Kost/nytte-beregning av chatbot for bedrifter: slik regner du det hjem

Hva denne guiden dekker (og hva den ikke dekker)

Denne artikkelen handler om én ting:

Hvordan du gjør en konkret kost/nytte‑beregning av en chatbot i bedriften – før du kjøper, og når du skal avgjøre om pilot skal skaleres.

Vi forutsetter at du allerede vet hva en chatbot er og hvilke typer som finnes. Det er dekket i pilarinnlegget om chatbot.

Her fokuserer vi kun på én smal beslutning:

Lønner dette seg for oss – gitt vårt volum, våre lønnskostnader og vårt modenhetsnivå?

Ingen verktøyliste, ingen teknologileksikon. Kun konkret metode.

1. Avklar hvilken chatbot du regner på

Kost/nytte ser helt forskjellig ut for ulike bruksområder. Første steg er å spisse caset.

Svar skriftlig på disse tre:

Hovedrolle
- FAQ‑bot på nettside (enkle spørsmål)
- kundeservice‑bot koblet til sakssystem
- salgs‑/lead‑bot på nettside
- intern bot (HR/IT)
Kanal og åpningstider
- kun nettside, eller også app, chat i kundesenter, Teams osv.
- skal den dekke hele døgnet, eller bare avlaste åpningstid?
Ambisjonsnivå i V1
- informasjon: svarer på spørsmål, men gjør ingen handlinger
- handlinger: kan opprette saker, hente ordrestatus osv.

Regn alltid på ett avgrenset scenario av gangen. Skal du dekke alt, deler du det opp i flere kalkyler.

2. Finn de faktiske volum‑ og tidstallene

Uten ekte tall blir alt gjetning. Hent ut data fra systemene dere allerede har.

2.1 Volum – hvor mye trafikk har dere i dag?

For valgt område, hent ut for siste 6–12 måneder:

antall henvendelser per kanal (telefon, e‑post, chat, skjema)
andel som tilhører temaet chatboten skal dekke (for eksempel «ordrestatus/levering», «faktura», «innlogging»)

Bruk saks‑/ticketsystem, telefonstatistikk eller manuelle tellinger over et representativt utvalg uker.

Lag et enkelt tall:

N relevante henvendelser per år som chatboten kan ta førstelinje på.

2.2 Tidsbruk per henvendelse

For de samme temaene, finn:

gjennomsnittlig håndteringstid per sak (ikke ventetid)
inkludér lesing, leting etter info og registrering – ikke bare skriving av svar

Hvis du ikke har nøyaktige tall, gjør dette:

ta ut 30–50 tilfeldige saker innenfor tema
ta tiden på hvor lang tid det faktisk tar å behandle dem (med skjermopptak eller stoppeklokke over noen økter)

End opp med ett tall:

T minutter per henvendelse i snitt for disse sakene.

3. Definer hvilke gevinster du faktisk vil ta ut

En chatbot kan gi mange typer gevinst, men i en kost/nytte‑beregning bør du være streng. Velg maks 2–3 primærgevinster.

Typiske kategorier:

Spart tid i førstelinje
- færre saker som må håndteres manuelt
- kortere tid per sak når agent får forslag (agentassist)
Redusert volum i dyre kanaler
- færre telefoner og e‑poster på enkle spørsmål
Bedre tilgjengelighet / kundescore
- høyere CSAT/NPS som igjen reduserer churn eller øker gjenkjøp
- denne er vanskeligere å monetisere, bruk konservative anslag
Bedre datakvalitet og innsikt
- strukturerte årsaker, toppspørsmål og friksjonspunkter

I første versjon av kalkylen bør du legge hovedvekten på 1 og 2 (spart tid/volum). 3 og 4 kan legges på som ekstra oppside, men ikke som bærende argument.

4. Regn på spart tid – med realistisk automasjonsgrad

En vanlig feil er å anta at «chatboten tar 80 % av henvendelsene». I praksis ligger første versjon ofte lavere.

4.1 Tre scenarier for automasjonsgrad

Bruk tre nivåer:

Lav: 15–25 % av relevante henvendelser løses av boten alene
Basis: 30–40 %
Høy: 50–60 %

Tallene over gjelder typiske FAQ‑/ordrestatus‑scenarier når boten er godt trent og kundegruppa er digital.

Definér et basisestimat du tror på (for eksempel 35 %), og et lavt og høyt rundt dette.

4.2 Spart tid i timer per år

Bruk tallene fra steg 2:

N = relevante henvendelser per år
T = minutter per henvendelse

Anta at chatboten håndterer X % av disse fullt ut (uten at agent må inn). Da er spart tid:

[\text{spart tid (timer)} = N \times T/60 \times X%]

Eksempel:

N = 24 000 henvendelser/år
T = 4 minutter
X (basis) = 35 %

Da får du:

spart tid = 24 000 × 4/60 × 0,35 ≈ 560 timer/år

Gjør samme regneøvelse for lav og høy automasjonsgrad.

4.3 Verdsett tiden i kroner

Bruk en fullkost timesats for relevante roller (lønn + sosiale kostnader + overhead). Ofte 600–900 kr/time i norsk kundeservice/first line.

La oss kalle den S (kr/time). Da blir årlig spart kostnad:

[\text{spart kost (kr)} = \text{spart tid (timer)} \times S]

Bruk samme S i alle scenarier, men varier spart tid.

5. Legg til delgevinster fra agentassist (valgfritt)

Hvis du planlegger agentassist fra dag én (forslag til svar, oppsummering osv.), bør det inn i kalkylen.

5.1 Estimer effekt på behandlingstid

For saker som ikke løses av boten alene, men der agenten får hjelp, kan du grovt anslå:

10–25 % reduksjon i håndteringstid per sak

Ta utgangspunkt i:

andel saker hvor agentassist er relevant (for eksempel alle e‑poster og chat‑saker innenfor temaet)

Regn på tilsvarende måte:

spart tid (assist) = antall saker × T × reduksjon %

Legg dette på som en egen linje i kalkylen, slik at du kan se hvor mye av gevinsten som kommer fra full automasjon og hvor mye fra assist.

6. Identifiser alle kostdriverne – ikke bare lisensen

En chatbot har både engangskostnader og løpende kostnader.

6.1 Engangskostnader

Typisk:

krav‑ og behovsarbeid (workshops, avklaring av scope)
innholdsarbeid (strukturere FAQ, skrive svar, definere tone)
teknisk implementering (widget på nettside, integrasjon mot sakssystem, autentisering)
opplæring og endringsledelse (kundeservice, redaktører)

Verdsett i timer × timepris (interne og eventuelle eksterne ressurser).

6.2 Løpende kostnader (årlig)

Typisk:

lisens/abonnement for chatbot‑plattformen
forbrukskost (API‑kall, tokens, lagring av indekser) hvis det gjelder
drift og overvåkning (1–4 timer per uke til loggjennomgang, justering av innhold, feilretting)
videreutvikling (nye tema, flere integrasjoner)

Lag et konservativt anslag for årlig drift. Del opp i:

faste kostnader (lisens)
variable kostnader (forbruk, videreutvikling)

7. Bygg en enkel ROI‑ og payback‑modell

Nå har du:

årlig spart kost (lav, basis, høy)
årlig driftskost
engangsinvestering

7.1 Netto gevinst per år

[\text{netto gevinst} = \text{spart kost} - \text{årlig drift}]

Gjør dette for lav, basis og høy gevinstscenario.

7.2 ROI og tilbakebetalingstid

Definér en tidshorisont (typisk 3 år). Da kan du beregne:

ROI over 3 år:

[\text{ROI} = \frac{3 \times \text{netto gevinst per år} - \text{engangskost}}{\text{engangskost}}]

Payback‑tid (i år):

[\text{payback} = \frac{\text{engangskost}}{\text{netto gevinst per år}}]

Sett eksplisitt inn lav, basis og høy gevinst. Da ser du raskt om caset tåler usikkerhet.

7.3 Beslutningsgrenser

Bestem på forhånd hva som er «bra nok», for eksempel:

payback ≤ 18 måneder i basis‑scenario
positiv netto gevinst i lav‑scenario

Hvis caset ikke klarer disse kravene selv ved høy automasjonsgrad, er det et tegn på at:

feil område er valgt for chatbot i første omgang, eller
ambisjonsnivå og integrasjoner er for tunge for volumet dere har

8. Kvalitative faktorer du bør ta med – men ikke basere caset på

Noen gevinster er reelle, men vanskelig å tallfeste nøyaktig. De bør med i vurderingen, men ikke som hovedgrunnlaget.

Eksempler:

bedre kundeopplevelse (mindre venting, mer konsistente svar)
bedre arbeidsdag for kundeservice (mindre repetitivt, lettere tilgang til info)
bedre innsikt i hva kundene faktisk spør om (forbedrer produkt og innhold)

Beskriv disse kort i beslutningsnotatet, men la regnearket styre ja/nei.

9. 60‑dagers miniplan: fra magefølelse til tall

Hvis du vil avklare om chatbot er økonomisk forsvarlig på et område, kan du bruke denne planen.

Dag 0–14: Datagrunnlag og avgrensning

Velg ett område (for eksempel «ordrestatus og levering» eller «fakturaspørsmål»).
Ta ut 6–12 måneders historikk på relevante henvendelser.
Beregn N (antall saker/år) og T (minutter per sak) slik beskrevet over.

Dag 15–30: Gevinstscenarier og kostdrivere

Definér lav/basis/høy automasjonsgrad basert på kompleksitet i spørsmålene.
Regn ut spart tid og spart kost for alle tre scenarier.
Kartlegg engangs‑ og årlige kostnader (grov anslag holder i første runde).

Dag 31–60: ROI, risiko og anbefaling

Bygg et enkelt regneark med:
- inndata (N, T, timesats, automasjonsgrad, kostnader)
- utdata (netto gevinst, ROI, payback) per scenario
Gjennomgå forutsetningene med fagansvarlig for kundeservice/området.
Skriv kort anbefaling:
- «ikke gå videre nå»
- «test med veldig smal pilot»
- «invester, men med tydelige KPI‑krav etter 3/6/12 måneder»

En slik 60‑dagers gjennomgang gir deg et langt bedre beslutningsgrunnlag enn å basere chatbot‑valg på generelle trender.

10. FAQ: Kost/nytte‑vurdering av chatbot

Hvordan vite om volumet vårt er høyt nok til at chatbot lønner seg?

Som tommelfingerregel begynner det å bli interessant når du har minst noen tusen henvendelser i året innenfor et relativt homogent tema. Har du bare noen hundre saker, er ofte enklere forbedringer (bedre FAQ‑side, skjema, rutiner) mer lønnsomme først.

Bør vi ta med potensielt økt salg i regnestykket?

Ja, men konservativt. Start med tid/kost på eksisterende henvendelser. Hvis chatboten også skal generere leads eller mersalg, legg det inn som et eget, forsiktig estimat – ikke som bærende del av caset.

Hvordan håndterer vi usikkerhet i tallene?

Bruk tre scenarier (lav, basis, høy) for automasjonsgrad og evt. tidsbesparelse. Vis resultatet for alle tre når du tar beslutningen. Dersom caset kun ser bra ut i det mest optimistiske scenariet, bør du vente eller endre ambisjon.

Må vi ha helt nøyaktige timer og kost for å gjøre dette?

Nei. Det viktigste er at:

du bruker faktiske volumtall fra systemene
du estimerer tid per sak basert på et realistisk utvalg
du er åpen om hvilke antakelser som er usikre

Relativt grove tall er bedre enn ingen tall.

Hvordan kobler vi dette til den overordnede chatbot‑strategien?

Hver kost/nytte‑vurdering gjelder ett område. Når du har gjort dette for 2–3 områder, kan du prioritere:

hvor chatbot gir mest igjen per investert krone
hvor dere bør vente, rydde prosess eller forbedre innhold før dere automatiserer

For begreper, typer chatbot og helhetlig strategi kan du lese mer om dette i vår hovedartikkel.