De fleste starter feil med AI – erfaringer fra et reelt case

I påsken og i forrige uke har jeg jobbet videre med et konkret case gjennom min gruppe AI Value Lab Oslo, der vi bruker en reell tannklinikk som læringsarena for å teste hvordan AI kan brukes i praksis.

Vi startet ikke med teknologi. Vi startet med virksomheten.

Gjennom analyse, research, intervjuer og diskusjoner jobbet vi oss frem til ett kjernepunkt: Hvor oppleves friksjon i hverdagen?

Hva fungerer godt i dag?
Hvor er flaskehalsene?
Hvor taper klinikken tid, kapasitet eller potensielle inntekter?

Vi så også på hva konkurrentene gjør bedre, særlig i hvordan de møter pasientene digitalt og operativt.

Bildet som tegnet seg var tydelig:
Den faglige kvaliteten og pasientopplevelsen er sterk, men det er et gap i det digitale og kommersielle rundt. Altså ikke i kjerneleveransen, men i det som skjer før og etter.

Det er derfor vi nå jobber med å modernisere pasientreisen, og vurderer hvordan AI og digitale løsninger kan styrke:
🦷 booking og tilgjengelighet
🦷 oppfølging og gjenkjøp
🦷 tydelig informasjon og pasientkommunikasjon
🦷 mer effektive arbeidsprosesser
🦷 bedre operativ støtte i hverdagen

Helt konkret jobber vi nå med:
– videreutvikling av nettside (bedre struktur og mer relevant informasjon)
– ny chatbot (ikke hatt tidligere)
– ny online bookingløsning (ikke hatt tidligere)

Alt utvikles med utgangspunkt i faktiske behov hos pasientene. Poenget er ikke verktøyene i seg selv, men rekkefølgen.

De fleste virksomheter starter derimot med spørsmålet:
"Hvilken AI-løsning skal vi velge?"

I praksis bør man starte et helt annet sted ved å spørre:
"Hvilke beslutninger og prosesser påvirker resultatet?"

Dette gjenkjenner jeg fra kommersielle organisasjoner:
Prioritering av kunder gjøres ulikt fra person til person.
Oppfølging av tilbud styres like mye av kapasitet som av potensial.
Pipeline og forecast preges ofte mer av optimisme enn struktur.

Det betyr ikke at det gjøres dårlig, men at det finnes et betydelig forbedringspotensial. Det er her AI kan bidra!

En modell kan analysere mønstre og foreslå neste beste handling. Men verdien oppstår først når det brukes til å ta bedre beslutninger i praksis.

Siden disse AI-postene er ment som kompetansedeling, nevner jeg også kort verktøyene vi tester. Løsninger er utviklet med Claude og Claude Code, med innhold fra FAQ-er og dagens nettside bygget på localhost, med videre plan for deployment via Vercel. Nettsidearbeid parallelt i Lovable. Ikke fordi verktøyene er av betydning, men fordi flere spør hva som faktisk brukes i praksis.

👉 I neste innlegg ser jeg på hvorfor mange AI-initiativer stopper opp, selv når de starter riktig.

PS. Påsken ble ellers brukt på Røros og Svalbard med opplevelser som minner meg på noe viktig: Ikke alt skal optimaliseres. Langrenn, alpint, snøscooter, hundeslede, villdyr og tid med familie og venner slår fortsatt det meste – det reelle er ikke kunstig.