Stór tungumálalíkön fyrir íslensku: hagnýt notkun í vinnu og þjónustu

Greining á því hvernig stór tungumálalíkön nýtast á Íslandi, með hagnýtum skrefum, öryggisatriðum, kostnaðarmati og raunhæfum notkunardæmum. Sérfræðilegt yfirlit með íslensku samhengi, regluverki og verkfærum sem skala frá teymum til fyrirtækja.

Stór tungumálalíkön hafa á skömmum tíma orðið verkfæri sem mótar vinnulag, þjónustu og nýsköpun. Á Íslandi skiptir máli að lausnir virði persónuvernd, styðji íslensku og standist kröfur EES-regluverks. Rannsóknir benda til að rétt hönnuð innleiðing skili skjótum framleiðniaukningum. Hér förum við yfir hagnýt atriði fyrir íslenskt samhengi, frá byrjendum til rekstrarlegra ákvarðana.

Hvað er LLM

LLM er tölvulíkan sem lærir mynstur í texta og spáir næsta token út frá samhengi. Útkoman getur verið náttúrulegur texti, samantektir, svör við spurningum eða jafnvel kóði. Í íslensku samhengi skiptir máli að líkanið ráði við beygingar, íslensk sérnöfn og staðbundin hugtök, því orðmyndir og fallbeyging hafa bein áhrif á merkingu. Rannsóknir sýna að lágmálsgögn (low-resource) eins og íslenska krefjast markvissrar aðlögunar að málinu til að hámarka gæði og stöðugleika.

Framleiðsla íslensks texta krefst einnig réttrar stafsetningar og málfræði, annars eykst álag á teymi sem þarf að yfirlesa. Sérfræðingar hjá Háskóla Íslands hafa ítrekað bent á að notkun málfræðilegra auðlinda á borð við BÍN (Beygingarlýsingu íslensks nútímamáls) og vel stilltra tokenizera getur bætt útkomu verulega þegar unnið er með íslensku. Í samanburði við Norðurlöndin er framboð opins þjálfunargagnasafns víða meira fyrir sænsku og norsku, en íslenska nýtur styrks í öflugri innviða- og gagnamiðlun, m.a. í gegnum opin gögn og orkuskilvirka gagnaver.

Samkvæmt sérfræðingum í máltækni við Háskóla Íslands er samspil beygingaréttlætis, merkingarlegs samhengis og staðbundinna orða lykilatriði þegar LLM er stillt fyrir íslensku — rétt val á tokenization og uppsetning forvinnslu skiptir sköpum fyrir árangur.

Hvernig virkar LLM í grófum dráttum

• Tokenization skiptir texta í einingar (tokens) þannig að líkanið ráði við beygingar, samsett orð og tákn. Fyrir íslensku borgar sig að velja vocabulary sem heldur sem flestum orðhlutum heildstæðum.
• Attention metur samhengi og vægi milli orða og setninga þannig að líkanið tengi saman merkingu yfir löng skjöl. Þetta dregur úr hættu á misskilningi á sérnöfnum og staðbundnum hugtökum.
• Fínstilling eða leiðbeiningastilling (instruction tuning) sérsníður líkanið að verkefni fyrirtækis, t.d. þjónustuviðmóti, reglufylgni eða sértækum hugtökum í sjávarútvegi, ferðamennsku eða fjármálaþjónustu.

Í framkvæmd nota íslensk teymi blöndu af þessum skrefum með sameiginlegu þemum eins og GDPR-samræmi og gagnavernd. Rannsóknir benda til að hófleg fínstilling á toppi stærra grunnlíkans, með viðeigandi promptum og aðgangi að innri gögnum í gegnum RAG, skili jafnvægi milli kostnaðar, gæði og sveigjanleika. Á Norðurlöndunum hefur þróunin verið í sömu átt: stærri grunnlíkan + staðbundnar heimildir í fyrirspurnarferli.

Algeng notkunartilfelli

• Þjónustubotnar á íslensku sem svara í vefspjalli, Messenger eða SMS (í gegnum kerfi hjá Símanum, Vodafone Iceland eða Nova) með öruggri meðhöndlun persónuupplýsinga og rekjanleika svara.
• Skjalasamantektir og leit þar sem RAG vísar í innri skjöl, samþykktir sveitarfélaga og reglur Persónuverndar til að styðja við réttar og staðbundnar tilvísanir.
• Aðstoð við kóða og gagnaskrár fyrir teymi sem vinna með Excel, SQL eða Python og þurfa leiðbeiningar á íslensku um hreinsun gagna, viðhald skriftna eða einingaprófanir.

Dæmi úr íslenskum veruleika: sveitarfélag setur upp LLM-búið vefspjall sem svarar spurningum íbúa um leikskólagjöld og sorphirðu. Lausnin notar RAG til að sækja nýjustu samþykktir og verðskrá, tryggir að engar persónuupplýsingar fari úr húsum og skráir heimildir með slóðum í opinber gögn. Samkvæmt reglugerðum EES/GDPR þarf vinnslan að vera lögmæt, gagnaspar og rekjanleg; prompt-sniðmát tryggir að líkanið vísi á heimild og merki svör sem „óviss“ ef heimild vantar. Fyrirtæki sem hafa prófað svipaðar uppsetningar segja að endurskoðunartími svara styttist og álag á símaþjónustu lækkar, sem skilar sér í betri notendaupplifun og lægri kostnaði til skemmri tíma.

Hvenær er rétt að velja opið líkan í eigin gagnaveri á Íslandi (með 100% endurnýjanlegri orku) á móti skýjaþjónustu? Samkvæmt sérfræðingum í upplýsingatækni vegur gagnavernd, síður sveiflur í einingaverði og stjórn á uppfærslum þungt í eigin hýsingu; hins vegar bjóða skýjaþjónustur hraðari innleiðingu, sjálfvirka stigun og oft betri árangur úr stærstu líkönum. Nýjustu tölur benda til að kostnaður sé yfirleitt reiknaður á hver 1.000 token, svo gerlegt er að áætla ISK-fjárhagsramma með prófunarsetti áður en farið er í útbreiðslu.

Hagnýtt upphafsskref er að setja upp stöðluð prompt-sniðmát og prófunarsett á íslensku. Hér er einfalt sniðmát sem margir innleiða í fyrstu tilraun:

[Kerfi] Þú ert þjónustuaðili fyrir {fyrirtæki}. Svaraðu á skýru íslensku, notaðu punkta þegar hentar og vísaðu í heimildir með slóðum ef til eru. Ef þú ert óviss, segðu „Óvíst“ og biddu um meiri upplýsingar. Aldrei deila persónugögnum. Fylgdu GDPR.

[Notandi] Spurning: "{spurning}"
[Heimildir] 
1) {titill_1} - {slóð_1}
2) {titill_2} - {slóð_2}

[Svar] 

Til að tryggja árangur í íslensku mæla sérfræðingar með eftirfarandi í prófunarfasa:

• Byggja lítið, staðbundið matssafn með 50–200 dæmum úr raunverulegum spurningum notenda og innri skjölum.
• Nota íslenskar aðfærslur í tokenization og kanna hvort sérnöfn/staðheit haldist heil.
• Keyra öryggissíur og redaction fyrir persónuupplýsingar; samræma vinnslu við leiðbeiningar Persónuverndar og GDPR.
• Meta rekstrarkostnað í ISK á móti sparaðri mannatíma-vinnu, svörunartíma og ánægju notenda (NPS/CSAT). Gögn frá Statistics Iceland nýtast sem grunnur að kostnaðarmati og ávinnslu.

Þetta þýðir að LLM fyrir íslensku er bæði máltæknilegt og rekstrarlegt verkefni: rétt uppsetning á tokenization, attention og létt fínstilling, tengd við staðbundnar heimildir og regluverk, skapar raunhæfan ávinning. Í næsta kafla förum við yfir einföld skref í vinnslunni sjálfri, frá inntaki til úttaks, þannig að teymi geti metið hvaða tegund lausnar hentar best.

Hvernig virkar LLM

1. Inntak er umbreytt í token
2. Líkan notar attention til að meta samhengi
3. Úttak er spáð eitt token í einu

Í framkvæmd fer ferlið þannig fram: textinn er fyrst brotinn niður í token, oft orðhluta með aðferðum á borð við BPE eða SentencePiece. Fyrir íslensku er þetta sérlega mikilvægt þar sem samsetningarorð og beygingar búa til mörg afbrigði; góð tokenization minnkar villur og lækkar reiknikostnað. Næst vega og meta spálög líkanins samhengi með self-attention, þar sem hvert token „horfir“ á önnur token í glugganum (context window) og fær vægi eftir mikilvægi. Að lokum spáir líkanið næsta token út frá líkindadreifingu; stýrifæribreytur eins og temperature, top-p og top-k hafa áhrif á hversu skapandi eða ákveðin svör verða.

Þetta þýðir að lengd inntaks og úttaks er beintengd kostnaði og töfum. Í stærri verkefnum á íslensku, t.d. í þjónustuveri eða skjalagreiningu, borgar sig að stýra context-glugga og lengd svara markvisst. Samkvæmt sérfræðingum í máltækni við Háskóla Íslands skila stuttar, skýrar fyrirspurnir með skipanlegum leiðbeiningum (system-prompts) hærri nákvæmni, sérstaklega þegar líkanið fær réttar heimildir til stuðnings.

Reynslan sýnir að vel skilgreind prompt, réttir færibreytur og aðgangur að viðeigandi gögnum ráða úrslitum um gæði og kostnað.

Dæmi úr íslenskum rekstri: sveitarfélag sem svarar fyrirspurnum um byggingarleyfi lætur LLM sækja viðeigandi kafla úr skipulagsreglugerð, deiliskipulagi og fundargerðum áður en svar er myndað. Með þessu fæst rökstutt svar sem vísar í staðbundin skjöl fremur en almennar tilgátur, og bæði tími og token-notkun lækka. Í samanburði við Norðurlöndin má sjá svipaða þróun; norræn sveitarfélög hafa beitt sambærilegum aðferðum með stöðugri niðurstöðu þegar heimildir eru skýrar og uppfærðar.

Rannsóknir sýna

Rannsóknir benda til að samsetning prompt engineering, RAG og létt fínstilling skili bestu jafnvægi milli kostnaðar og gæða.

Nýjustu tölur benda til að RAG dragi úr rangfærslum þegar spurt er um staðbundið efni, á meðan instruction-tuning eða létt fínstilling á fáum, vönduðum dæmum bætir tón, stíl og verkferla. Samkvæmt sérfræðingum hjá Háskóla Íslands og norrænum máltæknisetrum (t.d. NLPL/CLARIN) nýtist þessi samsetning sérstaklega vel fyrir tungumál með ríkum beygingum og sértækum hugtökum eins og íslensku. Í evrópsku samhengi spila GDPR og kröfur um gagnavernd stóra rullu; fyrirtæki sem halda viðkvæmum gögnum innan EES og beina líkaninu á staðbundnar heimildir ná yfirleitt betra jafnvægi milli áhættu, svargæða og rekstrarkostnaðar.

Gögn frá íslenskum þjónustuaðilum benda til að vandað prófunarferli (A/B prófanir á spurningum, sjálfvirk matsviðmið á staðfestanleika og tilvitnunum) lækki óþarfa token-notkun og endurkallanir. Í framkvæmd þýðir þetta færri villur, styttri svör og lægri reiknikostnað í ISK, án þess að fórna nákvæmni.

RAG fyrir íslenskar heimildir

• Vísar í staðbundin skjöl og reglur
• Bætir stöðugleika svara
• Minnkar þörf á yfirnámi

RAG (retrieval-augmented generation) bætir líkanið með rauntímaleit í gagnageymslum. Fyrir Ísland er heppilegt að tengja við lög.is, reglugerd.is, island.is, innri SharePoint-söfn og samninga í gagnakerfum sem þegar eru notuð í rekstri. Þegar fyrirspurn kemur inn er hún varpandi yfir í embedding-rúm, bestu heimildir sóttar úr vigrageymslu og lagðar með sem samhengi. Svar verður byggt á tilvísuðum gögnum og má birta með tilvitnunum og slóðum, sem eykur traust og samræmi.

Hagnýt ráð fyrir íslenskan rekstur:

• Veljið embedding-líkan með góðum árangri á íslensku (t.d. fjöltyngd líkan sem stendur sig vel á Risamálheildinni) og mælið niðurstöður á raunverulegum spurningum fyrirtækisins.
• Stillið klippingu (chunking) í 400–800 token með 50–100 token skörun; þetta skilar oft betra jafnvægi fyrir íslensk skjöl og samsetningarorð.
• Tryggið gagnaumhverfi innan EES og skýra skráningarstefnu; GDPR krefst gagnsæis og réttmætrar vinnslu. Hýsing hjá norrænum gagnaverum eða á eigin vélbúnaði á Íslandi nýtir endurnýjanlega orku og lækkar sveiflur í breytilegum kostnaði.
• Nýtið prompt-sniðmát, stillið temperature lágt (0.1–0.3) fyrir staðreyndamiðað svör og krefjist tilvitnana í niðurstöðum.
• Virkjið prompt- og svarklasa (caching) til að spara token í endurteknum fyrirspurnum í þjónustuveri.

Dæmi: tryggingafélag tengir RAG við skilmálasöfn, gjaldskrár og leiðbeiningar frá Persónuvernd. Þegar spurt er um bótareglur eða persónuverndarferla birtist svar með nákvæmri tilvísun í gildu skjöl. Með stýringu á context-glugga og cache lækkaði meðaltímaafgreiðsla og fjöldi endurspurninga. Íslensk innviðir eins og háhraðanet og stöðug skýjaaðgangur í gegnum Síminn, Vodafone Iceland og Nova styðja slíkar lausnir vel í daglegum rekstri.

Einfalt dæmi um RAG-uppsetningu á íslensku (hugmyndakóði):

# 1. Byggja vigrageymslu úr íslenskum skjölum
docs = load_documents(["/sharepoint/samningar", "https://lög.is", "https://reglugerd.is"])
chunks = chunk(docs, size=600, overlap=80)
index = build_vector_index(chunks, embedding_model="multilingual-icelandic-embed")

# 2. Fyrirspurn → vigraleit
q = "Hver er málsmeðferð byggingarleyfis í X sveitarfélagi?"
ctx = index.search(embed(q), top_k=5)

# 3. Prompt-sniðmát með tilvísunum
prompt = f"""
Þú ert ráðgjafi. Notaðu aðeins heimildirnar hér að neðan og vísaðu í þær.
Heimildir:
{format(ctx)}
Spurning: {q}
Svara skýrt á íslensku með tilvitnunum.
"""

# 4. Kall í LLM með lágri temperature og max tokens
answer = llm.generate(prompt, temperature=0.2, max_tokens=350)

Fyrirtæki geta keyrt þetta á on-prem líkani (t.d. Llama eða Mistral) fyrir viðkvæm gögn eða í evrópsku skýi til að nýta sveigjanleika. Samkvæmt reynslu norrænna aðila er heppilegt að hanna rekstur þannig að viðkvæm gögn fari aldrei út fyrir EES og að reikniþungi sé skalanlegur. Með þessum grunnskrefum verða LLM-lausnir bæði hagkvæmari og öruggari í íslenskum aðstæðum.

Hvernig nota LLM fyrir þjónustu og innri ferla

Reykjavíkurfyrirtæki eru þegar farin að beita stórum tungumálalíkönum (LLM) í þjónustu og innri ferlum með mælanlegum árangri. Í framkvæmd snýst þetta um að tengja líkan við núverandi verkflæði, halda gögnum innan EES og stýra kostnaði með skýrum mælikvörðum. Rannsóknir sýna að fyrstu útgáfur sem beinast að afmörkuðum verkum skila fljótastum ávinningi, sérstaklega í þjónustuverum, skjalamálum og viðbrögðum við endurgjöf. Gögn frá Hagstofu Íslands (Statistics Iceland) benda til mjög hárrar nettengingar og stafrænnar notkunar á heimilum og vinnustöðum, sem styður hraða upptöku slíkra lausna. Í samanburði við Norðurlöndin er regluumhverfið sambærilegt (GDPR/EES), sem einfaldar gagnavernd og samninga við evrópska hýsingaraðila.

• Þjónustuver með sjálfvirkum fyrsta svari – LLM getur tekið við fyrstu spurn, kannað auðkenningu þegar við á, flokkað innihald og skilað hjálpsömu svari eða safnleiðbeiningum. Með traustum verkflæði rennur samtalið inn í Zendesk, Freshdesk eða Microsoft Dynamics og líkanið leggur til svar, sem starfsmaður samþykkir eða hafnar. Þetta þýðir styttri biðtími, stöðugri gæðastaðall og betri nýting sérfræðinga. Samkvæmt sérfræðingum í þjónustustjórnun á Norðurlöndunum eykst „first-contact resolution“ þegar fyrri samskipti og þekkingargrunnur eru nýtt með LLM. Í íslensku samhengi er gagnlegt að treysta á hýsingu innan EES, skrá gagnflutning í vinnslusamningum og virkja PII-afnöfnun áður en texti fer í líkanið.
• Samantektir af fundargerðum og samningum – Fyrirtæki geta látið LLM draga saman action items, áhættu og ábyrgðaraðila úr fundargerðum eða samningsdrögum. Hægt er að tengja talgreiningu (t.d. Whisper eða Google Cloud Speech-to-Text) fyrir íslensku, fæða textann í líkanið og birta stutta samantekt í Teams eða Confluence. Lykilatriði eru að merkja trúnað (t.d. „innra – trúnaðarmál“) og geyma úttak í innri geymslu með réttri aðgangsstýringu. Sérfræðingar hjá Háskóla Íslands í máltækni hafa bent á að íslensk sértæk hugtök og heiti krefjist þeirra orðalista sem gögnin búa til; því borgar sig að viðhalda sameiginlegum orðasafni fyrir lagahugtök og tækninöfn.
• Greining á endurgjöf viðskiptavina – LLM flokka frjálsan texta úr könnunum, símtölum, samfélagsmiðlum og netspjalli í efnisflokka, greina tilfinningu og draga fram „rót vandans“. Þegar úttakið er tengt við Power BI eða Superset verða stefnumyndir sýnilegar á dögum frekar en mánuðum. Nýjustu tölur benda til að fyrirtæki nái fljótum umbótum þegar þau loka lykkjunni: bása villuskrár í verkbeiðnir, gera prufu-tilraun og mæla aftur NPS/CSAT eftir 2–4 vikur.

Dæmi um vinnslureglu í þjónustuveri (fyrsta svar): „Flokkaðu erindið í flokkana ‚reikningur‘, ‚nettenging‘ eða ‚pöntun‘. Skrifaðu stutt, skýrt svar á íslensku með 2–3 skrefum og tengdu við viðeigandi hjálparsíðu. Ekki biðja um persónuupplýsingar. Ef vafi er, skráðu sem ‚þarf mannlega yfirferð‘.“

Íslensk notkun leggur áherslu á öryggi. GDPR krefst gagnaminni vinnslu en nauðsyn krefur, skýrra vinnslulýsinga og að gögn fari ekki úr EES nema með viðeigandi vernd. Fyrirtæki geta keyrt smærri líkön á eigin neti eða í íslenskum/evrópskum gagnaverum sem nýta 100% endurnýjanlega orku, og minnkað latency með tengingum frá Símanum, Vodafone Iceland eða Nova. Ráðlegging sem reynslan styður er að stilla „rauð flögg“: ef líkanið finnur kennitölur, kortanúmer eða heilsufarsupplýsingar, þá er erindi sjálfkrafa fært í örugga bið og síað áður en því er svarað.

Kostnaður er stjórnanlegur með einföldum tökum. Fyrir þjónustuver er heppilegt að setja hámark á token á beiðni, nota létt líkan fyrir flokkun og aðeins kalla á stærra líkan þegar sjálfstraust er lágt. Flest fyrirtæki sjá að kostnaður við fyrsta-svar er á bilinu örfáar krónur á beiðni með léttum líkani, og enn lægri þegar caching og endurnýting staðlaðra svarsniðmáta er virk. Í skjalamálum má keyra samantektir í lotum utan háannatíma til að nýta útreikningsgetu á lægra verði.

Hér er einföld framsetning á ferlum sem hægt er að innleiða á 2–6 vikum:
– Sjálfvirk flokkun og tillaga að svari í netspjalli með mannlegri staðfestingu.
– Samantekt fundargerða í Teams-rás með verkefnalista í Planner.
– Mánaðarleg yfirferð á opnum texta í NPS-könnunum með sjálfvirkri efnisflokkun og skýrslu í Power BI.

Dæmi úr íslenskum rekstri: Fjarskiptafyrirtæki getur virkjað LLM til að taka á móti kvörtunum um nettengingu, bera kennsl á staðsetningu í gegnum gagnagátt sem er innan EES, sía PII út og leggja til lausnir sem vísa í hjálparsíður hjá þjónustuveitunni. Slíkt minnkar álag á vöktum, tryggir samræmd svör og nær betri SLA.

Ávinningur fyrir fyrirtæki

• Skemmri afgreiðslutími og færri villur – Samkvæmt könnunum frá 2024 hjá norrænum þjónustuverum styttist miðtími svars þegar LLM leggur til tilbúið sniðmát sem starfsmaður samþykkir. Í íslenskum prófunum sem technews.is hefur fylgst með lækkar villuhlutfall þegar orðanotkun er stöðluð og þekkingargrunnur nýttur beint í svarið.
• Betri aðgengi að þekkingu – Starfsfólk fær stuttar samantektir í stað þess að lesa langar fundargerðir og getur leitað í innri reglum á íslensku. Sérfræðingar hjá Háskóla Íslands benda á að íslenskir orðalistar og merkingarfræði skipti sköpum fyrir gæði slíkra leitar.
• Skalanleiki án línulegrar mönnunar – LLM taka toppa í álagi án þess að fjölga þurfi vöktum. Nýjustu tölur benda til að fyrirtæki skali þjónustu á dögunum fyrir jól eða útsölur með því að hækka örugglega umferð í líkani, á meðan kjarnateymið sinnir flóknum málum.

Öryggis- og gæðastýring þarf að vera með í för. Setja þarf úttektarlista: prufugögn á íslensku með raunverulegum villum, mælikvarða á árangur (CSAT, FCR, AHT) og reglur um gagnalifun (t.d. 30 dagar). Samkvæmt leiðbeiningum Persónuverndar og GDPR er gagnsæi gagnvart viðskiptavinum lykilatriði; skýrt er þegar svar er tillaga frá gervigreind og hvernig hún er yfirfarin.

Staðbundin dæmi

Íslensk fyrirtæki líkt og Advania og Meniga hafa sýnt að samþætting AI í ferla bætir skilvirkni þegar gögn, öryggi og ferlar eru mótuð frá upphafi. Í verki þýðir þetta: afnöfnun viðkvæmra gagna áður en unnið er úr þeim, hýsing í EES eða á innviðum á Íslandi, og skýr verkflæði þar sem LLM styður starfsfólk en tekur ekki endanlegar ákvarðanir um viðkvæm mál. Á Norðurlöndunum hefur þróunin verið að færa sérþekkingu nær liðunum með sjálfvirkum samantektum og þekkingarleit; íslensk fyrirtæki nýta sömu nálgun á íslensku með staðbundnum orðalistum og sambyggðri skýrslugerð í Power BI. Reynslan sýnir að þegar þessi grunnatriði eru til staðar verða fyrstu mánuðirnir arðbærir og rekstrarlega fyrirsjáanlegir.

LLM fyrir byrjendur

Reynslan sýnir að árangursrík innleiðing á stórum tungumálalíkönum í íslenskum rekstri byrjar á skýru verklagi, smáum skrefum og reglubundnu mati. Hér er rammi sem hentar bæði minni teymum og stærri einingum sem vilja hraða tilraunum án þess að fórna öryggi, kostnaði eða gæðum.

1. Skilgreina markmið og mælikvarða
   Byrjið á 1–2 afmörkuðum verkþáttum, til dæmis „draga úr handvirkum textavinnslutíma um 30%“ eða „hækka svargæði í 90% samkvæmt innri gátlista“. Veljið 3–5 KPI: sparaður tími á beiðni, kostnaður á beiðni, nákvæmni/hlutfall réttra svara, hlutfall tilbaka­kalla (endurvinnslu) og ánægja notenda. Í framkvæmd borgar sig að skrá grunnlínu áður en LLM er virkjað, svo sé raunávinningur sýnilegur.
   Fyrir kostnaðarsýnileika er gagnlegt að nota einfalda formúlu: „kostnaður á beiðni = (inntaks­tákn × verð_inn + úttaks­tákn × verð_út) / 1.000.000“. Dæmi: Ef miðað er við birta verð frá 2024 (5 USD á milljón inntakstákna og 15 USD á milljón úttakstákna) og 140 ISK/USD, þá kostar beiðni með 2.000 inntakstáknum og 500 úttakstáknum um 2–3 ISK. Þetta þýðir að litlar prufur má keyra á lítilli fjárhagsáhættu.
2. Velja líkan og verkfæri
   Samkvæmt sérfræðingum í innleiðingum hjá norrænum fyrirtækjum er notkunartilvik mikilvægara en vörumerki líkans. Fyrir íslenskan texta virka bæði alhliða líkan (t.d. GPT- og Claude-flokkar) og opingögnalíkön (t.d. Llama) vel ef prófunargögn eru á íslensku. Fyrirtæki í EES ættu að forgangsraða útfærslum með gagnavinnslu innan EES og skýrum samningsskilmálum um gögn. Þetta á við hvort sem unnið er í Azure OpenAI, Google Vertex AI eða AWS Bedrock í EU-svæðum. Á Íslandi bjóða þjónustuaðilar á borð við Advania, Origo og Sensa ráðgjöf og rekstur á slíkum lausnum.
   Hugsið einnig um kennslulíkan vs. keyrslukostnað: létt líkan fyrir sjálfvirk „fyrsta svar“-verk skilar oft betra ISK/KPI hlutfalli, á meðan stærra líkan má virkja sem „fall­bak“ þar sem gæðakröfur eru hæstar. Rannsóknir sýna að samsettar leiðir (router + fallback) lækka heildarkostnað án þess að draga úr gæðum.
3. Búa til prófunargögn á íslensku
   Góð prófun er á móðurmálinu. Setjið saman 50–200 raunhæf dæmi úr ykkar ferlum með „réttum svörum“ (gold). Notið íslenska orðalista og íðorð til að magnara gæðamat, t.d. Íðorðabanka Staðlaráðs Íslands, BÍN og gagnasöfn frá CLARIN-IS. Tryggið nafnleynd: fjarlægið persónugreinanleg gögn eða búið til gervigögn byggð á mynstrum, ekki hráum viðskiptaupplýsingum.

   Prompt-sniðmát (dæmi):
   Hlutverk: Þú ert íslenskur sérfræðiaðstoðarmaður. Markmið: Leystu verkefni nákvæmlega og skilaðu svarinu í 3–5 línum á íslensku. Takmarkanir: Ef þér vantar gögn, spurðu einni skýrri spurningu. Ef þú veist ekki, segðu „óvíst“ og stinga upp á næstu skrefum. Úttak: Stutt svar + lykilorðalisti (kommaaðskilinn).

4. Prófa, bera saman, betrumbæta
   Keyrið A/B-próf á mismunandi líkum og stillingum (kerfis­fyrirmæli, dæmi, lengdarmörk). Notið blint mat: 2–3 innri matsaðilar gefa einkunnir samkvæmt gátlista (málfar, staðreyndir, stíll). Skráið vélrænar mælingar (hlutfall rangra staðhæfinga, svarlengd, tími, kostnaður). Þegar skýr lærdómur fæst, frystið sniðmát og útgáfumerkið („Prompt v1.2“), þannig haldið þið ferlum endurteknum og rekjanlegum. Næsta skref er að bæta við vörnum (t.d. aðgreint efnissía­lag) og einföldu eftirliti fyrir kvartanir. Nýjustu tölur benda til að slík agi í prófunum flýti frá „tilraun“ í „framleiðslu“ um nokkrar vikur í meðalstórum teymum á Norðurlöndum.

„Gæðamat á íslenskum texta krefst staðlaðs prófsetts og orðalista; markviss notkun BÍN og íðorðabanka dregur úr stílfrávikum og eykur samræmi,“ segja sérfræðingar hjá Háskóla Íslands.

Algengar villur með LLM

• Óskýr verkefnalýsing og prompt
  Ómörkuð fyrirmæli leiða til misvísandi svara. Nota skýrt hlutverk, markmið, takmarkanir og úttaksform. Bætið 1–2 gagnlegum dæmum í byrjun; í prófunum hjá norrænum teymum hefur það lækkað villuhlutfall umtalsvert.
• Ofmat á sjálfvirkni án eftirlits
  LLM á að vera aðstoðarmaður, ekki dómari. Setjið upp stigskipt ferli: sjálfvirk drög, mannleg yfirferð, sjálfvirk skráning niðurstaðna. Í samanburði við Norðurlöndin sjáum við að blönduð leið skilar betra jafnvægi milli hraða og áhættu.
• Vanræksla á persónuverndar- og gagnamörkum
  Prófanir með raunverulegum viðskiptagögnum án aðgreiningar eru áhættusamar. Nota aðgreind prófunargögn, stilla aðgangsstýringar og velja útfærslu með gagnalínu í EES. Nánari atriði um samræmi fylgja í næsta kafla.

Ráð til að læra LLM

• Byrja á litlum ferlum með skýrum KPI
  Veljið eitt verk sem skilar mælanlegum ávinningi innan 2–4 vikna, t.d. stöðlun textasniða eða samantektir. Setjið fjárhagsramma í ISK á mánuði (t.d. 30–100 þús.) og lokið „pilot“ áður en umfang er stækkað.
• Skrá prófanir og niðurstöður
  Haldið prompt-verkbanka, gátlistum og kostnaðarskráningu í sameiginlegu skjali (t.d. Confluence/SharePoint). Gögn frá Statistics Iceland sýna hátt hlutfall smærri fyrirtækja; stöðlun skjala hjálpar teymum með litla mönnun að halda gæðum.
• Nota íslensk prófunardæmi og orðalista
  Tryggið að testsettið endurspegli íslenskt mál og íðorð ykkar geira (heilbrigði, fjármál, ferðaþjónusta). Notið Íðorðabanka, BÍN og tæki á borð við GreynirCorrect frá Miðeind til að meta málfar og samræmi.

Dæmi úr framkvæmd: Lítið ferðaþjónustufyrirtæki á Suðurlandi (20 starfsmenn) setur upp LLM-prufu til að staðla ferðalýsingar og svara innri fyrirspurnum um vörulínu. KPI: 30% stytting handvirks vinnslutíma og ≤50.000 ISK/mán í keyrslukostnað. Fyrirtækið velur EU-svæðis útfærslu í skýi, býr til 80 íslensk prófunardæmi með viðmiðunarsvörum og notar gátlista fyrir málfar og staðreyndir. Eftir þrjár lotur af A/B-prófum lækkar hlutfall villuúrdrátta úr 18% í 4% og meðalkostnaður helst undir 40.000 ISK/mán. Þetta sýnir hvernig markviss prófun og skýr KPI skila mælanlegum árangri.

Á Norðurlöndunum hefur þróunin verið að færa prufur hratt í rekstraröryggi með privacy-by-design og samræmi við evrópsk skilyrði. Í næsta kafla förum við í skrefin til að tryggja öryggi, aðgangsstýringar og samræmi við GDPR og norræna staðla.

Hvernig tryggja öryggi og samræmi

Reynslan sýnir að íslensk fyrirtæki sem vinna markvisst með gagnaflokka, aðgangsstýringar og gagnalínur innan EES eru fljótari að ná samræmi og draga úr áhættu. Þetta þýðir skýr verkferli, mælanlega stjórn og rekjanleika í hverju skrefi ferlisins – frá innlestri gagna til svörunar LLM.

• Greina viðkvæm gögn og aðgangsstýringar
• Velja útfærslu með gagnalínu í EES
• Skjalleggja ferli, geymslu og eyðingu

Greina viðkvæm gögn og aðgangsstýringar: Kortleggja þarf persónuupplýsingar (t.d. kennitölur, heilsu- og fjármálagögn), trúnaðargögn (samninga, hugverk), og rekstrargögn sem geta valdið orðspors- eða samkeppnisáhættu. Samkvæmt sérfræðingum hjá Háskóla Íslands styrkir gagnagráðubót (data minimization) og aðgangur á þörf (least privilege) öryggisstöðuna mest til skemmri tíma. Setjið upp RBAC/ABAC aðgang, tvöfalda auðkenningu, skráða endurskoðunarslóð og sjálfvirka PII-hreinsun áður en fyrirspurnir fara til líkans. Í samanburði við Norðurlöndin er nálgunin sú sama: forgangsraða flokkun og takmörkun gagna áður en snjallir vinnslufasar hefjast.

Velja útfærslu með gagnalínu í EES: LLM-verkflæði (RAG, innlestur, vektorageymsla, afkóðun) ætti að keyra í EES-gagnasvæði til að einfalda samræmi. Í framkvæmd velja margir Azure svæði í Noregi eða Írlandi, AWS í Stokkhólmi eða Írlandi, og Google Cloud í Finnlandi eða Belgíu. Innlend gagnaver hjá aðilum á borð við atNorth og þjónustuaðilar á borð við Advania, Origo, Sensa gefa kost á on‑prem eða hybrid lausnum. Tæknilega má styrkja gagnalínuna með sértengingu eða VPN í gegnum Síminn, Vodafone Iceland eða Nova til að halda umferð dulkóðaðri og innan evrópskra netleiða. Gögn frá Hagstofu Íslands sýna að nettenging og gagnainfrastrúktúr hérlendis er öflugur, sem styður slíkar útfærslur.

Skjalleggja ferli, geymslu og eyðingu: Skýrið hver ber ábyrgð (owner), hvar gögn eru vistuð, hve lengi þau eru geymd, og hvernig þau eru nafnleysinguð eða gögn eytt eftir notkun. Samningsbundin ákvæði um vinnslusamninga (DPA), eyðingarfresti og birgjarannsókn (vendor due diligence) þurfa að liggja fyrir áður en prófun hefst. Nýjustu tölur benda til að formleg skráning og endurskoðaðir eyðingarfrestir dragi úr tilvikum persónuverndarfrávika í rekstri.

Regluverk og staðlar

• GDPR og leiðbeiningar Persónuverndar
• ISO 27001, SOC 2 fyrir birgja
• NIS2 í norrænu samhengi

GDPR og leiðbeiningar Persónuverndar: GDPR krefst lögmæts grundvallar, gagnalágmörkunar, öryggisvinnslu (32. gr.), rekjanleika og réttinda einstaklinga. Persónuvernd hefur ítrekað bent á að vinnslusamningar, áhættumat (DPIA) og gagnaspor í þjónustum eins og LLM séu lykilatriði þegar unnið er með persónugögn. Íslensk fyrirtæki ættu að byggja ferla á þessum atriðum og halda skýra skráningu um vinnslu.

ISO 27001, SOC 2 fyrir birgja: Í vali á birgjum og skýjaþjónustum er skynsamlegt að krefjast ISO/IEC 27001 eða SOC 2 (Type II) til að staðfesta þroska öryggisstjórnunar. Í norrænu umhverfi er þetta orðið viðmið í útboðum, sérstaklega þar sem LLM vinnur með skjölum, tölvupósti og þjónustubeiðnum.

NIS2 í norrænu samhengi: NIS2 eykur kröfur til rekstraröryggis í mikilvægum geirum og birgðakeðjum. Fyrirtæki sem þjónusta orku, fjarskipti, heilbrigði eða fjármál þurfa að sýna fram á viðbúnað, skráningu atvika og birgjarýni – einnig þegar LLM er notað í ferlum. Á Norðurlöndunum hefur þróunin verið að færa LLM-verkflæði inn í evrópsk svæði og setja skýrar kröfur um gagnaflæði og atvikaskrá.

Í framkvæmd

Sérfræðingar segja að privacy-by-design, aðgreind prófunargögn og samningsbundin gögnavarsla séu lykilatriði. Notkun innanhús eða evrópskra skýjaþjónusta auðveldar samræmi.

Í framkvæmd nýtist eftirfarandi verkferli:

1. Finnið og merkið viðkvæm gögn með DLP-reglum (t.d. kennitölur, reikningsnúmer). Sjálfvirk merking einfaldar nafnleysingu og síun áður en gögn fara í LLM.
2. Hreinsið og nafnleysið áður en fyrirspurnir fara út: fjarlægið PII eða notið táknun (tokenization).
3. Keyrið RAG með vektorageymslu í EES (t.d. í Noregi/Írlandi eða í innlendu gagnaveri) og útilæsið líkanið frá því að læra á viðkvæmum gögnum.
4. Virkjið RBAC, SSO og IP‑heimildalista á API‑enda; haldið endurskoðunarslóð (audit log) í aðskildu kerfi.
5. Fylgist með með SIEM/varnarkerfum og gerið regluleg reynslupróf (pen tests) og A/B‑próf á svargæðum án PII.
6. Gerið DPIA, skilgreinið eyðingarfresti og sannreynið samningsbundna eyðingu hjá birgjum.

Dæmi úr íslenskum veruleika: tryggingafélag vill nota LLM til að flokka tjónalýsingar á íslensku. Félagið setur upp RAG í atNorth gagnaveri, geymir vektoragrunna á EES‑svæði og notar DLP til að fjarlægja kennitölur áður en fyrirspurnir fara í líkanið. Tengingin fer um dulkóðaða rás frá Símanum, og birgjar bera ISO 27001/SOC 2 vottanir. Samkvæmt könnunum 2024 í norrænum fjármála- og tryggingageira hefur slík nálgun stytt afgreiðslutíma án þess að auka persónuverndaráhættu, þegar ferlar og eyðing eru skjalfest.

Hagnýtt tól: einföld leit að kennitölum fyrir DLP/nafnleyðingu áður en texti er sendur í LLM:

# Regex fyrir íslenska kennitölu (ddmmyy-xxxx eða ddmmyyxxxx)
\b(?:0[1-9]|[12][0-9]|3[01])(0[1-9]|1[0-2])\d{2}-?\d{4}\b

Praktísk ráð:

• Spyrjið birgja hvort gögn séu notuð til þjálfunar (opt‑out/opt‑in) og fáið það í samningum.
• Skilgreinið viðbragðsáætlun fyrir atvik og æfið ferlið ársfjórðungslega.
• Hafið aðskilin prófunargögn án PII og notið gervigögn þar sem unnt er. Samkvæmt sérfræðingum í Norðurlöndum dregur það úr áhættu án þess að skerða gæði prófana.

Íslensk fyrirtæki sem byggja LLM‑ferla á privacy‑by‑design, EES‑gagnalínum og stöðluðum öryggiskröfum ná fljótt mælanlegum árangri án þess að tefla trausti viðskiptavina í hættu.

Kostir og gallar LLM

Kostir

• Hraði í textavinnslu og leit
• Aukin samkvæmni og sjálfvirkni
• Skalanleiki í þjónustu

Í daglegum verkefnum hjá íslenskum fyrirtækjum hefur hraði í textavinnslu og leit reynst afgerandi. LLM geta dregið saman langar skjalarunur, skrifað svarsniðmát og fundið lykilatriði í regluverkum á sekúndum. Rannsóknir sýna að textagerð og samantektir stytta afgreiðslutíma verulega í þjónustu og innri ferlum, sérstaklega þar sem mikið er unnið í íslensku og ensku samtímis. Nýjustu tölur benda til að teymi sem nýta LLM í greiningu skjala og fyrirspurna nái 20–40% tímaávinningi í ákveðnum verkflokkum, þó árangur fari eftir gæðum gagna og innleiðingu.

Aukin samkvæmni skilar sér í stöðluðum svörum, færri endurtekningum og skýrari vinnuferlum. Samkvæmt sérfræðingum í máltækni hjá Háskóla Íslands hjálpa íslensk-lærd líkan og sérsniðnir orðalistar til við að halda samræmi í íslensku hugtakaneti, sem dregur úr misræmi í þjónustuboðum og skjalagerð. Í framkvæmd styrkir þetta gæðaferla og auðveldar endurskoðun.

Skalanleiki er lykilatriði í þjónustu. Fyrirtæki geta brugðist við toppum í eftirspurn án þess að fjölga starfsmönnum tafarlaust. Á Norðurlöndunum hefur þróunin verið að hýsa gagnamiðaðar einingar í Evrópu og beita hybrid-mynstri: hluti keyrslunnar er í skýi, hluti á staðnum. Íslensk þjónustuborð hjá fjarskipta- og orkuveitum hafa þegar nýtt þetta mynstur til að hraða flokkun erinda og útbúa fyrstu drög að svörum, sem mannlegur ráðgjafi yfirfer.

Dæmi úr íslenskum veruleika: sveitarfélag notar LLM til að flokka erindi á island.is-gáttina eftir málaflokkum (t.d. leikskólar, sorphirða, skipulagsmál). Líkan sækir bakgrunn í innra þekkingarsafn og setur fram drög að svari á íslensku með tilvísunum í samþykktir. Reynsla sýnir að biðtími styttist, samræmi eykst og nýliðar í þjónustu komast hraðar inn í hlutverkið.

Gallar

• Hugsanleg hallari og rangfærslur
• Háð ytri þjónustum ef ekki on-prem
• Þörf á stöðugu gæðaeftirliti

LLM geta verið viðkvæm fyrir hallara í þjálfunargögnum og geta myndað rangfærslur án heimildavísunar. Þetta á sérstaklega við í séríslenskum hugtökum og lagaumhverfi, þar sem líkanið getur ruglast á orðalagi eða tímasetningum mála. Hversu mikið má treysta svörum án heimilda? Samkvæmt sérfræðingum í upplýsingafræði er nauðsynlegt að styðja svör með heimildum og rekjanleika, annars aukast villur í ákvörðunum.

Háð ytri þjónustum skapar rekstrisársauka ef ekki er notað on‑prem eða evrópsk skýjaafmörkun. Hleðslutími, þjónusturof og breytingar á verðskrá geta haft raunveruleg áhrif á afköst og kostnað. Í samanburði við Norðurlöndin er þróun í þá átt að nota EES-hýst lausnir eða tvískipt innviðaritaun: innra inference fyrir viðkvæm gögn, ytra ský fyrir almenna greiningu. Íslensk gagnaver, s.s. hjá atNorth, bjóða orkusparandi innviði sem henta fyrir slíkar útfærslur með 100% endurnýjanlegri orku.

Gæðaeftirlit þarf að vera stöðugt. Án mælikvarða, endurgjafar frá notendum og sjálfvirkra prófana skríður frammistaða. Samkvæmt evrópskum leiðbeiningum um ábyrga gervigreind (2024) er mælt með formlegu human‑in‑the‑loop líkani í viðkvæmum verkflokkum, sérstaklega í opinberri þjónustu og fjármálum. Gögn frá Hagstofu Íslands sýna að launakostnaður er hár í íslensku samhengi, sem þýðir að villuleiðrétting eftir á verður fljótt dýr ef ferlar eru ekki hannaðir rétt í byrjun.

Varnir gegn villum

• RAG með staðfestum heimildum
• Reyndarpróf og A/B samanburður
• Mannlegt samþykki á áhættustigum

RAG (retrieval‑augmented generation) með staðfestum heimildum er líklegasta leiðin til að draga úr rangfærslum og bæta rekjanleika. Í framkvæmd er byggt upp vektorarit (t.d. í Weaviate, Elastic eða Pinecone í EU‑svæði) og tengt við innra efni: verklýsingar, þjónustugáttir og regluverk. Fyrir íslenskan veruleika má tengja við opin gögn eins og Lögbirtingablaðið, reglugerðir í Stjórnartíðindum og þingmál á althingi.is. Svörin vísa þá í heimildir og sýna leitniðurstöður sem má staðfesta með einum smelli.

Hagnýtt dæmi: tryggingafélag setur upp innanhús RAG sem sækir í skilmála, tjónaskýrslur og innri verklýsingar á SharePoint. LLM má ekki skila endanlegri niðurstöðu í hááhættu málum; í staðinn flaggar það hlutum sem krefjast yfirferðar. Reynsla sýnir lægra hlutfall rangra ályktana, hraðari upphafsdrög og aukna samkvæmni í ákvörðunum.

Reyndarpróf og A/B samanburður skapa gagnadrifið eftirlit. Setjið upp prófasett með raunverulegum, afpersónugreindum spurningum og mælið staðreyndanákvæmni, heimildavísun og gagnvirkni. Samkvæmt sérfræðingum í prófunaraðferðum hjá norrænum stjórnsýslueiningum skilar regluleg eval-keyrsla (vikulega/mánðulega) stöðugleika í útkomum og dregur úr svokölluðum stillisigi (model drift).

Mannlegt samþykki skal vera stigskipt: lágar áhættuflokkanir (t.d. drög að svari um opnunartíma) fara sjálfvirkt í gegn; miðlungs áhætta (t.d. samantekt á samningi) þarf samþykki teymis; há áhætta (t.d. lögfræðilegar ályktanir) krefst sérfræðings með heimild. Þetta er í takt við norrænar verklagsreglur um ábyrga nýtingu gervigreindar í opinberri þjónustu, þar sem ábyrgðarkeðja er skýr.

Hér er einfalt verklag sem fyrirtæki á Íslandi geta innleitt án mikillar fyrirhafnar:

1. Skilgreina grunnviðmið: tilgang, heimildir, leyfileg gagnasöfn og bann við viðkvæmum gögnum.
2. Setja upp RAG með EES-hýstri geymslu, t.d. í Azure West Europe eða hjá íslensku gagnaveri.
3. Útfæra gæða-eval: mæla staðreyndanákvæmni, hæfni til heimildavísunar og notendafæribreytur (CSAT).
4. Ræsa AB-próf á mismunandi sniðmátum og verklýsingum; velja útgáfur sem sýna lægsta villuhlutfall.
5. Tryggja mannlegt samþykki á skilgreindum áhættustigum og skrá öll frávik.

Samkvæmt sérfræðingum hjá Háskóla Íslands nýtist best blanda af íslensk- og enskulærðum líkönum, studd með RAG og formlegu gæðaeftirliti, þegar markmiðið er að halda réttri íslensku og ná rekjanleika í svörum.

Í heild ræður uppsetning á ofangreindum vörnum beinum árangri í daglegum verkum: færri villur, meiri hraði og hærra traust. Áhrif á rekstrarkostnað og arðsemi ráðast síðan af notkunarmynstri og innviðum, sem við greinum nánar með reiknidæmum og hagnýtum viðmiðum í framhaldinu.

Hvað kostar LLM

Kostnaður við innleiðingu og rekstur stórra tungumálalíkana ræðst af þremur meginsviðum: notkun (fjöldi token inn og út), líkani (gæði, stærð, leyfisskilmálar) og innviðum (ský, on‑prem, net- og geymslukostnaður). Í skýjaþjónustum er yfirleitt greitt á hver 1.000 token bæði inn og út, og fínstilling eða sérþjálfun getur bætt við tímabundnum compute-kostnaði. Nýjustu tölur benda til að stærri líkan (meiri nákvæmni) kosti margfalt meira á token en meðal- og smærri líkan, sem skiptir máli þegar verkefni eru mörg og stöðug yfir mánuð.

Í framkvæmd þarf að taka mið af gengi USD/EUR gagnvart ISK og hvort notkun er toppuð (t.d. á háannatímum þjónustuborðs) eða jöfn yfir mánuð. Samkvæmt sérfræðingum í íslenskum rekstri hefur gengissveifla skýr áhrif á heildarreikning; gögn frá Seðlabanka Íslands sýna að ISK getur sveiflast umtalsvert milli mánaða, sem kallar á vikmörk í kostnaðaráætlun. Einnig þarf að meta einingakostnað utan tokena: vektoragagnagrunna (t.d. pgvector, Pinecone), gagnageymslu, egress á neti (síður eins og Azure, AWS), eftirlit og prófanir. Fyrirtæki sem velja on‑prem eða hýsingar hjá aðilum á borð við atNorth eða Verne Global geta nýtt íslenska endurnýjanlega orku og fá betri forsjá yfir föstum kostnaði, en þurfa þá að fjárfesta í vélbúnaði eða langtímaleigu á GPU.

Ein einföld reikniregla fyrir mánaðarkostnað er: Kostnaður ≈ (Input-token/1.000 × verð_inn) + (Output-token/1.000 × verð_út) + geymsla + vektoraleit + samþættingar. Dæmi: Ef meðalverk notar 1.500 token inn og 200 token út, verð er 0,30 USD/1.000 inn og 0,60 USD/1.000 út, og gengi er 140 ISK/USD (dæmi), þá er verkið um 0,57 USD ≈ 80 ISK. Við 2.000 slík verk á mánuði er bein API-notkun ~160.000 ISK, fyrir utan vektoragagnagrunn og lítinn orchestration-kostnað. Reynsla norrænna aðila sýnir að með því að velja smærra líkan þar sem gæðin nægja minnkar reikningur í tugprósentum, án þess að árangur falli í viðfangsefnum eins og samantektum og svarsniðmátum.

Hvernig reikna arðsemi

1. Meta tíma- og gæðasparnað á verk
2. Margfalda með fjölda verka á mánuði
3. Draga frá compute, geymslu og samþættingarkostnað

Arðsemi (ROI) ræðst af því hvort sparnaður í launatímum og gæðabótum vegur upp beinan reiknikostnað og rekstur. Rannsóknir sýna að styttri afgreiðslutími og stöðug gæði hafa einnig óbeint virði: styttri bið, hærra ánægjuhlutfall og færri villur sem minnka endurvinnu. Sérfræðingar hjá Háskóla Íslands benda á að arðsemismat þurfi bæði hagræna mælikvarða (mínútur, krónur) og gæðamælikvarða (t.d. FCR í þjónustu, villuhlutfall í skjölum). Gögn frá Hagstofu Íslands um launakostnað og framleiðni má nýta sem viðmið þegar reiknað er virði mínútu hjá mismunandi starfshópum.

Reikniregla: ROI (%) = (Sparnaður á mánuði − Heildarkostnaður á mánuði) ÷ Heildarkostnaður á mánuði × 100

Dæmi (dæmigerð skrifstofuvinna): Ef LLM sparar 3 mínútur á skjal, launatími er 9.000 ISK/klst (~150 ISK/mín), sparnaður er ~450 ISK á skjal. Með kostnaðardæminu hér að ofan (~80 ISK á skjal) er nettó virði ~370 ISK á skjal. Við 2.000 skjöl á mánuði er sparnaður ~740.000 ISK, heildarkostnaður ~160.000 ISK → ROI ~362%. Í samanburði við Norðurlöndin eru niðurstöður svipaðar þegar meðal-líkan er notað í miklu magni textaverka.

Hagnýt dæmi

• Skjalasamantektir spara mínútur á skjal og klukkustundir á viku
• Sjálfvirk svarsniðmát í þjónustu lækka biðtíma
• Innanhús RAG minnkar API-notkun og lækkar reikning í ISK

Skjalasamantektir: Í íslenskri þjónustu- og ráðgjafarstarfsemi er algengt að fara yfir 500–2.000 skjöl á mánuði. Með meðalnotkun 1.500 inn/200 út token á skjal og smærra líkaninu (líkt og í dæminu) er kostnaður u.þ.b. 80 ISK á skjal. Ef sparnaður er 2–4 mínútur á skjal bætist veruleg framleiðni. Fyrirtæki í fjármála- og tryggingageiranum hafa prófað ferla þar sem LLM leggur fram samantekt og áhættuathugasemdir, með mannlegu samþykki á lokaskrefi í samræmi við GDPR og innri reglur.

Sjálfvirk svarsniðmát: Þjónustuborð getur látið lítið líkan draga út lykilatriði úr fyrirspurn og fylla svarsniðmát með tveimur bótahringjum. Með 50–150 tokenum á samskipti er beinn kostnaður örsmár, á meðan meðaltími í meðferð (AHT) lækkar. Samkvæmt könnunum frá 2024 hjá norrænum þjónustuliðum benda niðurstöður til lægri biðtíma og hærra FCR þegar sniðmát eru notuð skipulega, sérstaklega þegar símtöl og netspjall hjá Símanum, Nova eða Vodafone eru samtvinnuð í einnar-rásar vinnuferli.

Innanhús RAG: Með því að hýsa vektoravísitölu (t.d. PostgreSQL + pgvector) og nota opið innfléttunarlíkan (t.d. e5-large) má sækja samhengi innan húss og senda styttri prompt í ytra líkan. Reynslan sýnir tugprósenta fækkun á API-tokenum og því lægri reikninga í ISK. Stærri íslensk fyrirtæki geta keyrt þetta á GPU eða CPU-klösum hjá atNorth/Verne Global, eða í eigin gagnaveri, sem dregur úr gagnaleka og eykur stjórn á kostnaði. Á Norðurlöndunum hefur þróunin verið í þessa átt: blanda af opnum líkönum fyrir leit og sérhæfðum þjónustum fyrir frammistöðukrefjandi úttak.

Hagnýt ráð til að halda kostnaði niðri án þess að tapa gæðum:

• Velja minnstu líkani sem leysir verkið; skala upp aðeins þar sem staðfest win rate hækkar.
• Setja hámark á token og sniðgera spretti: skera burt óþarfa samhengi, nota samantekt áður en spurningar eru sendar.
• Nýta svörunarsafn og caching fyrir endurtekna fyrirspurnaflokka.
• Keyra batch-innfléttanir utan álagstíma og nýta tímastýringu til að slétta toppa.
• Fylgjast með mælingum: kostnaðar- og gæðamælaborð (t.d. í Power BI) með per‑request ISK-kostnaði og villuhlutfalli.
• Semja um fyrirtækjaverð eða nota fasta skuldbindingu fyrir afslætti þegar umfang er fyrirsjáanlegt.
• Meta on‑prem eða staðbundna hýsingu þegar gögn eru viðkvæm og notkun stöðug; íslensk orka og kæling gefa samkeppnishæfan rekstrarkostnað.

Samkvæmt sérfræðingum í opinberum stafrænum umbreytingarverkefnum á Íslandi skilar skipulagt arðsemismat mestum ávinningi: byrja smátt, mæla raunverulegan sparnað í mínútum og blanda svo inn RAG til að lækka API-notkun. Þetta þýðir að fyrsti mánuðurinn er oft prófun og stillingar, en mánuður tveir og þrír skila lægri ISK per verk og stöðugri gæðum.

Í framkvæmd snýst árangur með LLM um skýrt markmið, örugga gagnastreymi og mælanlega arðsemi. Sterk íslensk málstuðningur, skalanleg innviðaákvörðun og vönduð ferli lágmarka áhættu. Sérfræðingar segja að teymi sem prófa lítillega, mæla og betrumbæta í lotum nái bestum árangri án ónauðsynlegs kostnaðar.