10 KI-caser fra Oljefondet: – Vi bør slippe å bruke tiden vår på kjedelige ting
Multi-agent-systemer som trader. Egenutviklet programvare for raskere regnskapsføring. Simulering av forhandlinger: Her er ti måter Oljefondet bruker KI i det daglige arbeidet.
En ting har blitt klinkende klart det siste året: Oljefondet (NBIM) er gode på kunstig intelligens.
Selv sier de at de sparer milliarder av kroner gjennom KI-trading. Ansatte over hele organisasjonen bruker KI-verktøy til å kode, og Oljefondet anslår at de jobber 20 prosent mer effektivt enn før.
– Vi har aldri før sett en teknologi som dette. Utviklingen går heller ikke jevnt framover, den stiger nesten loddrett, sier Nicolai Tangen, daglig leder i Oljefondet, idet han åpner Oljefondets KI-seminar.
Slipper kjedelige oppgaver
Der fikk publikum se hva det betyr i praksis: Ti ansatte presenterte ti ulike måter fondet bruker KI på.
– Noen av casene hjelper oss å tjene mer penger. Noen hjelper oss å spare penger. Noen gjør oss mer effektive. Noen forbedrer presisjon og kvalitet, sier Tangen.
– Og noen gjør ganske enkelt at vi slipper å bruke tid på kjedelige oppgaver. I denne nye verdenen bør vi ikke bruke tiden vår på kjedelige ting.
Under kommer ti KI-caser fra Oljefondet, men først: Tre viktige steg bak den tekniske grunnjobben fondet har gjennomført for å være rustet for KI – og fire nødvendige organisatoriske grep:
Tre tekniske grep bak Oljefondets KI-gevinster
1. De hentet driften hjem: Oljefondet ønsket bedre data. De forsto raskt at de trengte å eie hele prosessen, fremfor at kritiske prosesser rundt alt fra verdisetting og regnskap ble håndtert eksternt. Derfor ansatte de selv den ekspertisen de trengte for å håndtere den digitale verdikjeden.
2. De flyttet til skyen: Før leide Oljefondet fysisk plass i to eksterne datasentre og satte bort all driften som hadde med dette å gjøre. Da fikk de et «datatak», men de ønsket en «datahorisont».
– Vi ville ha umiddelbar skalerbarhet ved behov, og vi ville bort fra syklusen med stadig utskifting av servere, sier Birgitte Bryne, CTO i NBIM.
3. De ryddet opp i dataene: Etter flyttingen så de raskt at de gamle databasene var utdaterte.
– Er det gøy å rydde data? Nei, det er den kjedeligste jobben som finnes. Er det noen som takker deg for at du rydder dataene dine? Nei, sier Bryne.
Hvordan får du folk til å rydde data? Vel, du setter en dato og gir beskjed om at de gamle databasene skrus av. Den som sitter igjen dagen etter uten data, kommer til å se ganske dum ut, forklarer teknologisjefen.
God kontroll over egne data som holder høy kvalitet skaper ikke akkurat de største overskriftene, som Tangen påpekte i en kronikk i VG tidligere i år. Men det er akkurat det nødvendige forarbeidet som har gjort at fondet kan høste KI-frukter.
Fire organisatoriske grep ga Oljefondet fart på KI-bruken
Med den tekniske riggen på plass, handlet de neste stegene i fondets «KI-reise» om å få de ansatte med. Slik gjorde de det, raskt oppsummert:
1. Toppledelsen satte tydelig retning og fart:
– Utgangspunktet var et krav om å bli 20 prosent mer effektiv. Det ga fart, retning og press i hele organisasjonen, forteller Stian Kirkeberg, KI-leder i NBIM.
2. Alle fikk verktøy, tid og støtte: Ansatte i alle deler av organisasjonen fikk tilgang til KI-verktøy (nærmere bestemt Claude – fondet har et offisielt samarbeid med Anthropic), tid til å eksperimentere og hjelp fra interne KI-team.
– Målet var å gjøre det enkelt å prøve, lære og bygge egne løsninger, sier Kirkeberg.
3. Opplæring ble gjort obligatorisk: NBIM laget et obligatorisk oppskaleringsprogram for hele organisasjonen. Poenget var enkelt: De som trenger mest opplæring, velger den ikke alltid selv. På toppen av dette kom ambassadørnettverk, hackatons og kontinuerlig opplæring av nye verktøy.
4. Fondet endret måten prosjekter organiseres på: NBIM mener KI gjør tunge, tradisjonelle prosjektmodeller mindre relevante. I stedet vil de ha små team med høy fart og større frihet til å ta beslutninger.
Det var heller ikke slik at KI kunne endre NBIM med ett gigantisk prosjekt – det er snarere de mange små initiativene som gjør den store forskjellen.
– Helt spesifikt identifiserte vi 171 nye prosjekter der KI kunne gjøre oss mer produktive. Derfra brettet vi opp ermene og satte i gang med å jobbe.
Her er 10 av KI-casene i fondet, som ble presentert under seminaret:
1. Multiagent-systemer gir traderne bedre beslutningsgrunnlag
Tenk deg at du får en telefon fra Goldman Sachs.
Ferraris største aksjonær vil selge aksjer for 30 milliarder kroner. Du har én time på deg til å bestemme om fondet skal kjøpe, hvor mye og til hvilken pris.
– I vårt team får vi rundt 200 slike henvendelser i året, sier Ole Syrstad, porteføljeforvalter i NBIM.
Slike handler har bidratt med milliardbeløp i meravkastning for Oljefondet.
Men risikoen høy, og hver transaksjon må vurderes ut fra en rekke forhold: hvem som selger, hvorfor salget skjer, hvordan markedet vil reagere, hva som er riktig pris og om handelen vil utløse indeksbevegelser – for å ta noen eksempler.
Tiden er knapp og informasjonen er spredt mellom både interne og eksterne kilder, på tvers av databaser og dokumenter, som tall og som tekst.
For å kunne ta raske og presise avgjørelser har de utviklet et nettverk av spesialiserte KI-agenter som jobber sammen, med hver sine dedikerte oppgaver.
For eksempel kan én kartlegge eierskap og en annen lese avtaletekst – før det hele sendes til en tredje agent som regner på om salget vil trigge kjøp og salg av indeksfond.
– I realiteten er det gjerne mange flere agenter i spill. Men poenget er at vi på kort tid har et komplett beslutningsgrunnlag klart, forklarer Syrstad.
– Så når Goldman Sachs ringer, bruker vi mindre tid på å samle data, og mer tid på å analysere dem, noe som fører til bedre beslutninger og at vi tjener mer penger.
2. Kommunikasjonsavdelingen bygget eget medieanalyseverktøy
I fjor ble Oljefondet omtalt i nesten 50 000 medieartikler. Med et presseteam bestående av to personer, er det en umulig oppgave å holde tritt med alt som skrives.
Derfor bygde kommunikasjonsavdelingen et eget system for medieovervåking, kalt Echo.
– Vi er ikke utviklere, men vi bygde dette selv ved hjelp av KI-verktøy, sier Sara Foss, senior kommunikasjonsrådgiver i NBIM.
Echo er også et agentbasert system, hvor hver artikkel gjennomgås av en «hovedagent», som delegerer oppgaver til spesialiserte «underagenter».
Systemet analyserer hver artikkel med flere agenter som vurderer innhold, tone, hvilke temaer som omtales og hvilken rolle NBIM spiller. Med sentimentanalyse kan de både visualisere trender i hvordan fondet oppfattes over tid og dykke dypere ned i akkurat hva som skrives.
På toppen har teamet bygget en chatbot som kan svare på spørsmål om dataene, lage sanntidsrapporter og mer.
– I stedet for å grave i dashbordet kan vi bare skrive: «analyser engasjement i sosiale medier», og chatboten henter data fra LinkedIn, Instagram og YouTube og lager sanntidsrapporter, identifiserer trender og kommer med strategiske beslutningsforslag, sier Foss.
3. Cybersikkerhet: Bare en uskyldig fotballkamp – eller et sikkerhetsbrudd?
I cybersikkerhetsarbeidet overvåker Oljefondet enorme mengder digitale signaler for å oppdage forsøk på å stjele, svindle eller angripe fondet.
– Vår jobb er å vedlikeholde et gigantisk nettverk av «usynlige snubletråder» på tvers av vår digitale infrastruktur, sier Johan Selnes, sikkerhetsingeniør i NBIM.
Sikkerhetsavdelingen samler inn rundt tusen milliarder datapunkter og siler dem ned til noen millioner relevante signaler.
Ingen mennesker kan ha oversikt over så mye data. Samtidig kan heller ikke sikkerhet helautomatiseres – menneskelige vurderinger må til.
Løsningen er, som så ofte hos Oljefondet, en kombinasjon av kunstig intelligens og menneskelig skjønn.
Selnes kommer med et konkret eksempel:
– La oss si at en ansatt som har brukt jobbmaskinen til å streame en fotballkamp, har havnet på en tvilsom nettside. Det utløser en alarm. Jeg blir vekket midt på natten og må finne ut av hva som faktisk skjer.
– Men i samme sekund som alarmen utløses og jeg våkner, starter en KI-agent opp, forklarer han.
Agenten følger i praksis den samme prosessen som sikkerhetsingeniøren og leverer en rapport som han kan bruke som utgangspunkt for vurderingen.
– Det som ville tatt meg 30 minutter, gjør KI-agenten på fem, sier han.
4. Selskapsmøter: Kutter tid i forberedelser
Oljefondet eier aksjer i over 7000 selskaper og hadde mer enn 3000 selskapsmøter i 2025.
I snitt krever hvert møte rundt tre timers forberedelse. I løpet av et år blir dette omtrent 10 000 timer, eller omtrent fem til seks årsverk om du vil – kun brukt på møteforberedelser.
– Derfor har fondet bygget en KI-løsning som trekker inn data som kun de har tilgang til: For eksempel investeringshypoteser og møtenotater fra tidligere samtaler. Dette kombineres med offentlig tilgjengelig informasjon for å lage et beslutningsgrunnlag, forteller Kristine Gjøs, investeringsmanager i NBIM.
Igjen er multi-agentarkitekturen sentral, der hver agent har en spesifikk oppgave:
En agent lager en plan for møtet, tre til fem agenter samler inn informasjon fra hver sine kilder, og en «sluttinspeksjonsagent» – trent på fondets beste møteforberedelse og interne intervjuteknikker – vurderer om resultatet holder god nok kvalitet.
– Hele veien kan du sjekke kildene og vurderingene agentene gjør, slik at du kan kvalitetssikre for hallusinasjoner, forklarer Gjøs.
Hun forteller at de også jobber med å bygge en simuleringsfunksjon som kan forutsi hva motparten sannsynligvis vil si i et møte. Denne trenes på podkaster, tidligere møtereferater og annen tilgjengelig informasjon.
– Slik kan porteføljeforvalterne øve på møtene på forhånd.
5. Markedsovervåking: Fanger opp markedsmanipulasjon
Oljefondet gjennomfører millioner av transaksjoner i over 60 markeder hvert år. Alle disse må overvåkes for å sikre at de er i tråd med reglene for innsidehandel og markedsmanipulasjon.
– Risikoen er reell, forklarer Oscar Merckoll fra NBIMs compliance-team.
I 2018 begynte fondet å jobbe med et eksternt overvåkingssystem som varsler om potensielle farer.
– Problemet er at verktøyet ikke «kjenner» NBIM. Det vet ikke om en handel skyldes rebalansering, indekshendelser eller som et resultat av et internt selskapsmøte. Det er kontekst som compliance-teamet må vurdere manuelt.
Her har de et eget agentbasert overvåkingsteam:
– Seks spesialiserte underagenter vurderer varsler ut ifra sitt perspektiv. Det kan variere fra handelskontekst, indeksrebalansering, bransjenyheter og samtaler med selskaper.
Alle disse vurderingene leveres til en «masteragent», som er trent på mønstergjenkjenning, og som også er bygget slik at den gir beskjed når et menneske må ta over saken – for eksempel om konklusjonen er tvetydig, eller om en beslutning må eies av et menneske.
6. Jakten på selskapene som pynter på tallene
Analytikerne bruker i snitt to uker per selskap på å gå gjennom regnskaper, fotnoter og historiske tall, i noen tilfeller opptil 16 år tilbake i tid.
– Målet er å luke ut «bad apples» og avdekke selskaper som kan finne på å pynte på resultatene. Til sammen snakker vi gjerne om millioner av sider på tvers av over 7000 selskaper, sier Morten Molde, porteføljeforvalter i NBIM.
Nå brukes KI-agenter til å søke etter bestemte nøkkelord i fotnotene, hente ut relevante setninger og identifisere tallene som faktisk betyr noe.
Fondet har også bygget et eget maskinlæringssystem, trent på historiske saker der selskaper er blitt avslørt for regnskapsmanipulasjon og aksjekursen senere har falt kraftig.
I tillegg utvikler NBIM flere agenter som skal oppdage ulike former for finansiell manipulasjon: selskaper som flytter inntekter, kostnader, resultater eller kontantstrøm fram eller tilbake i tid for å få regnskapene til å se bedre ut enn de faktisk er. I noen tilfeller kan slike justeringer være betydelige.
– Modellen er allerede i bruk, og vi bruker den daglig. Samtidig bygger vi stadig flere agenter som kan oppdage flere former for denne typen manipulasjon.
7. Automatisering av finansrapportering
Hvert kvartal produserer fondet fullstendige finansregnskap, noter og analyser.
– Dette er en svært ressurskrevende prosess. Vanligvis har vi jobbet i komplekse regneark med lange formelkjeder og mange manuelle justeringer, sier Torjus Eek Sørem, som jobber med finansrapportering i NBIM.
Tiden som gikk med til å sikre kvaliteten, gikk samtidig på bekostning av dypere analyse og innsikt. I tillegg førte den manuelle jobbingen til at kritisk kunnskap samlet seg hos – og gjorde fondet avhengig av – noen få enkeltpersoner.
For å endre dette bygget teamet opp prosessen på nytt, med hjelp fra KI-verktøy.
– To personer, som ikke er utviklere, har bygget en helt ny infrastruktur med Claude Code og Cursor, forteller han.
– Vi startet med de underliggende regnskapsdataene for å etablere én felles kilde til sannhet. Vi sørget for at dataene var strukturerte og pålitelige, slik at KI-verktøyene kunne gjøre det de er best til.
I dag kjøres selv de mest komplekse beregningene direkte i spesialbygde datasett. Tallene går automatisk inn i noteproduksjon, regnskapsrapportering og analyser.
– Vi har hele tiden beholdt menneskelig kontroll. Regnskapsfaglig kompetanse og forretningslogikk er bygget inn i prosessen, slik at resultatene blir riktige og internkontrollen ivaretas på en ny måte.
Resultatet er raskere produksjon og tidligere tilgang til analyse – til og med før regnskapssystemet stenger.
– Valuta og skatt kan hentes ut med et tastetrykk allerede på dag to, og verdipapirutlån på dag sju. Det gir oss mer tid til å undersøke og rette opp feil før det er for sent, sier Sørem.
Når prosessen blir fullt automatisert, frigjøres åtte arbeidsdager fordelt på 2,5 personer i teamet, forteller han. Allerede har KI gjort flere noter fra fjorårets regnskap langt raskere å produsere.
– Tid som tidligere gikk til produksjon, kan nå brukes på analyse, kontroll, kvalitetssikring og revisjon tidligere i løpet.
8. ESG-screening: – Måtte vært 3000 analytikere for å gjøre samme jobben
Som ansvarlig investor må fondet vite om selskapene i porteføljen er knyttet til tvangsarbeid, barnearbeid, avskoging, korrupsjon eller andre alvorlige forhold.
Teamet som gjør dette består av åtte personer.
– Hvis mennesker skulle gjort alt dette, måtte vi nok ha vært 3000 analytikere som jobbet døgnet rundt, sier Kristine Schuessler i NBIM.
– Derfor må vi bruke KI for å få fart på prosessen.
Løsningen er delt i to faser. I første fase brukes en rask og lett KI-modell til å screene alle selskapene mot offentlig tilgjengelige kilder, som nyheter, finansdata, offentlige registre og lokale medier.
De fleste selskapene passerer denne fasen uten at det dukker opp noe særlig kritikkverdig. Men hvis det gjør det, aktiveres fase to:
– Da setter vi i gang flere KI-agenter som undersøker selskapet fra ulike vinkler. Én kan følge spor i leverandørkjeden, en annen ser på selskapets egen drift, og en tredje undersøker finansielle forbindelser.
– Når agentene er ferdige, samler de funnene sine, oppsummerer dem og gir selskapet en risikoscore, sier hun.
Deretter tar menneskene over. Analytikerne gjennomgår hvert selskap som er flagget som høyrisiko, verifiserer kildene, sjekker resonneringen og tar den endelige beslutningen. Selskaper som bekreftes som risikable, flagges i porteføljesystemene. I de mest alvorlige tilfellene kan fondet selge seg ut.
– Vi kan selvfølgelig ikke love at vi fanger opp alt. Det vi kan si, er at vi screener flere selskaper, vurderer flere kilder, dekker flere språk og går dypere inn i sakene enn før. Da står vi også bedre rustet til å handle når vi ser risiko.
9. Forhandlinger: KI-simulatoren som forutser motpartens strategi
Hva om du kan gå inn i en forhandling med kunnskap om den andre sidens strategi, og bruke det til å styre samtalen i din retning?
Det er tanken bak forhandlingssimulatoren som den juridiske avdelingen har utviklet. Verktøyet har to hovedfunksjoner: planlegging og simulering.
I første omgang lager KI-verktøyet en skriftlig strategiplan som forutser motpartens argumenter og finner en optimal kombinasjon av vilkår og innrømmelser.
– Så langt viser resultatene at simulatoren klarer å forutsi over 80 prosent av argumentene, samtidig som den bidrar til å sikre en større andel av de viktigste kontraktsvilkårene. Den bruker også vesentlig mindre tid på å lage selve planen, sier Christy Stagemeyer i NBIM.
Den har også en simuleringsmodus. Der kan juristene simulere forhandlinger med en skreddersydd KI-bot.
I simuleringsmodus kan juristen gjennomføre en live og risikofri forhandling med en KI-bot.
– Med talemodus kan vi be om tilbakemeldinger for å bli bedre. Vi kan til og med bytte rolle og se hvordan KI ville håndtert situasjonen dersom den satt i min stol, sier Stagemeyer.
10. Ordreflyt og handel: Spare milliarder på å la være å handle
Fondet har blitt så stort at det i praksis påvirker markedet hver gang det handler.
Når Oljefondet kjøper, kan prisene presses opp. Når det selger, kan prisene presses ned. Denne markedspåvirkningen ble anslått til 14 milliarder kroner i 2025.
– Det er et betydelig beløp. Det er ikke en regnskapsført kostnad, så det kan ikke vises direkte i regnskapet, men det er et stort og reelt verditap, forklarer Jon Egil Strand, porteføljeforvalter i NBIM.
Ifølge ham brukes KI på flere konkrete måter for å redusere denne kostnaden.
Den første handler om prediksjon. KI-modeller finner mønstre i markedet og beregner sannsynligheten for hvilke aksjer som vil stige og hvilke som vil falle.
– Når en ordre kommer inn, kan jeg se på den og vurdere følgende: Her ønsker vi å kjøpe en aksje som sannsynligvis vil stige i pris, og da må jeg være mer aktiv. Hvis KI derimot anslår at aksjen vil falle i pris, kan jeg være tålmodig. Jeg trenger ikke forhaste meg og skape unødig markedspåvirkning. Jeg kan trekke meg litt tilbake, sier Strand.
Den andre bruken handler om intern matching.
Fondet forvalter 250 ulike porteføljer, og det hender at én portefølje vil kjøpe det en annen vil selge. Da kan ordrene matches internt, i stedet for at fondet går ut i markedet på begge sider av handelen. I fjor ble over 120 milliarder kroner matchet på denne måten.
– Da går vi ikke ut i markedet.
