10 tehokkainta tapaa hyödyntää tekoälyä

1. Indledning: værdien af AI opstår gennem gentagelse, ikke enkeltstående forsøg

AI omtales ofte som ét stort spring ind i fremtiden. I virkeligheden opstår de største gevinster langt mere jordnært: når AI kobles til tilbagevendende processer, som tager tid, hober sig op på skrivebordene og binder menneskers energi i opgaver, hvor maskinen kan klare de første 70 procent.

Værdien af AI opstår altså ikke ved, at nogen prøver ChatGPT én gang og bliver imponeret. Værdien opstår, når AI bliver en del af arbejdsgangene.

McKinsey viser i sin undersøgelse State of AI fra 2025, at organisationer stadig kæmper med at gå fra pilotprojekter til effekt i større skala, og at realiseringen af AI's værdi især hænger sammen med nye arbejdsgange frem for blot indførelse af værktøjer.^[1]

AI er ingen tryllestav. AI er en løftestang. Men den virker kun, hvis den placeres rigtigt.

2. ROI som udgangspunkt: hvorfor skaber al brug af AI ikke samme værdi?

I virksomheder bør vi tale mindre om fascinationen af AI og mere om afkastet. ROI, return on investment, er afkastet af den indsats, man investerer. I et AI-projekt er spørgsmålet: Hvad får vi ud af det i forhold til omkostningerne ved at indføre det?

Gevinsten kan vise sig på fire måder:

sparet arbejdstid
færre fejl
øget omsætning
bedre beslutninger

Men ikke alle gevinster er lige lette at måle. Ved automatisering af økonomifunktionen kan besparelsen hurtigt ses: mindre manuel fakturabehandling, færre fejl og hurtigere gennemløb. I salg kan potentialet være langt større, men også mere usikkert. Agentsystemer lover meget, men risikoen vokser.

Gartner vurderede i 2025, at over 40 procent af projekterne med agentbaseret AI vil blive skrottet inden udgangen af 2027, blandt andet på grund af omkostninger, uklar forretningsværdi og »agent washing«. Samtidig forudser Gartner, at der i 2028 vil være 15 procent af de daglige forretningsbeslutninger, som bliver truffet autonomt ved hjælp af agentbaseret AI.^[2]

Altså: jo større løfte, desto større krav til ledelsen.

3. Fire niveauer: sikre besparelser, vækst, systemisk intelligens og øget forståelse

Brugen af AI kan med fordel opdeles i fire niveauer.

Niveau 1: Sikre besparelser og hurtig tilbagebetaling. AI håndterer de mange rutinesager, og et menneske kontrollerer undtagelserne. Typisk det bedste sted at begynde.

Niveau 2: Løftestænger for vækst og indtægter. AI hjælper med at sælge mere, yde bedre service og skalere kommunikationen. Potentialet er stort, men menneskets rolle bliver endnu vigtigere.

Niveau 3: Systemisk intelligens og multiagentsystemer. AI flytter fra brugerfladen ind i bagvedliggende systemer. Værdien kan være stor, men indførelsen kræver planlægning af processer, data og kontrol.

Niveau 4: Øget forståelse. AI styrker læring, analyse og beslutninger i hele organisationen. Effekten ses ikke altid straks på én post, men kan løfte hele organisationens niveau.

Niveau 1 – Sikre besparelser og hurtig tilbagebetaling

1. Økonomistyring og automatisering af bogføring

Økonomifunktionen er et af de bedste steder at begynde med AI, fordi processerne gentager sig, data er strukturerede eller delvist strukturerede, og fejl har en klar omkostning.

AI kan læse kvitteringer og leverandørfakturaer og identificere leverandør, beløb, momssats, dato og udgiftstype. Den kan foreslå kontering ud fra tidligere data og fremhæve afvigelser: et usædvanligt beløb, en forkert momssats, en atypisk leverandør eller en manglende godkendelse.

Ifølge rapporten Accounts Payable Automation Trends fra 2025 steg brugen af AI i kreditorprocesser til 29 procent af de adspurgte mod 7 procent året før, og 51 procent overvejede at indføre AI inden for de næste 12 måneder.^[3]

Hvor opstår afkastet? Mindre manuel behandlingstid, færre fejl og rettelser, hurtigere rapportering og bedre overblik over likviditeten.

Hvad skal mennesker stadig gøre? Menneskets rolle forsvinder ikke, men flyttes fra rutine til fortolkning: skattemæssige grænsetilfælde, nye leverandører, uklare udgifter, usædvanlige indkøb og de interne kontrollers effektivitet.

God AI til økonomifunktionen er ikke en selvstændig bogholder. AI er en utrættelig assistent, som ikke bliver træt af stakke af kvitteringer.

2. Håndtering af store mængder kundeservicehenvendelser

Kundeservice er et klassisk område for AI-afkast. Jo flere henvendelser, desto tydeligere gevinst. AI kan kategorisere indgående beskeder, identificere hastesager, sammenfatte lange samtaler, foreslå svar til kundeservicemedarbejderen, besvare rutinespørgsmål selvstændigt, gemme et samtaleresumé i CRM og sende følsomme sager videre til et menneske.

Det vigtige ord er styre. Alt bør ikke automatiseres. En frustreret kunde, en klage, en kontraktuenighed eller en stor kunde kan kræve et menneske.

Flere benchmark- og brancherapporter fremhæver, at AI især gør en forskel, når videngrundlaget er i orden, overdragelsen mellem menneske og maskine fungerer, og målepunkterne følger løsningens kvalitet frem for blot svarhastigheden. Rapporter om evaluering af AI-agenter i kundeservice advarer mod at måle de forkerte ting på det forkerte tidspunkt, fordi det let fører til fastlåste pilotprojekter og spildt potentiale.^[4]

Hvor opstår afkastet? Lavere omkostning pr. sag, hurtigere svartid, højere produktivitet i kundeservice og mere ensartet servicekvalitet.

Den største risiko er forkert automatisering. Svarer AI forkert, overdrevent selvsikkert eller køligt, tænker kunden ikke »AI fejlede«. Kunden tænker: virksomheden er ligeglad.

Begynd sådan: en intern svarassistent, svar godkendt af mennesker, afgrænsede rutinespørgsmål, tydelig eskalering til mennesker og løbende kvalitetskontrol.

3. Indkøb og kontraktstyring – det skjulte potentiale

I mange virksomheder er indkøb en undervurderet guldgrube for AI. Hvorfor? Fordi den ikke kun sparer arbejdstid. Den kan spare penge direkte.

AI kan gennemgå kontrakter, leverandørvilkår, prismodeller og købshistorik. Den kan automatisk identificere usædvanlige betalingsvilkår, automatiske prisstigninger, opsigelsesfrister, ansvarsklausuler, overlappende leverandører, spredte indkøb, fornyelsesdatoer, risikable vilkår og muligheder for udbud.

I rapporter om indkøb fra 2025 er især forbrugsanalyse og kontraktstyring centrale anvendelser af AI. Procurement Magazine rapporterer med henvisning til ProcureCon CPO-rapporten fra 2025, at 90 procent af indkøbsdirektørerne enten undersøger eller indfører AI-agenter for at effektivisere indkøbets arbejdsgange.^[5]

AI bliver ikke træt af at læse kontrakter på 80 sider. Den kan fremhæve afvigelser, som et menneske overser i en travl hverdag.

Hvor opstår afkastet? Bedre priser, færre kontraktrisici, færre spredte leverandørforhold, bedre betalingsvilkår, hurtigere udbud og styr på kontraktfornyelser.

Værdien af AI i indkøb er ofte mindre synlig end i marketing. Til gengæld kan værdien ses langt tydeligere i resultatopgørelsen.

Niveau 2 – Løftestænger for vækst og indtægter

4. Udvikling af eksisterende kundeforhold

Det er dyrt at skaffe nye kunder. Det er ofte mere rentabelt at fastholde og udvikle de eksisterende.

AI kan finde signaler i kundedata, som sælgeren eller kundeteamet ikke når at opdage i tide. Den kan analysere brugsdata, supporthenvendelser, faktureringshistorik, NPS-feedback, noter fra kundemøder, datoen for kontraktfornyelse, brugen af produktfunktioner, ændringer hos kunden og afvigelser i købsmønstre.

Det kan give to værdifulde signaler: risiko for kundefrafald og mulighed for mersalg.

AI kan eksempelvis opdage, at en kunde kun bruger produktet aktivt i ét team, selv om virksomheden har fem teams, som løsningen passer til. Eller den kan se, at brugen er faldet, antallet af supporthenvendelser er steget, og beslutningstageren er blevet udskiftet. Sælgeren behøver ikke gætte på, hvem det er værd at kontakte – AI kan foreslå en prioritering.

Hvor opstår afkastet? Lavere churn (kundefrafald), større mersalg, bedre prioritering af kunder, mindre forberedelsestid for sælgeren og bedre timing.

Men der er én betingelse: der skal være styr på data. Er CRM fyldt med forældede, mangelfulde og modstridende oplysninger, skalerer AI rodet.

I salg erstatter AI ikke relationen til kunden. Den hjælper sælgeren med at møde bedre forberedt op til samtalen.

5. Skalering af marketing og kommunikation

For mange var marketing det første møde med generativ AI. Og årsagen er klar: AI er god til at skrive første udkast.

Den kan hjælpe med kampagneidéer, budskaber til målgrupper, blogdispositioner, nyhedsbreve, opslag på sociale medier, annoncevarianter, søgemaskineoptimerede udkast, oversættelser, personalisering og planlægning af A/B-test.

Men marketing rummer også en stor fælde. AI kan mangedoble indholdsproduktionen. Den gør ikke automatisk indholdet tilsvarende mere interessant.

Deloitte beskriver i sine virksomhedsundersøgelser om generativ AI fra 2025 et paradoks: Investeringerne stiger, men mange har stadig svært ved at opnå afkast. Førende organisationer søger hurtige gevinster i velvalgte anvendelser, mens langsigtet værdi kræver mere strategiske ændringer, kompetencer og indførelse i praksis.^[6]

I marketing betyder det: AI kan skrive. Men mennesket skal vide, hvad der er værd at sige.

Hvor opstår afkastet? Hurtigere indholdsproduktion, bedre tilpasning til den enkelte kanal, lavere oversættelses- og lokaliseringsomkostninger, hurtigere kampagnetest, mere effektiv personalisering og bedre salgsmateriale.

Den største risiko er ensartet, generisk indhold. Hvis alle bruger de samme værktøjer på samme måde, fyldes markedet med middelmådige tekster. God brug af AI i marketing begynder med en idé om, hvad man vil sige – ikke med en prompt.

Niveau 3 – Systemisk intelligens og multiagentsystemer

6. Multiagentsystemer og procesautomatisering

Her går vi videre til næste fase af AI. En enkelt prompt er ikke længere nok. Man bygger en arbejdsgang, hvor flere specialiserede AI-agenter håndterer hver sin del af processen.

Et eksempel fra tilbudsprocessen:

AI læser en tilbudsforespørgsel modtaget via e-mail.
En anden agent henter priser og lagerstatus fra ERP.
En tredje kontrollerer kundens aftalevilkår i CRM.
En fjerde udarbejder tilbuddet.
En femte kontrollerer risiciene.
Sælgeren godkender eller redigerer udkastet.

Det er noget andet end »jeg beder ChatGPT om hjælp til et tilbud«. Her arbejder AI som en del af maskinrummet.

Hvor opstår afkastet? Kortere gennemløbstid, færre manuelle overførsler, færre fejl, standardiserede processer og mere tid til at håndtere undtagelser.

Hvorfor bør man ikke begynde her? Fordi multiagentsystemer mangedobler både gevinster og risici. Er processen dårligt forstået, automatiserer agenterne rodet.

Ifølge Gartner er agentbaseret AI omgærdet af stor hype, og en stor del af projekterne kan kuldsejle på grund af uklar forretningsværdi og omkostninger.^[2]

En god rækkefølge: dokumentér processen → identificér gentagne trin → identificér beslutningspunkter → fastlæg grænserne for menneskelig godkendelse → automatisér en afgrænset del → mål → udvid.

7. Videnledelse og udnyttelse af egne data

I mange virksomheder er det største problem ikke mangel på viden. Det handler om at kunne finde viden. Viden ligger på intranettet, i SharePoint, Slack, Teams, PDF-filer, projektmapper, CRM, e-mails og i menneskers hoveder.

Her gør RAG, Retrieval-Augmented Generation, en stor forskel. RAG betyder, at AI henter oplysninger fra organisationens egne dokumenter eller databaser og bygger sit svar på dem. AI bliver en grænseflade til virksomhedens hukommelse.

IBM's Rapporten AI in Action fremhæver, at førende AI-organisationer bygger deres køreplan på fire dimensioner: strategi, værktøjer, datastyring og anvendelser. Især datastyringen skal sikre tilgængelighed og kontrol, hvis AI-anvendelser skal skabe værdi pålideligt.^[7]

Hvor opstår afkastet? Mindre tid brugt på at lede, hurtigere introduktion, bedre beslutninger, genbrug af projekters erfaringer, bedre udnyttelse af kundeviden og nedbrydning af interne videnssiloer.

Forestil dig spørgsmålet: »Hvad lærte vi af sidste års tre tabte udbud i Sverige?« Hvis AI kan finde projektnotater, tilbudsdokumenter og salgets kommentarer, kan den give et svar, som intet enkelt menneske måske ville have tid til at samle.

Den største risiko: RAG er ingen mirakelløsning. Er videngrundlaget rodet, forældet eller modstridende, kan AI give et velformuleret svar på et dårligt grundlag. Det egentlige arbejde i et RAG-projekt ligger derfor ofte i dokumentrensning, adgangsrettigheder og ejerskab til viden.

AI finder viden. Men organisationen skal først beslutte, hvilken viden der er pålidelig.

8. Kodning, softwarearkitektur og test

Softwareudvikling er et område, hvor AI allerede er en del af hverdagen. Udviklere bruger AI til at skrive standardkode, lave test, forklare fejl, forstå ældre kode, refaktorere, dokumentere, lære et nyt sprog eller bibliotek, skitsere databaseforespørgsler og sammenligne arkitekturmuligheder.

Stack Overflows udviklerundersøgelse fra 2025 var holdningen til AI-værktøjer blevet mindre positiv end tidligere, selv om brugen er udbredt. Det viser noget vigtigt: AI er nyttig, men udviklerne har også set dens begrænsninger.^[8]

Værdien af AI i softwareudvikling er mere end at skrive en kodelinje hurtigere. Ofte ligger den større gevinst i forståelsen. AI kan forklare et ældre system til en ny udvikler eller hjælpe med at finde det sted, hvor en ændring bør foretages.

Hvor opstår afkastet? Hurtigere udvikling, kortere introduktion, bedre testdækning, mindre dokumentationsgæld, hurtigere fejlrettelse og større forståelse af ældre systemer.

Den største risiko: AI-kode kan se færdig ud uden at være sikker. Ifølge omtalen af Veracodes undersøgelse indeholdt en betydelig del af den AI-genererede kode sikkerhedsmangler.^[9]

Reglen er klar: AI kan skrive kode. Udvikleren har ansvaret for den.

Niveau 4 – Øget forståelse

9. Dataanalyse og BI

Business Intelligence, eller BI, handler om at bruge forretningsdata i beslutninger. Traditionelt krævede BI rapporter, dashboards og analytikere, som oversatte data til ledelsens sprog. Det ændrer AI på.

Ledelsen kan spørge i almindeligt sprog: »Hvorfor faldt vores margin i Sverige sidste måned?« AI kan finde afvigelser og tendenser i data, sammenligne segmenter og foreslå de næste spørgsmål.

Det overflødiggør ikke analytikerne. Det øger værdien af analytikernes arbejde. I stedet for rutinerapportering kan analytikeren fokusere på fortolkning, modellering og vurdering af beslutningers konsekvenser.

Hvor opstår afkastet? Hurtigere analyse, bedre spørgsmål, hurtigere opdagelse af afvigelser, bredere adgang til data og bedre beslutninger.

Det er et af de vigtigste »bidrag til større forståelse«. Når det bliver lettere at stille spørgsmål til data, bliver hele organisationen bedre til at se årsagssammenhænge.

Den største risiko: AI kan finde korrelationer, som ikke er årsagssammenhænge. Den kan også give en overbevisende, men forkert forklaring på data. Ved BI-anvendelse skal AI derfor vise, hvilke data der blev brugt, hvilke afgrænsninger der blev foretaget, hvilke observationer der er statistisk signifikante, hvad der er fortolkning, og hvad der bør undersøges næste gang.

En god AI-analyse giver mere end svar. Den lærer os at stille bedre spørgsmål.

10. Læring og kompetenceudvikling

AI er en utrættelig mentor. Den kan forklare det samme på fem måder, tilrettelægge et læringsforløb, stille øvelsesspørgsmål, simulere en kundesituation eller være sparringspartner.

AI kan hjælpe med introduktion af nye medarbejdere, salgstræning, lederudvikling, tekniske færdigheder, sprogindlæring, simulering af kundesituationer, forståelse af interne vejledninger og løbende læring.

I sin rapportering om AI-afkast i 2025 fremhæver Deloitte betydningen af AI-fluency altså evnen til at arbejde sikkert og rutineret med AI: Organisationer med højt AI-afkast ser AI-kompetencer som en kernekompetence, og 40 procent af dem kræver AI-uddannelse.^[6]

AI er mere end et værktøj, man skal lære at bruge. AI er også et middel til hurtigere at lære andre ting.

Hvor opstår afkastet? Hurtigere introduktion, bedre videndeling, færre flaskehalse i uddannelse, mere individuelle læringsforløb, bedre forberedelse til kunder og salg samt løbende opdatering af kompetencer.

Den største risiko: AI kan lære fra sig på et forkert grundlag. Ved læring skal man derfor skelne mellem generel sparring, organisationens officielle viden og emner, som kræver en fagperson. AI kan være mentor. Men et menneske skal have ansvaret for læringsplanen.

ROI-formlen: hvordan vælger du det første AI-projekt?

Her er en praktisk tommelfingerregel:

Potentiel besparelse × den andel, AI realistisk kan håndtere × sandsynlighed for succes − omkostninger ved indførelse

Potentiel besparelse

Hvor meget tid, hvor mange penge eller hvor mange fejl er der i processen? For eksempel: 1 000 fakturaer om måneden, 12 minutters manuelt arbejde pr. faktura, 200 timer om måneden og en timeomkostning på 40 euro → en potentiel tidsbesparelse til en værdi af 8 000 euro om måneden.

Den andel, AI realistisk kan håndtere

Hvor stor en andel kan AI faktisk håndtere? Vurdér det realistisk frem for optimistisk. Kan AI klare 60 procent af sagerne og sende resten videre til mennesker, bruger du tallet 0,6.

Sandsynlighed for succes

Hvor sandsynligt er det, at projektet lykkes? Det afhænger af data, processer, systemer, ansvar og forandringsledelse. Begynd hellere med et projekt med 90 procents sandsynlighed for succes, selv om gevinsten er mindre.

Omkostninger ved indførelse

Medregn: software, integrationer, uddannelse, informationssikkerhed, datarensning, projektarbejde, vedligeholdelse og kvalitetskontrol.

Formlen holder AI-romantikken i skak. Den tvinger os til at spørge: Hvad virker faktisk?

Hvorfor mislykkes AI-projekter?

AI-projekter mislykkes sjældent, fordi modellen intet kan. De mislykkes, fordi organisationen ikke ved, hvad den vil ændre.

1. Anvendelsen er for upræcis

»Vi bruger AI i salg« er ikke et projekt. »Vi sammenfatter alle kundemøder i CRM og gør sælgeren opmærksom på opfølgninger inden for 24 timer« er et projekt.

2. Processen er ikke beskrevet

Hvis ingen ved, hvordan arbejdet faktisk foregår, er det svært at automatisere.

3. Data er af dårlig kvalitet

AI redder ikke dårlige data. Det får den til at se mere troværdig ud.

4. Menneskets rolle er uklar

Hvem godkender? Hvem kontrollerer? Hvem har ansvaret for en fejl?

5. Målepunkterne er forkerte

Måler man kun mængden af produceret indhold, får man meget indhold. Måler man løste kundesager, sparet tid eller øget salg, kommer man tættere på værdi.

6. Indførelsen stopper ved en undervisningsvideo

AI spreder sig ikke i organisationen, blot fordi medarbejderne får et link til et værktøj. Der er brug for eksempler, spilleregler, støtte og ledelsens opbakning.

Ifølge McKinsey skiller højtydende AI-organisationer sig blandt andet ud ved at have procedurer for menneskelig kontrol af modellernes output og ved at skabe værdi i seks dimensioner: strategi, kompetencer, driftsmodel, teknologi, data samt indførelse og skalering.^[1]

AI er mere end et IT-projekt. Det handler om at tilrettelægge arbejdet på ny.

En 90-dages køreplan for indførelse af AI

Dag 1–15: kortlæg processerne

Lav en liste med 20 tilbagevendende processer. Spørg: Hvad tager meget tid? Hvad gentages ofte? Hvor opstår fejl? Hvor forsvinder viden? Hvor venter kunden? Hvor bliver medarbejderne frustrerede?

Dag 16–30: giv anvendelserne point

Giv hver anvendelse point for: besparelsespotentiale, omsætningspotentiale, datatilgængelighed, teknisk enkelhed, risikoniveau, sandsynlighed for succes og omkostninger ved indførelse.

Vælg én et projekt med høj sandsynlighed for succes. Det handler om den bedste første gevinst frem for den største drøm.

Dag 31–45: byg en pilotløsning

Afgræns piloten tydeligt: ét team, én proces, én produktgruppe, én kundeservicekanal og én dokumenttype. Fastlæg målepunkterne, før I begynder.

Dag 46–60: test sammen med et menneske

Sæt ikke AI direkte i selvstændig produktion. Test fejl, undtagelser, brugeroplevelse, eskalering, informationssikkerhed, dokumentation og omkostning pr. opgave.

Dag 61–75: mål og forbedr

Sammenlign før og efter: behandlingstid, antal fejl, kundetilfredshed, medarbejdertilfredshed, omkostninger, gennemløbstid og resultater fra kvalitetskontrollen.

Dag 76–90: beslut, om der skal skaleres

Tre muligheder: skalér, ret til og test igen, eller stop. God AI-ledelse indebærer også at stoppe dårlige pilotprojekter hurtigt.

Konklusioner: begynd med det kedelige, og gå videre til det strategiske

Den største værdi af AI opstår ikke i den mest imponerende demo. Den opstår i en proces, som kører hver dag.

En organisation med fokus på ROI bør derfor begynde, hvor sandsynligheden for succes er høj: fakturaer, supportsager, kontrakter, CRM-resuméer, interne dokumenter, rapportering, kodetest og introduktion af medarbejdere.

Når det fungerer, kan man gå videre til mere krævende anvendelser: agentsystemer, dynamisk prissætning, forudsigelser om kundeforhold, bredere beslutningsstøtte og organisationens egen AI-hukommelse.

Den vigtigste lære er:

Spørg ikke, hvor AI lyder interessant. Spørg, hvor arbejdet gentager sig, viden forsvinder, kunden venter, eller pengene siver ud. Det er dér, afkastet ligger.

Praktisk overblik: 10 anvendelser prioriteret efter ROI

Økonomistyring og automatisering af bogføring – Hurtig tilbagebetaling, en tydelig proces og målbare besparelser.
Håndtering af store mængder kundeservicehenvendelser – Stor gevinst ved mange henvendelser, når overdragelsen til mennesker fungerer.
Indkøb og kontraktstyring – Skjult potentiale: AI kan spare både tid og penge på indkøb.
Udvikling af eksisterende kundeforhold – AI finder signalerne, mennesket bygger tilliden.
Skalering af marketing og kommunikation – Gør produktionen hurtigere, men menneskets blik afgør kvaliteten.
Multiagentsystemer og procesautomatisering – Stort potentiale, men kræver moden procesledelse.
Videnledelse og udnyttelse af egne data – Gør virksomhedens hukommelse til en brugerflade.
Kodning, softwarearkitektur og test – Gør udviklingen hurtigere, mens sikkerhedsansvaret bliver hos mennesker.
Dataanalyse og BI – Gør det muligt at stille spørgsmål til data og lettere at forstå beslutningerne.
Læring og kompetenceudvikling – Udbreder løbende læring i hele organisationen.

En sidste tommelfingerregel

Vælg det første AI-projekt sådan: Potentiel besparelse × den andel, AI realistisk kan håndtere × sandsynlighed for succes − omkostninger ved indførelse.

Begynd med en rutine, hvor sandsynligheden for succes er 90 procent. Selv en lille gevinst bliver stor, når den gentages hver dag.

Det reelle afkast af AI ligger ikke i ét stort spring. Det er en renters rente-effekt.