Slik bruker Oljefondet AI: 10 virkelige eksempler

Nøkkelinnsikt

• NBIM behandler AI-innføring som et kulturproblem, ikke et teknologiproblem. Obligatorisk opplæring, ambassadørnettverk og konstant press drev bruken mer enn noe verktøy i seg selv.
• Fondet lette etter ett stort gjennombrudd og fant ingenting. I stedet dukket 171 mindre prosjekter opp, som viser at bred organisasjonsbruk slår jakten på en enkelt revolusjonerende løsning.
• Folk uten utviklerbakgrunn bygger nå produksjonssystemer. Et kommunikasjonsteam satte opp sin egen medieplattform og regnskapsansatte automatiserte kvartalsrapporter, begge med Claude Code og Cursor.
• NBIM erstatter Scrum med bittesmå autonome team på to utviklere og én forretningsperson. Dette er blant de første eksemplene på at en stor institusjon formelt forlater tradisjonell smidig metodikk fordi AI gjør den overflødig.

Kort fortalt

Den 24. mars 2026 holdt Norges Bank Investment Management (NBIM), organisasjonen som forvalter Norges oljefond (verdens største, med rundt 20 000 milliarder kroner under forvaltning), sitt første AI-toppmøte. Administrerende direktør Nicolai Tangen ønsket hundrevis av gjester velkommen og gikk gjennom 10 konkrete måter fondet bruker AI på i dag: fra å analysere store aksjehandler under én times tidsfrist til en forhandlingssimulator i juridisk avdeling som treffer mer enn 80 prosent av hva motparten vil argumentere med. Visedirektør Trond Grande og over ti NBIM-ansatte tok scenen for å presentere hvert enkelt brukstilfelle i detalj.

Grunnmuren: Sky, data og en kulturendring

Før noen av brukstilfelene var mulige, brukte NBIM år på å bygge infrastrukturen som skulle bære dem. Fondet tok tilbake driften som tidligere lå hos en ekstern leverandør, flyttet alt til offentlig sky (eksterne servere driftet av leverandører som Amazon eller Microsoft, i stedet for eget fysisk utstyr) og samlet all data i et moderne datalager de kaller Martium Core, bygget på Snowflake (en sky-basert dataplattform). Å rydde opp i alle disse dataene var, som Birgitte fra IT-infrastruktur sa på scenen, "slett ingen moro." Men resultatet ble én pålitelig datakilde som AI kan jobbe med.

AI-teamet startet med tre personer og vokste til ti. Oppgaven er ikke å bygge AI for hele organisasjonen, men å fungere som katalysator: gi verktøy, kjøre opplæring og gjøre det mulig for alle andre å ta AI i bruk.

Innføringen måtte presses gjennom. Stian, som hadde ansvaret for AI-satsingen, var ærlig: obligatorisk opplæring fungerer fordi "de som ikke vil gjøre det, er de som trenger det mest." NBIM kjørte syv halvtimesøkter for alle ansatte, med temaer fra promptskriving (å skrive instruksjoner til AI) til ansvarlig AI-bruk. De bygget et nettverk av 20 frivillige ambassadører, én fra hvert team, som skulle identifisere ett verdifullt AI-prosjekt for sitt område og bygge det. Anthropic trente disse ambassadørene to ganger i uken i to måneder.

Resultatet: "alle i NBIM bruker Claude daglig" (Claude er en AI-assistent laget av Anthropic), og mer enn halvparten av alle ansatte bruker Claude Code, et AI-drevet kodeverktøy, til å bygge egne løsninger. Det siste tallet er påfallende fordi de fleste av disse menneskene ikke er profesjonelle programvareutviklere.

Da organisasjonen lette etter det ene store gjennombruddet som skulle forklare et påkrevet effektivitetsmål på 20 prosent, fant de ingenting. Det de fant i stedet, var 171 separate, mindre prosjekter der hvert bidro med litt. Slik ser egentlig bred AI-innføring ut.

De 10 brukstilfellene

1. Blokkhandel-analyse (investering)

En blokkhandel (block trade) er en svært stor kjøps- eller salgsordre som forhandles privat, utenfor den ordinære børsen. NBIM mottar rundt 200 slike henvendelser i året. Situasjonen: Goldman Sachs ringer og sier at Ferraris største aksjonær vil selge aksjer for 30 milliarder kroner. Det tilsvarer mer enn tre ukers normalt handelsvolum. Goldman trenger svar innen én time.

For å ta en avgjørelse trenger teamet å vite hvem som selger og hvorfor, om markedet allerede ante det, hva riktig pris ser ut til å være, og om transaksjonen vil utløse tvangskjøp fra indeksfond (fond som automatisk kjøper og selger for å speile en markedsindeks) som følger aksjen. Dataene er spredt på tvers av databaser, nettkilder, interne registre og sanntidsstrømmer.

NBIM bygde et multiagentsystem (multi-agent system), det vil si flere AI-programmer der hvert har en spesifikk oppgave og jobber sammen, for å samle alt dette på minutter. Én agent søker på nett for å finne den reelle eieren bak et holdingselskap. En annen henter nøkkeltall fra avtaledokumentet. En tredje kjører en algoritme for å beregne indekseffekten. Resultatet: et komplett beslutningsgrunnlag, klart raskere og med mer data enn tidligere.

2. Medieovervåking: Echo (kommunikasjon)

NBIM ble nevnt i nesten 50 000 artikler i 2025. Presseteamet har to personer. Å lese alt manuelt er umulig.

Saf fra kommunikasjonsteamet forklarte hvordan de bygde Echo: en sanntidsoversikt som sporer all mediedekning av fondet på tvers av kanaler. De er ikke utviklere, men de bygde det selv med Claude Code. Et agentbasert system klassifiserer sentimentet i hver artikkel (om tonen er positiv, negativ eller nøytral), prioriteten til kilden, artikkeltypen og hvor fremtredende fondet omtales. All data flyter direkte inn i Snowflake.

Echo har også en chatbot som kan svare på spørsmål som "analyser engasjement i sosiale medier." Den henter data fra LinkedIn, Instagram og YouTube på stedet og genererer en rapport, noe som tidligere krevde innlogging på hver plattform for seg.

3. Cybersikkerhetstriage (sikkerhet)

NBIM samler inn rundt 1 billion datapunkter om driften sin hvert år. Det filtreres ned til et sted mellom 100 000 og 1 million potensielt mistenkelige hendelser, og videre til et lite antall høyverdivarsler som menneskelige analytikere skal undersøke.

Cybersikkerhetsanalytikeren som presenterte på scenen, beskrev å bli vekket midt på natten av et varsel. En AI-agent starter på nøyaktig samme tidspunkt. Innen analytikeren er oppe av sengen, har agenten allerede samlet den samme konteksten et menneske ville hentet inn: hvilke data som er relevante, hvilken hypotese som passer, hva som ser ufarlig ut mot hva som virker mistenkelig. Den gjør på 5 minutter det et menneske ville brukt 30 på. Og i motsetning til et menneske gjør den det med samme grundighet hver eneste gang.

4. Forberedelse til selskapsmøter (investering)

NBIM holdt over 3 000 selskapsmøter i 2025. Hvert møte krever omtrent tre timers forberedelse. Det blir til sammen rundt 10 000 timer i året brukt på å gjøre seg klar.

Christina fra London-kontoret viste hvordan et multiagentsystem nå håndterer mye av den forberedelsen. Én agent lager en forskningsplan. Tre til fem underagenter henter informasjon fra ulike kilder. En avsluttende agent, trent på NBIMs beste historiske møteforberedelser og interne intervjuteknikk-materiale, vurderer resultatet og bestemmer om det holder mål. Porteføljeforvalteren kan deretter finjustere agendaen i et samtalegrensesnitt.

Systemet sjekker også kilder, slik at forvalteren kan verifisere at det ikke forekommer hallusinasjon (hallucination), altså at AI-en selvsikkert hevder noe som faktisk er feil. En simuleringskomponent er på vei som vil forutsi hva selskapets representant sannsynligvis vil si.

5. Handelsovervåking: Eva (etterlevelse)

Med millioner av transaksjoner på tvers av over 60 markeder hvert år må NBIM sikre at alle handler overholder markedsreglene. Tidligere flagget et eksternt system mistenkelige handler, og ansatte i etterlevelsesavdelingen undersøkte manuelt. Problemet: systemet kjente ikke NBIMs kontekst, så det produserte mange falske positive treff (varsler som ser mistenkelige ut, men viser seg å være ufarlige). Manuell gjennomgang er repetitivt, og repetisjon skaper tretthet.

Oscar fra etterlevelsesavdelingen (compliance) presenterte Eva (Enhanced Vigilant Agent): en masteragent matet av seks spesialiserte underagenter, der hver undersøker en annen dimensjon av hvert varsel: handelskontekst, indeksrebalansering, selskapsnyheter, bransjenyheter, timingmønstre og selskapskontakter. Eva er alltid på, blir aldri trett og produserer et komplett revisjonsspor (en fullstendig logg over hvert steg og hver beslutning) for hver sak. Når en sak er virkelig uklar eller krever menneskelig ansvar, sendes den videre til etterlevelsesavdelingen.

6. Regnskapsetterforskning (risiko)

Regnskapsetterforskning (forensic accounting) betyr å analysere finansregnskap for å avdekke manipulasjon. Målet: selskaper som bruker regnskapstriks for å se mer lønnsomme ut enn de er. NBIMs referanseportefølje inneholder rundt 7 000 selskaper. Tradisjonelt krevde hvert selskap at en analytiker brukte rundt to uker på å gå gjennom finansregnskap og fotnoter.

Martin fra regnskapsetterforskningsteamet forklarte hvordan AI-agenter nå søker gjennom millioner av sider med finansdokumenter, oppdager nøkkelord, henter ut relevante setninger og flagger spesifikke tall, for eksempel et selskap som forlenget sin leverandørgjeld (penger selskapet skylder sine leverandører) med 745 millioner dollar. En maskinlæringsmodell (programvare som lærer mønstre fra data i stedet for å følge faste regler), trent på tusenvis av virkelige tilfeller der selskaper senere ble avslørt for manipulasjon, beregner sannsynligheten for at et gitt selskap er på vei mot samme utfall. Modellen er i produksjon i dag.

7. Automatisering av finansrapportering (finans)

Hvert kvartal produserer NBIM sine fullstendige finansregnskap, noter og analyser. Den gamle prosessen baserte seg på komplekse Excel-arbeidsbøker med lange formelkjeder og mange manuelle justeringer. Torus fra regnskapsavdelingen beskrev hvordan én person brukte en hel uke på å produsere én enkelt note: Note 14, om sikkerhetsstillelse og motregning.

Med Claude Code og Cursor (en AI-drevet kodeeditor) bygde et team på to ikke-utviklere hele prosessen på nytt fra bunnen av, med rene underliggende data som utgangspunkt. Nå er Note 14 ferdig i løpet av noen timer. Valuta- og skatteberegninger kjøres med et knappetrykk på dag to av kvartalet. Det som tidligere krevde 2,5 personer i åtte dager, gir nå disse menneskene frihet til å konsentrere seg om analyse og kvalitetssikring.

8. ESG-screening (ansvarlig investering)

ESG er en forkortelse for Environmental, Social and Governance (miljø, sosiale forhold og selskapsstyring). Det er de ikke-finansielle faktorene investorer bruker for å vurdere om et selskap drives ansvarlig. NBIM må gjennomgå alle 7 000+ selskaper i porteføljen for forhold som tvangsarbeid, barnearbeid, avskoging og korrupsjon. Hvis menneskelige analytikere skulle gjøre dette alene, anslo Christina at teamet ville trenge 3 000 analytikere som jobbet en hel helg. Det faktiske teamet er åtte personer.

Den AI-drevne prosessen kjøres i to faser. I første fase bruker systemet en raskere og enklere modell til en bred gjennomgang av alle selskaper. De fleste passerer den. De som vekker noen bekymring, går videre til fase to, der flere agenter samtidig undersøker selskapet fra ulike vinkler: leverandørkjedelenker, direkte virksomhet, finansielle relasjoner. Menneskelige analytikere gjennomgår deretter hvert høyrisikoselskap AI-en har flagget, verifiserer kildene og tar den endelige avgjørelsen.

9. Forhandlingssimulator (jus og skatt)

Christi fra juridisk og skattemessig avdeling bygde en forhandlingssimulator etter å ha oppdaget at hvis AI kan modellere språkmønstre, kan den modellere forhandlingsmønstre også. Verktøyet har to moduser.

I planleggingsmodus analyserer det motpartens sannsynlige argumenter og foreslår en optimal kombinasjon av vilkår og innrømmelser. Så langt har det truffet over 80 prosent av motpartens argumenter i virkelige forhandlinger. I simuleringsmodus kjører den en stemmebasert øvingssamtale i sanntid der Christi kan forhandle mot en AI som spiller den andre siden, be om tilbakemelding fra en coach, eller bytte rolle.

Verktøyet hjelper også NBIM med å analysere mønstre på tvers av hele kontraktsporteføljen, blant annet hvordan klausuler om force majeure (uforutsette hendelser som fritar fra kontraktsforpliktelser) grupperer seg og hvordan ulike utløsere kan påvirke fondets tilgang til kreditt.

10. Handelsoptimalisering (gjennomføring)

Jel fra handels- og gjennomføringsteamet forklarte et problem som er unikt for fond av NBIMs størrelse: fondet er så stort at egne handler beveger markedet. Når det kjøper, går prisene opp. Når det selger, går de ned. NBIM anslo denne markedseffekten (market impact), altså prisendringen som fondets egne handler forårsaker, til 14 milliarder kroner i 2025.

To AI-drevne svar på dette problemet. For det første gjør AI-prediksjoner om hvilke aksjer som sannsynligvis vil stige eller falle at meglerne kan bestemme når de skal være offensive og når de skal vente. For det andre kobler et internt "parkeringssystem" motstående ordrer på tvers av fondets 250 porteføljer før de går til markedet. I fjor ble 120 milliarder kroner i ordrer parkert internt i stedet for å bli handlet eksternt. Til sammen bidro disse endringene til en estimert besparelse på 4 til 6 milliarder kroner i 2025.

Hvor det bærer

Trond Grande avsluttet brukstilfelledelen med et tydelig mål: halvere alle manuelle prosesser innen utgangen av 2028. Måten NBIM organiserer utviklingsarbeid på er også i endring. Tradisjonell Scrum (en populær smidig prosjektmetodikk fra 1990-tallet bygget rundt åtte utviklere, én forretningsperson og en full kalender med seremonier som daglige statusmøter og sprintgjennomganger) erstattes. NBIMs nye standard er to utviklere og én forretningsperson, som jobber autonomt med full beslutningsmyndighet og bruker AI til å holde et tempo større team rett og slett ikke klarer.

Den overordnede lærdommen handler ikke om ett enkelt brukstilfelle. Den handler om hva som skjer når en organisasjon slutter å behandle AI som et spesialistverktøy og begynner å forvente at alle ansatte bruker det, bygger med det og fortsetter å forbedre seg.

Ordliste

Kilder og ressurser