Effektive workflows i 2026: Slik kombinerer du AI, automatisering og menneskelig kontroll

Det er lett å tro at en effektiv workflow i 2026 handler om å automatisere mest mulig. Med AI-agenter, automatiseringsverktøy, og stadig bedre modeller kan stadig flere oppgaver overlates til teknologi.

Jeg mener det er feil sted å begynne.

En effektiv workflow handler ikke om hvor mye AI du bruker, men om hvor godt hele arbeidsprosessen fungerer. Vanlig automatisering kan håndtere forutsigbare steg. AI kan hjelpe når informasjon må tolkes, analyseres eller utvikles. Vi mennesker bør fortsatt eie de delene hvor erfaring, kvalitet, ansvar, og viktige beslutninger betyr mest.

Noen ganger innebærer det en avansert AI-workflow. Andre ganger er en enkel regelbasert automatisering bedre. Og enkelte ganger er det faktisk raskere å gjøre jobben selv.

Det viktige er å finne ut hva som fungerer for prosessen du faktisk prøver å forbedre.

Hva er egentlig en workflow?

En workflow, eller arbeidsflyt, er rekken av steg som må gjennomføres for å komme fra et behov eller en oppgave til et ferdig resultat.

En enkel arbeidsflyt kan for eksempel være:

• Ny henvendelse → registrer informasjon → send bekreftelse → varsle ansvarlig person.

En mer kompleks workflow kan se slik ut:

• Velg tema → gjør research → vurder kilder → utvikle vinkling → skriv utkast → kvalitetssikre → publiser → vurder resultatet.

Automatisering og workflow er derfor ikke det samme.

Workflowen er hele prosessen. Automatisering er én måte å utføre enkelte av stegene på.

En AI-agent går et steg videre. Slike systemer kan bruke modeller og verktøy til å gjennomføre flere steg, og ta enkelte beslutninger underveis, i stedet for at alle handlingene er forhåndsbestemt av faste regler. OpenAI anbefaler samtidig å vurdere om en enklere, deterministisk løsning allerede kan løse problemet før man introduserer agentbasert kompleksitet.

Det er en viktig forskjell, fordi ikke alle automatiserte oppgaver trenger AI.

Effektiv betyr ikke bare rask

Når jeg vurderer om en workflow fungerer, ser jeg først og fremst på om den gjør repeterende arbeid enklere, og om den faktisk sparer tid.

Men tiden AI bruker på selve oppgaven forteller bare en del av historien.

Hvis et system produserer et resultat på 30 sekunder, men du bruker 20 minutter på å kontrollere, korrigere og forstå det etterpå, er ikke workflowen nødvendigvis spesielt effektiv.

OECDs gjennomgang av eksperimentell forskning på generativ AI viser nettopp hvorfor produktivitet må vurderes med litt forsiktighet. Flere studier finner betydelige effektivitetsgevinster på oppgaver som skriving, oppsummering, programmering, kundeservice og konsulentarbeid. Samtidig varierer resultatene mye med oppgaven, konteksten og personen som bruker teknologien. OECD viser til gjennomsnittlige produktivitetsforbedringer fra rundt 5 prosent til over 25 prosent i forskjellige studerte sammenhenger. Det er altså ikke én generell «AI-effekt» som kan overføres til alle arbeidsprosesser.

For meg gir det et nyttig prinsipp: Mål hele workflowen frem til et resultat du faktisk kan bruke og stole på, ikke bare hvor fort AI genererer noe.

Start med problemet, ikke AI-verktøyet

En av de største feilene jeg mener mange gjør med AI, er å hoppe på trender før de har satt seg ordentlig inn i hva teknologien skal løse.

Utgangspunktet blir: Hvordan kan jeg bruke dette nye verktøyet?

Jeg ville heller begynt med: Hvilket problem prøver jeg å løse?

Før du bygger eller automatiserer en workflow, kan du kartlegge prosessen slik den fungerer i dag:

• Hva starter arbeidet?

• Hvilken informasjon trenger du?

• Hvilke steg gjentas?

• Hvor bruker du mest tid?

• Hvor oppstår feil eller venting?

• Hvilke steg krever vurdering?

• Hva skal være det ferdige resultatet?

Det er også lurt å etablere en enkel baseline før du endrer noe. Hvis en oppgave vanligvis tar 40 minutter, kan du senere sammenligne dette med arbeidsflyten du har bygget. Uten et utgangspunkt er det vanskelig å vite om du faktisk har forbedret prosessen eller bare gjort den annerledes.

OpenAIs veiledning for implementering av AI anbefaler på samme måte å starte med konkrete problemer og use-cases, bryte workflows ned i oppgaver, og vurdere hvor AI faktisk kan tilføre verdi.

Det viktigste skjer altså før du velger verktøyet.

Automatisering, AI og mennesker kan være deler av den samme workflowen

Det er nyttig å skille mellom tre typer arbeid, men de bør ikke behandles som konkurrerende alternativer.

En god workflow kan kombinere alle tre.

Type arbeid	Aktuell løsning
Forutsigbare steg med tydelige regler.	Vanlig automatisering.
Arbeid som krever tolkning eller behandling av ustrukturert informasjon.	AI.
Arbeid som krever erfaring, ansvar eller endelig kvalitetsvurdering.	Menneske.

Dette er en tommelfingerregel, ikke en universell fasit.

Tenk for eksempel på en arbeidsflyt for e-post: Ny e-post → AI vurderer hva henvendelsen gjelder → en fast regel sender den til riktig kategori → et menneske vurderer svaret → systemet registrerer status automatisk.

Her gjør AI én type arbeid, automatiseringen en annen, og mennesket en tredje.

Det er ofte mer interessant enn spørsmålet om AI «kan gjøre hele jobben».

Når vanlig automatisering er nok

Hvis du allerede kan beskrive oppgaven slik: Når X skjer → gjør Y

kan vanlig automatisering være den mest forutsigbare løsningen.

Det kan være å flytte informasjon mellom systemer, sende et varsel, oppdatere en status eller utføre en annen handling som alltid følger de samme reglene. Det er ingen gevinst i å legge en språkmodell inn i prosessen bare fordi det er mulig.

OpenAIs agentveiledning anbefaler nettopp å vurdere agentbaserte systemer når tradisjonelle, regelbaserte løsninger kommer til kort, blant annet ved kompliserte vurderinger, mange unntak eller store mengder ustrukturert informasjon.

Når AI kan tilføre mer

For meg er research og idéutvikling blant områdene hvor AI gir mest verdi.

AI kan hjelpe meg med å undersøke et tema fra flere vinkler, organisere mye informasjon, identifisere spørsmål jeg bør undersøke videre, og utfordre en idé før jeg bestemmer meg for retningen.

Her brukes AI til å forbedre beslutningsgrunnlaget, ikke til å bestemme hva jeg skal mene.

Forskningen viser også at AI kan gi betydelige resultater i enkelte typer kunnskapsarbeid. I en studie av 5 179 kundeservicemedarbeidere fant Erik Brynjolfsson, Danielle Li og Lindsey Raymond en gjennomsnittlig produktivitetsforbedring på rundt 14 prosent etter introduksjonen av en generativ AI-assistent. Gevinsten var størst blant mindre erfarne medarbeidere.

Det betyr ikke at AI generelt gjør mennesker 14 prosent mer produktive. Det interessante er snarere at effekten avhenger av både oppgaven og brukeren.

Når menneskelig vurdering fortsatt betyr mest

Jeg bruker AI aktivt, men det finnes deler av arbeidsprosessen jeg ønsker å eie selv.

Det gjelder spesielt erfaring, endelige beslutninger, og kvalitetsvurdering.

Innen design, visuell identitet og branding er dette enda tydeligere for meg. AI kan gjerne støtte research og idéarbeid, men jeg foretrekker å gjøre selve designarbeidet og de sentrale merkevarebeslutningene selv.

Det er min måte å arbeide på, ikke dokumentasjon på at alle andre bør gjøre det samme.

Mer generelt peker NIST på at generativ AI kan kreve ulike grader av menneskelig kontroll avhengig av bruksområde og risiko. I enkelte sammenhenger kan det være behov for mer menneskelig gjennomgang, dokumentasjon og styring enn i andre.

Jeg har skrevet mer om hvorfor jeg mener menneskelig input fortsatt blir viktigere i artikkelen Menneskelig input blir viktigere enn noen gang i en tid med AI.

Slik bygger du en effektiv workflow steg for steg

Når problemet og dagens arbeidsprosess er forstått, kan selve workflowen bygges.

1. Definer hva workflowen skal forbedre

Vær konkret.

Ikke:

• Jeg vil bruke mer AI.

Heller:

• Jeg vil redusere tiden jeg bruker på research.

• Jeg vil slippe å sortere de samme henvendelsene manuelt.

• Jeg vil ha en repeterbar prosess for å kvalitetssikre artikler.

Da har du også noe du faktisk kan måle senere.

2. Kartlegg dagens arbeidsflyt

Skriv ned stegene slik de faktisk gjennomføres nå, og ikke slik du tror prosessen fungerer.

Se etter:

• repeterende arbeid

• manuell overføring av informasjon

• venting

• unødvendige godkjenninger

• feil

• flaskehalser

• oppgaver som krever mye vurdering

Noen ganger vil kartleggingen vise at problemet ikke trenger AI i det hele tatt.

3. Bestem hvilken type løsning hvert steg trenger

For hvert steg kan du spørre: Følger dette alltid de samme reglene?

Da kan vanlig automatisering være nok.

Må informasjon tolkes, oppsummeres, klassifiseres eller utvikles?

Da kan AI være relevant.

Krever dette erfaring, ansvar eller en viktig kvalitetsvurdering?

Da bør et menneske sannsynligvis være involvert.

Poenget er ikke å presse alle oppgaver inn i én kategori. Målet er å finne riktig kombinasjon.

4. Gi AI tydelige instrukser og relevant kontekst

Dette er en viktig del av workflowene jeg bruker selv.

I NordlundMarketing bruker jeg avanserte GPT workflows hvor flere dokumenter fungerer som faste retningslinjer og kunnskapsgrunnlag.

Det gjør workflowen mer strukturert enn om alt skulle vært forklart gjennom én enkelt prompt hver gang.

OpenAI anbefaler også å bruke eksisterende prosedyrer, dokumentasjon, og tydelige instrukser som grunnlag når agentsystemer og AI-workflows bygges. De anbefaler samtidig å håndtere kompleksitet gradvis fremfor å introdusere unødvendig mange agenter og komponenter fra starten.

5. Bestem hvor kontrollpunktene skal ligge

Ikke tenk på menneskelig kontroll først, når noe går galt. Bestem på forhånd hvilke handlinger systemet kan utføre alene og hvilke som må godkjennes.

Jeg ville vært spesielt forsiktig når en workflow:

• publiserer noe offentlig

• sender informasjon til andre

• påvirker en merkevare

• får tilgang til sensitive data

• utfører handlinger som er vanskelige å reversere

• tar beslutninger med større konsekvenser

Hvor mye menneskelig kontroll som er nødvendig vil variere. NIST understreker nettopp at human - AI konfigurasjoner kan ligge på et spekter fra helt manuelle til langt mer autonome, og bør vurderes ut fra bruksområde og risiko.

6. Test den enkleste versjonen først

Det kan være fristende å gå rett til avanserte agent-systemer. Jeg ville heller fått en enkel versjon til å fungere ordentlig først.

Flere modeller, agenter, integrasjoner, og beslutningspunkter betyr også flere ting som skal forstås, testes og vedlikeholdes. Hvis den enkle workflowen fungerer, har du et grunnlag du kan bygge videre på.

Hvis den ikke fungerer, er det mye lettere å finne ut hvorfor.

Når AI skaper mer arbeid enn den sparer

Et område hvor jeg selv har opplevd dette, er kode.

Jeg har brukt AI til hjelp for programmering, og opplevd situasjoner hvor det tilsynelatende gikk fort i starten. Problemet kom under gjennomgangen.

Når jeg må forstå koden AI har produsert, kontrollere logikken, lete etter feil og korrigere løsningen, har jeg flere ganger opplevd at det hadde vært vesentlig enklere å kode selv.

Det betyr ikke at AI generert kode generelt er ineffektivt, men det betyr at kontrollarbeidet også må regnes med.

METR fant et interessant eksempel på dette i en randomisert studie gjennomført med erfarne open source utviklere i 2025. I den studerte konteksten brukte utviklerne 19 prosent lengre tid når de fikk bruke de daværende AI verktøyene. Samtidig trodde deltakerne selv at AI hadde gjort dem raskere.

Det ville likevel være feil å konkludere med at AI gjør utviklere tregere generelt.

METR skrev i februar 2026 at de mener det er sannsynlig at nyere AI verktøy gir utviklere større fartshjelp enn systemene de testet tidlig i 2025. Samtidig understreker de at de nyere dataene bare gir svak evidens for hvor stor denne forbedringen er, blant annet på grunn av seleksjonseffekter i eksperimentet.

Teknologien endrer seg raskt. Prinsippet er mer stabilt: Ikke mål hvor raskt AI startet jobben. Mål hvor raskt du kom frem til et resultat du faktisk stoler på.

Mer output kan flytte flaskehalsen

AI kan også gjøre en enkeltperson raskere uten at hele workflowen blir bedre.

Hvis AI gjør det mulig å produsere fem ganger så mange utkast, analyser eller dokumenter, kan noen fortsatt måtte lese og godkjenne dem.

Da er ikke nødvendigvis flaskehalsen fjernet. Den kan bare ha flyttet seg.

Atlassians State of Teams 2026 gir et interessant eksempel. 89 prosent av lederne i undersøkelsen sa at AI økte arbeidshastigheten, mens bare 6 prosent var sikre på at de hadde tydelige eksempler på AI avkastning på organisasjonsnivå. Blant kunnskapsarbeiderne brukte 85 prosent AI, men 29 prosent oppga at den var integrert i selve arbeidsflytene. Atlassian peker også på at review, godkjenninger og koordinering kan få problemer med å holde tritt når produksjonsmengden øker.

Dette er leverandørfinansiert surveyforskning, så jeg ville ikke brukt tallene som universelle produktivitetsmål.

Men problemstillingen er viktig: Har du fjernet en flaskehals, eller bare flyttet den til neste person i workflowen?

Ikke glem hvilke data workflowen får tilgang til

En workflow kan være rask og teknisk imponerende, men fortsatt være dårlig designet hvis den får tilgang til mer informasjon eller flere handlinger enn den trenger.

Dette blir spesielt viktig når AI kobles til:

• e-post

• kundedata

• interne dokumenter

• CRM systemer

• filområder

• publiseringssystemer

• andre verktøy som kan utføre handlinger

Før du kobler AI til slike systemer bør du derfor spørre:

• Hvilke data trenger workflowen faktisk?

• Inneholder de personopplysninger eller konfidensiell informasjon?

• Hva får systemet lov til å lese?

• Hva får det lov til å endre eller sende?

• Hva skjer hvis systemet gjør feil?

NISTs Generative AI Profile fremhever at generativ AI kan kreve ekstra menneskelig gjennomgang, dokumentasjon og risikostyring avhengig av bruksområdet.

For norske virksomheter kommer personvernreglene i tillegg. Et praktisk prinsipp er derfor å ikke gi en AI workflow mer data eller større tilganger enn det arbeidet faktisk krever.

Effektivitet bør ikke måles uavhengig av kontroll og ansvar.

Hvordan vet du om workflowen faktisk fungerer?

Når workflowen er testet, sammenligner du med utgangspunktet du etablerte før du begynte.

Hvis en oppgave tidligere tok 40 minutter, hvor lang tid tar hele prosessen nå?

Ikke bare AI delen.

Se gjerne på flere forhold:

Total tidsbruk

Hvor lang tid går fra oppgaven starter til resultatet er ferdig?

Kontroll og korrigering

Hvor mye tid bruker du på å kontrollere eller reparere resultatet?

Repeterbarhet

Fungerer workflowen også andre, tredje og tiende gang?

Kvalitet

Er resultatet minst like godt som tidligere?

Feil

Har automatiseringen fjernet feil eller introdusert nye?

Vedlikehold

Hvor mye arbeid kreves for å holde workflowen fungerende?

Dette kan uttrykkes som en enkel måte å tenke på: En effektiv workflow skaper mer verdi og sparer mer tid enn den koster i kontroll, feil, vedlikehold og kompleksitet.

Det er ikke en vitenskapelig formel. Det er bare en praktisk måte å unngå å måle produktivitet ut fra hvor raskt en modell kan generere et svar.

Den beste workflowen trenger ikke mest AI

AI gjør det mulig å automatisere og støtte arbeidsoppgaver som tidligere var vanskelige å håndtere med faste regler alene. Samtidig er det ingen grunn til å gjøre en enkel prosess komplisert bare fordi teknologien finnes.

Jeg ville derfor startet med arbeidsprosessen.

• Finn problemet.

• Mål hvordan prosessen fungerer i dag.

• Automatiser det som er forutsigbart.

  
  

Bruk AI der tolkning og bearbeiding faktisk tilfører verdi. Behold kontroll der erfaring, kvalitet eller ansvar krever det. Og mål hele workflowen etterpå.

• Noen ganger vil resultatet være en avansert AI-workflow.

• Noen ganger vil det være en enkel automatisering.

Og noen ganger vil den beste løsningen fortsatt være å gjøre oppgaven selv.

For meg er det et langt bedre mål på en effektiv workflow i 2026 enn hvor mange AI verktøy eller agenter man klarer å koble sammen.

Konklusjon

Effektive workflows i 2026 handler ikke om å automatisere mest mulig eller bruke flest mulig AI verktøy. Det handler om å forstå arbeidsprosessen godt nok til å vite hva som bør automatiseres, hvor AI faktisk tilfører verdi, og hvor menneskelig vurdering fortsatt er nødvendig.

Start med å kartlegge hvordan arbeidet gjøres i dag. Finn repeterende oppgaver og flaskehalser. Test den enkleste løsningen først, og bygg bare videre når det finnes et reelt behov.

Den beste workflowen er ikke nødvendigvis den mest avanserte. Den er den som gjør arbeidet enklere, mer repeterbart og mer effektivt uten å ofre kvalitet, kontroll eller ansvar.

Ofte stilte spørsmål

Hva er forskjellen på en workflow og automatisering?

En workflow er hele arbeidsprosessen fra start til ferdig resultat. Automatisering betyr at ett eller flere steg i denne prosessen utføres automatisk.

En workflow kan derfor inneholde både manuelle oppgaver, vanlig automatisering og AI. Du trenger ikke automatisere hele arbeidsflyten for at enkelte deler skal kunne effektiviseres.

Når bør jeg bruke AI i stedet for vanlig automatisering?

Vanlig automatisering passer ofte best når oppgaven følger tydelige og forutsigbare regler, for eksempel «når X skjer, gjør Y».

AI blir mer interessant når systemet må tolke tekst, analysere ustrukturert informasjon, oppsummere, klassifisere eller håndtere situasjoner som ikke enkelt kan beskrives med faste regler.

Det viktigste spørsmålet er ikke om AI kan gjøre oppgaven, men om AI er den enkleste og mest pålitelige løsningen.

Må jeg bruke AI-agenter for å bygge en effektiv workflow?

Nei. Mange workflows trenger ikke AI-agenter i det hele tatt.

En enkel automatisering kan være både raskere, billigere og lettere å kontrollere dersom prosessen allerede følger tydelige regler. AI-agenter blir mer relevante når en arbeidsflyt krever flere vurderinger, håndtering av unntak eller bruk av flere verktøy og informasjonskilder.

Start derfor enkelt og introduser mer avansert teknologi først når workflowen faktisk trenger det.

Hvilke oppgaver bør fortsatt kontrolleres av mennesker?

Det avhenger av risikoen og arbeidsoppgaven, men menneskelig kontroll er særlig relevant når workflowen innebærer viktige beslutninger, publisering, sensitive opplysninger, merkevarearbeid eller handlinger som er vanskelige å reversere.

Jeg ønsker selv å beholde kontroll over erfaring, kvalitetsvurdering, design og sentrale merkevarebeslutninger, selv om AI kan støtte deler av prosessen.

Hvordan vet jeg om en AI-workflow faktisk sparer tid?

Mål hele arbeidsprosessen før og etter at workflowen innføres.

Se ikke bare på hvor raskt AI produserer et svar. Ta også med tiden du bruker på kontroll, korrigering, feil og vedlikehold.

Hvis en oppgave tidligere tok 40 minutter og den nye workflowen bruker 20 minutter inkludert kvalitetssikring, har du et langt bedre grunnlag for å si at prosessen faktisk har blitt mer effektiv.

Kan en AI-workflow gjøre arbeidet mindre effektivt?

Ja. AI kan skape mer arbeid dersom resultatene krever omfattende kontroll eller hvis økt produksjon bare flytter flaskehalsen til neste steg i prosessen.

Jeg har blant annet opplevd dette med AI-generert kode, hvor gjennomgang og korrigering enkelte ganger har tatt mer tid enn det ville gjort å kode løsningen selv.

Derfor bør AI vurderes ut fra sluttresultatet og hele workflowen, ikke bare hvor raskt den første outputen blir produsert.