrensende verdiskaping bor.
Mønsteret finnes allerede i Norge — det er bare lite brukt
Den beste måten å gjøre dette konkret på, er å se hvordan det allerede skjer i norske og nordiske virksomheter.
Yara er et tydelig eksempel på den produkt-til-tjeneste-veien beskrevet over. Selskapet selger tradisjonelt gjødsel. Men Yara har bygget en portefølje av digitale agronomitjenester rundt kjerneproduktet — Atfarm, N-Sensor og tilhørende verktøy — som kombinerer satellittbilder, sensordata og selskapets egen agronomiske kunnskap til presise anbefalinger om gjødsling (Yara, u.å.). Legg merke til to ting. For det første: dette er ikke datasalg. Det er kjernekompetanse pakket som en tjeneste. For det andre: flere av tjenestene tilbys gratis (Yara, u.å.). Det er verdt å dvele ved, fordi det viser at tilgrensende verdiskaping ikke alltid er en ny inntektslinje i seg selv — noen ganger forsterker og forsvarer den kjernevirksomheten ved å gjøre hovedproduktet mer verdifullt og kunderelasjonen tettere.
Cognite er den andre veien. Aker etablerte i 2016 Cognite for å gjøre sin egen industrielle domenekunnskap og driftsdata om til et programvareprodukt — Cognite Data Fusion — som nå selges til andre kapitalintensive industrier (Aker ASA, u.å.). Selskapet ble en av Norges aller første teknologi-«enhjørninger» (Gjesdahl, 2021). Dette er tilgrensende verdiskaping i sin reneste form: en ressurs man allerede hadde — industriell innsikt og data — bygget om til et produkt for andre.
Et poeng om skala, for å unngå misforståelse: både Yara og Cognite er store, og Cognite er tungt kapitalisert. De viser mønsteret, ikke en mal en mid-market-virksomhet kan kopiere ett-til-ett. Men logikken er den samme uansett størrelse — en ressurs man allerede har, gjort verdifull på en ny måte fordi AI har endret hva som er mulig.
For en norsk ledergruppe er den mest relevante observasjonen likevel den hjemlige. Norske virksomheter bruker i hovedsak AI til å forbedre det de allerede gjør (Samfunnsøkonomisk Analyse, 2026). Mulighetene i den tredje modusen er i stor grad uutnyttet her. Det er sjelden fordi ideene mangler. Som vi skal se, er det fordi noe annet mangler.
Proksimitetstesten — slik finner du muligheten som faktisk gjelder dere
Tilgrensende verdiskaping er per definisjon ikke universell. Det som er tilgrensende for en bank, er forskjellig fra det som er tilgrensende for et industriselskap. Den praktiske metoden for å finne mulighetene som gjelder akkurat ens egen virksomhet, kan beskrives som en proksimitetstest — fem spørsmål, stilt i denne rekkefølgen.
1. Hva har vi som andre ikke lett kan kopiere? Et fortrinn andre ikke har — dyp domenekompetanse, en sterk kundeposisjon, en installert base, en merkevare, eller data av en kvalitet og bredde få andre sitter på. Bains forskning peker på at de beste mulighetene som regel finnes nær virksomhetens sterkeste kunder og bygger på det den allerede er god til (Zook & Allen, 2019). Det er ofte ikke det dere selger eksplisitt. Det er like gjerne noe dere gir bort som en del av relasjonen, eller som oppstår som biprodukt av kjernevirksomheten.
2. Hvilket nærliggende behov har kunden som vi ikke betjener i dag? Her ligger betalingsviljen. Kunden tar allerede beslutninger nær produktet deres. Noen av disse beslutningene støttes ikke, og kunden henter støtten et annet sted — eller går uten og tar dårligere beslutninger.
3. Kan vi nå betjene dette lønnsomt fordi AI har endret kostnadsstrukturen? Dette er filteret som skiller det nye fra det som alltid har vært mulig, men ikke lønnsomt nok. Spørsmålet gjelder begge veier: enten som et nytt produkt eller en ny tjeneste, eller ved å se det eksisterende produktet på nytt gjennom det AI gjør mulig i design, produksjon, markedsføring og salg. Er svaret at det fortsatt ikke er lønnsomt — selv med AI — er det ikke en mulighet. Det er en idé.
4. Hvor nært kjernen ligger dette? Bygger muligheten på de kundene, den kompetansen og den økonomien dere allerede har — eller krever den nye? Dette spørsmålet er ikke ett av flere. Det er det viktigste. Bains forskning på vekst utenfor kjernen viser at oddsen faller jo lenger man beveger seg fra kjernen: et grep som bare endrer én dimensjon, lykkes i omtrent 37 prosent av tilfellene — langt over snittet (Zook, 2004) — og de aller høyeste oddsene er gjennomgående knyttet til å tilby nye produkter til egne kjernekunder (Zook & Allen, 2019). Jo nærmere kjernen, jo bedre odds.
5. Tåler muligheten dagslys? Vil kunden oppleve den som legitim hvis den blir forklart åpent — særlig hvis den bruker kundedata? En mulighet som ikke tåler det spørsmålet, er ikke en mulighet, uansett hvor lønnsom den ser ut (Datatilsynet, u.å.).
Så kommer disiplinen som hindrer at dette blir et abstrakt strategiprosjekt: definer den minste versjonen dere kan teste i løpet av tre måneder. Den minste versjonen er sjelden det endelige produktet. Men den beviser at noen er villig til å betale — og det er den eneste informasjonen som faktisk teller.
Erfaringen er at de fleste virksomheter som gjør denne øvelsen ærlig, finner et sted mellom tre og syv reelle muligheter. Det er flere enn de kan forfølge samtidig. Da er neste oppgave prioritering — og her er svaret som regel å velge de to-tre som ligger nærmest kjernen, ikke de mest spektakulære.
Mulighetene finnes. Eierskapet gjør ikke.
Her er den vanskelige delen. Selv virksomheter som gjør proksimitetstesten og finner reelle muligheter, kommersialiserer dem som regel ikke. Forklaringen er strukturell.
En typisk virksomhet er organisert rundt sin eksisterende produktkatalog. Salg selger eksisterende produkter. Markedsføring posisjonerer eksisterende produkter. Produktorganisasjonen videreutvikler eksisterende produkter. Alle KPI-er, alle bonusstrukturer og alle karrierestiger er kalibrert mot katalogen slik den er.
I dette systemet har ingen et eksplisitt mandat til å oppdage og kommersialisere noe som ikke står i katalogen.
Resultatet er en forutsigbar dynamikk: noen identifiserer en tilgrensende mulighet, presenterer den entusiastisk i en ledergruppe, får anerkjennelse — og initiativet stopper opp fordi det ikke passer inn i noens portefølje av ansvar. Etter to-tre slike sykluser slutter folk å foreslå dem. Dette er ikke ond vilje. Det er rasjonell selvbevarelse — og trolig den viktigste grunnen til at tilgrensende muligheter ikke realiseres. Det rimer med Bains observasjon av at vekst utenfor kjernen som regel feiler av organisatoriske grunner, ikke tekniske (Zook & Allen, 2019).
For at tilgrensende verdiskaping skal bli en reell inntektskilde, må organisasjonen gjøre én strukturell endring: noen må eksplisitt eie det. Det kan være en egen produktdirektør for tilgrensende muligheter, en intern «ventures»-funksjon, eller en arbeidsgruppe på CFO-nivå med fullmakt til å kjøre piloter utenfor den eksisterende produktorganisasjonen. Den nøyaktige formen betyr mindre enn at den finnes.
Aker er et konkret eksempel på akkurat dette grepet. Konsernet har over flere år etablert og bygget opp egne selskaper for å eie industrielle programvaremuligheter — blant annet Cognite og Aize, og sammen med Telenor sikkerhetsselskapet Omny (Aker ASA, u.å.; Aker ASA, 2022). Mulighetene ble ikke liggende i en eksisterende avdeling som ville hatt incentiv til å la dem dø. De fikk sitt eget hjem.
For styret betyr dette ikke en ny produktidé. Det betyr en beslutning om hvem som eier verdiskaping utenfor dagens katalog — med mandat, budsjett og fullmakt.
Styrespørsmålet
Har vi noen som faktisk eier mulighetene utenfor dagens produktkatalog — med mandat, budsjett og fullmakt til å teste dem — eller blir de oppdaget, applaudert og forlatt fordi de ikke passer i noens portefølje?
En realistisk vurdering av risiko
Dette er en tilnærming som lett kan selges for skråsikkert. Det er derfor verdt å være ærlig om hvor den kan gå galt — for det kan den, på fire måter.
For det første: det er en risiko for kjernevirksomheten hvis man strekker seg for langt. Et inntrykk det er lett å få — også av argumentasjonen her — bør korrigeres. Tilgrensende verdiskaping er ikke gratis forsikring. Bains forskning er nøktern: bare rundt én av fire forsøk på vekst utenfor kjernen lykkes — det vil si at om lag tre av fire mislykkes — og oddsen synker jo lenger fra kjernen man beveger seg (Bain & Company, 2019). Og den vanligste grunnen til at de mislykkes, er ikke teknologien: det er at selskapet beveger seg for langt og for fort inn i områder der det ikke er sterkt, og der andre allerede er det (Zook & Allen, 2019). Det er nettopp derfor spørsmål fire i proksimitetstesten — nærhet — er det viktigste.
For det andre: fokusrisikoen er reell. Forsøker en virksomhet å forfølge mange tilgrensende muligheter samtidig uten strukturen til å håndtere dem, ender man typisk med å gjøre ingen av dem godt. Den realistiske porteføljen for en mid-market-virksomhet er to-tre initiativer parallelt, ikke ti. Bains funn peker i samme retning: de som lykkes, er disiplinerte og gjentakbare, ikke brede (Zook, 2004).
For det tredje: der muligheten bruker kundedata, må bruken tåle dagslys. Bygger et tilgrensende produkt på kundedata, må bruken være legitim og kunne forklares åpent for kunden (Datatilsynet, u.å.). Det er sjelden en stopper, men en forutsetning man må avklare, ikke anta — og kundetilliten er til syvende og sist viktigere enn det juridiske, fordi gevinsten ved et tilgrensende produkt forsvinner raskt hvis kjernerelasjonen skades. Men dette gjelder bare den delen av mulighetsrommet som faktisk hviler på data, og det er som nevnt ikke hele rommet.
For det fjerde: de fleste organisasjoner mangler kapasitet til dette akkurat nå. RAND har dokumentert at mer enn 80 prosent av AI-prosjekter feiler (Ryseff mfl., 2024), og en tilgrensende satsing er en mer krevende øvelse enn en avgrenset optimalisering. For de fleste virksomheter er det riktige svaret derfor fortsatt den første modusen — og en ærlig vurdering av om man har gjennomføringskraft til mer.
Dette betyr ikke at virksomheter bør la være. Det betyr at eierskap, nærhet til kjernen og en ærlig vurdering av kapasitet må være en del av designet fra start — ikke noe man skrur på etterpå.
Hva ledergruppen faktisk bør gjøre
Konkret innebærer dette følgende grep:
Først: kjør proksimitetstesten ærlig. Forvent å finne tre-syv kandidater, og velg de to-tre som ligger nærmest kjernen — ikke de mest spektakulære. Det er nærheten som flytter oddsen (Zook & Allen, 2019).
Deretter: gi det en eier. Dette er det enkeltgrepet som betyr mest. Uten en eksplisitt eier med mandat og budsjett forblir mulighetene noe som blir oppdaget og forlatt. Aker-modellen — et eget hjem for muligheten — er én måte; en CFO-forankret arbeidsgruppe er en annen (Aker ASA, u.å.).
Til slutt: test smått. Den minste versjonen som kan vise betalingsvilje innen tre måneder, er mer verdt enn en perfekt forretningsplan. Og der muligheten hviler på kundedata, avklar legitimiteten før dere bygger, ikke etter.
Tre moduser, én portefølje
Denne serien har handlet om tre fundamentalt forskjellige måter AI skaper verdi på. Prosessoptimalisering — å forbedre det dere allerede gjør. Verdikjederedesign — å levere det samme sluttproduktet på en grunnleggende annen måte. Tilgrensende verdiskaping — å bygge nye produkter og tjenester fra ressursene dere allerede har.
De tre er ikke et hierarki. De er en portefølje. En moden virksomhet har noe i hver kategori, vektet etter hvor den selv er i sin AI-modenhet og hva markedet rundt den krever.
Det de har til felles, er at ingen av dem primært er et teknologispørsmål. De er strategiske beslutninger som krever eierskap på styrenivå, strukturer som faktisk støtter dem, og en realistisk forståelse av hva organisasjonen tåler å gjøre samtidig. Det er denne forståelsen — ikke modellvalget — som skiller det lille mindretallet som henter reell, målbar verdi fra AI på selskapsnivå, fra det store flertallet som bruker teknologien bredt uten at det synes igjen i resultatet (Singla mfl., 2025).
Tilgrensende verdiskaping er den modusen flest norske virksomheter overser (Samfunnsøkonomisk Analyse, 2026). Ikke fordi ideene mangler. Fordi eierskapet gjør det.
Vurderer din virksomhet hvor tilgrensende muligheter faktisk finnes — og hvilken struktur som må til for å kommersialisere dem ansvarlig? Book en strategisk samtale for en konkret gjennomgang av proksimitetstesten anvendt på deres situasjon, og hva som må være på plass for å gå fra idé til reell inntekt.
Kilder
Aker ASA. (2022, 2. mai). Aker, Cognite and Telenor establish software security company. https://news.cision.com/aker-asa/r/aker--cognite-and-telenor-establish-software-security-company,c3557647
Aker ASA. (u.å.). Investments. https://www.akerasa.com/investment
Bain & Company. (2019). The cycle of business growth. https://www.bain.com/insights/the-cycle-of-business-growth/
Datatilsynet. (u.å.). Formålsbegrensning. https://www.datatilsynet.no/rettigheter-og-plikter/personvernprinsippene/grunnleggende-personvernprinsipper/formalsbegrensning/
Gjesdahl, J. (2021, 8. juni). Oda and Cognite are Norway's first unicorns. Alliance Venture. https://medium.com/alliance-venture/oda-and-cognite-are-norways-first-unicorns-6021ed1a50c1
Ryseff, J., De Bruhl, B., & Newberry, S. J. (2024). The root causes of failure for artificial intelligence projects and how they can succeed: Avoiding the anti-patterns of AI. RAND Corporation. https://www.rand.org/pubs/research_reports/RRA2680-1.html
Samfunnsøkonomisk Analyse. (2026). Bruk av kunstig intelligens i norsk næringsliv (utarbeidet for NHO, Abelia mfl.). https://samfunnsokonomisk-analyse.no/publikasjoner/bruk-av-kunstig-intelligens-i-norsk-naeringsliv
Singla, A., Sukharevsky, A., & Yee, L. (2025). The state of AI. McKinsey QuantumBlack. https://www.mckinsey.com/capabilities/quantumblack/our-insights/the-state-of-ai
Wixom, B. H., Beath, C. M., & Owens, L. (2023). Data is everybody's business: The fundamentals of data monetization. MIT Press. https://mitsloan.mit.edu/press/data-everybodys-business-fundamentals-data-monetization
Yara International. (u.å.). Digital farming. https://www.yara.com/digital-farming/
Zook, C. (2004). Beyond the core: Expand your market without abandoning your roots. Harvard Business School Press.
Zook, C., & Allen, J. (2019). The new rules for growing outside your core. Bain & Company. https://www.bain.com/insights/the-new-rules-for-growing-outside-your-core-in-business-hbr/