Hvordan vælger du det første AI projekt med ROI?

Derfor går mange AI projekter i stå

Det er et mønster, jeg ser igen og igen hos danske virksomheder. Nogen kommer begejstret tilbage fra en konference, en podcast eller et LinkedIn opslag og siger: "Vi skal i gang med AI." Der bliver holdt et møde. Der bliver lavet en liste over ideer. Og så... sker der ingenting.

Det er ikke fordi folk er dovne. Det er heller ikke fordi AI ikke kan levere. Det er fordi de fleste virksomheder hopper direkte fra "vi skal i gang" til "lad os bygge noget", uden nogensinde at stille det vigtigste spørgsmål: Hvilken konkret opgave giver os faktisk noget igen?

Den fejl er dyr. Ikke kun i penge, men i tillid. Når det første AI projekt ikke leverer, bliver det sværere at sælge ideen internt næste gang. Og det er en skam, fordi kunstig intelligens faktisk kan flytte noget i en dansk SMV, når det sættes i gang på den rigtige måde.

Så inden vi overhovedet begynder at tale om teknologi, modeller eller platforme, skal vi tale om, hvorfor det hele tit går i stå allerede fra starten.

ChatGPT blev åbnet, men processen blev glemt

De fleste danske virksomheder har på nuværende tidspunkt prøvet ChatGPT. Nogen bruger det dagligt til at skrive e-mails eller opsummere møder. Men der er en stor forskel på at bruge et AI værktøj og rent faktisk at have et AI projekt i driften.

Det, der typisk sker, er følgende: En medarbejder opdager, at ChatGPT er fantastisk til at skrive udkast. Det bruges flittigt i et par uger. Men ingen har sat det i system. Ingen har dokumenteret, hvordan det bruges. Ingen har besluttet, hvornår output fra AI er godt nok, og hvornår det skal tjekkes.

Resultatet er, at AI forbliver et personligt hjælpemiddel frem for et forretningsværktøj. Og det er netop der, at AI ROI forsvinder. Fordi den tid, der spares af én medarbejder, ikke nødvendigvis skalerer til resten af organisationen.

En reel AI implementering i en virksomhed handler ikke om, at folk åbner en hjemmeside og skriver et spørgsmål. Det handler om, at kunstig intelligens er en del af en defineret proces, med klare input, klare output og en klar forventning til resultatet. Den forskel er fundamentet for alt andet.

Når alle har ideer, men ingen ejer opgaven

Der er en anden klassisk faldgrube, og den handler om ejerskab. Eller manglen på samme.

Når en virksomhed beslutter sig for at udforske AI, er det sjældent svært at indsamle ideer. Salgschefen vil have AI til at skrive tilbud. Administrationen vil have AI til at håndtere fakturaer. Marketing vil have AI til at generere indhold. Alle ideer kan principielt godt lade sig gøre. Men ingen af dem sker, hvis ingen konkret person ejer opgaven fra start til slut.

Et AI projekt er ikke et IT projekt. Det er et forretningsprojekt. Det kræver en person, der kender den pågældende proces til bunds, som kan beskrive, hvad et korrekt resultat ser ud som, og som er villig til at tage ansvar for, at det faktisk virker i driften.

Jeg ser det tit: Projektet starter med en bred gruppe. Der holdes et par workshops. Og så dør det stille og roligt, fordi ingen egentlig har mandat til at træffe beslutninger. Ejerskab er ikke en detalje, det er en forudsætning.

For at et første AI projekt overhovedet har en chance for at lykkes, skal der være en navngiven person i virksomheden, som er ansvarlig. Ikke et "AI udvalg", ikke en fælles postkasse. En person.

Hvilke opgaver giver AI værdi først

Når vi har klargjort, hvorfor det går galt, kan vi begynde at tale om, hvad der rent faktisk virker. Og her er der faktisk et klart mønster. De AI projekter, der leverer hurtigst og mest mærkbart, har typisk tre ting til fælles: de er gentagende, de har klare rammer, og svartid har en konkret betydning for forretningen.

Det er ikke raketvidenskab, men det er overraskende få virksomheder, der bruger disse tre kriterier aktivt, når de skal vælge, hvad de skal bygge først. I stedet vælger de det, der lyder mest imponerende at fortælle om til netværksmødet.

Lad os se på hvert kriterium for sig.

Mange gentagelser og lav tvivl

Det første og vigtigste kendetegn på en god AI opgave er, at den sker mange gange om ugen og kræver lav grad af fortolkning. Tænk på opgaver som at kategorisere kundehenvendelser, udfylde stamdata fra dokumenter, tjekke om en ordre lever op til et sæt kriterier, eller svare på de ti spørgsmål, der altid stilles.

Kunnstig intelligens er ekstremt god til at gøre det samme igen og igen, hurtigt og konsistent. Den trætter ikke. Den glemmer ikke at tjekke felt nummer syv. Den ringer ikke sygemeldt en mandag morgen. Det er præcis det, der gør gentagende, lavtvivls opgaver til den bedste indgang for første AI projekt i en virksomhed.

Et praktisk eksempel: Hvis jeres supportpostkasse modtager 200 e-mails om ugen, og 140 af dem handler om de samme ti emner, er det en oplagt kandidat. AI kan kategorisere, prioritere og i mange tilfælde svare på dem direkte, mens medarbejderne koncentrerer sig om de 60, der kræver en menneskelig vurdering.

Tydelige input og tydelige output

Den næste ting, du skal kigge efter, er om opgaven har klare grænser. Hvad er input, og hvad er det forventede output? Hvis du ikke kan besvare de to spørgsmål kort og præcist, er opgaven sandsynligvis ikke moden til AI endnu.

Et eksempel på tydelig input og output: En faktura kommer ind pr. e-mail (input), og systemet skal udtrække leverandørnavn, beløb, dato og kontonummer og lægge det i et regneark (output). Det er veldefineret. Der er ikke meget rum for fortolkning.

Sammenlign det med: "Vi vil have AI til at forbedre vores kundeoplevelse." Det er ikke en opgave. Det er et ønske. Og det kan ikke bygges. Jo klarere input og output, jo hurtigere kan du levere AI forretningsværdi.

Dette er en af de pointer, jeg bruger mest tid på, når jeg taler med nye kunder. Ikke fordi folk er ukloge, men fordi det er nemt at forveksle et strategisk mål med en konkret AI opgave. De er ikke det samme.

Opgaver hvor svartid betyder noget

Det tredje kriterium er lidt mere nuanceret, men stadig vigtigt. Nogle opgaver er tidsfølsomme. Hvis en kunde skriver ind kl. 22 og forventer svar inden for en time, og I normalt lukker kl. 17, er der et klart hul. AI kan fylde det hul ud.

Det samme gælder internt. Hvis salgsteamet venter på, at administrationen gennemgår et tilbud, inden det kan sendes, og det tager to dage, koster det formentlig salg. Kan AI lave det første gennemløb og markere, hvad der skal tjekkes manuelt, er svartiden skåret markant ned.

Svartid er ikke kun et kundeservice parameter. Det påvirker salg, drift og medarbejderproduktivitet. Opgaver med en klar svartids udfordring er derfor meget attraktive som første AI projekt, fordi forbedringen er synlig og kan måles direkte.

De fem spørgsmål før du vælger en AI opgave

Inden du beslutter dig for, hvilken opgave der skal automatiseres eller understøttes med kunstig intelligens, er der fem spørgsmål, du bør kunne svare på. Ikke fordi det er en formel tjekliste, men fordi svarene afslører, om opgaven faktisk er klar til AI, eller om der er noget fundamentalt, der skal løses først.

Jeg bruger disse spørgsmål i mine første samtaler med danske virksomheder, der vil i gang med AI. De fungerer som et filter, der skiller de gode ideer fra de rigtige ideer. Og de to er ikke altid de samme.

• Hvor ofte sker opgaven hver uge?
• Hvad koster fejl i tid eller kroner?
• Hvilke data mangler, før AI kan svare?
• Hvem skal godkende resultatet?
• Er processen dokumenteret og stabil i dag?

De fem spørgsmål afdækker hver sin dimension af AI parathed. Lad os gå dem igennem.

Hvor ofte sker opgaven hver uge

Dette spørgsmål handler om volumen og dermed om potentiale. En opgave, der sker to gange om måneden, giver sjældent nok ROI til at forsvare investering i et AI system. En opgave, der sker tyve gange om dagen, er en helt anden snak.

Du behøver ikke en præcis optælling for at starte. En grov vurdering er nok til at indikere, om det er umagen værd. Spørg jer selv: "Hvis AI løste denne opgave på ti sekunder frem for ti minutter, hvor meget tid sparer vi på en uge?" Ganger du det med årets uger, begynder ROI argumentet at tage form.

Jo højere frekvens, jo hurtigere vil I mærke effekten. Det er derfor, at høj frekvens er kriterium nummer et i vurderingen af din første AI investering i virksomheden.

Hvad koster fejl i tid eller kroner

Dette spørgsmål afdækker risikoprofilen. Nogle opgaver er tilgivende, hvis AI laver en fejl: en forkert kategorisering kan rettes af en medarbejder på ti sekunder. Andre opgaver er kritiske: en forkert udbetaling eller en forkert diagnose kan have store konsekvenser.

Det er ikke sådan, at opgaver med høj fejlrisiko ikke kan automatiseres. Det kan de sagtens. Men de kræver mere omhyggelig opsætning, bedre tests og typisk et menneske i løkken (det vi kalder "human in the loop"). Det påvirker, hvor hurtigt du kan komme i gang, og hvad projektet koster at bygge ordentligt.

Du bør vælge et første AI projekt, der er tilgivende nok til, at I kan lære undervejs. Et projekt, hvor en fejl koster tre minutters korrektion, er langt mere læringsvenligt end et projekt, hvor en fejl koster en dag med fejlrettelse og kundeforklaringer.

Hvilke data mangler før AI kan svare

Dette er måske det spørgsmål, der afslører mest. Mange AI projekter kollapser ikke på grund af teknologien. De kollapser, fordi de nødvendige data enten ikke eksisterer, ligger i fem forskellige systemer, ikke er strukturerede, eller simpelthen ikke er gode nok til, at AI kan lære noget af dem.

Inden du vælger en AI opgave, bør du kortlægge: Hvad skal AI have adgang til for at kunne svare korrekt? Er de data tilgængelige i dag? Kan de hentes automatisk, eller kræver det manuel eksport? Er de opdaterede?

Dårlige data giver dårlige svar. Det er ikke en teknisk begrænsning. Det er en forretningsbegrænsning. Og jo tidligere du kortlægger det, jo hurtigere kan du vurdere, om der er noget der skal løses, inden AI overhovedet kan komme ind i billedet.

Hvem skal godkende resultatet

Dette spørgsmål handler om ansvar og beslutningsstruktur. Når AI producerer et output, hvem beslutter så, om det er korrekt nok til at agere på? Og er den person tilgængelig og motiveret til at deltage i processen?

Dette er ikke et trivielt spørgsmål. Jeg har set projekter, der teknisk set fungerede perfekt, men som gik i stå fordi ingen i virksomheden ville tage ejerskab over at godkende AI output. Årsagen var typisk enten uklarhed om ansvar eller frygt for at blive holdt personligt ansvarlig for en fejl, som AI lavede.

Vælg en AI opgave, hvor der er en klar og villig person til at stå inde for resultatet. Det er ikke nok, at teknologien er klar. Organisationen skal også være klar.

Tegn på at du vælger den forkerte AI opgave

Som modvægt til det ovenstående er det mindst lige så vigtigt at vide, hvornår du er ved at vælge galt. Der er tre advarselstegn, som jeg igen og igen ser gå igen hos virksomheder, der ender med at spilde tid og penge på et AI projekt, der aldrig kom til at virke i praksis.

Du behøver ikke alle tre tegn for at det går galt. Et enkelt af dem er nok til at sætte hele projektet på hårdt vand. Kig ærligt på de ideer, I overvejer, og se om du kan genkende nogen af dem her.

For mange undtagelser og for lidt mønster

Kunnstig intelligens er god til mønstre. Den er ikke god til kaos. Hvis den opgave, du overvejer, har en lang liste af undtagelser, specialtilfælde og "det-kommer-an-på", er det et klart signal om, at den endnu ikke er egnet til AI.

Et klassisk eksempel er tilbudsgivning i en virksomhed med mange individuelle aftaler og produktkonfigurationer. Sælgeren kender alle undtagelserne udenad, men de er aldrig blevet dokumenteret. Der er ingen regler at give AI, fordi reglerne kun eksisterer i sælgerens hoved.

Det betyder ikke, at opgaven aldrig kan automatiseres. Det betyder, at du skal starte med at dokumentere og standardisere processen, inden du bringer AI ind. Kunstig intelligens kan ikke erstatte en proces, der ikke er defineret. Den kan kun skalere en proces, der allerede fungerer.

Ingen kan blive enige om det rigtige svar

Dette advarselstegn er lidt mere subtilt, men det er et af de mest afgørende. Prøv at stille dit team dette spørgsmål: "Hvad er det korrekte output for denne opgave?" Hvis I bruger mere end fem minutter på at diskutere det uden at nå til enighed, er opgaven ikke klar til AI.

For at AI kan levere konsistente og brugbare resultater, skal der være en fælles forståelse af, hvad "korrekt" vil sige. Hvis tre medarbejdere besvarer den samme kundehenvendelse på tre vidt forskellige måder, og alle tre mener, at deres svar er det rigtige, er problemet ikke teknologisk. Det er et organisatorisk problem, der skal løses med standardisering, ikke med AI.

AI gør din eksisterende konsistens skalerbar. Den kan ikke skabe konsistens, der ikke eksisterer i forvejen.

Processen er kaos før AI overhovedet starter

Dette er det mest kritiske advarselstegn af dem alle. Og det er det, jeg ser oftest. En virksomhed ønsker at automatisere en proces, som i virkeligheden er halvt manuel, halvt digital, spredt over tre systemer og aldrig rigtig er beskrevet nogen steder.

AI oven på kaos giver hurtigere kaos. Det er ikke en overdrivelse. Hvis inputdata kommer fra tre forskellige systemer i tre forskellige formater, hvis processen afhænger af, hvem der er på arbejde den dag, og hvis ingen kan forklare præcis, hvad der sker i trin fem, så vil en AI implementering blot gøre problemet mere tydeligt og mere dyrt.

Løsningen er ikke at vente med AI. Løsningen er at bruge AI processen som en anledning til at rydde op. Start med at dokumentere, hvad der faktisk sker i dag. Identificer, hvad der varierer, og hvad der er stabilt. Og vælg derefter at automatisere det stabile. Det er en disciplin i sig selv, og det er en af de mest værdifulde ting, et godt AI projekt kan tvinge en virksomhed til at gøre.

Sådan får medarbejderne AI til at hjælpe

En ting er at vælge den rigtige AI opgave teknisk og strategisk. Noget andet er at få medarbejderne med. Og det er sjældent teknologien, der er det største forhindring. Det er forandringen.

De fleste medarbejdere er ikke imod AI. De er imod usikkerhed. Usikkerhed om, hvad AI gør ved deres job. Usikkerhed om, hvad der sker, hvis AI laver en fejl, og de har godkendt det. Og usikkerhed om, om det overhovedet vil gøre deres hverdag nemmere eller bare give dem en ny ting at lære.

Den bedste måde at håndtere den usikkerhed på er ikke at holde et PowerPoint oplæg om "fremtidens arbejdsplads". Det er at finde det sted i hverdagen, der allerede gør ondt, og løse det.

Start der hvor copy paste allerede gør ondt

Spørg dine medarbejdere dette ene spørgsmål: "Hvad er den opgave, du laver igen og igen, som du godt ved ikke burde tage den tid, det tager?" Du vil høre det samme svar igen og igen: copy paste fra et system til et andet, manuel indtastning af data der allerede eksisterer et andet sted, gentagende svar på de samme spørgsmål fra de samme kunder.

Det er der, du starter. Ikke med det store visionære AI projekt. Med den lille, kedelige, gentagende opgave, som alle ved er spild af tid, men som ingen nogensinde har haft mandat til at fikse.

Opgavetype	Typisk tidsforbrug	AI potentiale
Kopiering af data mellem systemer	1 til 3 timer om ugen	Meget højt
Besvarelse af standard kundehenvendelser	2 til 5 timer om ugen	Meget højt
Kategorisering og videresendelse af e-mails	30 til 90 minutter om dagen	Højt
Generering af standardrapporter	1 til 4 timer om ugen	Højt
Manuel udtræk og formatering af data	Varierer meget	Meget højt

Når medarbejderne ser, at AI faktisk fjerner en opgave, de hader, sker der noget. Modstanden falder. Nysgerrigheden stiger. Og pludselig er der opbakning til at kigge på næste opgave.

Den tilgang er ikke bare taktisk. Den er kulturel. Fordi den viser, at AI implementering i virksomheden ikke handler om at erstatte mennesker. Den handler om at give mennesker deres tid tilbage, så de kan bruge den på det, der faktisk kræver dem.

Hvad du tager med hjem fra denne artikel

Valget af det første AI projekt er ikke et teknologisk valg. Det er et forretningsvalg. Og det valg bestemmer i høj grad, om din virksomheds AI strategi får en god start eller ender som endnu et projekt, der dør stille i et regneark. Denne artikel har taget dig igennem de vigtigste elementer: Hvad der typisk går galt, og hvorfor ejerskab og procesklarhed er fundamentet for alt andet. Hvad der kendetegner de opgaver, der leverer AI forretningsværdi hurtigst, nemlig høj frekvens, tydelige grænser og en klar tidsdimension.

Vi har gennemgået de fem spørgsmål, du bør stille, inden du vælger en AI opgave, og set på de tre advarselstegn, der afslører, at du er ved at vælge galt. Og vi afsluttede med den enkleste og mest effektive metode til at få medarbejderne med: start med det, der allerede gør ondt.

Kunnstig intelligens er ikke magi. Det er et værktøj. Og som alle andre værktøjer giver det kun mening, når det bruges til den rigtige opgave, på det rigtige tidspunkt, af folk der forstår, hvad de vil have ud af det. Det er præcis det, en praktisk AI strategi handler om. Ikke visioner. Konkrete valg.