This master's thesis investigates whether large language models (LLMs) can improve the processing of applications for health and care services in the City of Oslo. The motivation for the study stems from growing challenges in the Norwegian healthcare system related to demographic changes, resource constraints, and shortages of healthcare personnel. The study applies a mixed-methods approach, consisting of a qualitative and a quantitative component. The qualitative part is based on in-depth interviews with five leading professionals and analyzed using thematic analysis. The quantitative part draws on survey data from 101 of the municipality’s caseworkers. The results from both parts are discussed in light of relevant literature and the overall research question. Overall, the findings indicate that there are applicable use cases for LLMs that can enhance case processing in Oslo's health and care services. A clear need has been identified for improved text-handling tools, primarily related to information retrieval and support for drafting text. According to the caseworkers, the potential time savings from using LLMs is estimated to be between 31.5 % and 37.6 %, based on a 95 % confidence interval of the average. Concerns related to the role of discretion, transparency, and bias remain significant. The municipality's current ability to share and govern based on data is also considered relatively weak and misaligned with political ambitions. Furthermore, the existing case management system in the health and care sector is described as outdated and overly complex, tying up technical capacity that could be used elsewhere. The level of knowledge and experience with LLMs among caseworkers is also shown to vary significantly, which affects both the potential for successful implementation and the reliability of the data on which this thesis is based. In the short term, a prudent starting point for further R&D and implementation efforts is to test domain-specific LLMs in safe and controlled environments in collaboration with caseworkers. Use cases such as translation, plain language generation, smart search, and text summarization are identified as relatively low-risk applications. Alongside close follow-up of the newly launched infrastructure for smart search and text analysis within the municipality’s common IT platform, these efforts may help Oslo harness the benefits of large language models in the processing of health and care service applications.

Denne masteroppgaven undersøker hvorvidt store språkmodeller (LLM) kan forbedre saksbehandlingen av søknader om helse- og omsorgstjenester i Oslo kommune. Motivasjonen for studien er de økende utfordringene i norsk helsevesen knyttet til demografiske endringer, ressursknapphet og mangel på helsepersonell. Studiens metode innebærer en todelt fremgangsmåte; en kvalitativ del og en kvantitativ del. Den kvalitative bygger på dybdeintervjuer med fem ledende fagfolk som er analysert med tematisk analyse. Den kvantitative delen baserer seg på spørreskjemadata fra 101 av kommunens saksbehandlere. Resultatene fra disse delene er diskutert opp mot relevant litteratur og problemstillingen. Samlet sett viser funnene at det eksisterer anvendelser av store språkmodeller som kan forbedre saksbehandlingen i helse- og omsorgstjenesten i Oslo kommune. Det er identifisert et klart behov for bedre verktøy for teksthåndtering i saksbehandlingen, primært knyttet til informasjonsinnhenting og bistand til tekstproduksjon. Potensialet for tidsbesparelse ved bruk av LLM vurderes av saksbehandlerne til å ligge på mellom 31,5 % og 37,6 %, gitt et 95 % konfidensintervall på gjennomsnitt. Bekymringer knyttet til graden av skjønnsvurderinger, transparens og bias er samtidig høyst tilstedeværende. Kommunens evne til å dele og styre etter data vurderes dessuten som relativt dårlig, som ikke er i tråd med politiske ambisjoner. Fagsystemet for helse- og omsorgssektoren er også så komplekst og utdatert at det binder opp teknisk kapasitet i kommunen som kunne blitt brukt til andre ting. Kunnskapsnivået og erfaringen med LLM blant saksbehandlere er på sin side dokumentert som svært variert, som både påvirker teknologiens potensial og dataen som denne masteroppgaven bygger sine funn på. På kort sikt er det derfor vurdert at en fornuftig begynnelse på videre FoU- og implementeringsarbeid vil være å teste ut domenespesifikke språkmodeller i trygge og kontrollerte omgivelser, sammen med saksbehandlere. Anvendelser til oversettelse, klarspråkliggjøring, smartsøk og oppsummering av tekst er identifisert som anvendelser med relativt lav risiko knyttet til seg. Sammen med nøye oppfølging av nylansert infrastruktur for smartsøk og tekstanalyse i kommunens felles IKT-plattform kan dette medvirke til at Oslo kommune får hentet ut gevinster av bruk av store språkmodeller i saksbehandling i helse- og omsorgstjenesten.