Slik jobber DNBs «hemmelige» AI-lab

– Kunstig intelligens er et tog man må hoppe på før det forlater stasjonen, skrev digitaliseringsminister Karianne Tung (Ap) i Aftenposten for nærmere et år siden.

Dette er et sitat som har satt sitt preg på det siste året, også i finansverdenen. Likevel viser undersøkelser fra Boston Consulting Group gang på gang at implementeringen av AI går for treigt i norske banker.

Dette skal DNB røske opp i med et splitter nytt team som ukentlig møter konsernledelsen i Norges største bank for å presentere sine funn.

– Selv om mesteparten av selskapet jobber med å forbedre det vi allerede gjør, har vi sett at vi også må utforske hvordan vi kan levere tjenester på en helt annen måte. Derfor har vi dedikert et sett med mennesker med riktig kompetanse, kapasitet og tankesett til å utforske om det som nå er mulig, kan endre radikalt måten vi jobber og leverer tjenester på. Det er disse seks  årsverkene som utgjør RAI-teamet, sier Per Kristian Næss-Fladset, konserndirektør for produkt, data og innovasjon i DNB.

RAI står for Radical AI – selv om de seks heller ikke er fremmede for DDE-referanser.

Teamet er tverrfaglig, fra ulike deler av DNB, og ble satt sammen med et klart mandat: utforske og bevise hva kunstig intelligens faktisk kan gjøre for en stor norsk bank — ikke i teorien, men i praksis, med ekte kunder, ekte kanaler og ekte forretningsverdi. 

– Vi har jobbet med kunstig intelligens i konsernet lenge. Med ChatGPT ble det veldig åpenbart for alle at potensialet knyttet til kunstig intelligens er mye større enn først antatt. Vi mener det vi ser nå vil være transformativt for individet, for organisasjonen og for samfunnet. Kunstig intelligens kommer til å bli en del av livene våre, både privat og i jobbsammenheng, og kompetanse på kunstig intelligens vil være like grunnleggende som å bruke internett og sende e-post, mener Næss-Fladset.

Fra idé til daglig drift

Med konsernledelsen diskuterer RAI-teamet ukentlig hva de finner, hvordan de jobber, hva de lærer av det, og om noe av det de utvikler, kan tas videre inn i daglig drift.

Når teamet finner noe lovende, piloteres prosjektet. RAI-prosjektleder Rose Paulsen kan fortelle at DNB har nådd rundt 350 brukere av verktøyene som nå er i pilot.

– Teamet bruker løsningene selv og vi har åpnet for pilottilgang for resten av organisasjonen. Utviklere på tvers av konsernet har fått tilgang til det som kalles RAI Gateway og RAI Code, og eksperimenterer med det i sin hverdag og i sine prosjekter. Tilbakemeldingene har vært så positive at vi nå mener dette bør gjøres til en funksjonalitet som blir tilgjengelig for alle, sier konserndirektøren.

– Hvordan sikrer dere at ansatte faktisk tar RAI-løsningene i bruk og gjør det på riktig måte?

– Når vi nå gjør RAI Gateway og RAI Code til en funksjonalitet, handler det om å gjøre det enkelt for hvert team å ta det i bruk, uten at hver leder må gjøre en egen vurdering, sier Næss-Fladset.

– Samtidig må vi vise hva som er mulig. Vi har brukt tid på å evangelisere, vise konkrete bruksområder og jobbe tett med teamene som skal ta det i bruk. Vi har også lagt kompleksiteten i våre verktøy, slik at utviklere kan bruke standardverktøyene de allerede jobber i, mens vi sikrer tilgang, sikkerhet og at data forblir i DNBs infrastruktur.

Egen gateway for sikker data

I en kritisk tid for verden, hvor ferske kriger og såkalte spesialoperasjoner brer om seg i rasende fart, er nettopp dette med hvor data lagres et viktig aspekt. Ikke minst noe så sensitivt som dataene til landets største bank. 

DNB bruker den amerikanske tekgiganten Microsofts løsninger i hele bedriften. Alle av de over 11.000 ansatte i DNB har grunnlisens i Microsoft Copilot, og femti prosent av de ansatte har en utvidet lisens. I tillegg har DNB satt alle sine 150 toppledere «på skolebenken» i bruk av Copilot og andre verktøy. Samtidig har banken valgt å bygge sin kundechatbot Aino på den norske plattformen Boost AI.

– Hvilken infrastruktur bygger dere systemene deres på i RAI, og hvor avhengig skal DNB gjøre seg av tek-gigantene i USA? 

– Som regulert virksomhet er vi opptatt av personvern og av å følge GDPR. Vi har omfattende prosesser for å inngå nye leverandøravtaler, og det tar tid, forklarer Oscar Nordstrøm. Han er seksjonsleder for kundeverdi i personmarked by day og produktutvikler i RAI by night. Han utbroderer videre:

– Samtidig går AI-utviklingen så raskt at det er krevende å holde tritt med hvilke leverandører som til enhver tid er best. Det er nettopp denne problemstillingen vi har forsøkt å løse med RAI Gateway og RAI Code: vi har bygget en egen gateway, slik at vi kan bruke moderne verktøy, men rute dem gjennom vår egen infrastruktur.

– Enkelt forklart bruker vi eksisterende leverandører innenfor eksisterende kontrakter, supplerer Ola Hulleberg, som er utvikler i personmarkedet og har fått økenavnet “golden boy” i RAI.

Han sier at det å sende virksomhetskritisk informasjon til for eksempel USA, er uaktuelt. Derfor har DNB etablert en løsning der all prosessering skjer hos en europeisk partner.

– Da går ingen data videre til USA. Samtidig er det viktig at de interne løsningene er gode nok. Hvis de interne verktøyene ligger langt bak det som finnes eksternt, øker risikoen for at enkeltpersoner velger å bruke uautoriserte løsninger. Derfor må vi tilby et sikkert og konkurransedyktig alternativ innenfor rammene.

– I praksis betyr det at vi kan bruke moderne modeller fra for eksempel OpenAI eller Anthropic, men i stedet for å sende data direkte til dem, går trafikken via DNBs egen infrastruktur, legger Nordstrøm til.

– Vi bruker de samme datasentrene som vi bruker til mobilbanken. Slik får vi svarene tilbake i verktøyene vi bruker, men beholder kontrollen på dataene.

– Så det fungerer som en mellomstasjon?

– Ja. Vi trenger ikke inngå direkte avtaler med hver enkelt modellleverandør for bruk i utviklingshverdagen, fordi vi håndterer det gjennom gatewayen. Selve inferensen skjer hos vår partner. Det går ingen data «over kablene» til USA. Dataene holdes innenfor de rammene vi har satt.

Modellagnostikerne

Nordstrøm forklarer at gateway-arkitekturen i tillegg gjør DNB mindre direkte avhengig av én leverandør. Hvis banken på et tidspunkt skulle velge å bytte underliggende modell eller skyplattform, kan de gjøre det uten å endre hvordan ansatte jobber.

– Vi kan i teorien bruke de samme verktøyene mot andre språkmodeller, og til og med kjøre dem lokalt på egne servere, uten at data forlater bygget.

Ruben Rapp Vander-Eldst, som er utvikler i personmarked og “RAI-scientist”, kaller overbygningen modellagnostisk.

– Vi kan plugge inn hvilken som helst språkmodell. Det er ikke bare USA som utvikler gode modeller, og arkitekturen vår gjør at vi kan bytte underliggende teknologi ved behov.

– Men er dere fortsatt avhengige av amerikanske selskaper i bunnen i dag?

– Ja, i dag er vi på mange måter det, vedgår Hulleberg, men legger til:

– Samtidig er det verdt å nyansere: Selv om en modellleverandør for eksempel skulle forsvinne, vil partneren fortsatt sitte på de nødvendige modellvektene og infrastrukturen til å kunne fortsette å levere tjenesten fra sine datasentre. Avhengigheten er derfor ikke like direkte som den kan fremstå.

– Og ved at all trafikk rutes gjennom vår gateway, er det enklere å flytte den dersom det skulle bli relevant, legger Nordstrøm til. 

Bærekraftig AI

Kunstig intelligens innføres raskt i store deler av finansbransjen – en bransje som samtidig er underlagt strengere og strengere klimakrav og bærekraftsrapportering. 

– Hvordan harmonerer detre med DNBs bærekraftsambisjoner?

– Man må se på totaliteten. Effektivisering har også en miljødimensjon. Samtidig skjer det rask teknologisk utvikling som reduserer energibruken per forespørsel – man trenger ikke generere alt på nytt hver gang, forteller Nordstrøm.

Hulleberg sier seg enig:

– Modellene har blitt langt mer energieffektive. Tidligere ble hele modellen aktivert for hver forespørsel. Nå brukes såkalte «mixture of experts»-modeller, der bare deler av modellen aktiveres. Det reduserer energibruken betydelig. I tillegg har modellene blitt så effektive at jeg nå kan kjøre gode modeller lokalt på min egen maskin. Det sier noe om utviklingen.

I tillegg handler bærekraft om noe mer enn bare klima, mener Rapp Vander-Eldst. Det handler også om samfunnsperspektivet.

– AI er dyptgripende for samfunnet. Det minst bærekraftige vi kan gjøre, er å ikke satse. Hvis vi ikke utvikler kompetanse og løsninger selv, overlater vi premissene til andre land og aktører. Skal vi være med og påvirke hvordan AI-fremtiden i Norge ser ut, må vi være frempå.

En forventning om å lære seg verktøyene

I 2026 er det store summeordet i finansbransjen e-ordet: effektivisering.

Nær sagt alle de store bankene, som Sparebank 1 Østlandet, SB1 Nord-Norge, SB1 SMN har satt i gang kostnadsprogrammer.  SB1 Sør-Norge vil kutte 150 årsverk. SB1 Helgeland kom med målrettede sluttpakker i anledning Q4 og administrerende direktør uttalte at «det er ikke lenger et valgfag å bruke AI».

DNB, som har kuttet over 600 stillinger siden høsten 2024, vaker nå på kostnadsmålet sitt på “under 40 prosent” – fasiten viste 39,7 prosent i fjerde kvartal 2025. Konsernsjef Kjerstin Braathen har uttalt til BankShift at hun ikke kan utelukke flere kutt i staben. 

– Du sier bruk av AI vil bli like viktig som å kunne sende en e-post. Ved neste kuttrunde i DNB, tror du at om det at en ansatt bruker AI eller ikke, vil være avgjørende i en sluttpakkeprosess?

– Jeg vil snu litt på det, sier konserndirektør Næss-Fladset,

– For det første: Ja, det er en forventning om at vi lærer oss dette, enten privat eller på jobb. Jeg mener det er den beste jobbsikkerheten å ha den innstillingen. Samtidig handler effektivisering også om å frigjøre tid til å gjøre andre viktige ting. Vi kan bruke teknologien til det den er best på, og mennesker til det mennesker er best på. Kundene våre setter pris på å kunne snakke med oss, og når vi blir mer effektive i prosesser kundene kan gjøre selv, kan vi bruke mer tid på menneske-til-menneske-kontakt og skape verdi der.

– Samtidig ligger DNB og vaker på kostnandsmålet sitt, og Braathen kunne ikke utelukke ytterligere kutt i 2026. Kan effektivisering gjøre det lettere å kutte ansatte, eller vil AI derimot gjøre det lettere å beholde ansatte i bedriften?

– Først og fremst frigjør effektiviseringen kapasitet til å gjøre andre viktige ting. Lykkes vi med det, kan vi også lykkes bedre i markedet og ta nye posisjoner. Det blir for enkelt å bare se på én side av dette. Å jobbe med kostnadseffektivitet gjør at vi kan gi bedre betingelser til kundene og styrke konkurransekraften. Kunstig intelligens er en viktig innsatsfaktor med stort potensial, men det er fortsatt et verktøy. Vi setter ikke spesifikke ambisjoner kun knyttet til kunstig intelligens, men ser på ambisjonsnivå for posisjoner, kostnader og inntekter samlet, der kunstig intelligens er én av flere faktorer.

– Finansforbundet har ønsket mer medbestemmelse ved innføring av blant annet kunstig intelligens. Ville en slik avtale begrenset utrullingen?

– Endring er alltid spennende og kan oppleves krevende. For å lykkes med adopsjon må vi ha medarbeiderne med oss og sørge for at de er trygge på mulighetene og rammene for bruken av AI. Derfor er det så viktig at lederne går foran og at vi legger til rette for trygge og gode rammer, sier konserndirektøren og fortsetter:

– For oss er kunstig intelligens i stor grad en klassisk endringsreise og endringsledelse. Jo bedre vi forklarer hva som skjer, hvorfor det skjer, hva verdien er og hvilke rammer som gjelder, desto bedre vil medarbeiderne oppleve det, utvikle seg og bidra til verdiskaping for kundene. Derfor legger vi så stor vekt på å løfte hele organisasjonen og gi flest mulig mulighet til å være med på reisen.

Trener modeller på bedriftskunnskap

Hulleberg mener mange virksomheter møter en flaskehals når de tar i bruk AI: Hvor skal man hente kunnskapen fra?

– Standardløsninger er trent på hele internett, men ikke på intern bedriftskunnskap.

Samtidig sitter man internt i bedriften på enorme mengder kunnskap. I DNB er den spredt i rundt førti ulike systemer – Teams, SharePoint, Confluence og mange flere, forteller Hulleberg.

Dette har RAIerne løst på en kreativ måte:

– Vi har jobbet med nye måter å høste inn og strukturere denne kunnskapen på. Når vi kobler dette sammen med moderne AI, får vi frem sammenhenger på tvers av kilder som ingen tidligere har sett. Det representerer et stort intelligenspotensial basert på dataene som allerede finnes i konsernet.

Mens store deler av banken jobber med å optimalisere eksisterende prosesser, har Radical AI ett sentralt spørsmål som driver arbeidet: Hva om vi bygger det helt annerledes? 

– I Radikal AI har hovedgrepet vært at vi har gått «AI first» i alt vi gjør. Vi bruker det til å spesifisere, designe og utvikle løsninger – og i praksis i hele arbeidsprosessen. Målet er å effektivisere og kunne utforske nye områder så raskt som mulig, sier Nordstrøm.