AI skaber ikke værdi alene
AI lover fart og besparelser, men pengene kommer sjældent hjem uden et indgreb i selve måden arbejdet udføres på. Det er kernen i et nyt interview med Serhii Tokarev i AI Parabellum, hvor han peger på, at forskellen mellem vindere og tabere ikke ligger i modellen, men i evnen til at genopbygge workflows. AI Parabellum henviser her til BCG, som ifølge artiklen vurderer, at kun 5% har knækket koden og faktisk ombygget deres arbejdsgange, så AI bliver integreret. Hvis tallet holder, er pointen klar: uden procesdesign ender AI som en dyr licens oven på en gammel proces.
Tokarev fremhæver “ability to rebuild workflows” som det afgørende skel, hvilket rammer plet i en debat, der ofte kører af sporet i modelarkitektur og benchmark-scores. Problemet er sjældent at få en model til at generere output; problemet er at afgøre, hvem der må handle på det, hvordan data når frem til beslutningen, og hvordan forbedringen måles. Det er lavpraktisk – og det er her, værdien tabes.
Hvad Tokarev faktisk siger
Tokarev er tydelig: Skalering opstår, når arbejdsgange gentænkes omkring teknologien, ikke når teknologien blot lægges oven på det eksisterende. AI Parabellum formulerer det skarpt med henvisning til BCG: kun 5% har løftet opgaven med at genopbygge workflows på en måde, der realiserer værdien. Det tvinger fokus over på planlægning, roller og snitflader. Her opstår ofte første mislyd mellem ambitionsslides og virkelighed, fordi ansvaret for ændrede beslutningsgange ikke er afklaret.
Det centrale spørgsmål, der tit overses – og som ligger i Tokarevs prioritering – er: Hvem ejer en AI-understøttet beslutning, når noget går galt en tirsdag klokken 16? Svaret afgør, om en model må bruges uden menneske i løkken, eller om output skal gennem en ny kontrol. Uden klare svar forbliver modellerne pæne demoer. Og derfra kommer ingen ROI.
Hvorfor det betyder noget nu
Budgetterne for 2026–2027 er ved at blive låst, og mange organisationer har afsat midler til licenser, inferens og måske et par dataprojekter. Hvis Tokarev og BCG-citatet via AI Parabellum har ret, bør vægten flyttes markant mod procesombygning, governance og dataejerskab. Det er her, værdien faktisk bliver realiseret. Et budget uden tydelig allokering til ændrede KPI’er, træning af roller og omlægning af beslutningsveje risikerer at producere endnu en “proof of concept” til hylden.
Konsekvensen for planlægning er ligeså konkret: Et AI-projekt er ikke færdigt, når modellen går i produktion. Først dér begynder adoption og omstilling. Projektplaner, der stopper ved deployment, snyder organisationen for den egentlige gevinst. En mere ærlig plan indregner måneder til procesændringer, måleperioder og iterativ tilpasning af roller, så output bliver til handling – ikke blot til skærmbilleder.
Hvad virksomheder typisk gør forkert
Manual-briefen peger på tre velkendte fejltrin: For det første et overfokus på modeller og værktøjer, som om performance alene løser integrationen. For det andet undervurdering af datainfrastruktur og ejerskab – uden klare datastrømme, rettigheder og lineage bliver automatisering skrøbelig. For det tredje uafklaret beslutningsansvar, hvor ingen præcist ved, hvem der må godkende en AI-forslået handling eller bærer ansvaret ved afvigelser. Når rammerne er uklare, bremser adoptionen, og ROI udebliver.
Fristelsen er at købe endnu et værktøj, der lover “seamless integration”. Det virker sjældent. Integration handler oftere om at fjerne to gamle formularer, ændre en eskaleringsregel og give en mellemleder mandat til at sige ja i første hug. Når disse ændringer ikke er planlagt, vokser skyggearbejdet: medarbejdere kopierer, dobbeltindtaster eller genberegner i Excel, fordi systemerne ikke taler sammen. Resultatet er det modsatte af skala.
Hvorfor kun 5% lykkes
Hvis man tager AI Parabellum på ordet og accepterer BCG-talformidlingen, peger det på en strukturel barriere: Det er komplekst at ændre workflows, det kræver mandat, og målene skal ændres, så den nye måde at arbejde på kan belønnes. Mange organisationer har KPI’er, der belønner stabilitet, ikke forandring. De kolliderer med eksperimenter, der kræver midlertidige bump, mens processen finder sin form. Så reduceres projektet til en evig pilot.
Der er også en teknisk årsag, der ikke handler om modeller, men om arkitektur. Når dataflyt og rettigheder er spredt ud over mange systemer, kræver det tålmodighed og disciplin at etablere robuste pipelines. En vigtig metodisk note: BCG-referencen kommer via AI Parabellum, og metodiske detaljer – branche, geografi, definition af “lykkes” – fremgår ikke i de tilgængelige kilder. Før publicering bør originalrapporten fremskaffes og gennemgås, så konteksten er på plads.
Praktiske trin der faktisk virker
Manual-briefen taler for en kombination af teknisk implementering og procesdesign. Oversat til handling: start med en fokuseret workshop, der prioriterer de første opgaver, som skal laves om. Fortsæt med mapping af nuværende arbejdsgange – dataindgange, manuelle snarveje og compliance-kontaktpunkter. Kør dernæst et pilotforløb med nye KPI’er – ikke kun modelpræcision, men adoptionsgrad, beslutningshastighed og fejlrate end-to-end. Afslut med at etablere datastrømme og rettighedsstyring, så piloten kan skaleres uden særregler.
Det lyder banalt, men bliver sjældent eksekveret konsekvent. Mapping springes over “for at spare tid”, eller KPI’erne opdateres ikke, så gevinsterne aldrig dukker op i rapporteringen. En bedre rytme er små, hyppige beslutninger med synlig effekt på de KPI’er, forretningen faktisk følger.
Kontrakter og leverandører skal ændres
Hvis værdien skabes i workflowet, bør det afspejles i kravspecifikationer. Indkøb bør efterspørge leverancer, der inkluderer procesdesign, adoptionsplaner og forandringsledelse – ikke kun licenser og modeller. Kontrakter kan med fordel indeholde succeskriterier for workflow-adoption, ændrede ventetider eller fejlreduktion, frem for udelukkende tekniske SLA’er. Det flytter tyngdepunktet fra laboratoriet til arbejdet.
Måling og governance skal med
At måle AI-værdi kræver nye KPI’er. Præcision og tokenforbrug siger lidt om drift. Mere relevante mål er adoptionsgrad i konkrete teams, gennemsnitlig beslutningshastighed gennem en hel proces, fejlreduktion i slutleverance og first-pass yield – hvor ofte første output er godt nok. Disse tal findes ikke i kildegrundlaget, men manual-briefen peger retningen, og mange organisationer kan aflede dem fra eksisterende dashboards.
Governance behøver heller ikke være tungt. Et lille, tværgående forum med mandat til at ændre politikker og eskalere hurtigt kan afklare, om en model må handle alene i en konkret use case. Korte beslutningsveje gør det muligt at justere uden drama – og uden at projekterne går i stå.
Risici og tradeoffs på vejen
Går man for hurtigt frem, kan driften vakle, og compliance kan trække i nødbremsen. Rolleændringer skaber også usikkerhed. Fase derfor i små, reversible skridt: start i afdelinger med høj gevinst og lav regulatorisk risiko, og lad erfaringerne forme næste bølge. Det øger chancen for, at noget faktisk lander.
Der er også et valg mellem standard og skræddersyet værktøj. Standard giver fart, men kan låse processer. Skræddersyet giver fleksibilitet, men kræver mere moden governance. Manual-briefen beskriver en blandet tilgang – AI-analyser og workshops, efterfulgt af skræddersyet software og digitale assistenter, der operationaliserer ændringerne. Byg kun det, der fjerner friktion i netop jeres arbejdsgang.
Hvad skeptikere vil spørge om
En indvending lyder, at problemet ikke er workflows, men datakvalitet, kultur eller regulering. Fair. Alle tre kan være flaskehalse, og de spiller sammen med procesarbejdet. Men Tokarev-citatet, som viderebragt af AI Parabellum, peger på, at – selv med gode modeller – manglende workflow-ombygning er det største skel. For at være metodisk rene bør tal og definitioner fra BCGs originale rapport fremsøges, inklusive branche- og regionsopdeling. Indtil da bør 5%-tallet kommunikeres som citeret via sekundær kilde.
En anden indvending: Det her er bare endnu en konsulent-sandhed. Måske. Men den er målbar. Hvis en organisation ikke kan vise kortere beslutningsveje, færre fejl eller højere adoption efter implementering, er der ikke skabt værdi – uanset modelmetrics.
Teknisk fremskridt ændrer ikke logikken
Teknikken rykker hele tiden. Et aktuelt eksempel er forskning i fysiske ræsonnementer i videomodeller, hvor et NVIDIA-ledet hold præsenterer Physis-Lang som en ramme, der forbedrer modeller på fysik-benchmarks. Det er relevant på modelniveau. Pointen her er dog den samme: selv når modellerne bliver bedre, ændrer det ikke den organisatoriske ligning. For at få værdi i drift kræves ombygning af arbejdsgange, data og beslutningsregler.
Teknisk innovation kan løfte loftet for, hvad der er muligt. Den flytter ikke af sig selv vægge og døre i huset, hvor arbejdet udføres.
Hvad ledere kan gøre i morgen
Start med KPI’erne: Måler de effekten af AI i arbejdet, eller kun outputmængder og cost per seat? Afklar derefter beslutningsmandater for de vigtigste use cases – hvornår må AI handle, og hvornår kræves godkendelse? Allokér samtidig budget til mapping og datainfrastruktur i samme sprint som modeludrulning – ikke i en senere fase 2. Og stå ved, at midlertidig procesforstyrrelse er prisen for en større gevinst.
Lean, DevOps, agile transformationer peger i samme retning: værdi skabes, når arbejdet ændres. AI forstørrer potentialet – og faldgruberne. Håndværket bliver vigtigere.
Hvad der mangler før konklusionen er helt sikker
Nogle åbne spørgsmål bør lukkes: Et direkte link til BCGs originale rapport for metode og definitioner (5%-tallet er citeret via AI Parabellum), en branchenedbrydning (fx finans, sundhed, industri), konkrete, dokumenterede cases på vellykket workflow-redesign med målbare effekter – og realistiske omkostningsskøn for omlægning af kerneprocesser. Uden dem bliver debatten let teoretisk, selv om indikationen er stærk.
Til gengæld er retningen klar nok til handling.
Bundlinjen
Tokarevs pointe, formidlet gennem AI Parabellum, flytter fokus fra modelhype til organisationshåndværk: AI giver sjældent ROI, hvis ikke kerneworkflows bliver genopbygget. At BCG ifølge artiklen kun ser 5% lykkes, skærer sagen til. Før publicering bør der indhentes et direkte BCG-link for metodiske detaljer. Indtil da er anbefalingen enkel: Flyt tid, budget og styring fra at købe AI til at designe arbejdet omkring AI – ellers forbliver investeringen pæn, men passiv.
