et stort skandinavisk entreprenørselskap, kalkyleavdelingen med 6 kalkulatører, jobber med anbud fra 50M til 400M
Situasjon
Rolf Erik har kalkylert bygg i 30 år — han kan se en tegning og gi et prisestimat som sjelden er mer enn 3% feil. Men metodikken hans er den samme som i 1998: Excel-ark, historiske enhetspriser, og mye magefølelse. Han ser at yngre kollegaer snakker om AI og automatisk mengdeuttak fra BIM, men har aldri fått demonstrert noe som faktisk fungerer. Han er ikke skeptisk av prinsipp — han er skeptisk fordi han har sett for mange "revolusjonerende" verktøy komme og gå. Hvis noe kan halvere kalkyletiden uten å øke feilraten, vil han ha det.
Tre innganger til casen
Inngang A
sverm ny: Analyser hvordan 30 års kalkyleerfaring møter KI-revolusjonen. Hva er verdien av magefølelse i kalkyle kontra maskinlæring på historiske data? Hva er Rolf Eriks egentlige konkurransefortrinn — og hva er det som faktisk kan hjelpe ham?
Inngang B
sverm ny: Jeg er Rolf Erik Andreassen, kalkulasjonsleder i PEAB. Når yngre kollegaer snakker om AI og mengdeuttak fra BIM, lytter jeg — men det er et maktpolitisk landskap her ingen nevner. Kalkyleavdelingens troverdighet i selskapet hviler på at vi er uerstattelige. Hvis et verktøy halverer kalkyletida, hva skjer med 6 av 7 kalkulatørstillinger? Og hvem i ledelsen vil faktisk pushe gjennom omstilling som rasjonaliserer bort seg selv? Hvem har incentiv til å stoppe implementering av AI-kalkyle — og hvem har reell makt til å drive den gjennom?
Inngang C
sverm ny: Jeg er Rolf Erik Andreassen, kalkulasjonsleder. Jeg fokuserer på nøyaktighet og erfaring — men unngår å tenke på noe som holder meg våken: mine kalkyler er gode fordi jeg kjenner markedet fra 1998. Hva skjer i et marked med 30 % materialkostnadsstigning på 3 år, ny arbeidsinnvandring, og klimakrav som endrer tekniske løsninger? Kanskje det som faktisk begynner å svikte er ikke verktøyet, men referansedataene jeg bygger magefølelsen min på. Hva er egentlig utdatert i min kalkylemetodikk — og er det mulig å oppdatere den uten å starte fra scratch?
Sverm-kjøringer fra denne casen
Denne casen kjører som en sverm: 20 uavhengige AI-perspektiver med ulike analytiske vinkler, konsensus og dissens bevart — ikke filtrert. Hvordan sverm-analyser lages