Alberto fra nyhedsbrevet The Algorithmic Bridge prøver at gøre AI-debatten en smule mere jordnær. I sin seneste analyse bruger han renters rente som ramme for at forstå, hvordan AI skaber værdi over tid, og hvorfor mange virksomheder leder de forkerte steder, når de vil se afkast. Samtidig har han lanceret en spansk udgave af nyhedsbrevet, El Puente Algorítmico, som udkommer parallelt med hovedudgaven og tilpasser de samme idéer til spansktalende læsere. Det er sådan set en lille nyhed i sig selv. Men den større historie ligger i tankegangen bag.For ja, vi møder stadig den velkendte forventning om, at AI skal bevise sit værd hurtigt. Helst i næste kvartal. Helst i et dashboard. Helst med en pæn kurve, der peger opad. Vi har set den film før i mødelokaler med dårlig kaffe og pilotprojekter, der lød større i præsentationen end i driften. Problemet er bare, at AI i mange virksomheder ikke opfører sig som et projekt med et tydeligt før og efter. Værdien kommer ofte mere snigende.

En langsom model for noget, alle vil have hurtigt

Ifølge Alberto er renters rente et af de mest nyttige begreber, der samtidig bliver misforstået igen og igen. I hans tekst er pointen den klassiske: små afkast ser beskedne ud i starten, men over tid vokser de hurtigere, fordi nye gevinster bygger oven på de gamle. Det er ikke kontroversielt i finans. Det interessante er, at han trækker begrebet ud af finans og bruger det bredere. Ikke som en smart metafor for metaforens skyld, men som en måde at forstå læring, håndværk, relationer og teknologi på.Det er en brugbar tanke for virksomheder, der stadig prøver at finde ud af, hvad AI faktisk skal være hos dem. Værdien opstår sjældent kun i det første værktøjskøb eller den første workshop. Den opstår, når medarbejdere lærer at skrive bedre prompts, når teams får styr på deres skabeloner, når nogen dokumenterer en arbejdsgang i stedet for bare at improvisere, og når kvaliteten af data og beslutninger bliver en smule mindre rodet måned for måned. Ikke spektakulært. Men ofte dér, det virker.Og her bliver forskellen vigtig. Mange ledelser leder stadig efter ét stort use case, som kan retfærdiggøre hele indsatsen. Den logik er forståelig, men også lidt doven. Hvis man kun ser efter det store gennembrud, overser man let, at AI-værdi i praksis kan ligne fem minutters tidsbesparelse her, færre fejl der, lidt hurtigere onboarding et tredje sted. Hver for sig småting. Samlet set noget helt andet.

AI bliver klogere, når organisationen gør det

Alberto skriver også, at renters rente ikke kun gælder penge, men stort set alt, vi tillægger værdi. Han nævner blandt andet relationer, håndværk, kærlighed, kultur og teknologi. Det kan lyde en anelse højtflyvende, og ja, man kan godt få lyst til at himle lidt med øjnene. Men nede på virksomhedsgulvet giver det mening. Hvis en organisation lærer én ting rigtigt om AI, kan den viden ofte bruges langt bredere, end folk regner med.Det er måske det mest oversete punkt i hele diskussionen. Når et marketingteam lærer at lave bedre førsteudkast med tydelige instruktioner, er det ikke kun marketing, der lærer noget. Den samme disciplin kan bruges i kundeservice, internt vidensarbejde, salg eller juridisk forberedelse. Når én afdeling får styr på versionsstyring af prompts eller simple kvalitetstjek af AI-svar, kan en anden afdeling kopiere vanen. Det er sådan akkumulering ser ud i virkeligheden. Ikke som magi. Mere som organisatorisk muskelhukommelse.Vi har set det ret konkret. Først sidder et team og famler lidt. Så kommer der en fælles skabelon. Så begynder folk at bruge de samme greb. Pludselig er outputtet ikke bare hurtigere, men også mere ensartet. Det er sjældent den slags, der får applaus på en konference. Men tirsdag morgen klokken 08.17, når nogen faktisk skal levere noget, er det som regel mere værd end endnu en blankpoleret demo.

Den kedelige del er ofte den del, der giver afkast

I sin tekst går Alberto helt op i det lange perspektiv og skriver, at civilisation findes, fordi viden, kultur, teknologi og tradition bygger oven på tidligere generationer. Det er stort sagt, ja. Men oversat til en mere jordnær virksomhedsvirkelighed handler det om noget så usexet som skabeloner, politikker, interne vejledninger og fælles sprog. Den slags, som sjældent kommer med i ledelsens begejstrede AI-opslag på LinkedIn.Hvis en virksomhed systematiserer sin AI-viden nu, giver den i praksis kommende medarbejdere et forspring. Nye kolleger behøver ikke starte forfra, hvis de møder et svarbibliotek, en klar politik for brug af fortrolige data, et sæt gennemtestede workflows og en intern forståelse af, hvornår AI er nyttigt, og hvornår det bare støjer. Det lyder banalt. Det er det også. Men banale ting kan være stærke, når de bliver gentaget længe nok.Der er noget næsten komisk over, hvor ofte virksomheder vil springe direkte til platform, licenser og styringsværktøjer, før de har gjort det simple arbejde. Altså: Hvem må bruge hvad. Til hvilke opgaver. Med hvilke data. Hvordan kvalitet tjekkes. Hvordan gode arbejdsgange deles. Uden det får man let en AI-satsning, der ser dyr ud på budgetlinjen og tynd ud i hverdagen.

Ikke alt compounder

Det er også her, man skal passe på med at gøre Albertos model for pæn. For ikke alle AI-investeringer udvikler sig som renters rente. Nogle dør stille. Nogle drukner i værktøjsskift, manglende ejerskab eller data, der er så rodet, at ingen helt tør stole på outputtet. Og nogle ender som abonnementer, der lever videre af ren forglemmelse. Det skal siges lige ud.Compounding kræver vedholdenhed, men også retning. Hvis medarbejdere ikke får tid til at lære værktøjerne ordentligt, hvis ingen dokumenterer det, der virker, og hvis ledelsen hele tiden hopper til næste store AI-løfte, så bygger gevinsterne ikke oven på hinanden. Så starter man bare forfra igen og igen. Det er næsten det modsatte af renters rente.Derfor er den skeptiske indvending faktisk sund nok. Ja, små forbedringer kan akkumulere. Men kun hvis organisationen kan holde fast længe nok til, at de får lov. Det er præcis dér, mange virksomheder falder af. Ikke fordi teknologien er dårlig, men fordi disciplinen ikke holder.

Hvor danske virksomheder typisk går skævt

For mellemstore og større danske virksomheder er historien ret konkret. Valget står sjældent mellem at bruge AI eller lade være. Valget står mellem hype og håndværk. Mellem at jagte hurtige gevinster og at bygge reel kapacitet op. Og der er, ærligt talt, en dansk forkærlighed for at ville regne det hele hjem med det samme. Hvis ikke investeringen kan puttes ind i en stram business case fra dag ét, bliver den let parkeret eller reduceret til et pilotprojekt, der aldrig forlader mødelokalet.Tag et marketingteam, der bruger AI til førsteudkast. Den første gevinst er som regel tidsbesparelse. Fint nok. Men den større gevinst kommer lidt senere, når teamet udvikler en fælles måde at briefe på, lærer hvilke opgaver der egner sig, og begynder at genbruge de bedste instruktioner i stedet for at starte fra nul hver gang. Så bevæger man sig fra tilfældig hjælp til en arbejdsgang, der faktisk er blevet bedre. Det er en vigtig forskel.Eller kundeservice. Hvis AI bare bruges til at skrive hurtige svar, får man måske lidt fart. Hvis teamet derimod bygger et svarbibliotek, tester formuleringer, laver klare rammer for tone og kvalitet og sørger for, at mennesket stadig kan gribe ind, så begynder værdien at sætte sig. Ikke som et brag. Mere som en stabil forbedring, der bliver svær at undvære, når først den er der.

Måling er sværere end ROI på et ark

Hvis man accepterer idéen om AI som en langsigtet investering, bliver man også nødt til at måle lidt bredere. Ikke blindt, selvfølgelig. Men bredere. Klassisk ROI kan være nyttig, især når et konkret workflow er modent nok til at blive sammenlignet før og efter. Problemet er bare, at den måling ofte er for smal i starten. Den ser på øjeblikkelig gevinst og overser opbygningen af kapacitet.Det kan være mere ærligt at måle på ting som fejlreduktion, genbrug af gode prompts eller workflows, hastighed i onboarding, hvor mange teams der adopterer de samme vaner, og hvor ofte AI-output faktisk kommer helt ind i driften i stedet for at stoppe ved eksperimentet. Den slags er mindre lækker på en slide. Til gengæld siger det mere om, hvorvidt organisationen bliver bedre eller bare mere begejstret.Det er også her, mange business cases bliver for smarte og for små på samme tid. For smarte, fordi de lover præcision, de ikke kan levere så tidligt. For små, fordi de kun regner på den første effekt og ikke på alt det, der kan genbruges senere. Når én god arbejdsgang kan kopieres til tre andre teams, er værdien ikke længere lokal. Den begynder at brede sig. Og så ændrer regnestykket sig.

Nyhedsbrevet er lille. Pointen er stor

Selve nyheden er enkel nok. Alberto udgiver ugentlig, længere AI-analyse i The Algorithmic Bridge med fokus på kultur, filosofi og forretning. Betalende abonnenter får også mandagsguides og fredagskommentarer, og nu er universet udvidet med El Puente Algorítmico, som udkommer samtidig med den engelske version med samme idéer tilpasset spansktalende læsere. Det er veldokumenteret i hovedkilden. Der er ikke rigtig nogen kildekonflikt her, og derfor heller ikke noget dramatisk slagsmål at rapportere om.Men selve tankegrebet fortjener mere opmærksomhed end nyhedsbrevslanceringen. Ikke fordi renters rente pludselig forklarer alt om AI. Det gør den ikke. Men fordi den er et nyttigt korrektiv til et marked, der stadig alt for ofte forveksler den første demo med reel forandring. Der er langt mellem de to. Nogle gange pinligt langt.Et investorperspektiv på AI dukker i øvrigt også op andre steder. KKR har for eksempel argumenteret for, at AI-infrastruktur kan fortsætte med at akkumulere værdi efter hypefasen, selv om der også er skum på markedet. Det beviser ikke Albertos konkrete tese, og det skal det heller ikke bruges til. Men det viser, at idéen om langsigtet, lagdelt AI-værdi ikke kun lever i nyhedsbreve og strategisnak. Den findes også i tungere markedsmiljøer.

Det praktiske efter al snakken

Hvis der er én konsekvens, virksomheder bør tage med sig, er den ret kedelig. Start småt. Gør det igen. Dokumentér det, der virker. Fjern det, der ikke gør. Og lad være med at tro, at værdien viser sig efter to workshops og et par licenser. Det gør den sjældent. Renters rente virker kun, hvis noget får lov at bygge videre på noget andet. I AI-sammenhæng betyder det træning, governance, gentagne eksperimenter, realistiske mål og en vilje til at gøre de samme små ting ordentligt mange gange. Ikke glamourøst. Men mere troværdigt end endnu en keynote om revolutionen.Man opdager først forskellen, når organisationen har gjort det længe nok til, at forbedringerne begynder at lægge sig oven på hinanden. Før det ligner det bare arbejde. Og det er måske præcis pointen.

Kilder

• How to Think About AI Like a Long-Term Investor
• Beyond the Bubble: Why We Think AI Infrastructure Will Compound Long after the Hype
• What the bond market has to say about generative AI | MIT Sloan
• Is anyone thinking about strategies to minimise loses if the AI-bubble …
• Larry Fink’s 2026 Annual Chairman’s Letter to Investors – BlackRock
• This Is How the AI Bubble Bursts | Yale Insights
• Time to Get Fit — an Open Letter from Altimeter to Mark Zuckerberg …