«Innen 2026 vil over 70 % av offentlige organisasjoner bruke kunstig intelligens for å styrke menneskelig beslutningstaking i administrasjonen.»
– Gartner (1)

Denne utviklingen understreker behovet for teknologier som Decision Intelligence, ikke som en erstatning for mennesker, men som et verktøy i samspillet mellom menneskelig vurdering og automatisert beslutningsstøtte.

Offentlig sektor opererer ofte i komplekse landskap preget av regelverk, ressursbegrensninger og høye forventninger fra innbyggere. Lange saksbehandlingstider, manuelle prosesser og tidkrevende vurderinger gjør at mange ansatte bruker verdifull tid på beslutninger som burde vært automatisert.

SMARTS automatiserer komplekse beslutninger i sektorer med regelmessige endringer i lover og regler. Siden plattformen er bygget som en low-code/no-code-løsning, kan fagpersoner selv vedlikeholde og endre beslutningslogikk, uten hjelp fra IT. Dermed kan ulike fagområder aktivt bidra i utviklingen av beslutningsregler i én felles plattform.

Bruksområder i offentlig sektor

Automatisert saksbehandling

Ved å automatisere beslutningsprosesser i SMARTS får offentlig sektor tilgang til en plattform som kombinerer regelstyrt logikk med Kunstig Intelligens (KI) for å håndtere saksbehandlinger mer effektivt og presist. I en hverdag der volumet av saker øker og kompleksiteten varierer gir SMARTS mulighet til å modellere beslutningslogikk direkte i systemet, samtidig som KI funksjonaliteter bidrar til å identifisere mønstre, foreslå optimal beslutningsflyt og avdekke avvik.

Saksbehandlere får støtte til å ta riktige vurderinger gjennom et beslutningsstøttesystem som håndterer store mengder saker med høy presisjon. Endringer i beslutningsgrunnlag eller prioriteringer kan implementeres raskt, noe som gir høy grad av fleksibilitet ved behovsendringer.

Compliance & overholdelse av regelverk

Uten gode prosesser og klare rammer kan compliance og etterlevelse bli både tidkrevende og uforutsigbart. Spesielt ved lovendringer og stadig strengere krav til dokumentasjon og sporbarhet. Fallgruver kan være ulik praksis, manglende dokumentasjon og vanskeligheter med å forklare beslutningsgrunnlag i ettertid

Mange offentlige virksomheter forsøker å holde beslutningsgrunnlaget oppdatert i interne systemer, og med det sikre at innbyggere behandles likt og rettferdig. Men når prosessene er manuelle eller fragmenterte, kan det være krevende å dokumentere beslutninger og endringer på en sporbar og konsistent måte – særlig når flere avdelinger er involvert.

SMARTS møter disse utfordringene ved å implementere beslutningslogikk direkte i systemet, slik at vurderinger alltid følger gjeldende praksis og prioriteringer. Alle beslutninger og den underliggende logikken dokumenteres og gjøres sporbare, noe som gir både innsikt og trygghet. Regelendringer og justeringer kan gjøres raskt og uten hjelp fra IT-avdelingen, noe som gir offentlig sektor en skalerbar og fremtidsrettet måte å håndtere saksbehandling på.

Ressursprioritering & kapasitetsstyring

Mange offentlige virksomheter mangler i dag datadrevne verktøy som gir innsikt i hvor tiltak har størst effekt, og dette fører ofte til at tid og budsjett brukes på en lite målrettet måte. Ressurser fordeles etter faste rutiner eller historiske mønstre, og er ikke basert på reelle behov og endringer.

SMARTS kombinerer regelstyrt beslutningslogikk og med KI-funksjonalitet for å analysere store datamengder og identifisere mønstre, avvik og prioriteringsmuligheter. Systemet kan for eksempel avdekke hvilke områder som har størst behov for oppfølging, hvilke søknadstyper som skaper flaskehalser, eller hvor saksbehandlingstiden er lengst. Denne innsikten kan brukes av fagansvarlige til å justere beslutningsregler og ressursbruk løpende, uten at det krever omfattende systemendringer eller involvering fra IT-avdelingen.

Resultatet er en mer datadrevet og effektiv offentlig tjenesteyting, der innsatsen settes inn der den gir mest verdi. SMARTS gir dermed et grunnlag for bedre ressursutnyttelse og en mer datadrevet forvaltning.

Tildeling av tilskudd & støtteordninger

Når det gjelder tilskudd må offentlige organisasjoner sikre at midler fordeles i tråd med regelverk og politiske føringer, samtidig som søknader behandles likt. Løsningen må tilfredsstille et komplekst regelsett og sørge for at alle tilskudd er korrekt kalkulert, lovlig og overført til korrekt mottaker.

Mange sliter med manuelle prosesser, varierende praksis og utfordringer med å dokumentere beslutningsgrunnlaget. Med SMARTS kan tilskuddsprosesser automatiseres og standardiseres. Endringer i regelverk eller politiske føringer kan implementeres raskt slik at man får en transparent tilskuddsforvaltning, der både søkere og forvaltningen får bedre oversikt og forutsigbarhet.

(1) Gartner Announces the Top Government Technology Trends for 2024

I følge McKinsey vil “Insurance will shift from ‘detect and repair’ to ‘predict and prevent,’ transforming every aspect of the industry.”

I et marked der kundeforventinger, distribusjonsmodeller og konkurranse endrer seg raskt er det viktig at forsikringsselskaper klarer å omstille seg for å møte morgendagens utfordringer. Ved hjelp av nye teknologier og stadig større datamengder kan forsikringsselskaper utnytte disse mulighetene for å identifisere både behov og risikoer – og tilby mer relevante, proaktive og personaliserte tjenester.

Med Decision Intelligence-plattformen SMARTS kan forsikringsselskaper få muligheten til å automatisere og håndtere komplekse beslutninger på tvers av fagområder – som underwriting, saksbehandling, compliance og svindel.

Plattformen er bygd opp som en low-code/no-code løsning som bygger bro mellom forretningssiden og IT. Dette åpner opp for at ulike fagområder aktivt kan delta i beslutningslogikken via en felles plattform for modeller og regler.

Bruksområder i forsikring

Tradisjonell underwriting sliter med å håndtere komplekse risikoprofiler raskt og presist.

Manuelle prosesser, statiske regelsett og begrenset databruk gjør det vanskelig å vurdere risiko effektivt, noe som kan føre til forsinkelser, feilvurderinger og tap av både vekstmuligheter og kundetillit.

SMARTS gir forsikringsselskaper en fleksibel plattform for å automatisere og forbedre underwriting-prosessen. Ved å kombinere regelbasert beslutningslogikk med sanntidsanalyse og maskinlæring, kan komplekse risikoprofiler vurderes mer presist. Plattformen tar hensyn til et bredt spekter av faktorer, fra kundedata og historikk til eksterne risikokilder, og gjør det mulig å tilpasse vurderingene dynamisk

Underwriting-regler kan enkelt justeres og tilpasses ulike produkter, markeder og risikoscenarier. Dette gir raskere beslutninger, mer konsistente vurderinger og bedre kontroll over risiko. Resultatet er en underwriting-prosess som styrker både vekstpotensialet og tilliten hos kundene – og som markerer et skifte fra tradisjonell risikovurdering til en mer datadrevet og fremtidsrettet modell.

Saksbehandlingsprosesser kan bli en flaskehals i forsikringsbransjen og kan føre til lange ventetider, inkonsistente vurderinger og lav kundetilfredshet.

Dette skyldes ofte manuelle prosesser, komplekse regelverk og manglende fleksibilitet i eksisterende systemer. SMARTS derimot lar forsikringsselskaper modellere, automatisere og kontinuerlig forbedre sine beslutningsprosesser ved å:

– Automatisere vurderinger basert på forretningsregler, data og risikomodeller

– Sikre konsistens og behandling uavhengig av saksbehandler

– Tilpasse beslutningslogikk raskt ved endringer i regelverk eller marked

Resultatet vil være en mer smidig, skalerbar og kundevennlig saksbehandlingsprosess ved bruk av Decision Intelligence-plattformer som SMARTS.

Uten gode prosesser og klare rammer blir compliance og regulatorisk etterlevelse i forsikring både tidkrevende og risikabelt.

Forsikringsbransjen opererer i et landskap som stadig preges av strengere og mer komplekse regulatoriske krav. Uten gode prosesser og klare rammer kan compliance bli både tidkrevende og risikabelt. Fallgruver kan være feilrapportering, manglende dokumentasjon og brudd på loven.

Mange selskaper holder regelverket oppdatert i interne systemer, og med det sikrer at saksbehandlingen faktisk følger regulatoriske krav. Når prosessene er manuelle eller fragmenterte kan det være vanskelig å dokumentere beslutninger og endringer på en sporbar og konsistent måte.

SMARTS møter disse utfordringene ved å implementere regulatoriske krav direkte i beslutningsreglene, slik at de alltid følges. Alt av beslutninger og logikk dokumenteres og gjøres sporbare i henhold til compliance. Disse reglene kan oppdateres raskt og tilpasses uten hjelp fra IT-avdelingen som gjør at forsikringsselskaper kan sikre regulatorisk etterlevelse på en effektiv, skalerbar og fremtidsrettet måte.

Svindeldeteksjon i forsikring er omfattende oppgaver der presisjon og forebygging er svært viktig for å minimere risikoen for økonomiske tap og feilvurderinger.

Med stadig mer sofistikerte svindelmetoder og store datamengder, trenger forsikringsselskaper verktøy som kan håndtere regelbasert logikk og avansert analyse. SMARTS kan kombinere forretningsregler, maskinlæring og sanntidsanalyse i en og samme løsning. Plattformen gjør det dermed mulig å definere og vedlikeholde komplekse regelsett for å identifisere mistenkelige mønstre samtidig som den kan ta i bruk prediktive modeller for å oppdage nye og ukjente svindelmetoder.

En av de største fordelene med SMARTS er fleksibiliteten og brukervennligheten. Både forretningsbrukere og tekniske eksperter kan enkelt tilpasse og forbedre svindeldeteksjonsprosessen, slik at man raskt kan reagere på endringer i svindelbildet. Plattformen gir også mulighet for kontinuerlig overvåking og justering av beslutningsregler, slik at presisjonen hele tiden forbedres.

Ved å automatisere vurderingen av skademeldinger og integrere svindeldeteksjon direkte i saksbehandlingssystemene, bidrar SMARTS til raskere og mer treffsikre beslutninger. Dette reduserer risikoen for både økonomiske tap og feilaktige avslag, samtidig som det gir en bedre kundeopplevelse.

When working at the intersection of law and technology, it can be a challenge to actually know what you’re talking about—and to be sure that the person you’re talking to has the same understanding of the term “technology.” That may be why we government IT professionals are particularly fond of definitions.

That is why defining the concept of technology is central to this text. I suspect that many people tend to think of modern technology as information technology and mechanical devices, but technology is far more than that.

What is technology?

Technology is the practical application of knowledge to solve a problem, often related to a specific field.[i] Technology can be either a physical object or a method based on existing knowledge. Technology is far more than just mechanics: A cup is technology, your backpack is technology—which uses technology to make it water-resistant, able to withstand weight, and easy to carry—books are technology, the art of bookbinding and printing is technology, the written language that conveys language is technology, and language itself can also be seen as a technology.

Perspectives on Technology

The figure is based on Figure 3.1 in Chapter 3 of *Technology and Society: Social Networks, Power, and Inequality* (2016) by Anabel Quan-Haase, p. 45

The figure above shows a model that distinguishes between different mindsets regarding technology. It illustrates this along two dimensions: whether technology is autonomous (has control over humans) versus whether it is controlled by humans, and whether the technology is neutral or has inherent value.

The four main theories will overlap to some extent, but in brief, each can be described as follows:

Technological/social determinism – Technological determinism is a perspective in which technology drives social development, while social determinism is a perspective in which society is the driving force behind technological development. Within both perspectives, technology is viewed as a neutral driver.

Instrumentalism – Technology exists to help users achieve their goals, with humans retaining full control and bearing full responsibility for the consequences of its use. Nor can technology influence people.

Substantivism – Technology has inherent characteristics and effects on society that shape people’s lives. It is autonomous and shapes people around its inherent goals.

Critical theory – Is based on the same approach as other forms of critical theory.[i] The theory examines how power structures influence both society and technological development. Humans drive technological development, which in turn influences and reinforces existing power relations in society.

These various theories may influence arguments regarding the interaction between society and technology.

Who is responsible when using technology?

Is it social media that creates conflict, or is it people? This is a question that often comes up in the debate over the regulation of social media. The discussion becomes heated when some people argue against restrictions on social media use, claiming that it is not the platforms that spark conflict, but the people who use them. There is therefore no point in restricting access to these platforms. This stands in contrast to those who believe social media is a scourge on humanity.

Another way to put it is that it is not the hammer that chooses to drive in a nail; it is the person holding it who decides how the tool should be used. Technology is merely a means to achieve the goals humans set for it. In these two extremes, one can see clear parallels to the theories of substantivism (the goal of social media is to create conflict) and instrumentalism (social media is merely a tool over which humans have full control and which does not influence society).

Still, it’s probably not that simple, is it?

If you need to hammer in a nail, most people would choose a hammer over a screwdriver. If you need a place to sit, a chair or sofa is probably your first choice, although a bed, a sideboard at the right height, or even a small curb can do in a pinch.

This is because these technologies have affordances that make them suitable for the task they are designed to perform.[ii] An affordance is a property of an object that governs the relationship between the user and the object. For example, a cup has a concave shape and a base that allows you to pour liquid into it without it spilling out; furthermore, it may have a handle that makes it easier to hold a hot drink without burning yourself while drinking. Affordances suggest actions people can perform with objects.

One could view it this way: technology has a script.[iii] The script is what sets the stage for an action to be carried out using the technology. Prompts are the part of the script that sets the stage for the action. A bench can support weight and is at the right height; thus, it is in its script to facilitate someone sitting on it. Someone might also lie down to sleep on a bench if it has features that facilitate a comfortable enough sleep.

Adjust the script to implement the rules

Scripts can be rewritten to adjust behaviors. If we look back at the example of a bench that someone decides to sleep on, it is possible to adjust the bench’s features to make this behavior less tempting. For example, by sloping the bench, adding armrests in the middle, or making it less comfortable to sit or lie on for extended periods, you reduce the bench’s accessibility to enforce a rule that people should not lie on it. This approach to designing benches is called hostile architecture, and is an example of making the technology less effective at its intended function in order to achieve an additional goal. Here, the technology is human-controlled and has an inherent value. The technology has a built-in moral that says: “Some people are not welcome.”

How can we make everything about built-in privacy?

Technology has morals and values hard-coded into its design. If you are not aware of the assumptions you are building into the design, you risk creating a system that is immoral. At the same time, being aware of the possibilities and the kind of script you want for the technology you’re building will make it easier to steer it in a direction where you can build in ethics. Technology—everything from objects, software, and methods to even language—can be designed to improve privacy, security, or other rights and requirements.

What kinds of actions does the technology being developed encourage?

What can we change to encourage a different kind of action?

I believe this is particularly important to consider when using AI in ways that affect people. Existing power dynamics in society can influence the design of the technology, shaping it without us necessarily realizing it, and this could render even well-intentioned technology unethical.

[i] Technology | Definition, Examples, Types, & Facts | Britannica

[ii] Critical Theory – The Great Norwegian Encyclopedia

[iii] Norman, Donald A. *The Design of Everyday Things*

[iii] Verbeek, Peter-Paul , “Design Ethics and the Morality of Everyday Artifacts,” chapter in *Philosophy and Design* (1), 2008, p. 93.

I takt med at datamengden vokser og forretningsprosessene blir stadig mer komplekse, øker behovet for beslutningsstøtte som er rask, presis og skalerbar. Dette gjelder særlig innen områder med høy risiko og krav til nøyaktighet, som svindelhåndtering, compliance, innkreving og lånebehandling.

Utfordringer og løsning

Decision Intelligence plattformen SMARTS automatiserer og håndterer komplekse beslutninger knyttet opp til ulike fagområder.

Plattformen er bygget opp som en low-code/no-code løsning som bygger bro mellom forretningssiden og IT. Dette åpner opp for at ulike fagområder aktivt kan delta i beslutningslogikken via en felles plattform for modeller og regler.

Viktige problemstillinger

Svindelmetoder blir mer sofistikerte og volumet av transaksjoner gjør manuell overvåking umulig.

SMARTS kan oppdage mistenkelige transaksjoner og mønstre i store mengder data ved bruk av prediktive analyser og maskinlæring. Dette gjør at nye svindelmetoder oppdages og håndteres raskere.

Banker må forholde seg til stadig strengere krav fra myndigheter som for eksempel GDPR, Basel III, AML, ESG.

SMARTS gir full oversikt og synlighet innen compliance og risikostyring. Beslutninger kan automatiseres med innebygd sporbarhet og revisjonshistorikk. Det gir full oversikt over beslutningsgrunnlag ved tilsyn og forenkler dokumentasjon og rapportering.

Presise, rettferdige og datadrevne vurderinger er avgjørende for moderne bank- og finansvirksomheter.

Med SMARTS kan organisasjoner kombinere prediktive modeller med beslutningsregler for å automatisere og forbedre vurderinger knyttet til kreditt og lån. Forretningssiden kan selv simulere effekten av nye strategier, som for eksempel endringer i scoringsmodeller, risikokriterier eller lånebetingelser, før de implementeres.

I tillegg gir SMARTS mulighet til å overvåke og justere beslutningslogikken i sanntid, slik at man kontinuerlig kan optimalisere prosessene, redusere risiko og sikre rettferdig behandling av kunder.

Raskt skiftende marked krever rask omstilling og innovasjon.

Med SMARTS kan forretningssiden selv utvikle, teste og justere beslutningsstrategier uten å være avhengig av IT-personell. Dette gir forretningssiden mer kontroll ettersom alt av beslutninger og beslutningslogikk gjøres i et low-code/no-code miljø.

Man kan simulere ulike prisstrategier og se effekten i sanntid, sette opp regler for prising basert på kundedata, teste nye strategier gjennom Champion/Challenger metoden, overvåke KPI-er og justere logikken løpende basert på resultater. Dette gir kortere tid fra idé til marked og mer treffsikre beslutninger som gir økt lønnsomhet og kundetilfredshet.

JavaZone er et høydepunkt for oss hvert år. Det er en møteplass for utviklere og teknologer fra hele landet.

I etterkant av konferansen har vi snakket med tre av våre utviklere, Bengt Olav, Tosif og Scott om hva de lærte, hvilke foredrag som gjorde mest inntrykk, og hva de likte best med å være på JavaZone.

Bengt Olav sitter hos NAV på Infotrygd

1. Hva lært du på Javazone 2025?

«Jeg gikk ikke på så mange rene «how-to» sesjoner, men føler jeg lærte en god del likevel, ved å høre på kloke mennesker med mye mye erfaring og gode idéer. Det mest konkrete læringsutbyttet fikk jeg nok på innledningen om de vanligste design-fellene å gjøre i REST-APIer. Å lære av andres feil skal man ikke undervurdere!»

2. Beste forelesningen du var på?

«Det var som vanlig mange gode innledninger på JavaZone i år og jeg var veldig godt fornøyd med samtlige av de jeg gikk på. Jeg vil kanskje spesielt trekke frem tidligere teknologiprinsipal i NAV, Truls Jørgensen. Ikke bare holdt han et veldig godt og inspirerende innlegg om hva vi bør lære av gode applikasjonsplattformer, men han fikk også ordet under innlegget til sine tidligere kollegaer Audun Fauchald Strand og Trond Arve Wasskog om «software vi kan leve med». Der fikk han komme med det gode poenget at det er bedre for organisasjonen din at du som utvikler motstår den naturlige trangen til å skrive kode som er så kort, elegant, smart og intrikat som mulig. For alle de utviklerne som skal inn og gjøre endringer i koden din i mange år fremover er det bedre at du heller skriver kode som er lett å lese og tyde og gjøre endringer i.»

3. Generelt, hvordan syns du det var å være på Javazone og hva likte du best?

«Jeg syntes det var veldig fint å få gå på JavaZone igjen, for det er mange år siden sist. Jeg synes de har en fin miks av ting å se og gjøre og lære. Det var mange gode innledninger og jeg hadde mange hyggelige og interessante samtaler med folk på de forskjellige partnerstandene. Fremfor alt var det hyggelig å se igjen så mange gamle kjente kollegaer og få en oppdatering på hvor de er, og hva de jobber med nå. Og så var det mye god mat der, selvfølgelig!»

Tosif er en del av turnusteamet i Decisive

1. Hva lært du på Javazone 2025?
«Jeg lærte mye om AI, MCP-servere og risikovurdering i infrastruktur og kode. Fikk nyttig innsikt i hvordan man designer gode REST API-er. I tillegg lærte jeg hvordan man kan redusere byggetider og få hot reload i Java med Quarkus.»

2. Beste forelesningen du var på?
«Den beste forelesningen var «Top 10 REST API Design Pitfalls» med Victor Rentea. Han var en dyktig foredragsholder, og jeg kommer definitivt til å bruke flere av tipsene hans i mitt API-arbeid.»

3. Generelt, hvordan syns du det var å være på Javazone og hva likte du best?
«Det var min første gang på JavaZone, og jeg syntes det var veldig lærerikt. Det var hyggelig å møte både nye og kjente fjes. Jeg er spent på å se foredragene jeg gikk glipp av.»

Scott sitter hos NAV på Starte Pensjon teamet

1. Hva lært du på Javazone 2025?»
«Jeg lærte mye om en strategi for å sikre seg at data i frontend er oppdatert; server side events (SSE).»

2. Beste forelesningen du var på?
«Mange gode forelesninger, den jeg likte best var Husbanken sin forelesning «State Management er noe drit», der de snakker om sin strategi og utfordringer rundt det å sikre at data er oppdatert på tvers av klienter i saksbehandlingsløsningen deres når det er flere brukere. «Writing code for the human brain: Optimize code for cognitive bottlenecks» var også veldig bra!»

3. Generelt, hvordan syns du det var å være på Javazone og hva likte du best?
«Det jeg likte best var å innse hvor lite IT Norge egentlig er, selv om det er masse folk der møter man konstant noen man kjenner, av og til folk man ikke har sett på mange år.»

Decision Intelligence (DI), eller beslutningsintelligens på godt norsk, er et fagfelt som oppstod som svar på den økende kompleksiteten i moderne beslutningstaking – spesielt i større organisasjoner. Tradisjonelle metoder som dataanalyse og ekspertvurderinger er ofte ikke tilstrekkelige alene. DI tilbyr i stedet en helhetlig og systematisk tilnærming til beslutninger, basert på: 

• Klart definerte beslutningsmål, oversatt til formelle krav og spesifikasjoner 

• En gjentakendebeslutningsprosess som kombinerer data, fagkunnskap og teknologi 

• Endringskontroll, kvalitetssikring og compliance/sikkerhet for beslutninger på enterprise-nivå 

• Visuell fremstilling av beslutningslogikk, som gir transparens og sporbarhet av beslutninger 

Gartner definerer Decision Intelligence som: 

«En praktisk disiplin som forbedrer beslutningstaking ved å forstå og designe hvordan beslutninger tas, og hvordan resultater evalueres, styres og forbedres gjennom tilbakemelding.» 

Hva er en Decision Intelligence Plattform? 

Mens DI er et tankesett og en metodikk, er Decision Intelligence Platforms (DIP) de teknologiske løsningene som gjør det mulig å sette dette tankesettet ut i produksjon. 

En DIP gir organisasjoner det de trenger for å modellere, automatisere og overvåke operasjonelle beslutninger – og dermed forbedre beslutningskvaliteten og ikke minst effektiviteten av beslutninger. 

Kjernefunksjoner i en DIP inkluderer: 

• Modellering av beslutninger (f.eks. beslutningstrær, simuleringer, AI-modeller som Maskinlæring & Prediktive modeller samt ekspertmodeller)

• Utførelse av beslutninger (f.eks. automatisering av beslutningsprosesser) 

• Overvåking og evaluering (f.eks. knyttet opp mot KPI-er, dashboards) 

Ved å bruke en DIP kan organisasjoner skape et beslutningsøkosystem som både forsterker og – i de fleste tilfeller – automatiserer beslutninger. Resultatet gir en raskere responstid, høyere beslutningskvalitet og økt skalerbarhet av forretningskritiske beslutninger. 

Hvordan hjelper Decisive organisasjoner med å bli Decision driven? 

Hos Decisive har vi spesialisert oss på å hjelpe store og mellomstore organisasjoner som ønsker å ta steget inn i fremtidens beslutningstaking. Vi tilbyr: 

• Rådgivning og metodikk for å bygge beslutningssentrerte prosesser rundt forretningskritiske fagområder 

• Teknologisk støtte for å implementere og skalere Decision Intelligence konseptet internt 

• SMARTS-plattformen – som eneste leverandør i Norden av Sparkling Logic sin ledende Decision Intelligence-plattform 

Med SMARTS får våre kunder tilgang til en robust og fleksibel løsning for modellering, automatisering og overvåking av beslutninger. Kombinasjonen av faglig tyngde og teknologisk kapasitet gjør Decisive til en komplett partner for organisasjoner som ønsker å ta bedre, raskere og mer transparente beslutninger. 

Les om IMDi sitt effektive og brukevennlige beslutningsstøttesystem.

I en ideell verden brukes teknologi for å hjelpe oss – gjøre livet enklere, mer effektivt, mer transparent.  Vi som utviklere vet at måten vi designer løsninger på, har stor betydning. Noen ganger brukes designet bevisst mot brukeren. Det er her deceptive patterns kommer inn.  

Dette handler ikke om dårlig design eller en bug. 
Det er rett og slett designet sånn med vilje.  

Har du opplevd noen av disse eksemplene på nett?

1. Skjulte avhukinger i vilkår 

Når du godkjenner Terms & Conditions, er det ofte andre bokser allerede krysset av – som samtykke til markedsføring, nyhetsbrev eller datadeling. Alt presenteres som én handling, men du har egentlig samtykket til langt mer enn du tror.

2. Cookie-dialoger uten “Avvis alle” 

Tidligere kunne du enkelt trykke “Godta” eller “Avslå”. Nå er “Godta” grønn og stor, mens “Tilpass” ofte fører deg inn i et labyrintisk klikk-mareritt. Mange sider gjør det også umulig å avvise alle med ett klikk. 

3. Roach Motel – lett å komme inn, vanskelig å komme ut 

Å registrere seg tar 20 sekunder. Men skal du avslutte? Da må du sende e-post, vente x antall dager, og kanskje til og med ta en telefon. Det er designet for at du skal gi opp. Det kan også være ganske vanskelig å finne ut av hvor/hvordan man skal si opp. 

4. Confirmshaming 

«Vil du avslå dette fantastiske tilbudet?» – med en nei-knapp som sier: 
«Nei takk, jeg liker å betale full pris.» 
Det spiller på skyld og sosiale normer for å få deg til å si ja. 

5. Gjemte kostnader 

Du tror du er ferdig med en booking, men på siste steg dukker det plutselig opp et “behandlingsgebyr” eller “avgift” som aldri ble nevnt. Du betaler det – fordi du ikke orker å begynne på nytt. 

6. Fear of missing out 

Et annet vanlig deceptive pattern er å utnytte frykten for å gå glipp av noe, også kjent som FOMO. Dette skjer når nettbutikker sier ting som:  

«KUN 1 igjen på lager!»  

«25 andre ser på denne varen nå.»  

«Holdt av varen i 5 minutter» med en nedtellingsklokke.»

Disse taktikkene skaper en følelse av knapphet og hastverk som får deg til å handle raskt, ofte uten å tenke deg ordentlig om. Selv om det noen ganger kan være ekte, er det mange tilfeller hvor disse tallene er kunstig generert eller overdrevet for å manipulere deg.  

⚖️ Når deceptive patterns koster milliarder

Dette er ikke bare dårlig stil. Det er ofte ulovlig. Flere selskaper har fått svi for å bruke manipulerende design: Amazon ble saksøkt av Federal Trade Commission i 2023. Amerikanske myndigheter mente Amazon gjorde det unødvendig vanskelig å si opp Prime. De kalte det en “roach motel”-strategi og tok dem til retten.​ (Sarnoff, 2023) 

I 2022 fikk Google en bot på rundt 1,5 milliard kroner av CNIL fordi det var enklere å akseptere enn å avslå cookies. Dette brøt med prinsippet om frivillig samtykke. Klassisk cookie-deceptive-pattern. ​(Milmo, 2022)​ 

Meta har hatt flere GDPR-brudd som har medført milliardbøter fra EU. Nylig i 2024 introduserte Meta en «Consent or Pay» modell der brukere måtte velge mellom å akseptere omfattende datadeling for målrettet reklame eller betale for en annonsefri tjeneste. EU kommisjonen fant at dette brøt Digital Markets Act fordi brukerne ikke fikk et reelt valg om en mindre datakrevende, men likeverdig gratis tjeneste ​(European Commission, 2025)​. 

Med andre ord så er det ikke bare brukerne som taper, men selskapene risikerer også store bøter. 

🎯 Hva er poenget med dette fagblogginnlegget?

Blir vi kvitt deceptive patterns? Sansynligvis ikke. De funker. Listen over eksempler er lang og det er umulig å nevne alle. Det viktigste er å være bevisst på dem.  

Vi må forstå når design brukes mot oss – og tørre å si ifra. Som utviklere har vi makt over detaljene, og ansvar for å forme løsninger som respekterer brukerne. Som brukere har vi rett til å være skeptiske, stille krav og kreve bedre løsninger.  

​​Bibliography

​​Deceptive Design. (n.d.). Deceptive Design. Retrieved from https://www.deceptive.design/

​European Commission. (2025, 4 23). Commission finds Apple and Meta in breach of the Digital Markets Act. Retrieved from European Commission: https://ec.europa.eu/commission/presscorner/detail/en/ip_25_1085 

​Milmo, D. (2022, 1 6). The Guardian. Retrieved from France fines Google and Facebook €210m over user tracking: https://www.theguardian.com/technology/2022/jan/06/france-fines-google-and-facebook-210m-over-user-tracking-cookies 

​Sarnoff, M. (2023, 6 22). Feds accuse Amazon of using ‘dark patterns’ and ‘roach motel’ techniques to trick customers into auto-renewing Prime memberships. Retrieved from Law & Crime: https://lawandcrime.com/lawsuit/feds-accuse-amazon-of-using-dark-patterns-and-roach-motel-techniques-to-trick-customers-into-auto-renewing-prime-memberships/ 

Et av innsatsområdene i digitaliseringsstrategien «Fremtidens digitale Norge» er at vi skal utnytte mulighetene i kunstig intelligens. Regjeringen har en ambisjon om at Norge skal være i front på etisk og trygg bruk av KI, og at innen år 2030 skal 100 prosent av offentlige virksomheter ha tatt i bruk KI.

Det fremgår av strategien at utvikling og bruk av KI må skje på en ansvarlig måte – noe som indikerer at KI ikke skal tas i bruk for enhver pris. Det handler i stor grad om å finne gode brukstilfeller hvor det er hensiktsmessig og forsvarlig å bruke KI, for å utvikle bedre tjenester og løse oppgaver mer effektivt. Dette gjelder både i tilfeller hvor vi utvikler KI-baserte løsninger selv, men også i de tilfellene vi tar i bruk KI-funksjonalitet som er integrert i IT-løsninger vi allerede bruker i dag, slik som eksempelvis M365 Copilot. Slik funksjonalitet har vi i mye mindre grad mulighet til å skreddersy selv, da verktøyet leveres «ferdig» fra leverandøren.

Hvordan kan vi sikre at leverandørene av disse løsningene har utviklet de på en måte som understøtter etisk og trygg bruk?

Inga Strümke skriver i boken «Maskiner som tenker» om et eksperiment kalt The Moral Machine, utviklet av forskere ved Massachusetts Institute of Technology (MIT). Eksperimentet går i korte trekk ut på å undersøke hvordan mennesker fra forskjellige deler av verden ville prioritert hvilket liv som skulle reddes i situasjoner med selvkjørende biler. Funnene fra eksperimentet viser at moralske preferanser varierer mellom ulike kulturer og regioner (1). Hun skriver videre at folkegrupper med ulike kulturelle bakgrunner og verdigrunnlag har ulike etiske preferanser, noe som igjen vil føre til at teknologi utviklet i ulike deler av verden sannsynligvis vil baseres på ulike etiske avveininger (2).

Jeg tenker at dette er viktig å ha i bakhodet når vi vurderer å ta i bruk løsninger med kunstig intelligens fra ulike (særlig ikke-europeiske) leverandører. Det siste året har store deler av min arbeidshverdag gått med til å utrede og vurdere funksjonaliteten i verktøyet M365 Copilot, som leveres av Microsoft. Derfor har jeg også valgt å bruke M365 Copilot og Microsoft som eksempel i dette blogginnlegget. For å gjøre en samvittighetsfull vurdering av om dette er et verktøy man bør ta i bruk, er det nødvendig å se på hvordan utviklingen av verktøyet har foregått. Er verktøyet utviklet på ansvarlig måte som legger til rette for etisk og trygg bruk?

For å vurdere dette har det vært naturlig å ta utgangspunkt i rammeverket Microsoft Responsible AI Standard. Microsofts tilnærming til utvikling av ansvarlig kunstig intelligens er forankret i seks kjerneprinsipper, som er konkretisert og omgjort til praktisk veiledning i dette rammeverket. De seks kjerneprinsippene er som følger:

• Fairness
  – AI systems should treat all people fairly
• Reliability and safety
  – AI systems should perform reliably and safely
• Privacy and security
  – AI systems should be secure and respect privacy
• Inclusiveness
  – AI systems should empower everyone and engage people
• Transparency
  – AI systems should be understandable.
• Accountability
  – People should be accountable for AI systems.

Ved første øyekast ser det ut til at prinsippene som legges til grunn i Microsoft Responsible AI Standard i stor grad samsvarer med de syv etiske prinsippene for ansvarlig og pålitelig KI i kapittel 5.2 i Nasjonal strategi for kunstig intelligens fra 2020. Her heter det at KI-baserte løsninger skal respektere menneskets selvbestemmelse og kontroll, være sikre og teknisk robuste, ta hensyn til personvernet, være gjennomsiktige, legge til rette for inkludering, mangfold og likebehandling og være nyttig for samfunn og miljø. Det stilles også et krav til ansvarlighet.

Betyr dette at vi umiddelbart kan konkludere med at verktøy som er utviklet etter Microsoft Responsible AI Standard legger til rette for etisk og trygg bruk av KI?

Prinsippet om at KI-baserte løsninger skal ta hensyn til personvernet (som vi finner i Nasjonal strategi for kunstig intelligens) innebærer at kunstig intelligens som bygger på personopplysninger skal følge personvernforordningen. Dette vil eksempelvis innebære at hvis det inngår personopplysninger i det enorme datagrunnlaget språkmodellen i M365 Copilot er trent på, skal behandling av disse personopplysningene til det formål å trene språkmodellen ha et rettslig grunnlag for å være lovlig.

Vi vet ikke så alt for mye om det datagrunnlaget språkmodellen i M365 Copilot er trent på, men vi vet at dette består av enorme mengder tekst – millioner av bøker, artikler og nettsider. Jeg er sikker på at vi kan legge til grunn at det inngår personopplysninger i dette datagrunnlaget. I Norge og andre land innenfor EU/EØS gjelder personvernreglene også for personopplysninger som ligger åpent på nett. Hvordan dette fungerer i USA er jeg derimot usikker på. Med forbehold om at jeg ikke har inngående kunnskap om amerikansk personvernlovgivning, oppfatter jeg det slik at USA ikke har én overgripende personvernregulering slik vi har innenfor EU/EØS, men heller mindre, fragmenterte reguleringer på nasjonalt, statlig og lokalt nivå. Slik jeg ser det vil ikke dette være forenelig med sentrale prinsipper som ligger til grunn for europeisk personvernlovgivning, slik som prinsippet om forutberegnelighet – selv om et av de grunnleggende prinsippene i Microsoft sitt rammeverk er at utviklingen av KI skal respektere personvern («AI systems should be secure and respect privacy»).

Jeg antar også at datagrunnlaget språkmodellen er trent på i hovedsak er et amerikansk datagrunnlag, som dermed også gjenspeiler et amerikanske verdisett og kultur. Amerikanske verdisett og kultur vil ikke nødvendigvis harmonere med de verdisettene og den kulturen vi har i Norge. I vår nasjonale KI-strategi finner vi prinsippet om at KI-systemer skal legge til rette for inkludering, mangfold og likebehandling, og selv om to av kjerneprinsippene som ligger til grunn for Microsoft sitt rammeverk («Fairness» og «Inclusiveness») ser ut til å harmonere med det norske prinsippet, er det viktig å huske på at verdigrunnlaget som ligger til grunn for prinsippene kan være ulikt.

Disse problemstillingene gjelder selvfølgelig ikke kun ved bruk av KI-verktøy fra amerikanske leverandører, selv om jeg brukte Microsoft som eksempel i dette blogginnlegget. Jeg tenker at dette er relevant å ha i bakhodet uavhengig av hvilken leverandør du velger å kjøpe KI-løsninger fra – for å sikre at disse er utviklet på en ansvarlig måte.

(1) «Maskiner som tenker» s. 195

(2) «Maskiner som tenker» s. 196