Hvis svaret er AI, hvad er spørgsmålet så?

Som så mange andre, er min LinkedIn også blevet til et ekkokammer af salgsfremstød indenfor AI. Hver dag dukker der nye udbydere op med AI-løsninger. Konsulenter, softwareleverandører og platformsudbydere. De har alle én ting til fælles: De ved hvad løsningen er. Men næsten ingen spørger hvad problemet egentlig er.

Det virker som om de alle går rundt med en hammer og jagter søm.

Jeg synes, jeg kan genkende mønsteret fra andre teknologibølger. Cloud kom, så big data, så blockchain. Hver gang samme historie: Teknologien kommer først og selve problemformuleringen (som du kender den fra opgaver i gamle dage) kommer bagefter. Og når den så endelig dukker op, så har mange virksomheder allerede brugt tid og ressourcer på AI-teknologi der ikke løser det problem de burde have løst.

Jeg syners det spændende er: Hvad er det faktiske problem som AI skal løse i din virksomhed? Og vigtigere endnu: hvordan undgår du at investere i teknologi der ikke adresserer det?

Det virker som om alle sælger løsninger med AI i dag. Ingen sælger en forståelse for problemet og derfor en løsning som måske – måske ikke – involverer AI.

Markedet lover mere end det kan holde

Markedet for AI-løsninger er eksploderet over de seneste 12-18 måneder og alle har nok hørt at softwarefirmaernes akter falder pga. Claude Code lanceringer osv. Det er jo sådan set logisk nok. Teknologien er pludseligt meget mere moden end tidligere og potentialet er kæmpestort – og der er investorpenge nok til at alle kan få en bid af kagen. Men måden AI bliver solgt på lige fod med en telefonsælger i 00’erne som solgte hjemmesider til en tømrer. Der er en tavs antagelse om at kunden nok skal finde ud af hvad det hele skal bruges til.

Tallene fortæller en anden historie.

RAND Corporation analyserede AI-projekter på tværs af brancher og lande. De fandt at 80 procent fejler ¹. MIT fulgte op med en undersøgelse af 150 virksomheder i 2025 ² og identificerede at 95 procent af alle AI-piloter faktisk ikke leverer målbar forretningseffekt.

Det er altså ikke er et teknologiproblem. AI kan virkeligt meget allerede og alle os nørder eller semi-nørder som bruger det i hverdagen vinder stort på effektivitet. Det mest spændende er at RAND i samme artikel identificerede fem konkrete årsager til at AI-projekterne fejler. Den hyppigste var ikke manglende teknik (AI algoritmer) eller utilstrækkelige data. Det var slet og ret en dårlig problemformulering. Virksomhederne kunne ikke forklare, hvad de ville løse, før de investerede og satte projektet i gang.

Der ligger et stort paradoks her. Når en bestyrelse spørger “Hvad gør vi med AI?”, er det sjældent fordi ledelsen har brugt tid på at identificere et specifikt problem som AI måske kan løse. Mit take er, at det er fordi, der hersker en frygt for at blive overhalet?

Heldigvis ligger Danmark højt i EU på AI-adoption blandt virksomheder, og en nyere dansk rapport baseret på Eurostat/OECD-data peger på, at Danmark ligger nr. 1 i EU på AI-adoption blandt SMV’er. Not bad. Til gengæld viste McKinsey og Innovationsfonden allerede i 2019, at kun omkring 20 procent af store danske virksomheder havde AI som en kerne i virksomhedens strategi. ³

Start med de udgifter du allerede har

Jeg mener, at den mest effektive tilgang til AI implementering også er den mindst spændende og spektakulære. Næsten kedelig! Vi bør ikke kigge på hvad AI teknologien kan gøre. (Så ender du med at tro, at AI skal hjælpe dig med at lave BI og svare på spørgsmål om dine data – og mit postulat er, at du ikke har brug for flere data!)
Du bør i stedet kigge på, hvad der allerede koster dig mange penge i dag. Og så stiller du et helt simpelt spørgsmål: Kan AI hjælpe med at gøre det billigere, hurtigere eller mere præcist?

Når man tager det approach, svarer du på et forretningsspørgsmål – eller endda måske endda en procesoptimering(?) og ikke et teknologispørgsmål.

Lad mig tage et tænkt eksempel. En handelsvirksomhed med 65 medarbejdere har 3 personer dedikeret til at behandle indkøbsfakturaer hver dag. De modtager fakturaer som PDF’er, åbner dem, taster data ind manuelt, matcher fakturaer mod ordrer i systemet og bogfører alt. Processen kører sådan i mange virksomheder. Når du regner løn, tidsomkostninger og fejlrettelser er gennemsnitsomkostningen omkring 75 kroner per faktura. Hvis de så behandler omkring 800 fakturaer per måned, svarer det til ca. 60.000 kroner per måned kun til at løse et administrativt problem. 720.000 kroner årligt.

Hvis vi kan spare 50% af tiden på den her proces er det altså 360.000 kroner at spare.

Men det er desværre ret usexet. Det er et procesforbedringsprojekt som bruger AI som et blandt flere værktøjer. Kedeligt.

Forskellen mellem de to tilgange er dog fuldstændig afgørende for succes i min optik. Et rent AI-projekt starter med at fascinationen over teknologien kommer først. Et procesforbedringsprojekt starter med problemetik der skal løses. Det første fejler i omkring 80 procent af tilfældene. Det andet lykkes næsten altid når problemet er rigtigt defineret fra starten.

Problemformuleringen bestemmer succes eller fiasko

Forskellen mellem virksomheder der får reel værdi af AI og dem der ser deres investering blive til ingenting, ligger næsten altid i, hvordan problemet er formuleret fra dag et. McKinsey peger på at virksomheder der rent faktisk opnår resultater fra AI ⁴, er dem, der starter med et klart defineret forretningsproblem og måler succes direkte mod den tidligere løsning.

Det lyder simpelt når man siger det sådan.

Jeg synes det er en skam at alt for mange AI-projekter starter med, at man gerne vil i gang, før man egentlig ved hvad man vil i gang med. “Vi skal bruge AI” bliver til et eller andet diffust forsøg, hvor man smider AI ned over sine BI-data og håber, der dukker noget spændende op. “Hvad kan AI egentlig gøre?” lyder bedre, men fører ofte til det samme: en proof of concept, der virker i bestyrelseslokaler, men ikke i virkeligheden. Eller en intern so-ein-ding chatbot, som ingen ansatte bruger og som stille og roligt dør, fordi den aldrig bliver vedligeholdt.

Den rigtige tilgang er langt mere jordnær. Start med et konkret problem, der koster noget hver måned. Spørg derefter, om AI kan løse det hurtigere, bedre eller billigere end den nuværende arbejdsgang. Hvis svaret er ja, har man noget at bygge på. Hvis ikke, så har man bare sparet sig selv for endnu et projekt uden reel værdi.

Tre spørgsmål før investeringen

Jeg forsøger selv at bruge tre konkrete spørgsmål når nogen sætter sig ned foran mig med en AI-løsning.

Det første spørgsmål lyder sådan her: Hvilket helt specifikt problem løser det?
Ikke en kategori af problemer, men et helt reelt problem. Hvis svaret er “det gør jer mere effektive generelt” eller “det forbedrer jer som organisation”, er det ikke et svar. Det er tom snak.

Det andet spørgsmål: Hvad gør vi præcis i dag for at løse det, og hvad koster det?
Hvis du ikke nøjagtigt ved hvad din nuværende proces koster, kan du ikke vurdere værdien af noget nyt. Det er helt grundlæggende. Men mange springer direkte over det fordi det kræver at man går ned i driften og tæller timer og omkostninger.

Det tredje spørgsmål: Hvad er den enkleste løsning der kan virke?
Måske handler svaret overhovedet ikke om AI, men noget helt andet. Måske er løsningen at få styr på processen eller at konfigurere systemet bedre end det er i dag. Måske handler det bare om at lave en klarere arbejdsprocedure. Måske handler det om en form for automatisering der slet ikke behøver maskinlæring overhovedet.

AI kan ikke kompensere for et dårligt fundament. AI forstærker det, som allerede er der.

AI-træthed og virkelighed

AI potentialet eksisterer helt klart og det bliver kun endnu større. Men virkeligheden halter efter.

Årsagen er altså ikke at vi mangler teknologi eller smarte mennesker. Årsagen er at vi mangler grundigt arbejde på at forstå problemerne. Forskning fra Aalborg Universitet har identificeret tre primære barrierer når danske små og mellemstore virksomheder ser på AI ⁵. Den første er mangel på organisatorisk commitment og ledelsesmæssig vilje. Den anden er skepsis omkring om AI rent faktisk giver return on investment. Den tredje er, at der mangler interne kompetencer. Bemærk at ingen af disse tre barrierer er teknologiske. De er alle tre interne, ledelsesmæssige udfordringer.

Min helt konkrete anbefaling er denne. Lad være med at reagere på presset udefra. Reagér i stedet på dine egne tal. Kig på dine tre processer der årligt koster mest i manuelle timer. Vurder dem rigtigt grundigt. Beregn hvad de faktisk koster det hele år. Og spørg så: kan AI gøre dette billigere eller hurtigere?

Det er ikke sexet eller imponerende. Det er bare smart.

Hvornår giver AI virkelig mening?

Ja. Det er jo det store spørgsmål. Jeg tror ikke man kan sige det med sikkerhed – men jeg kan sige, at det meget sjældendt er som et add-on til en BI-afdeling.

Helt specifikt er der dog nogle kriterier som måske kan hjælpe:

1. AI giver mening når opgaven er veldefineret og repetitiv.
2. Når du har tilstrækkeligt data til at træne eller konfigurere et AI-enabled system.
3. Når antallet af fejl i det du gør i dag, er høj nok til at en automatisering vil forbedre kvaliteten væsentlig.
4. Når den økonomiske gevinst er stor nok til at retfærdiggøre investeringen i opsætning og vedligeholdelse.

I Business Central-verdenen møder vi det ganske konkret hver dag. En AI-agent der skal matche leverandørfakturaer automatisk, fejler stille og roligt hvis leverandøren ikke har et CVR-nummer registreret. En Sales Order Agent der skal oprette tilbud fra kundemails, producerer ofte nonsens hvis varebeskrivelserne i systemet er ukonsekvente på tværs af kundens varer.

AI forstærker i virkeligeheden, hvad der allerede findes. Hvis (data-)grundlaget er stærkt, leverer AI’en resultater. Hvis grundlaget er svagt, viser den problemet tydeligere end nogen medarbejder har gjort før, fordi den ikke kan spørge en kollega.

Det rette spørgsmål hele tiden

Næste gang nogen ringer og spørger dig om hvad din virksomhed gør med AI, så stil dem det rigtige spørgsmål tilbage: “AI til hvad præcis?”
Hvis de ikke kan svare helt konkret, med reference til jeres egne arbejdsgange, jeres data og jeres specifikke udfordringer, så tror jeg ikke de er den rette sparringpartner for jer.

AI er et værktøj. Et potent værktøj når det er sat op rigtig. Men et værktøj har kun værdi når det bruges til at løse et problem du rent faktisk står med. Ikke et problem som en leverandør har sat sig for at sælge dig en løsning på.

Der skal mere end en hammer til at løse udfordringen. Tag hele værktøjskassen med.

---

Kilder

1. RAND Corporation, “Identifying and Mitigating the Security Risks of Generative AI”, Research Reports. https://www.rand.org/pubs/research_reports/RRA2680-1.html ↩︎
2. MLQ AI, “State of AI in Business 2025 Report”. https://mlq.ai/media/quarterly_decks/v0.1_State_of_AI_in_Business_2025_Report.pdf ↩︎
3. IT-Branchen / McKinsey & Innovationsfonden, “The Economic Opportunity of AI in Denmark”. https://itb.dk/wp-content/uploads/2024/05/the-economic-opportunity-of-ai-in-denmark.pdf ↩︎
4. McKinsey, “The state of AI: How organizations are rewiring to capture value”, QuantumBlack. https://www.mckinsey.com/capabilities/quantumblack/our-insights/the-state-of-ai-how-organizations-are-rewiring-to-capture-value ↩︎
5. Aalborg Universitet, “Kunstig intelligens i små og mellemstore virksomheder – muligheder og barrierer”. https://www.aaudxp-cms.aau.dk/media/pzzl42ip/kunstig-intelligens-i-sma-og-mellemstore-virksomheder-muligheder-og-barrierer.pdf ↩︎