Hjem

Blogg

AI-terminologi Avkodd: En Enkel Veiledning til hva som Betyr Noe (og hva som Ikke gjør det)

AI-terminologi Avkodd: En Enkel Veiledning til hva som Betyr Noe (og hva som Ikke gjør det)

Skrevet av

Daria Olieshko

Publisert den

13 aug 2025

Lesetid

3 - 5 min lesetid

AI er overalt. Men la oss være ærlige — mange av “AI-terminologiene” der ute er bare buzzwords kastet inn i presentasjoner og produktsider. Hvis du noen gang har følt deg overveldet av forkortelser som AGI, LLM, eller A2A, er du ikke alene.

Denne guiden bryter det hele ned på enkelt norsk. Ingen sjargong. Ingen unødvendigheter. Bare det vesentlige som virkelig betyr noe i 2025 og fremover.

Enten du er i HR, IT, markedsføring, drift, eller bare prøver å høres smart ut i neste møte, er dette din intensivkurs. Lagre den. Del den. Bokmerk den. La oss sammen avkode AI-terminologiene sammen — og lære hvordan vi bruker dem til faktisk å få ting gjort.

Hvorfor AI-terminologi er viktig i 2025

AI er ikke lenger et teknisk eksperiment. Det er motoren bak dine planleggingsverktøy, ansettelsesprosedyrer, analysetavler og varsler i Slack. Likevel snakker de fleste fortsatt ikke språket.

Her er hvorfor det er viktig å kjenne til AI-terminologiene :

Du vil oppdage hype fra virkelig verdi.
Du vil ta klokere beslutninger når du evaluerer leverandører.
Du vil endelig forstå hvordan verktøyene dine fungerer.
Du vil samarbeide bedre med utviklere og tekniske team.

Reelt eksempel:

Et HR-team kjøpte en “AI-chatbot” for å automatisere ansettelser. Det viste seg å være et glorifisert kontaktskjema uten NLP, ingen automatisering og ingen integrasjon. Hvorfor? De forsto ikke terminologien.

De eneste AI-terminologiene du faktisk trenger å kjenne til

La oss starte med kjernekonseptene du oftest vil møte.

AI-agent

Et system som sanser, tar beslutninger og handler mot et mål. Det trenger ikke manuell input for å bevege seg — det tar initiativ. Tenk på det som en utrettelig digital assistent.

Agentisk AI

En AI som kan sette sine egne mål og handle uten konstant instruksjon. Den lærer etter hvert som den går, optimaliserer resultater over tid. Eksempel: planlegger skift og løser konflikter autonomt.

A2A (Agent-til-Agent)

Et kommunikasjonsprotokoll som lar uavhengige AI-agenter samarbeide. Din planleggings-AI kan snakke med en lønns-AI for å synkronisere arbeidstimer, overtid og overensstemmelse.

AGI vs ANI

AGI

(Artificial General Intelligence)

En fortsatt hypotetisk form for AI som kan lære og resonnere som et menneske. Den eksisterer ikke ennå, men dominerer overskrifter.

ANI

(Artificial Narrow Intelligence)

Reell AI som spesialiserer seg på én oppgave — som planlegging, ansiktsgjenkjenning eller oversettelse. Dette er den AI du bruker i dag.

AI-chatboter: Beyond Small Talk

Moderne AI-chatboter kan:

Svare på HR-spørsmål
Behandle PTO-forespørsler
Gi onboarding-instruksjoner
Opptre som støtteagenter 24/7

Verktøy som ChatGPT, Claude, Gemini og tilpassede botter trent på interne dokumenter kan være svært nyttige.

Automatisering vs Orkestrering

AI-automatisering

Håndterer spesifikke, repeterende oppgaver — som å merke billetter, tildele skift, eller sende varsler.

AI-orkestrering

Kobler systemer og oppgaver til ende-til-ende flyt. Tenk: onboarding av en ny ansatt, sette deres skiftmønster, synkronisere lønn, og sende overensstemmelsesdokumenter.

AI-modeller og familier

AI-modell

Den kjernealgoritmen trent til å kartlegge input til output. GPT-4o, Claude 3 og Gemini 1.5 er eksempler.

Model-familie

En gruppe av relaterte modeller trent på lignende arkitektur men optimalisert for forskjellige oppgaver. GPT-3.5, GPT-4, GPT-4o er alle i GPT-familien.

Justering, Oppmerksomhet & Skjevhet

Justering

Sikrer at AI-oppførsel samsvarer med menneskelige verdier. Dårlig justering = utilsiktede handlinger.

Oppmerksomhet

Hvordan modeller “fokuserer” på de viktigste dataene for å generere svar. Kjerne til transformermodeller.

Skjevhet

Hvis treningsdata er skjev, vil AI-output også være det. Dette er viktig for HR, overensstemmelse og beslutningstaking.

AI-integrasjon

Bruk plattformer som:

Zapier for å utløse handlinger mellom apper
APIer for å bygge inn AI-funksjoner
Verktøy uten kode for å bygge smarte automatiseringer uten utviklingstid

Eksempel: Bruk ChatGPT til å generere skiftrapporter i Shifton basert på tidsrapporteringsdata.

Avanserte AI-terminologier du vil se mer av

LLM (Large Language Model)

Kraftverket bak chatboter, innholdsgenerering og smarte svar. LLM-er er trent på enorme tekstmengder og kan utføre et bredt spekter av språklige oppgaver.

Populære LLM-er:

GPT-4o (OpenAI)
Claude 3 (Anthropic)
Gemini 1.5 (Google)
Mistral (åpen kildekode)

RAG (Retrieval-Augmented Generation)

Kombinerer en språkmodell med en søkemotor eller dokumentbase for å generere sanntids, kontekstbevisste svar. Nyttig for AI-støtteagenter og kunnskapsbaser.

Zero-shot / Few-shot Learning

Zero-shot: AI gjør noe uten eksempler.
Few-shot: AI bruker noen få eksempler i prompten for å lære hvordan man utfører en oppgave.

Disse ferdighetene lar AI tilpasse seg raskt — flott for å analysere nye trender i støttebilletter eller HR-tilbakemeldinger.

Multimodal AI

Modeller som forstår tekst, bilder, lyd, eller video samtidig. Flott for å tolke visuelle timeplaner, talekommandoer og skjema input sammen.

Vektor databaser

Lagrer informasjon i et format AI kan forstå og søke semantisk (etter mening, ikke nøkkelord). Driver dokumentsøk, chatboter, og personalisering.

Populære verktøy:

Pinecone
Weaviate
Chroma

Fullstendig ordliste over 40+ AI-termer (Enkelt forklart)

AI-agent — Et system som kan ta beslutninger og handle mot mål uten menneskelig mikrostyring.
Agentisk AI — AI som setter sine egne mål og tar initiativ basert på miljøet sitt.
A2A (Agent-til-Agent) — En protokoll for AI-agenter for å kommunisere og samarbeide.
AGI (Artig høyere intelligens) — En hypotetisk AI med menneskelige lærings- og resonnementsnivå.
ANI (Artig smal intelligens) — Reell AI som utmerker seg i en spesifikk oppgave.
AI-modell — En trent funksjon som oversetter input til intelligent output.
Modellfamilie — En gruppe av relaterte AI-modeller bygget fra samme arkitektur.
LLM (Large Language Model) — En modell trent på storskalaspråkdata for å forstå og generere menneskelignende tekst.
Multimodal AI — AI som kan forstå og arbeide med flere inputtyper (tekst, bilde, stemme).
Vektordatabase — En type database brukt for å lagre og søke data basert på mening, ikke bare nøkkelord.
Innbygginger — Numeriske representasjoner av tekst/data som hjelper AI å forstå relasjoner og betydning.
RAG (Retrieval-Augmented Generation) — Kombinerer sanntidsøk med generasjon for mer nøyaktige svar.
Promptengineering — Å utforme bedre input for å få ønskede resultater fra AI.
Zero-shot læring — AI utfører en oppgave uten å ha sett den før.
Few-shot læring — AI lærer en ny oppgave med bare noen få eksempler.
Finjustering — Tilpasning av en generell modell til en spesifikk oppgave eller datasett.
Forhåndstrening — Den innledende treningsfasen av en AI-modell på et bredt datasett.
Hallusinasjon — Når AI selvsikkert genererer falsk eller feil informasjon.
Skjevhet — Systematisk urettferdighet i AI-oppførsel på grunn av skjevt treningsdata.
Justering — Å sørge for at AI-utdata samsvarer med menneskelige mål, verdier og etikk.
Konstitusjonell AI — Trening av modeller ved bruk av innebygde etiske prinsipper.
Forklarbarhet — Evnen til å forstå hvorfor AI tok en bestemt beslutning.
Svart boks — En modell eller system hvis interne virkemåte ikke er gjennomsiktig eller tolkbar.
Kjedereasonering — En teknikk hvor AI forklarer sine skritt før å nå konklusjon.
RLHF (Forsterket læring fra menneskelig tilbakemelding) — En treningsmetode hvor menneskelige preferanser veileder læringsprosessen.
Syntetiske data — Kunstig genererte data brukte til å trene eller teste modeller.
Åpne vekter — Når en modells parametere deles offentlig (åpen kildekode).
Lukket modell — En proprietær AI-modell hvis indre ikke er tilgjengelig.
Token — Den minste enheten av tekst AI-modeller bruker (ofte et ord eller del av et ord).
Latens — Forsinkelsen mellom en brukerinput og AI-respons.
Innsikt — Handlingen ved å bruke en trent modell til å generere output.
Jording — Å koble AI-utdata til reell, verifiserbar informasjon.
Autonom AI — AI som kan operere selvstendig over lange sekvenser uten inngriping.
Benchmarking — Testing av AI-ytelse ved bruk av standardiserte datasett og oppgaver.
Rekkefølgeverktøy — Begrensninger eller grenser satt på AI for å forhindre misbruk eller feil.
Stille inn knapper — Justerbare innstillinger som endrer hvordan en AI-modell oppfører seg.
Skalerbarhet — Hvor godt et AI-system presterer når brukeretterspørselen øker.
Overfitting — Når en modell presterer godt på treningsdata, men dårlig i den virkelige verden.
Generaliseringsgrad — AI-evnen til å prestere godt på usett data.
NLP (Naturlig språkgjenkjenning) — Feltet innen AI som er fokusert på å forstå og generere menneskelig språk.
Datalabeling — Merking av rådata (bilder, tekst, etc.) for å lære AI hva det ser.
Selvstyrt læring — Trening av AI til å lære mønstre fra umerkede data.
Co-pilot AI — En type assistent-AI som supplerer heller enn å erstatte menneskelige arbeidere.
Orkestrering — Å koble AI-drevne verktøy til smarte, automatiserte arbeidsflyter.