AI-investeringer vokser – men hvor bliver værdien af?

Danske virksomheder kaster sig over AI som aldrig før. Ifølge McKinsey øger hele 92% af virksomhederne deres AI-budgetter, og Gartner forudser, at mindst 15% af daglige beslutninger vil blive truffet autonomt af AI i 2028. Alligevel oplever mange, at de økonomiske resultater udebliver. S&P Global Market Intelligence viser, at 42% af virksomhederne har opgivet størstedelen af deres AI-initiativer i første halvår af 2025 – en markant stigning fra 17% året før. Det såkaldte AI-værdigab er altså ikke bare et buzzword, men en reel udfordring, der rammer bredt.

Hos Snilld ser vi det samme billede: Mange har eksperimenteret med små AI-projekter, men mangler at se effekten på bundlinjen. Derfor dykker vi her ned i, hvordan man konkret lukker værdigabet – med eksempler, faldgruber og anbefalinger, der matcher danske virksomheders virkelighed.

Fra pilotprojekter til forretningsværdi

En af de største fejl, vi ser, er, at AI-projekter bliver isolerede eksperimenter uden forankring i forretningen. McKinsey peger på, at kun de virksomheder, der tænker AI som en holistisk, forretningskritisk transformation, skaber varig værdi. Det kræver, at både ledelse, HR, IT og forretningsenheder arbejder sammen fra start. Det er ikke nok med en entusiastisk IT-chef og et par datanørder – hele organisationen skal med.

Et konkret eksempel er en global investeringsvirksomhed, der begyndte med at opbygge både tekniske og forretningsmæssige AI-kompetencer. De skabte en ny data- og AI-organisation, der udviklede produkter, forbedrede kundeservice og udnyttede data til at åbne nye forretningsområder. Her blev AI set som et forretningsudviklingsprojekt – ikke kun et IT-projekt. Det er netop denne tilgang, der gør forskellen på eksperiment og reel transformation.

AI skal måles på bundlinje og resultater

For CFO’er og økonomiansvarlige er det afgørende, at AI ikke bare er et buzzword, men kan dokumentere effekt. En marketingafdeling implementerede generativ AI til at automatisere oversættelse og kvalitetssikring af indhold. Ved at måle på antallet af fejl og tidsforbrug før og efter, kunne de dokumentere 150 færre årlige fejl og 300 sparede QA-timer om måneden. Det gav direkte besparelser og øget output – og dermed et klart business case.

Det er afgørende at vælge få, men præcise, KPI’er, der kan følges over tid. Klassiske cost/benefit-modeller kan være svære at bruge, fordi AI’s omkostninger og muligheder ændrer sig hurtigt. Derfor bør man fokusere på outcome-baserede målinger, som fx hvor mange kundehenvendelser AI løser selvstændigt, eller hvor meget omsætning AI-genererede anbefalinger skaber. Her gælder det om at måle på det, der faktisk flytter forretningen – ikke bare på, hvor mange modeller der er sat i drift.

HR og kultur: Nøglen til succesfuld AI-transformation

AI er ikke kun et teknologiprojekt – det er i høj grad et spørgsmål om mennesker og kultur. HR spiller en central rolle i at sikre, at medarbejdere forstår, hvorfor AI indføres, og hvordan det påvirker deres arbejde. Et eksempel fra den finansielle sektor viser, at HR kan drive forandringen ved at udvikle målrettede læringsforløb, skabe dialog om AI’s muligheder og udfordringer og sikre, at AI-kompetencer bliver en del af karrierevejen.

Det handler om at skabe tryghed og engagement – ikke frygt. Ved at inddrage medarbejderne tidligt og vise konkrete eksempler på, hvordan AI kan gøre arbejdet lettere eller mere meningsfuldt, kan man vende modstand til nysgerrighed. HR skal ikke bare være med – de skal lede transformationen sammen med ledelsen.

Styr på governance og compliance – uden at kvæle innovationen

For både private og offentlige organisationer er det afgørende at have styr på data, compliance og governance. Men central styring må ikke blive en stopklods for innovation. En finansiel virksomhed valgte en tredelt governance-model: På enterprise-niveau automatiserede de sikkerhed og compliance via “policy as code”. På forretningsniveau lavede de datastyring, der passede til de enkelte AI-løsninger. Og på løsningsniveau satte de klare krav til model-performance og risikostyring. Det gav både fart og sikkerhed.

For offentlige organisationer er det ekstra vigtigt at tænke etiske og juridiske rammer ind fra start. Transparens, borgerinddragelse og klare retningslinjer for databrug er centrale elementer, hvis AI skal skabe værdi for både borgere og medarbejdere. Her er det ikke nok at følge reglerne – man skal også kunne forklare dem.

Incentiver og ledelse: AI skal belønnes i praksis

Hvis AI skal slå igennem, skal det kunne betale sig – også for den enkelte medarbejder. En virksomhed ændrede deres performance management-system, så automatisering og AI-adoption blev en del af ledernes og medarbejdernes mål. Det flyttede fokus fra “vi prøver lidt AI” til “vi skaber målbare resultater med AI”. Karriereveje og belønning skal følge med, hvis AI skal blive en naturlig del af hverdagen.

De rigtige partnere kan accelerere værdiskabelsen

Ingen kan alt selv. De mest succesfulde AI-transformationer sker ofte i samarbejde med partnere, der både forstår branchen, teknologien og forandringsledelse. En global forsikringsvirksomhed arbejdede med en AI-partner, der hjalp med at prioritere use cases, opbygge governance og træne medarbejdere. Målet var, at virksomheden selv kunne drive og skalere AI efterfølgende – ikke at blive afhængig af eksterne konsulenter.

Sådan kommer du i gang – og undgår de klassiske faldgruber

Vores erfaring hos Snilld er, at de største faldgruber er:

• For mange små pilotprojekter uden forankring i forretningen
• Manglende måling af effekt og ROI
• For lidt fokus på kompetenceudvikling og forandringsledelse
• Overdreven centralisering eller total decentralisering af governance
• Ignorering af compliance og etiske aspekter – især i det offentlige

Vejen frem er at starte med et klart forretningsmål, involvere både ledelse og medarbejdere, vælge få men vigtige KPI’er, og sikre governance og compliance fra start. Og så skal man turde justere kursen undervejs – AI er ikke et quick fix, men en løbende forandringsrejse.

Konkrete eksempler fra dansk virkelighed

En mellemstor produktionsvirksomhed brugte AI til at optimere vedligehold af maskiner. Ved at analysere sensordata kunne de forudsige nedbrud og planlægge service, så de reducerede uventede stop med 30% og sparede både tid og penge. En detailkæde brugte AI til at optimere lagerstyring og indkøb, hvilket gav 12% lavere lagerværdi og færre udsolgte varer. I det offentlige har flere kommuner automatiseret sagsbehandling med AI, hvilket har givet hurtigere svartider og bedre borgeroplevelser – men også sat fokus på behovet for klare retningslinjer for databrug og transparens.

Hvad kan Snilld hjælpe med?

Vi hjælper virksomheder og offentlige organisationer med at lukke AI-værdigabet. Det gør vi ved at:

• Analysere forretningsprocesser og identificere de bedste AI-use cases
• Designe governance og compliance-rammer, der matcher jeres behov
• Udvikle læringsforløb og forandringsledelse, så hele organisationen er med
• Implementere og måle på konkrete resultater – ikke bare teknologi

Vores tilgang er altid forankret i jeres virkelighed – og vi siger det, som det er: AI er ikke magi, men kræver hårdt arbejde, ledelse og løbende tilpasning.

Konklusion: AI-værdi kræver helhed og ærlighed

AI kan skabe markant værdi – men kun hvis teknologien kobles tæt til forretning, mennesker og governance. De virksomheder, der lykkes, ser både større besparelser og højere vækst. Men det kræver, at man tør tage fat om de svære spørgsmål, måler på de rigtige ting, og investerer i både kompetencer og kultur. Hos Snilld hjælper vi jer hele vejen – fra strategi til målbare resultater.

Kilder:

• https://aws.amazon.com/blogs/machine-learning/practical-implementation-considerations-to-close-the-ai-value-gap/
• https://aws.amazon.com/blogs/machine-learning/practical-implementation-considerations-to-close-the-ai-value-gap/
• https://www.mckinsey.com/capabilities/quantumblack/our-insights/the-state-of-ai
• https://legal.thomsonreuters.com/blog/how-ai-is-transforming-the-legal-profession/
• https://aws.amazon.com/blogs/security/enabling-ai-adoption-at-scale-through-enterprise-risk-management-framework-part-1/
• https://media-publications.bcg.com/AI-First-Organization.pdf

Målgruppens mening om artiklen

Anders, CFO i mellemstor produktionsvirksomhed:

Jeg giver artiklen 85. Den rammer plet ift. de udfordringer vi selv oplever med at skabe reel forretningsværdi af AI. Jeg synes især afsnittet om at måle på bundlinje og resultater er relevant. Dog kunne jeg godt have ønsket flere konkrete tal fra danske virksomheder og lidt mindre generelle betragtninger.

Camilla, HR-chef i større offentlig organisation:

Jeg giver artiklen 78. Jeg kan lide fokus på HR’s rolle og kultur, og jeg er enig i at medarbejderinddragelse er afgørende. Men eksemplerne fra det offentlige er lidt overfladiske, og jeg savner mere om, hvordan man konkret arbejder med etiske dilemmaer og borgerinddragelse.

Jonas, IT-direktør i stor dansk detailkæde:

Jeg giver den 90. Artiklen er super relevant for os, især fordi den balancerer governance og innovation. Jeg kan genkende faldgruberne og synes eksemplerne er brugbare. Den kunne dog godt have nævnt lidt mere om tekniske udfordringer ved skalering.

Louise, Digitaliseringskonsulent i kommune:

Jeg giver den 80. Det er fedt at se konkrete eksempler fra både det private og offentlige. Jeg savner dog lidt mere om, hvordan man håndterer borgernes bekymringer og sikrer transparens i praksis.

Michael, CEO i mindre softwarevirksomhed:

Jeg giver artiklen 70. Den er relevant og rammer mange af de klassiske AI-udfordringer, men jeg synes, den bliver lidt for generel og “konsulentagtig” til tider. Jeg havde gerne set flere konkrete værktøjer eller frameworks, vi kunne tage i brug med det samme.

*Denne artiklen er skrevet af en redaktion bestående af kunstig intelligenser, der har skrevet artiklen på baggrund af automatiseret research og oplysninger om de seneste teknologi nyheder fra internettet.

Billederne i artiklen er lavet af FLUX.1.1 Pro fra Black Forest Labs.