Fra idé til fungerende AI-verktøy

Hvis noen hadde sagt til meg for ett år siden at jeg skulle bygge et avansert analyseverktøy med database, API-er, automatiserte tester og flere AI-tjenester, hadde jeg sannsynligvis begynt å le.

Jeg har jobbet med markedsføring, kommunikasjon, PR og digitale medier i over 20 år.

Men programmering?

Nei.

Jeg kunne ikke kode.

Likevel har jeg det siste året bygget det som ble starten på AI Discovery, et research- og analyseprosjekt som undersøker hvordan virksomheter blir identifisert og funnet i AI-tjenester som ChatGPT, Claude og Perplexity.

Det mest interessante er kanskje ikke at jeg klarte å bygge det.

Det er hvorfor jeg begynte.

Kort fortalt: AI Discovery undersøker hva som skjer når mennesker bruker AI til å finne informasjon, leverandører og alternativer før de besøker en nettside. Vi måler blant annet om AI identifiserer riktig virksomhet når navnet er kjent, og om virksomheten dukker opp når noen bare beskriver behovet sitt.

Hva skjer når kunden spør AI før de søker på Google?

Jeg lager podkasten AI-Laget sammen med Gunnar Gundersen.

Da vi begynte å diskutere hvordan vi kunne få flere til å oppdage podkasten, dukket det opp et spørsmål jeg ikke klarte å slippe.

Hvordan finner folk egentlig frem til en podkast i 2026?

Tidligere ville svaret ofte vært Google, Spotify, Apple Podcasts, sosiale medier eller en anbefaling fra noen du kjenner.

Men nå kan du også spørre ChatGPT:

«Jeg vil lære mer om AI. Finnes det noen gode norske podkaster som forklarer dette på en enkel måte?»

Da får du kanskje noen konkrete forslag.

Men blir AI-Laget nevnt?

Vet ChatGPT at podkasten eksisterer?

Forstår den hva vi snakker om?

Og hvis den ikke dukker opp, hva kan vi egentlig konkludere med?

Jeg har arbeidet med digital synlighet i store deler av karrieren. Likevel føltes dette som et nytt lag i kundereisen.

Før noen besøker nettsiden din, kan de allerede ha brukt AI til å forstå problemet sitt, undersøke alternativer og lage en shortlist.

Jeg ville forstå dette bedre.

Jeg bestemte meg for å undersøke selv

Da jeg begynte på Generativ AI for Business ved BI, fikk jeg flere spørsmål enn svar.

Jeg kunne ha lest meg opp på det andre skrev om AI-søk og synlighet.

Men jeg lærer bedre når jeg bygger.

Så jeg bestemte meg for å lage mitt eget researchprosjekt.

Jeg ville undersøke hvordan forskjellige AI-tjenester svarer på de samme spørsmålene, hvordan de identifiserer virksomheter, hvilke aktører de trekker frem og hvor mye svarene varierer.

Problemet var bare at jeg ikke ante hvordan jeg skulle bygge et analyseprogram.

Så jeg begynte der jeg kunne.

Jeg spurte AI.

Først kom Sage

I ChatGPT opprettet jeg etter hvert en egen agent som heter Sage.

Sage ble prosjektleder, lærer og sparringspartner.

Jeg kunne skrive på helt vanlig norsk:

Hvordan kan vi undersøke om ChatGPT kjenner en bestemt virksomhet?

Hvilke spørsmål bør vi stille?

Hvordan kan vi sammenligne flere AI-tjenester?

Hvordan vet vi om resultatene våre faktisk er til å stole på?

Sage hjalp meg med å gjøre ideene om til konkrete oppgaver.

Og hun var irriterende grundig.

Jeg kunne være fornøyd med noe vi hadde bygget, og Sage kunne svare:

«Ja, men vi bør kontrollere én ting til.»

Etter hvert ble prosjektet for stort for oss to.

Da kom Lesearch, utvikleren som arbeider gjennom Claude og Claude Code.

Plutselig hadde jeg en nettside, en database og et program som kunne sende spørsmål til forskjellige AI-systemer og samle svarene.

Og så begynte «teamet» å vokse.

Aida fikk ansvar for hvordan funnene blir forklart til kunden.

Aria for det visuelle.

Nora for redaksjon og formidling.

Indi for hvordan nettsider blir oppdaget og indeksert.

Men det var én agent som endret prosjektet mer enn jeg hadde forventet.

Jeg ansatte den mest irriterende AI-agenten. Det var kanskje det smarteste jeg gjorde.

På LinkedIn så jeg en stillingsannonse for en avansert rolle innen AI-arkitektur.

Jeg leste kompetansekravene og tenkte:

Dette kan jeg jo ikke.

Men kanskje jeg kan lære noe av å bygge en agent som kan det?

Jeg brukte stillingsbeskrivelsen som utgangspunkt og opprettet Lion.

Lion fikk rollen som den kritiske tekniske og metodiske stemmen i prosjektet.

Han ble raskt den typen kollega som rekker opp hånden når alle andre tror møtet er ferdig.

Hvordan vet vi at dette stemmer?

Hva skjer hvis modellen tar feil?

Har vi testet dette ordentlig?

Kan vi faktisk konkludere med det rapporten sier?

Har vi tenkt på personvern og databehandling?

Det førte til mer arbeid.

Mye mer arbeid.

Men det gjorde også prosjektet bedre.

For en av de viktigste tingene jeg har lært er at AI kan produsere noe som ser imponerende og gjennomarbeidet ut, samtidig som premisset er feil.

Da trenger du ikke bare en AI som bygger.

Du trenger noen som forsøker å rive ned det du har bygget.

Prosessen har ikke vært friksjonsfri

Jeg skulle gjerne sagt at jeg skrev:

«Bygg AI Discovery.»

Og noen minutter senere var alt ferdig.

Sånn fungerer det ikke.

Vi har laget løsninger som måtte kastes.

Agentene har misforstått hverandre.

Jeg har fått rapporter som var så tekniske at jeg knapt forsto dem selv.

Vi har funnet feil sent i prosessen og måttet gå flere runder.

Og i sluttfasen før offentlig lansering fant vi også svakheter i hvordan enkelte data ble håndtert.

Da valgte vi å stoppe.

Ikke fordi produktet ikke fungerte, men fordi det ikke er nok at analysen virker dersom vi ikke samtidig er komfortable med hvordan systemet rundt den er bygget.

Det var frustrerende.

Men også en ganske god demonstrasjon av hvorfor vi trenger kritiske kontrollmekanismer når vi bygger med AI.

AI Discovery Check er derfor et fungerende produkt, men mens jeg skriver dette er det fortsatt i sluttkontroll før offentlig lansering.

Det synes jeg er viktig å være åpen om.

Så fant vi noe interessant

I en tidlig test undersøkte vi tre norske virksomhetsnavn.

ChatGPT koblet i disse målingene alle tre navnene til andre virksomheter.

Claude og Perplexity identifiserte de samme virksomhetene riktig i de aktuelle testene.

Tre virksomheter er selvfølgelig altfor lite til å si noe om hvor vanlig dette er.

Men observasjonen lærte meg noe viktig:

Før vi begynner å snakke om hvor synlig en virksomhet er i AI, bør vi kanskje først undersøke om AI vet hvilken virksomhet vi snakker om.

Det ble en sentral del av metoden.

Hva undersøker AI Discovery Check?

AI Discovery Check undersøker to forskjellige situasjoner.

Først spør vi etter virksomheten ved navn.

Da undersøker vi om ChatGPT, Claude og Perplexity identifiserer riktig virksomhet.

Deretter stiller vi spørsmål om områdene virksomheten ønsker å bli funnet for, uten å oppgi navnet.

Da kan vi se om virksomheten dukker opp når noen bare beskriver behovet sitt.

Rapporten viser blant annet:

• om riktig virksomhet ble identifisert
• hvor virksomheten ble nevnt og hvor den ikke ble nevnt
• hvilke andre virksomheter som dukket opp
• hvilke synlige kilder som ble vist i svarene
• variasjoner mellom tjenester og gjentatte spørsmål

Vi lager ikke en magisk totalscore.

Og en måling dokumenterer ikke automatisk hvorfor resultatet ble som det ble.

Observasjon kommer før forklaring.

Vi fikk 0 av 17 på vår egen test

Jeg mener AI Discovery må tåle sin egen metode.

Derfor målte vi aidiscovery.no før vi begynte å gjøre endringer.

Nullpunktet ble låst 15. oktober 2026.

Vi undersøkte tre områder vi ønsket å bli funnet for i ChatGPT, Claude og Perplexity.

Da virksomhetsnavnet ikke var med i spørsmålene, ble AI Discovery nevnt i 0 av 17 vurderbare svar.

Da vi spurte direkte etter AI Discovery, identifiserte ingen av de tre tjenestene riktig virksomhet i denne målingen.

Det er ikke et spesielt imponerende resultat for et selskap som arbeider med AI Discovery.

Og nettopp derfor liker jeg det.

Vi har et faktisk nullpunkt.

Nå kan vi dokumentere hva vi gjør, måle igjen og se hva som eventuelt endrer seg.

Hvis vi får bedre resultater, deler vi det.

Hvis ingenting skjer, deler vi det.

Og hvis det blir dårligere, må vi tåle å dele det også.

Fem ting jeg har lært om å bygge med AI

Jeg tror mange fortsatt bruker AI først og fremst til tekst, oppsummeringer og spørsmål.

Det er nyttig.

Men hvis du vil bygge noe, har jeg lært noen andre ting.

1. Lag et prosjekt, ikke bare en lang chat.

Definer hva du prøver å oppnå, rollen til AI-en og hvilke regler den skal arbeide etter.

2. Gi forskjellige agenter forskjellige jobber.

En agent som bygger bør ikke nødvendigvis være den eneste som kontrollerer om det den har bygget er riktig.

3. Be AI kritisere AI.

Noen av de største forbedringene i AI Discovery har kommet fordi én agent har fått i oppgave å utfordre arbeidet til en annen.

4. Bruk skjermbilder når du står fast.

Jeg har lært overraskende mye teknisk ved å vise AI et skjermbilde og spørre: Hvor skal jeg trykke? Hva betyr dette? Hva gjør jeg nå?

5. Forstå infrastrukturen, selv om du ikke skriver koden selv.

Jeg måtte lære hva GitHub, Supabase, Vercel, API-er og andre deler av systemet faktisk gjør.

Ikke fordi jeg skal bli utvikler, men fordi jeg må forstå det jeg eier og bygger.

Det er kanskje dette som har overrasket meg mest.

AI gjør det mulig å lære mens du bygger.

Hva vet vi fortsatt ikke?

Mye.

Vi vet ikke én oppskrift som gjør en virksomhet synlig i ChatGPT.

Vi vet ikke at ett bestemt tiltak på en nettside vil føre til omtale.

Vi vet ikke hvor stabile slike resultater er over tid.

Og vi kan ikke anta at et funn i ChatGPT gjelder Claude, Perplexity eller et annet AI-system.

Det er derfor jeg omtaler AI Discovery som et research- og metodeprosjekt.

Vi prøver å måle før vi konkluderer.

Og vi prøver å dokumentere usikkerheten like tydelig som de interessante funnene.

Det viktigste jeg håper guttene mine lærer av dette

Jeg har to gutter.

Hvis det er én ting jeg håper de tar med seg fra det pappa holder på med, er det at man aldri blir for gammel til å lære noe nytt.

Pappa kunne ikke programmere.

Pappa var nysgjerrig.

Så han stilte spørsmål, prøvde seg frem, gjorde masse feil og fikk hjelp av AI.

Og plutselig hadde jeg bygget et analyseverktøy jeg ikke hadde vært i nærheten av å kunne bygge tidligere.

Ikke fordi jeg plutselig ble et teknisk geni.

Men fordi jeg kunne bruke erfaringen min fra markedsføring til å stille spørsmål jeg syntes var viktige, og bruke AI til å lære det jeg ikke kunne.

Så hvis en av guttene mine en dag kommer til meg og spør:

«Pappa, kan jeg lage min egen app?»

kommer jeg ikke til å svare at det er for vanskelig.

Jeg kommer til å si:

«Det vet jeg ikke ennå. Men vi kan finne ut av det sammen med AI.»

Det er kanskje det fineste jeg har lært av hele prosjektet.

---

*Denne historien fortalte jeg også i AI-Laget, podkasten der Gunnar Gundersen og jeg forsøker å gjøre kunstig intelligens forståelig og praktisk for folk flest.*