Mange opplever at KI fungerer godt i starten. Det er enkelt å bruke verktøy som kan oppsummere møter, skrive tekst eller hjelpe til med idéarbeid. Men ganske raskt dukker det samme spørsmålet opp:
Hvordan får vi dette til å fungere med våre egne data og systemer?
For det er ofte her begrensningene blir tydelige. En språkmodell kjenner ikke interne rutiner, prosjektstatus, kundedata eller informasjon som ligger i virksomhetens egne systemer. Den vet heller ikke hvordan arbeidsflyten deres fungerer. Det betyr at svarene fort blir generiske, eller at ansatte fortsatt må gjøre mye manuelt arbeid selv. Informasjon må hentes fra ulike steder, vurderes og brukes videre i prosesser som modellen ikke har tilgang til.
Det er her begreper som RAG, API-er og MCP begynner å dukke opp. De beskriver ulike deler av det samme bildet, men løser egentlig tre forskjellige problemer.
Hvis du ønsker en mer overordnet introduksjon til hvordan KI-agenter fungerer og hvor de gir verdi, kan du også lese våre artikler om KI-agenter og hvordan slike løsninger bygges opp:
Den første utfordringen handler om informasjon. For selv om språkmodeller er trent på enorme mengder data, kjenner de ikke virksomhetens egne dokumenter, rutiner eller systemer. Hvis KI skal kunne gi relevante svar i en arbeidshverdag, må den få tilgang til informasjonen den trenger, når den trenger det.
Det er dette RAG brukes til. RAG står for Retrieval-Augmented Generation, men prinsippet er enklere enn navnet tilsier. I stedet for at modellen må “kunne” alt på forhånd, kan løsningen hente relevant informasjon fra egne datakilder og sende den med som kontekst når brukeren stiller et spørsmål.
Det kan for eksempel være:
interne prosesser
prosjektdata
dokumentasjon
tidligere saker
samsvarskrav eller faginnhold
Hvis noen spør: “Hva er rutinene våre for tilgangsstyring?” kan løsningen først hente relevant informasjon fra interne dokumenter, og deretter bruke modellen til å formulere et svar basert på dette.
RAG handler altså først og fremst om å gi KI tilgang til riktig informasjon.
Men informasjon alene er sjelden nok. I mange virksomheter må informasjonen også brukes videre i en arbeidsflyt. Det kan være å opprette en sak, hente kundedata, sende en melding eller oppdatere informasjon i et annet system.
Det er her API-er kommer inn. Et API gjør det mulig for ulike systemer å kommunisere med hverandre. I KI-sammenheng betyr det at løsningen kan hente informasjon fra eller utføre handlinger i systemene virksomheten allerede bruker.
Det kan for eksempel være:
CRM-systemer
ERP og økonomiløsninger
Teams eller Slack
saksbehandlingssystemer
dokumentarkiv eller databaser
Hvis RAG handler om å gi tilgang til informasjon, handler API-er om å koble KI til handlinger og arbeidsprosesser. Det er ofte her KI går fra å være noe man bare tester på siden, til å bli en del av den faktiske arbeidshverdagen.
Et eksempel på dette er hvordan vi har brukt KI til å automatisere arbeidsprosesser og koble sammen eksisterende verktøy og systemer:
Effektivisering med kunstig intelligens – fra tidstyver til verdiskapende prosesser
Når flere systemer, verktøy og datakilder skal kobles til KI-løsninger, oppstår det fort en ny utfordring: integrasjonene blir komplekse. Det er dette MCP prøver å løse. MCP står for Model Context Protocol og er en åpen standard som gjør det enklere for KI-modeller å kommunisere med verktøy og datakilder på en mer standardisert måte.
En vanlig måte å forklare det på, er å sammenligne det med en USB-C-port for KI. I stedet for å bygge spesialtilpasninger for hver eneste kobling, handler det om å etablere en standardisert måte for modeller, systemer og verktøy å snakke sammen på.
Det betyr ikke at MCP erstatter RAG eller API-er. Snarere tvert imot.
RAG gir tilgang til informasjon
API-er kobler KI til systemer og handlinger
MCP gjør det enklere å standardisere hvordan slike koblinger håndteres
For virksomheter handler dette først og fremst om fleksibilitet, enklere integrasjoner og mindre behov for spesialtilpasning over tid.
Når man diskuterer KI-løsninger, er det fort gjort å fokusere mest på modellene og teknologien rundt. I mange prosjekter er det likevel andre ting som viser seg å være vanskeligst.
Datakvalitet er et typisk eksempel. Hvis informasjonen er utdatert, mangelfull eller lite tilgjengelig, blir resultatene deretter. Det samme gjelder eierskap. Hvis ingen har ansvar for prosessen løsningen skal støtte, blir det også vanskelig å videreutvikle og forbedre den over tid. Mange opplever derfor at de største utfordringene handler mer om:
struktur på data
tilgang til riktige systemer
sikkerhet og kontroll
og forståelse av arbeidsprosessene
enn om selve modellen.
Det er også derfor det sjelden holder å starte med teknologien alene. Verdien oppstår først når løsningene kobles til reelle behov i virksomheten.
Det er lett å tenke stort når man ser hva som er mulig å få til med KI. Erfaringen er ofte at det gir mer verdi å starte mindre. Finn én konkret prosess som:
involverer flere systemer
krever mye manuelt arbeid
eller bruker unødvendig mye tid på å hente og sammenstille informasjon
Da blir det også enklere å forstå:
hvilke data som faktisk trengs
hvilke systemer som må kobles på
og hvor KI kan gjøre en reell forskjell
Mange av de mest vellykkede initiativene starter nettopp der – med én avgrenset flyt som løser et konkret problem.
RAG, API-er og MCP er viktige byggeklosser i moderne KI-løsninger. Samtidig er de nettopp det: byggeklosser. De skaper ikke verdi alene.
Verdien oppstår først når teknologi, data og arbeidsprosesser fungerer godt sammen, og når løsningene tar utgangspunkt i faktiske behov i virksomheten. Det er også ofte her forskjellen ligger mellom en interessant demo og en løsning som ansatte faktisk ønsker å bruke i hverdagen.