AI i virksomheden: hvor skal I starte, og hvad får I ud af det?

Direktøren har læst tre artikler om AI i denne uge. Halvdelen af medarbejderne bruger allerede ChatGPT på deres private konti, en sælger har prøvet et værktøj til mødereferater, og regnskabet har fået et tilbud på en AI-løsning, som ingen helt forstår. Ingen ved, om det virker, hvad det koster, eller om kundedata ender et sted, de ikke burde. Det er sådan, de fleste danske virksomheder står i 2026, og det er et helt fint udgangspunkt. Det kræver bare en plan, der starter småt og måler.

Hvor skal en virksomhed starte med AI?

Start dér, hvor medarbejderne i dag bruger tid på at læse, skrive, sortere eller flytte tekst, og hvor en person hurtigt kan se, om resultatet er rigtigt. Det er typisk kundeservice-mails, tilbud, referater, produkttekster, bilag og interne spørgsmål om procedurer. De opgaver har tre ting til fælles: de sker mange gange om ugen, de følger et mønster, og en fejl bliver opdaget, før den gør skade. Det er den perfekte første AI-opgave.

Det næste valg er, hvor meget I selv skal bygge. Der er tre niveauer, og de fleste virksomheder bør bevæge sig op ad dem i rækkefølge.

Hvilke AI-opgaver virker i hvilke afdelinger?

Tabellen her er bygget på de opgaver, vi oftest ser give en mærkbar gevinst i små og mellemstore virksomheder. Sværhedsgraden handler primært om, hvor mange systemer AI’en skal tale med, og hvor dyr en fejl er.

Det ser vi i praksis

De projekter, der lykkes, har én ting til fælles: en medarbejder, der kender opgaven indefra og gerne vil af med den kedelige del. De projekter, der går i stå, starter typisk med teknologien og leder bagefter efter et problem. Vi anbefaler derfor altid, at første møde handler om en konkret arbejdsdag. Hvor mange mails? Hvor lang tid pr. tilbud? Hvor mange gange om ugen kopieres den samme oplysning fra ét system til et andet? Svarene er grundlaget for både valg og business case. Vores guide til digitalisering af arbejdsgange har en skabelon til netop den kortlægning.

Hvordan vælger I det første AI-projekt?

Til scoringen i trin to kan I bruge fire spørgsmål, der hver giver 1–5 point. Den opgave med flest point er jeres første kandidat.

• Volumen: Sker opgaven mange gange om ugen, så selv få minutter sparet pr. gang løber op?
• Mønster: Ligner tilfældene hinanden, så en god instruktion dækker de fleste?
• Data: Ligger det, AI’en skal bruge, ét sted, som I kan give adgang til?
• Fejlrisiko: Bliver en fejl opdaget af et menneske, før den når en kunde eller bogføringen?
• Ejer: Er der en medarbejder, der vil teste og har tid til det i de næste fire uger?

Hvilke data skal I bruge, og er de klar?

AI er kun så god som det, den får at arbejde med. En model, der skal svare på kundespørgsmål, skal have adgang til opdaterede produktdata, priser og politikker. En model, der skal lave tilbudsudkast, skal kende prislisten og de standardformuleringer, I bruger. I de fleste virksomheder ligger den viden spredt i mapper, mails og hoveder. Det første stykke arbejde er derfor ofte at samle den ét sted og gøre den aktuel. Det arbejde betaler sig, også selvom I aldrig bygger noget med AI, fordi nye medarbejdere får gavn af det samme.

Hvad koster AI for en lille eller mellemstor virksomhed?

Udgifterne falder i tre spande: licenser til færdige værktøjer, udvikling af det, I bygger selv, og løbende forbrug hos AI-udbyderen. Forbruget betales typisk pr. mængde tekst, der behandles, og for de fleste små og mellemstore virksomheder er det en mindre post end licenserne. Licenspriserne ændrer sig ofte, så tjek de aktuelle priser hos leverandørerne.

Et regneeksempel: kundeservice-mails i en grossistvirksomhed

Forestil jer en grossist med 25 ansatte, hvor tre medarbejdere i kundeservice hver bruger omkring 10 timer om ugen på at læse, sortere og besvare mails om ordrestatus, leveringstid og returneringer. En løsning, der sorterer mails, slår ordren op og lægger et svarudkast klar, lader medarbejderen godkende eller rette svaret på et minut. Sparer det halvdelen af tiden, frigør det 15 timer om ugen. Med en intern timepris på 400 kr. er det cirka 300.000 kr. om året i tid. En løsning til 60.000 kr. plus drift og forbrug har altså tjent sig hjem inden for et halvt år, selv med en forsigtig antagelse. Regn jeres egne tal på samme måde, før I beslutter noget.

Hvad er risikoen ved AI, og hvordan styrer I den?

• Forkerte svar. Sprogmodeller kan formulere noget forkert meget overbevisende. Lad et menneske godkende alt, der går til kunder, indtil I har data for, hvor ofte den rammer rigtigt.
• Datalæk. Fortrolige data i gratis værktøjer er den mest almindelige fejl. Løses med erhvervsaftaler og en klar politik.
• GDPR. AI-løsninger, der behandler persondata, kræver databehandleraftale, et formål og en sletteplan, som alle andre systemer.
• Lovkrav. EU’s AI-forordning stiller særlige krav til fx rekruttering og beslutninger om mennesker. Tjek med en advokat ved tvivl.
• Leverandørbinding. Byg, så modellen kan skiftes. AI-markedet flytter sig hurtigt, og den bedste model i dag er sjældent den bedste om et år.
• Stigende forbrug. Sæt et månedligt loft hos AI-udbyderen, og følg forbruget pr. opgave.

Når opgaven vokser fra at skrive et udkast til at udføre handlinger i jeres systemer, fx oprette ordrer eller sende fakturaer, bevæger I jer over i AI-agenter. Det kræver flere sikkerhedsrammer, og vi har samlet dem i guiden til AI-agenter i virksomheden. Er det en chatbot til kunderne, I overvejer, så start med AI-chatbot til hjemmesiden.

Hvordan måler I, om AI betaler sig?

1. Mål tiden på opgaven i to uger før forsøget, så I har et udgangspunkt.
2. Mål den samme tid i forsøgsperioden, inklusive tiden på at rette AI’ens fejl.
3. Tæl, hvor mange resultater der blev godkendt uden rettelser.
4. Spørg medarbejderne, om de vil fortsætte, og hvad der irriterer dem.
5. Læg alle udgifter sammen: licenser, udvikling, forbrug og den interne tid.
6. Beslut ud fra tallene, og gentag målingen efter tre måneder.

Den interne tid er den, der oftest bliver glemt. Et AI-projekt kræver, at nogen skriver instruktioner, tester og giver feedback, og det tager typisk et par timer om ugen i de første måneder. Regn det med, så bliver jeres business case troværdig.

Hvordan hjælper Ceptiv med AI i virksomheden?

Vi bygger AI ind i de arbejdsgange, I allerede har, med de samme principper som alt andet vi laver: fast pris, I ejer koden og data, og et senior-team, der både designer og udvikler. Vi har mere end 40 færdige integrationer, blandt andet til e-conomic, Dinero og MobilePay, så AI’en kan arbejde med jeres rigtige data fra dag ét. Se, hvad vi typisk bygger, under AI-løsninger og automatisering. Har I allerede en prototype fra et AI-værktøj, så læs fra AI-prototype til produktion. Ellers kan I beskrive opgaven for os og få en fast pris inden for 24 timer.