Hva er maskinlæring? Forskjellen på kunstig intelligens og maskinlæring

Maskinlæring er en gren av kunstig intelligens der dataprogrammer lærer mønstre av eksempler i stedet for å følge regler som et menneske har skrevet. All maskinlæring er kunstig intelligens, men ikke all kunstig intelligens er maskinlæring. For en småbedrift handler det mest om å gi verktøyene du allerede bruker riktige data, ikke om å bygge egne modeller.

Hva er maskinlæring?

Maskinlæring er en måte å lage dataprogrammer på der programmet finner mønstre i eksempler og bruker dem til å gjette på nye tilfeller. En utvikler slipper altså å skrive hver regel for hånd. Det programmet ender opp med, kalles en modell. Det er modellen du bruker når et system foreslår hvilken konto et bilag skal føres på, eller hvem som skal se annonsen din.

Datatilsynet beskriver prosessen i tre trinn i rapporten Kunstig intelligens og personvern. Først har man et utvalg opplysninger som inneholder et mønster. Deretter finner maskinlæringen mønstrene. Til slutt lages det en modell som kjenner igjen de samme mønstrene når den får nye data.

Spamfilteret er det enkleste eksempelet. Et tradisjonelt filter følger regler som «hvis emnefeltet inneholder ordet gratis, er det spam». Et maskinlærende filter får se tusenvis av e-poster som er merket spam eller ikke spam, og finner selv kombinasjonene som skiller dem. Fordelen er at modellen fanger mønstre ingen har tenkt på. Ulempen er at den aldri blir bedre enn eksemplene den har lært av, og at den ikke alltid kan forklare hvorfor den kom fram til svaret.

De tre hovedtypene maskinlæring

Dyplæring er en underkategori av maskinlæring som bruker nevrale nettverk med mange lag. Det er dyplæring som har gjort det mulig å gjenkjenne bilder, gjøre tale om til tekst og lage store språkmodeller som ChatGPT.

Hva er forskjellen på kunstig intelligens og maskinlæring?

Kunstig intelligens er målet: maskiner som løser oppgaver vi forbinder med menneskelig tenkning. Maskinlæring er den metoden som i dag brukes mest for å nå dit. Datatilsynet påpeker i samme rapport at begrepene ofte brukes som om de betyr det samme, selv om det ikke er presist. Kunstig intelligens er paraplybegrepet, og under den finnes mange typer maskinlæring.

Forskjellen har betydning når du skal kjøpe noe. «KI-drevet» står på nesten alle programvareprodukter i 2026, men kan bety tre helt ulike ting. Det kan være en modell som lærer av nettopp dine data, en generell språkmodell som er koblet på, eller gamle regler med ny merkelapp. Spør leverandøren om tre ting: Lærer systemet av våre data? Blir det bedre jo lenger vi bruker det? Kan vi se hvorfor det foreslår det det foreslår? Svaret avslører fort hva du faktisk betaler for. Vil du ha en bredere innføring, kan du lese vår forklaring av hva kunstig intelligens er, eller gå videre til hvordan generativ KI fungerer.

Hvor bruker småbedrifter maskinlæring allerede?

Mest sannsynlig bruker du allerede maskinlæring i annonsekontoen, regnskapssystemet, e-postfilteret og søkemotoren, uten å kalle det det. Ifølge SSBs tall fra september 2026 bruker nesten fem av ti foretak med minst ti ansatte én eller flere typer KI-teknologi, mot tre av ti i 2025. Avstanden øker likevel. Rundt fire av ti små foretak bruker KI, mens andelen blant store foretak har steget fra seks til åtte av ti.

• Annonsering: Smart budgivning og Performance Max i Google Ads og Advantage+ hos Meta er maskinlæringsmodeller. De avgjør hvem som ser annonsen, og hva du betaler per klikk.
• Regnskap: Kontoforslag og automatisk tolkning av bilag lærer av hvordan du har ført før. Les mer om KI i regnskapet.
• Kundeservice: Moderne chatboter for norske bedrifter bygger på språkmodeller som er trent med dyplæring.
• Søk: Google bruker maskinlæring både til å rangere sider og til å lage AI-svar (AI Overview) øverst i resultatene. Dette endrer hvordan kunder finner deg, som vi forklarer i artikkelen om KI-søk.
• Måling: Consent Mode v2 bruker modeller til å anslå konverteringer fra besøkende som har takket nei til informasjonskapsler. Med Consent Mode v2 riktig satt opp modelleres i Box sine kontoer typisk 40–65 % av konverteringene som ellers ville forsvunnet med avslått samtykke.

Performance Max uten produktfeed og uten målgruppesignaler brukte i Box sine tester 30–50 % av budsjettet på visninger uten målbar verdi.

Lærdommen gjelder langt utenfor annonsering. En maskinlæringsmodell kan bare jobbe med det du gir den. Får den magre signaler, gjetter den, og gjettingen betaler du for.

Hvorfor feiler maskinlæring oftere på grunn av data enn på grunn av teknologi?

Modellen optimaliserer mot signalet du gir den. Er signalet feil, jobber den svært effektivt mot feil mål. Det er derfor kvaliteten på dataene avgjør mer enn hvilket verktøy du velger.

Det vi ser oftest, er feil i målingen som ingen har oppdaget. Da Box gjennomgikk sporingsoppsettet hos nye kunder, hadde 8 av 10 kontoer feil i konverteringssporingen: dobbelttelling, manglende hendelser eller et samtykkeoppsett som blokkerte data. Ved dobbelttelling tror budalgoritmen at kampanjene leverer dobbelt så godt som de gjør, og den øker budene deretter. Du får ingen feilmelding, bare dyrere kunder.

Fire datafeil som ødelegger modellen

• Feil mål: Optimaliserer du mot alle skjemainnsendinger, også spam og jobbsøknader, lærer modellen å finne flere av dem. Mål heller mot det som faktisk gir inntekt, som kvalifiserte henvendelser eller salg.
• Lekkasje mellom treningsdata og testdata: Ser modellen de samme kundene under både trening og testing, ser den fantastisk ut i testen og svak i bruk. Hold dataene strengt atskilt.
• Skjevhet i historikken: En modell som er trent på dine tidligere kunder, kan overse nye målgrupper du ønsker å nå.
• Modellen går ut på dato: Kundeatferden endrer seg med sesonger, priser og konkurrenter. En modell som var god i fjor, må vurderes på nytt.

Hva koster maskinlæring for en småbedrift?

For de fleste er det ikke lisensen som koster mest. Det er tiden det tar å rydde i dataene og sette opp målingen riktig. Maskinlæring følger som regel med i verktøy du allerede betaler for. En egenutviklet modell er derimot et prosjekt med varige driftskostnader.

Prisene på nivå 3 og 4 varierer mye med volum og leverandør. Sjekk alltid den gjeldende prissiden før du budsjetterer, og legg inn en fast post for drift og ny evaluering. Mange bedrifter får mest igjen for nivå 2 og 3. Der finnes også det meste av gevinsten i automatisering med KI.

Hvilke regler gjelder for maskinlæring i Norge?

Personopplysningsloven med GDPR gjelder fullt ut i dag. Den egne norske KI-loven er ikke i kraft. I en pressemelding 4. august 2026 varslet regjeringen at loven sendes på ny høring i høst, etter at EU endret KI-forordningen. Målet er å legge den fram for Stortinget våren 2027. Departementet understreker at personvernregelverket, straffeloven og åndsverkloven allerede gjelder når KI utvikles og brukes.

Mange overser hvem som har ansvaret. Ifølge den offentlige veiledningen om personvern og KI ligger ansvaret hos virksomheten som bruker KI-verktøyet, uansett hvem som har laget løsningen. At leverandøren er stor og kjent, fritar deg ikke. Les mer om tidsplanen og risikoklassene i artikkelen om KI-forordningen i Norge.

Automatiske avgjørelser: artikkel 22 i GDPR

Artikkel 22 i personvernforordningen gir enkeltpersoner rett til å ikke bli utsatt for avgjørelser som utelukkende er automatiske, også profilering, når avgjørelsen har rettsvirkning eller påvirker dem i betydelig grad. Forordningen er en del av norsk rett gjennom personopplysningsloven. Lar du en modell avslå kreditt, sile ut jobbsøkere eller avvise kunder uten at et menneske går gjennom saken, er du i faresonen. Det enkleste tiltaket er at en person reelt vurderer avgjørelsen. Å klikke «godkjenn» på alt teller ikke.

Trener du en modell på kundedata, trenger du et behandlingsgrunnlag. Ved høy risiko må du også gjøre en vurdering av personvernkonsekvensene. Datatilsynet har en oversikt over metoder for godt personvern i kunstig intelligens, blant annet hvordan du kan trenge mindre treningsdata. Husk også å oppdatere personvernerklæringen når kundedata brukes på nye måter.

Slik kommer du i gang med maskinlæring

Begynn med én konkret beslutning dere tar ofte, ikke med teknologien. Denne rekkefølgen sparer penger fordi du retter målingen før du ber en modell lære av den.

• 1. Velg én beslutning som gjentas ofte og koster tid eller penger, for eksempel hvilke henvendelser som skal ringes først, eller hvilke annonser som får budsjettet.
• 2. Sjekk om verktøyene dere har, allerede har en maskinlæringsfunksjon som ikke er slått på eller ikke er satt opp riktig.
• 3. Kontroller dataene. Stemmer tallene i analyseverktøyet, annonseplattformen og ordre- eller CRM-systemet overens? Avstem dem hver måned.
• 4. Bestem hva som er suksess, og mål det før du starter, slik at du har en periode å sammenligne med.
• 5. Kartlegg hvilke personopplysninger som brukes, og avklar behandlingsgrunnlaget før modellen tas i bruk.
• 6. Gi modellen tid til å lære. Hyppige endringer i læringsfasen gjør at den starter på nytt.
• 7. Vurder resultatet hvert kvartal opp mot målet fra punkt 4, og slå av det som ikke gir effekt.

Vil du se dette i sammenheng med resten av virksomheten, beskriver vi i artikkelen om KI strategi hvordan du prioriterer mellom flere mulige bruksområder.

Når maskinlæring ikke er riktig løsning

Maskinlæring er feil verktøy når du selv kan skrive reglene, når du har for lite data, eller når hver avgjørelse må kunne forklares i detalj. Da blir det dyrere og mindre forutsigbart enn en enkel regel. Se også hvordan Box jobber med teknologi og AI.

• Reglene er kjente: Kan du skrive logikken i et regneark på en dag, for eksempel «fri frakt over et visst beløp», trenger du ikke en modell.
• For lite data: Med få kunder eller få salg i måneden har modellen ikke nok eksempler å lære av, og den gjetter i stedet.
• Krav til forklaring: Avgjørelser som rammer enkeltpersoner hardt, krever at du kan forklare hvorfor. Mange modeller er vanskelige å forklare.
• Sjeldne og dyre feil: Er en enkelt feil svært kostbar og skjer den sjelden, finnes det lite å lære av, mens konsekvensen er stor.
• Ingen eier oppfølgingen: Vi fraråder å sette en modell i drift uten at én person har ansvaret for å følge med på den.