AI i virksomheden: fejl der bremser værdien

Hvorfor AI ender som en smart demo

Der er et mønster, jeg ser igen og igen hos danske virksomheder. Nogen har set en demo af ChatGPT eller en anden AI-løsning, synes det var imponerende, og så kom der liv i projektet. Der blev brugt tid og energi på det de første uger. Og så stoppede det.

Ikke fordi AI ikke virker. Men fordi der aldrig blev sat en reel fundament under det. AI i virksomheden er ikke bare et spørgsmål om at købe en licens eller skrive en sjov prompt. Det kræver en klar plan, et klart ansvar og en idé om, hvad succes egentlig ser ud som for netop din forretning.

Den vigtigste ting at forstå er, at implementering af AI ikke ligner andre IT-projekter. Det er ikke noget, der installeres og kører af sig selv. Det er en levende del af din drift, der skal have plads, opmærksomhed og retning. Og den retning starter allerede i det første møde, inden der er skrevet en eneste linje kode eller sat en eneste prompt op.

Lad mig tage dig igennem de fejl, jeg ser gå igen. Ikke for at pege fingre, men fordi det er præcis de fejl, der er lette at undgå, når man ved, hvad man kigger efter.

Målet er uklart fra første møde

Den mest udbredte fejl ved AI er, at ingen har defineret, hvad de egentlig vil have ud af det. Projektet starter med et løst mål som: "vi vil gerne bruge AI til at effektivisere". Det lyder godt. Det er bare ikke et mål.

Et rigtigt mål er konkret og målbart. Noget som: "vi vil reducere den tid, vores supportteam bruger på at besvare standardspørgsmål med 40 procent inden for tre måneder." Det er et mål, du kan bygge noget op imod. Det er et mål, du kan fejle mod og lære af.

Når målet er uklart, sker der det, at alle er enige om at bruge AI, men ingen er enige om, hvad det skal gøre. Der laves tests, der laves demoer, der holdes møder. Men ingen tager de beslutninger, der faktisk rykker projektet fra "spændende forsøg" til "noget vi bruger hver dag".

AI projekter der fejler, starter næsten altid med et uklart formål. Og det er ikke et teknisk problem. Det er et strategi problem. Inden du overhovedet kigger på, hvilken AI-løsning du skal bruge, skal du have styr på, hvilket problem du vil løse, for hvem og med hvilken effekt.

Det er faktisk det første spørgsmål, jeg stiller, når jeg taler med en ny virksomhed: Hvad er det præcis, der gør ondt i hverdagen? Svaret på det spørgsmål er begyndelsen på en brugbar AI strategi. Alt andet er støj.

Ingen har ansvar for drift og opfølgning

Den anden store fejl hænger direkte sammen med den første. Selv når målet er relativt klart, så er der sjældent én person, der ejer driften af AI-løsningen. Projektet bliver sat i gang, og så forventer alle, at det kører videre af sig selv.

Men AI løsninger kræver løbende opmærksomhed. Sprogmodeller opdateres. Brugeradfærd ændrer sig. Processer i virksomheden ændrer sig. Det, der virkede perfekt i januar, kan give dårlige svar i september, hvis ingen har kigget på det i mellemtiden.

Når der ikke er en ansvarlig person, sker der typisk ét af to: Enten falder løsningen langsomt ud af brug, fordi ingen vedligeholder den. Eller den fortsætter med at køre, men leverer forkerte eller dårlige outputs, som ingen opdager, fordi ingen kigger.

Ansvar for AI skal defineres ligesom ansvar for alle andre systemer i virksomheden. Hvem er den person, der holder øje med, om løsningen stadig virker som forventet? Hvem samler feedback fra medarbejderne? Hvem eskalerer det, hvis noget går galt? Det er spørgsmål, der skal have svar, inden du går i drift. Ikke bagefter.

AI i hverdagen kræver ikke en hel afdeling. Men det kræver mindst én person, der har det som en reel del af sit ansvar. Ikke som noget, der skubbes ind i hjørnet af en allerede fuld kalender.

Når data og processer ikke er klar til AI

En af de ting, der overrasker folk mest, når vi taler om praktisk AI, er, at AI-delen sjældent er det sværeste. Det sværeste er det, der ligger under: data, systemer og arbejdsgange. AI er, lidt firkantet sagt, bare et lag oven på det, der allerede findes i virksomheden. Og hvis det fundament er skævt, bliver AI-laget det også.

Jeg møder virksomheder, der vil bruge kunstig intelligens til at lave bedre rapporter, men som har kundedata liggende i tre forskellige systemer, der ikke taler sammen. Jeg møder virksomheder, der vil automatisere deres e-mail håndtering, men som har en proceskultur, hvor ingen er enige om, hvad der overhovedet skal ske med en given type e-mail.

Det er ikke AI-problemer. Det er grundlæggende forretningsproblemer, som AI ikke kan løse. AI kan forstærke og fremskynde det, der allerede sker. Men det kan ikke erstatte klarhed, orden og sunde arbejdsgange.

De tre mest typiske fund i den kategori er: spredte systemer, dårlige processer og manglende menneskelig kontrol. Lad mig tage dem én ad gangen.

Spredte systemer giver ujævne svar

Hvis dine systemer ikke taler sammen, vil din AI heller ikke kunne give sammenhængende svar. Det er simpel logik, men det overses igen og igen. En sprogmodel eller AI-agent er kun så god som de data, den kan trække på. Har du kundedata i ét system, ordrehistorik i et andet og supporthenvendelser i et tredje, vil dit AI-system aldrig have det fulde billede.

Resultatet er ujævne og upålidelige svar. Og upålidelige svar er det hurtigste skridt til, at medarbejderne holder op med at bruge løsningen. "Det virker ikke" er oftest lig med "det svarer ikke præcist nok", og det præcise svar afhænger af, at AI-systemet kan se hele konteksten.

Før du implementerer AI, er det værd at kortlægge, hvilke systemer der indeholder hvilke data, og om der er en måde at forbinde dem. Det behøver ikke være perfekt fra dag ét. Men det skal være godt nok til, at AI kan arbejde med information, der faktisk er sammenhængende og opdateret.

Dårlige arbejdsgange bliver bare hurtigere

Der er en frase, jeg holder meget af: "Automation of a mess is just a faster mess." Den gælder i fuldt omfang for AI og arbejdsgange.

Hvis du har en process, der er uklar, dobbeltarbejde-tung eller fuld af fejl, så vil AI ikke rydde op i den. AI vil bare køre den process hurtigere, og fejlene vil ske hyppigere. Det er det modsatte af værdiskabelse.

Ingen AI strategi bør starte med at automatisere det, der ikke virker. Den bør starte med at afklare, hvad processen faktisk skal gøre, hvem der ejer den, og hvornår den er gennemført korrekt. Derefter kan AI tilføje fart og frihed.

AI og arbejdsgange hænger tæt sammen. Og en god AI-implementering er næsten altid også en god procesoptimering. Behandl dem som to sider af samme sag, og du undgår at bygge noget, der bare forstærker de problemer, du allerede havde.

Manuel kontrol mangler i de kritiske trin

AI laver fejl. Det er ikke en svaghed ved teknologien. Det er en kendsgerning. Selv de bedste sprogmodeller kan misforstå kontekst, give forældet information eller hallucere svar, der lyder overbevisende men er forkerte.

Det betyder ikke, at AI er ubrugelig. Det betyder, at du skal designe dine arbejdsgange, så der er menneskelig kontrol i de kritiske trin. En AI-assistent, der foreslår et svar til en kundehenvendelse, er værdifuld. En AI-assistent, der sender det svar automatisk uden, at nogen har kigget på det, er en risiko.

Def beslutningspunkter i dine flows: Hvornår er det ok, at AI handler alene? Hvornår skal et menneske godkende? Det er ikke mistillid til teknologien. Det er ansvarlig drift. Og det er en af de vigtigste ting, der kan adskille en god AI-implementering fra én, der ender i problemer.

Hvad medarbejderne har brug for før AI virker

Teknologi er aldrig stærkere end de mennesker, der bruger den. Det er en gammel sandhed, der ikke er blevet mindre sand, fordi vi nu taler om kunstig intelligens. Faktisk er den mere relevant end nogensinde, fordi AI introducerer en ny type usikkerhed hos mange medarbejdere: Hvad må jeg egentlig? Hvad sker der med det, jeg skriver ind? Og erstatter det min rolle?

De spørgsmål skal besvares, inden du sætter noget i drift. Ikke i en tyk personalepolitik, der samler støv. Men i klare, mundtlige og praktiske rammer, der giver medarbejderne ro til at eksperimentere og trygheden til at bruge AI på en fornuftig måde.

Det er en af de ting, jeg ser blive overset oftest i AI implementering SMV. Der investeres i teknologi og i licenser. Men der investeres ikke i mennesket bag skærmen, som skal bruge det hele. Og så ender det med, at to ud af ti medarbejdere bruger AI flittigt, mens de resterende otte ikke rigtigt ved, hvad de skal gøre med det.

AI modenhed i en virksomhed handler ikke kun om, hvilke værktøjer man har. Det handler om, hvor godt hele organisationen forstår, hvad AI kan, hvad det ikke kan, og hvordan man bruger det ansvarligt i hverdagen.

Klare regler for brug af kunstig intelligens

Det første, medarbejderne har brug for, er enkle og klare regler. Ikke lange juridiske dokumenter. Praktiske svar på konkrete spørgsmål:

• Hvilke AI-værktøjer er godkendte til brug i virksomheden?
• Hvad må man dele med en AI-tjeneste, og hvad må man ikke?
• Hvordan håndterer vi persondata og følsomme forretningsoplysninger?
• Hvem kontakter man, hvis man er i tvivl?
• Hvornår er AI-output godt nok til at sende videre, og hvornår skal det kvalitetstjekkes?

De svar skal gives samlet og klart, og de skal opdateres løbende. Regler for AI brug er ikke noget, man definerer én gang og glemmer. Teknologien udvikler sig, og reglerne skal følge med.

Datasikkerhed og tillid er noget, mange danske ledere og medarbejdere er optaget af i øjeblikket, og det er fuldt forståeligt. At have klare interne regler er ikke bare god praksis. Det er også med til at skabe den tillid, der gør, at medarbejderne faktisk tager AI i brug frem for at holde sig på afstand af det.

Tryghed slår store løfter hver gang

Der er en tendens til at præsentere AI med store armbevægelser: "Det her vil revolutionere jeres forretning", "Nu sparer vi halvdelen af arbejdstiden", "Alt bliver automatiseret". Det skaber sjældent begejstring hos medarbejderne. Det skaber oftest utryghed.

Når folk hører "automatisering" og "AI", tænker mange instinktivt på deres egen jobrelevans. Det er en naturlig reaktion, og den fortjener et ærligt svar, ikke en tom beroligelse.

Det ærlige svar er, at AI er bedst til at fjerne det arbejde, ingen gider alligevel. Manuel indtastning. Copy-paste mellem systemer. Gentagne standardsvar. Det er ikke det, dine medarbejdere er ansat for. Det er det, der slider dem ned og tager tid fra det, de er gode til.

Når du præsenterer AI som en frihed frem for en trussel, og når du er konkret om, hvad det faktisk kommer til at betyde for den enkeltes hverdag, skifter reaktionen. Fra bekymring til nysgerrighed. Fra modstand til medejerskab. Og det medejerskab er helt afgørende for, at AI i hverdagen rent faktisk bliver en del af hverdagen.

Sådan måler du om AI skaber reel værdi

En af de ting, der adskiller vellykkede AI-projekter fra dem, der stille og roligt dør ud, er, om virksomheden faktisk måler noget. Ikke fordi tal er alt. Men fordi tal giver dig svar på det vigtigste spørgsmål: virker det her?

Måling af AI værdi er ikke en avanceret disciplin. Det kræver ikke et analyseteam eller et avanceret BI-system. Det kræver, at du beslutter dig for, hvad du måler, hvornår du måler det, og hvem der er ansvarlig for at kigge på tallene.

Her er en simpel oversigt over, hvad du bør have styr på, inden du sætter noget i drift:

Hvad du måler	Eksempel	Hvorfor det giver mening
Tidsforbrug på opgave	Tid brugt på support pr. dag	Viser direkte frigjort kapacitet
Fejlrate	Antal fejl i fakturering pr. uge	Viser om kvaliteten stiger
Svartid	Gns. svartid pa kundehenvendelser	Synlig kundeoplevet effekt
Brugfrekvens	Antal medarbejdere der bruger AI ugentligt	Indikator for reel adoption
Eskalationer	Antal sager AI ikke kan haandtere	Viser, hvor AI har sine graenser

Mål tid, fejl og svartid før du måler kroner

Det er fristende at gå direkte efter bundlinjen. Men at forsøge at måle kroner og øre for tidligt er en af de sikre måder at gøre et AI-projekt svært at retfærdiggøre.

Start i stedet med det, du kan observere direkte: tid, fejl og svartid. Det er de tre mål, der oftest bevæger sig hurtigst, og som er lettest at sætte op mod en baseline fra perioden inden AI.

Hvis din supportafdeling i dag bruger fire timer om dagen på at besvare standard e-mails, og AI reducerer det til halvanden time, har du allerede et solidt argument for investeringen, uden at du behøver at sætte en præcis kronepris på det. Det er bundlinje og AI gjort konkret og forståeligt for alle i virksomheden.

Se på frigjort tid, ikke kun på licenser

En klassisk misforståelse er, at man vurderer AI-investering ved at sammenligne licensomkostningen med en tænkt besparelse. Det er for snævert.

Frigjort tid er ikke bare penge. Det er energi, fokus og kapacitet til det, der faktisk skaber vækst. En medarbejder, der ikke bruger to timer om dagen på manuelle opgaver, kan bruge de to timer på kundekontakt, produktudvikling eller andre ting, der rykker forretningen fremad.

Når du måler AI værdiskabelse, skal du ikke kun kigge på, hvad du sparer. Du skal kigge på, hvad du vinder. Hvad kan dine medarbejdere nu, som de ikke havde kapacitet til før? Det er tit der, den egentlige gevinst ligger gemt.

Følg effekten i drift, ikke kun i tests

Dette er kritisk. Mange AI-projekter klarer sig fantastisk i testmiljøet. Tallene ser gode ud, demoen imponerer, alle er glade. Og så går løsningen i drift, og virkeligheden er en anden.

Virkelighed byder på ting, som tests ikke gør: mærkelige edge cases, medarbejdere der bruger systemet anderledes end forventet, data der ikke er så ryddig som antaget, og spidsbelastninger ingen tænkte på.

Det er derfor, du skal følge målingerne løbende i drift og ikke kun under testfasen. Sæt et fast tidspunkt, fx månedligt, hvor nogen kigger på tallene og tager stilling til: er vi på rette vej? Hvad overrasker os? Hvad skal vi justere? Den løbende opfølgning er det, der adskiller en levende AI-løsning fra én, der stille forfalder.

Hvad en god AI start ligner i praksis

Efter alle de fejl vi har gennemgået, er det kun fair at tale om, hvad det modsatte ser ud som. Hvad gør de virksomheder, der faktisk lykkes med AI? Hvad er fælles for de projekter, der ikke bare leverer en god demo, men som ender med at blive en fast del af driften?

Svaret er næsten altid det samme: de starter smalt. De vælger ét konkret problem frem for at forsøge at transformere hele virksomheden på én gang. De definerer succes på forhånd. Og de sørger for, at der er én person, der ejer det hele fra start til slut.

Det lyder næsten for simpelt. Men det er præcis det, der virker. Ikke fordi ambition er forkert. Men fordi smalle, veldefinerede projekter giver dig hurtige resultater, der skaber tillid og momentum. Og det momentum er brændstoffet til at gå videre med noget større.

Generativ AI i virksomheder er ikke et spørgsmål om at købe det dyreste system eller at rulle det ud til alle på én gang. Det er et spørgsmål om at finde det sted, hvor teknologien kan gøre en konkret forskel, og derefter gøre det rigtigt.

Et afgrænset problem med tydeligt ansvar

En god AI start ligner typisk dette: Et problem, der koster tid og energi i dag. Et klart mål for, hvad der ser bedre ud om tre måneder. Én person, der ejer løsningen. Et simpelt mål, du kan tjekke ugentligt. Og en aftale om, hvornår I evaluerer og beslutter, om I skal gå videre.

Det er ikke et stort projekt. Det er et kontrolleret eksperiment med et klart formål. Og det er næsten altid vejen ind til en AI-implementering, der faktisk holder i hverdagen.

Fra ChatGPT til drift er ikke et teknologisk spring. Det er et organisatorisk skridt. Det handler om at gøre det konkret, gøre det ansvarligt og gøre det målbart. Teknologien er der. Spørgsmålet er, om fundamentet er det også.

Jeg har set det fungere, når det bliver gjort rigtigt. Og jeg har set det fejle, når det skyndes for hurtigt igennem. Forskellen er sjældent teknologien. Forskellen er, om virksomheden er klar til at eje det.

Sæt AI i gang med det, der rent faktisk rykker

Denne artikel har taget fat i de fejl, der igen og igen bremser værdien af AI i virksomheden. Vi har kigget på, hvad der sker, når målet er uklart, når ingen ejer ansvaret, når data og processer ikke er klar, og når medarbejderne ikke er klædt ordentligt på.

Vi har set på, at AI ikke er stærkere end de data og arbejdsgange, det bygger på. Og vi har talt om, hvad det egentlig vil sige at måle AI værdiskabelse på en måde, der giver mening i praksis frem for kun i regneark.

Den vigtigste pointe er denne: implementering af AI er ikke et teknologiprojekt. Det er et forretningsprojekt med teknologi som redskab. Og som alle forretningsprojekter kræver det klarhed, ansvar og opfølgning.

Kunstlig intelligens i virksomheder kan skabe enorm værdi. Men kun når den bliver sat i gang med det rigtige fundament. Og det fundament er det, du nu har et langt klarere billede af.

Hvis du sidder med en konkret udfordring eller bare vil have et uforpligtende svar på, om AI giver mening hos jer, så er du altid velkommen til at række ud. Det koster ikke andet end 20 minutter.