AI Chefanalytiker · Dansk Erhverv

Forskellen mellem at bruge AI og at få værdi af AI

De fleste danske virksomheder bruger nu AI. Langt færre får reel værdi ud af det. Her er mine fokuspunkter lige nu, hvor teknologien skaber værdi i praksis, hvad der er modent, hvad der er overvurderet, og hvad der skal til for at flytte AI fra skrivebordet og ind i forretningen.

Se fokuspunkterne Kontakt mig
Oplæg til Computerworld, juni 2026. Tre spørgsmål driver denne side. Hvor skaber AI reel værdi i praksis lige nu, hvilke use cases er modne og hvilke er overvurderede, og hvor ville jeg sætte ind først, hvis jeg sad med ansvaret.
Optræder jævnligt i DR P1 Morgen · Computerworld · Kristeligt Dagblad · TechSavvy · DR Nyheder
Udgangspunktet

AI-debatten har brug for færre profeter og flere praktikere

Teknologien er moden og bliver mere moden fra uge til uge. Det er ikke der, det halter. Det halter i organisationen, i ledelsen og i evnen til at tænke forretningen forfra.

70 procent af danske virksomheder bruger i dag AI, op fra 44 procent for to år siden. Men brugen er stadig domineret af personlig produktivitet, hvor den enkelte medarbejder sparer lidt tid på en mail eller et førsteudkast. Det er aktivitet, ikke værdiskabelse.

Forskellen mellem de to er større, end de fleste tror. Værdi er færre fejl, hurtigere beslutninger og en bedre kundeoplevelse. Det kan måles på forretningstal. Sparet tid på et enkelt skrivebord kan det sjældent.

Min position er enkel. AI er ikke et mål, det er et middel. De virksomheder, der får værdi ud af det, starter med problemet og ikke med værktøjet, behandler det som en ledelsesopgave og ikke som et IT-projekt, og måler på organisatorisk effekt og ikke på individuel produktivitet. Resten af denne side er den mellemregning.

01

Hvor skaber AI reel værdi i praksis lige nu?

Den korte version. Der hvor opgaven er hyppig, datamængden stor, fejlomkostningen lav og mennesket stadig sidder med det sidste ord.

Værdien ligger ikke i de mest avancerede modeller. Den ligger i de kedelige, gentagne opgaver, der bliver lavet tusind gange om dagen.

Når jeg ser på de danske cases, der faktisk leverer dokumenteret værdi og ikke bare en oplevet effekt, ligger de fire steder. De har det til fælles, at AI er tænkt ind i kernen af værdistrømmen og ikke lagt ovenpå en eksisterende arbejdsgang.

1 · Indhold og sprog

Tekst, oversættelse og produktdata i stor skala

Når opgavevolumen er høj nok, giver selv simple generative modeller markante besparelser. Flying Tiger gik fra fem minutter til ét minut pr. produktbeskrivelse og sparede en million kroner om året på oversættelser. Det er modent og virker i dag.

2 · Computer vision

Inspektion og diagnostik fra billeder

Billedgenkendelse fjerner unødvendigt arbejde. N1 lod en app vurdere 180.000 kabelskabe og fandt, at kun 1 procent reelt skulle serviceres. LEO Pharmas Omhu løftede den diagnostiske træfsikkerhed på hudlidelser fra 45 til 79 procent.

3 · Prædiktiv ML på egne data

Forudsigelser der styrer drift og indkøb

De virksomheder, der allerede har data, kan høste værdi fra dag ét. Coop reducerede madspild med 30 procent ved at forudsige svind. Salling Group sparede flere millioner euro på energi på tværs af 700 butikker.

4 · Viden på egne dokumenter

Intern søgning og medarbejderassistenter

En model, der kender virksomhedens egne dokumenter, frigør tid uden at erstatte nogen. Sydbanks interne chatbot besvarer omkring 1.000 medarbejderspørgsmål om dagen. Munk AIs DokBot fjernede behovet for at ringe til hovedkontoret hos en marinekunde.

Det fælles mønster er vigtigt. Værdien opstår, når en konkret, gentagen opgave bliver løst bedre eller hurtigere, og når et menneske stadig har ansvaret for resultatet. Det er ikke imponerende på en scene. Men det er der, pengene ligger lige nu.

02

Hvilke use cases er modne, og hvilke er overvurderede?

Skillelinjen går ikke mellem simpel og avanceret teknologi. Den går mellem det, der allerede kører i drift i danske organisationer, og det, der stadig kun virker i et lukket laboratorium.

Modent

Virker i drift i danske virksomheder i dag, med dokumenteret effekt.

  • Generativ AI til indhold og oversættelse ved høj opgavevolumen.
  • Computer vision til inspektion, kvalitetskontrol og diagnostisk støtte.
  • Prædiktiv ML på virksomhedens egne data, til svind, energi og risiko.
  • Klassisk automatisering og softwarerobotter til rutineopgaver i økonomi og administration.
  • Interne assistenter oven på egne dokumenter og processer.

Overvurderet

Reelt potentiale, men hypen løber foran virkeligheden i danske organisationer.

  • Fuldt autonome agenter der driver hele forretningsprocesser uden mennesker. Det virker i demoer, men compliance, governance og drift gør, at det ikke bare kan slippes løs.
  • Copilots udrullet til alle på én gang uden træning. Hos DSB troede 79 procent, de kunne spare tid. Forventet effekt er ikke dokumenteret værdi.
  • AI-strategien som teknologivalg, hvor man vælger værktøjet først og leder efter et problem bagefter.
  • Softwareudviklingens tempo projiceret ud på alle brancher. Den præmis holder ikke.
  • Individuel produktivitet brugt som succesmål. En sparet halv time er aktivitet, ikke værdi.

De fleste fejlinvesteringer, vi ser, starter med, at man har valgt et værktøj og bagefter leder efter et problem at løse med det.

Pointen er ikke, at de overvurderede use cases er værdiløse. Agentisk AI kommer, og dansk fintech som Dinero er allerede i gang. Men det kommer ikke til sommerferien. Teknologien er moden, organisationerne er det ikke, og det er organisationerne, der sætter tempoet. Den, der investerer i de modne use cases nu og forbereder organisationen på de næste, vinder. Den, der køber hypen, betaler for et dyrt eksperiment.

Tallene bag

Danmark har fået et teknologichok

Teknologien er rykket hurtigt. Organisationen, strategien og kompetencerne er ikke fulgt med. Det er hele forklaringen på forskellen mellem brug og værdi.

0%
af danske virksomheder bruger AI, op fra 44 procent i 2023.
0%
har en egentlig AI-strategi. 84 procent af topledelsen bekræfter selv fraværet.
0%
af arbejdsstyrken har fået formel AI-træning. 83 procent af medarbejderne har ingen.
0pp
forskel i AI-brug mellem ledelse (70 procent) og medarbejdere (32 procent).

Tallene viser et mønster. AI er nået ud i virksomhederne, men retningen mangler. Næsten halvdelen af medarbejderne mener ikke, at AI bør bruges i deres virksomhed, og hver fjerde ved ikke, om de arbejder sikkert med det. Samtidig er der store brancheforskelle, fra 74 procent i finans og IT ned til omkring 26 procent i transport. Risikoen er et A-hold og et B-hold, både mellem brancher og inde i den enkelte virksomhed.

Det er ikke et teknologiproblem. Det er et ledelses- og kompetenceproblem. Og det er den gode nyhed, for det er noget, virksomhederne selv kan gøre noget ved.

Datakilde: CBS AI Survey 2026 (Ringberg og Østergaard Jacobsen, n = 4.281) samt Dansk Erhvervs egne medlemstal. Tallene er offentliggjort.

03

Hvor ville jeg sætte ind først, hvis jeg sad med ansvaret?

Der findes ikke en teknisk opskrift på AI-succes. Men der findes en ledelses-opskrift. Den gælder for et medie, en bank og en produktionsvirksomhed på præcis samme måde.

1

Start med problemet, ikke med værktøjet

Beslut, hvor I vil skabe værdi, før I vælger teknologi. Find de opgaver, der er hyppige, dyre og gentagne, og ret AI mod dem. For en redaktion kunne det være research og arkivsøgning, ikke en chatbot, fordi den var til rådighed. Værktøjet skal følge problemet, aldrig omvendt.

2

Gør det til en ledelsesopgave, ikke et IT-projekt

Hvis AI behandles som et IT-projekt, ender det som et IT-projekt med små effektivitetsgevinster og ingen reel forandring. De virksomheder, der får værdi, har en ledelse, der ejer dagsordenen, og ikke en it-chef, der har fået ansvaret skubbet ned over hovedet. Sæt en ansvarlig så højt oppe som muligt, og giv vedkommende mandat.

3

Mål på organisatorisk effekt, ikke individuel produktivitet

Hold op med at måle sparet tid pr. medarbejder. Mål på færre fejl, hurtigere leverancer, bedre kundeoplevelse og lavere omkostninger. Hvis I ikke kan vise det på forretningstal, har I ikke fået noget ud af investeringen endnu. Og byg kompetencerne bredt, for den største barriere er ikke teknologien, men vanetænkningen.

Det jeg ville stille af spørgsmål

Hvis jeg sad med ansvaret, ville jeg ikke begynde med en tjekliste over værktøjer. Jeg ville begynde med tre spørgsmål til mig selv og min ledelse.

Hvor skaber vi værdi, hvem ejer det på ledelsesniveau, og hvad måler vi på? Hvis svaret på bare ét af dem er, at det ved vi ikke endnu, så er organisationen ikke klar til at investere mere i AI. Så er det dér, arbejdet skal lægges først.

Beviset i praksis

Danske virksomheder, der allerede skaber værdi

Et udvalg fra Dansk Erhvervs AI-katalog. Spredt på stor og lille, privat og offentlig, og på tværs af brancher. Det fælles træk er, at AI er kommet ind i kernen af forretningen.

Flying Tiger
Retail

GPT-baseret model til produktbeskrivelser og oversættelse på tværs af markeder.

1 mio. kr. sparet om året · 80 procent hurtigere
N1
Energi / elnet

App med billedgenkendelse vurderer tilstanden af 180.000 kabelskabe fra fotos.

Kun 1 procent skulle serviceres · tocifret mio.-besparelse
LEO Pharma
Pharma / sundhed

Omhu-app analyserer billeder af hudlidelser som diagnostisk støtte til lægen.

Træfsikkerhed fra 45 til 79 procent
Coop
Dagligvarer

Machine learning forudsiger svind ud fra historik, vejr og sæson.

30 procent mindre madspild
Lomax
E-handel

Systematisk AI-adoption med team, styregruppe og ambassadører på tværs af huset.

25 procent hurtigere opgaver · 20 procent bedre konvertering
Sydbank
Finans

Intern GPT-chatbot trænet på 4.000 dokumenter til 2.200 medarbejdere.

Cirka 1.000 spørgsmål om dagen
Kasper Lynge Jacobsen
Om Kasper

Den realistiske stemme om AI-værdiskabelse i dansk erhvervsliv

Jeg er AI Chefanalytiker i Dansk Erhverv, hvor jeg rådgiver danske virksomheder om AI-implementering og tegner organisationens linjer på AI og data. Mit fokus er mellemregningen mellem teknologisk potentiale og organisatorisk virkelighed, altså hvor AI skaber værdi, hvor det ikke gør, og hvad det kræver af ledelsen.

Før Dansk Erhverv stod jeg for dataområdet hos Sopra Steria og byggede dataorganisationer, datastrategier og det første AI-team hos Falck, hvor automatisering frigjorde kapacitet svarende til 80.000 arbejdstimer. Jeg er fast klummeskribent i Computerworld og en jævnlig stemme i dansk presse om AI og erhvervsliv.

I Dansk Erhverv faciliterer jeg tre netværk, der samler nogle af landets skarpeste AI-profiler og beslutningstagere.