Hopp til innhold
AIKI

Gemma: AI-kontroll uten leverandøravhengighet

Gemma gir norske bedrifter AI-kontroll med åpne språkmodeller. Guide til lokal drift, GDPR, Apache 2.0, kostnad og testing av Gemma 4.

4 min lesing

Kort fortalt

  1. Gemma 4 (april 2026) er Googles nyeste åpne LLM med 400M+ nedlastinger
  2. Gemma 4 har Apache 2.0-lisens: kommersiell bruk uten lisensavgift
  3. Lokal drift i EU holder dataene unna leverandørens sky
Gemma åpen LLM for norske bedrifter: AI-kontroll uten leverandøravhengighet

Gemma: AI-kontroll uten leverandøravhengighet

For norske bedrifter som vurderer AI, står valget ofte mellom to ulike veier: cloud-baserte API-er fra OpenAI eller Anthropic, eller åpne modeller som kan kjøres lokalt. Googles Gemma-familie, med Gemma 4 lansert i april 2026, representerer det mest modne alternativet for den andre veien.

Hva er Gemma?

Gemma er en familie av åpne språkmodeller fra Google, lansert i februar 2024 og nå i fjerde generasjon. Gemma 4 finnes i disse størrelsene (Googles modelloversikt, lest 20. november 2026):

ModellTypeKontekstvinduLaget for
Gemma 4 E2BLiten, ca. 2 milliarder effektive parametere128K tokensMobil, nettleser og andre små enheter
Gemma 4 E4BLiten, ca. 4 milliarder effektive parametere128K tokensBærbar PC og enkle interne verktøy
Gemma 4 12BMellomstor, tekst, bilde og lyd i én modell256K tokensÉn arbeidsstasjon med GPU
Gemma 4 26B A4BMixture of Experts, 26 milliarder totalt256K tokensServer, mange forespørsler samtidig
Gemma 4 31BTett modell, 31 milliarder parametere256K tokensServer-GPU, krevende oppgaver

Per mai 2026 har Gemma-familien over 400 millioner nedlastinger, ifølge Google.

Hvorfor åpne modeller for norske bedrifter?

1. GDPR og datasuverenitet

Når du bruker en cloud-basert API, sendes data til leverandørens servere. For norske bedrifter som behandler personopplysninger eller sensitiv forretningsinformasjon, skaper dette juridiske og praktiske utfordringer:

  • Schrems II-avgjørelsen fra EU-domstolen i 2020 begrenser overføring av personopplysninger til USA
  • GDPR artikkel 44 krever at data som forlater EØS har «tilstrekkelig beskyttelsesnivå»
  • Databehandleravtaler med amerikanske selskaper blir stadig mer komplekse

Med Gemma kjørt lokalt eller på EU-basert infrastruktur, forblir alle data i din kontroll.

2. Forutsigbare kostnader

Cloud-API-er fakturerer per token, så regningen vokser med bruken. Egen drift av Gemma koster omtrent det samme hver måned uansett hvor mye den brukes: serveren, strømmen og folkene som drifter den.

KostnadsdriverCloud-APIEgen drift av Gemma
Hva du betaler forTokens inn og utServer eller GPU-leie, drift og oppdateringer
Når bruken doblesRegningen doblesSamme regning til serveren er full
Største risikoUventet høy brukKompetanse og tid til drift

Regn på deres eget volum før dere velger. Ved lite bruk er API nesten alltid billigst; egen drift lønner seg først når volumet er stort og jevnt.

3. Ingen leverandørlås

Med en åpen modell eier du vektene. Du kan:

  • Finjustere modellen på egne data
  • Kjøre den på hvilken som helst maskinvare
  • Bytte leverandør for hosting uten å endre kode
  • Videreutvikle modellen internt

Apache 2.0: Hva betyr det i praksis?

Gemma 4 er lisensiert under Apache 2.0, en av de mest åpne lisensene for programvare (Google, april 2026). Eldre generasjoner (Gemma 1 til 3) har egne bruksvilkår fra Google (Gemma Terms of Use), så sjekk lisensen for modellen dere faktisk bruker. For Gemma 4 betyr Apache 2.0:

  • Kommersiell bruk tillatt: Du kan bruke Gemma i produkter du selger
  • Ingen copyleft: Du trenger ikke åpne din egen kildekode
  • Patentlisens: Lisensen gir rett til å bruke patentene bidragsyterne har på koden
  • Viderelisensiering: Du kan bygge videre på Gemma og selge resultatet

Tekniske krav for lokal drift

Maskinvare

Minnebehovet avhenger av modellstørrelse, kvantisering og hvor lang tekst dere sender inn. Google oppgir minnekravet per modell og kvantisering i modelloversikten for Gemma 4; bruk den tabellen når dere dimensjonerer serveren. Grovt sett:

ModellTypisk maskinvare
E2B og E4BBærbar PC eller mobil, kan kjøre uten egen GPU
12BArbeidsstasjon med én GPU
26B A4B og 31BServer-GPU, eller kvantisert versjon på et kraftig skjermkort

Husk at et langt kontekstvindu bruker mye ekstra minne når det faktisk fylles.

Programvare

For å kjøre Gemma lokalt trenger du:

  1. llama.cpp eller Ollama for enkel kjøring
  2. Hugging Face Transformers for Python-integrasjon
  3. vLLM eller TGI for produksjons-servering

Rask start med Ollama

# Installer Ollama
curl -fsSL https://ollama.com/install.sh | sh
 
# Last ned Gemma 4 E4B
ollama pull gemma4:e4b
 
# Kjør interaktivt
ollama run gemma4:e4b

Hvordan kommer du i gang?

Steg 1: Definer bruksområdet

Ikke alle oppgaver krever en 31B-modell. Start med å kartlegge:

  • Hva slags tekst skal modellen generere? (E-post, rapporter, kode, kundeservice?)
  • Hvor viktig er latens? (Skal brukeren vente 1 sekund eller 10?)
  • Hvor viktig er nøyaktighet? (Kreativ tekst vs. medisinsk informasjon)

Steg 2: Velg modellstørrelse

For de fleste norske SMB-er er E4B eller 12B et godt utgangspunkt:

  • E4B: Enkel tekstgenerering og interne verktøy
  • 12B: Kundeservice, dokumenter med bilder, mer krevende tekstanalyse
  • 26B A4B eller 31B: Kodegenerering, kompleks analyse, finjustering

Steg 3: Sett opp infrastruktur

Alternativ A: Egen server

  • Leie av GPU-server hos en leverandør med datasenter i EU (sjekk dagens pris hos leverandøren)
  • Eget datasenter: Høy initialkostnad, lave driftskostnader

Alternativ B: Sky med EU-datasenter

  • Google Cloud europe-west3 (Frankfurt)
  • Azure West Europe (Amsterdam)
  • AWS eu-north-1 (Stockholm)

Steg 4: Test og finjuster

Last ned modellen, test den på representative oppgaver, og finjuster om nødvendig:

from transformers import AutoModelForCausalLM, AutoTokenizer
 
model = AutoModelForCausalLM.from_pretrained("google/gemma-4-E4B-it")
tokenizer = AutoTokenizer.from_pretrained("google/gemma-4-E4B-it")
 
# Test på norsk
prompt = "Skriv en kort e-post til en kunde som ber om tilbakemelding."
inputs = tokenizer(prompt, return_tensors="pt")
outputs = model.generate(**inputs, max_new_tokens=200)
print(tokenizer.decode(outputs[0]))

Vanlige fallgruver

1. Undervurdering av infrastruktur En 31B-modell krever betydelig mer ressurser enn E4B. Mange bedrifter starter for stort og sliter med ytelse.

2. Manglende finjustering Gemma er trent på generelle data. For spesialiserte oppgaver (f.eks. norsk juridisk tekst) kreves finjustering på egne datasett.

3. Sikkerhetsglipper Selv lokale modeller kan lekke data hvis de er tilgjengelige fra internett uten autentisering. Bruk VPN/brannmur.

4. Undervurdering av drift Lokal drift krever kompetanse på modell-servering, oppdateringer, og overvåkning. Dette er ikke «sett opp og glemt».

Oppsummering

Gemma representerer et modent, åpent alternativ for norske bedrifter som vil ha AI-kontroll. Med Apache 2.0-lisens på Gemma 4, lokal drift og forutsigbare kostnader, adresserer den de viktigste bekymringene rundt cloud-baserte AI-tjenester.

For de fleste SMB-er er E4B eller 12B et godt utgangspunkt. Start med en tydelig bruks-case, test på representative data, og skaler oppgradert etter behov.

Neste steg: Vil du vite om AIKI kan hjelpe deg med å sette opp Gemma for din bedrift? Book en uforpliktende samtale.


Kilder:

Ofte stilte spørsmål

Del:LinkedInXFacebook

Nye artikler på e-post

Vi bruker e-postadressen til å sende deg en bekreftelseslenke. Først når du har bekreftet, legger vi deg i nyhetsbrevlista hos Resend, som sender for oss. Du kan melde deg av i hver e-post. Les personvernerklæringen.

Start med en pilot

  • Pris etter kartlegging

    eks. mva, fast pris

  • Én oppgave

    Én avgrenset automatisering i systemene dere bruker

  • 4 uker

    til løsningen er i drift

Avtalt mål før start. Nås ikke målet, retter vi gratis.

Etterpå: AI Partner til Pris etter kartlegging (normalt 6 mnd binding), beløpet for piloten trekkes fra første måned. Eller dere stopper.

I nye leveranser behandles personopplysninger bare på servere i EU. Les om data og sikkerhet