Manus.im lover AI-drevet datavisualisering uden kode – men holder det?
Den kinesiske startup Manus.im har lanceret et AI-værktøj, der gør det muligt at trække et rodet regneark ind og få et interaktivt diagram retur – uden behov for BI-specialister. Løftet om at forvandle selv fejlbehæftet data til præsentable grafer på få minutter lyder nærmest futuristisk, men værktøjet adresserer reelle problemer, mange danske virksomheder oplever dagligt.

Excel og sidsteleds-problemet: Dokumenterede udfordringer

På trods af massive investeringer i BI-platforme bruger 58% af finansledere stadig Excel til månedlige KPI’er, ifølge en Rossum-undersøgelse fra 2024. TechRadar estimerer, at op mod 90% af organisationer oplever, at regneark er det “sidste led” mellem styr på data og præsentation, hvilket ofte fører til fejl og frustration. Disse tal understreger, hvorfor løsninger som Manus.im har fået opmærksomhed: de sigter direkte mod det ad hoc dataarbejde, der fortsat præger både små og store virksomheder.

Sådan blev Manus og ChatGPT testet – detaljeret metode

For at vurdere, om AI kan løse det såkaldte ‘last mile data problem’, blev Manus.im og ChatGPT Advanced Data Analysis testet på tre datasæt:

• 113.000 rækker e-commerce ordrer
• 200.000 rækker marketing funnel-data
• 10.000 rækker SaaS MRR

Hvert datasæt blev testet i både ren og fejlbehæftet version – sidstnævnte med 5% tilfældige fejl såsom nuller, blandede datofelter og dubletter. Opgaven var at visualisere månedlig omsætningstrend og identificere afvigelser. Resultaterne blev evalueret på tid, datarensning, og kvalitet af visualisering.
Bemærk: Testen er baseret på et begrænset antal datasæt og kan ikke generaliseres til alle datatyper eller virksomheder.

Testresultater: Manus rydder op, ChatGPT er hurtigst

Manus brugte cirka fire gange så lang tid som ChatGPT på rodede data, men leverede mere sammenhængende diagrammer. For eksempel kunne Manus automatisk rydde op i datoformater og nuller, mens ChatGPT kun leverede brugbare grafer på rene data. Tabeller og grafer blev dog hos begge værktøjer ikke fuldt præsentationsklare uden manuel efterbearbejdning: labels, akseopdeling og formatering krævede ekstra arbejde.

• Manus: Automatisk datarens, fornuftige trends på rodede data, men længere behandlingstid
• ChatGPT: Lynhurtig output, men fejlbehæftet visualisering ved ustruktureret input

En tilsvarende test med Perplexity bekræftede mønsteret: Manus klarede rodede data bedst, men var langsom; ChatGPT var hurtigst men fejlede på datahygiejne. Perplexity kunne kun håndtere små datasæt og er ikke relevant for enterprise-brug i dag.
Kilde: VentureBeat, juli 2025

Begrænsninger i testen og generaliserbarhed

Testen omfattede tre datasæt og en række fejltyper, men dækker ikke alle tænkelige scenarier. Resultaterne bør derfor læses som indikatorer, ikke som universelle sandheder. Forskelle i datatyper, virksomhedsstørrelse og brancher kan give andre resultater.

Transparens og audit trail: Enterprise-kravet mangler hos Manus

Den største enterprise-udfordring for Manus er manglende transparens. Værktøjet oplyser ikke, hvilke datarensninger eller transformationer, der er foretaget. For en CFO, der skal forklare håndtering af dubletter eller outliers til revisoren, mangler svarene. Til sammenligning viser ChatGPT, Claude og Grok den bagvedliggende Python-kode – dog kun brugbart for de kodningskyndige. Forretningsbrugere står tilbage uden sporbarhed og audit trail.

Integration og datalagre: Hvor halter Manus?

Manus.im fungerer i dag udelukkende med fil-upload. Det kan være tilstrækkeligt for små og mellemstore virksomheder med ad hoc behov. Men større organisationer har brug for integration til datalagre som Snowflake, BigQuery og S3 – samt dokumentation for hele transformationsprocessen. Ifølge VentureBeat har Manus.im annonceret, at integration til live datakilder er “på roadmap”, men uden at sætte dato på.

• Manus: Ingen integration til live datakilder
• Manus: Ingen transformationslog eller audit trail
• Manus: Kun eksport som PNG, ikke interaktive formater

Warehouse-native AI-værktøjer overhaler på governance

Store spillere som Google Gemini i BigQuery, Microsoft Copilot i Fabric, og GoodData AI Assistant tilbyder direkte integration i datalagre, bevarer datalinje og dokumenterer hele vejen fra rå data til graf. Disse løsninger opfylder enterprise-krav til sikkerhed, governance og compliance langt bedre end fil-upload værktøjer som Manus.

Hvem får værdi af Manus – og hvem bør vente?

Manus kan give værdi for små og mellemstore virksomheder, hvor dataanalyse ofte sker i Excel og CSV. Her kan værktøjet spare tid ved simple analyser og hurtige præsentationer. For store organisationer med krav til datasikkerhed og revision, anbefales warehouse-native løsninger, der arbejder direkte i datalagre og dokumenterer hvert trin.

Snillds vurdering: Forretningsværdi og faldgruber

Vi vurderer, at AI-værktøjer som Manus har potentiale til at effektivisere dataflow og visualisering, men virksomheder bør overveje følgende, før de implementerer:

• Er visualisering på fil-niveau tilstrækkeligt, eller kræves integration til virksomhedens datalagre?
• Er der behov for dokumentation og audit trail for alle dataoperationer?
• Kan output bruges direkte til ledelsesrapportering, eller kræver det stadig manuel efterbearbejdning?

Hos Snilld rådgiver vi gerne om, hvor AI kan skabe værdi i dataarbejdet, og hvornår det bedre kan betale sig at vente på mere modne løsninger, der matcher governance og compliance-krav.

Modargumenter og konkurrenternes svar

Nogle vil mene, at hurtig visualisering altid er bedre end Excel, men sådan forholder det sig kun, hvis dataens vej til grafen er gennemskuelig og til at stole på. Konkurrenter som Google og Microsoft fremhæver deres integration til etablerede BI-platforme og styr på datalinje som afgørende for enterprise-brug. Det er også vores erfaring, at sikkerhed og sporbarhed hurtigt bliver vigtigere end ren visualiseringshastighed for virksomheder med forretningskritisk data.

Opsummering: Hvad får du som læser?

Du får et faktabaseret overblik over de nyeste AI-værktøjer til datavisualisering, deres styrker og svagheder, og konkrete råd til at undgå de største faldgruber – især hvis du arbejder med compliance, governance og datadrevne beslutninger. Vil du vide mere om, hvordan din data kan skabe værdi uden at gå på kompromis med sikkerhed, så kontakt os hos Snilld. Vi hjælper gerne med at vurdere, hvor AI bedst kan sættes i spil i din organisation.

Kilder:

• https://venturebeat.com/data-infrastructure/chinese-startup-manus-challenges-chatgpt-in-data-visualization-which-should-enterprises-use/
• https://manus.im/
• https://www.youtube.com/watch?v=50jhhDEh60U
• https://www.immuta.com/blog/why-you-need-a-data-audit-trail/
• https://www.reddit.com/r/datavisualization/comments/1fmxgmg/what_is_the_best_free_ai_tool_for_data/
• https://www.thekeycuts.com/dear-analyst-130-what-happens-when-we-rely-too-much-on-excel-spreadsheets-and-shadow-it-takes-over/

Målgruppens mening om artiklen

Peter Hansen, Produktionschef:

Jeg vil give artiklen en score på 65. Det er positivt, at værktøjet adresserer nogle reelle problemer, som mange virksomheder står over for, men manglen på integration med eksisterende systemer samt manglende transparens kan være kritiske problemer for større organisationer som min egen.

Anne Mikkelsen, Indehaver af en lokal tøjbutik:

Artiklen scorer 75 for mig. Den giver et interessant indblik i værktøjets potentiale for små virksomheder som min, hvor data ofte håndteres ad hoc, men jeg er bekymret over manglen på gennemsigtighed og integrationsmuligheder med vores eksisterende arbejdsprocesser.

Martin Holm, Software Engineer:

Jeg ville give den en score på 60. Selvom jeg sætter pris på innovationen, virker løsningen ikke tilstrækkeligt robust eller skalerbar for større teknologiske kontekster, som dem jeg arbejder i. Det, at værktøjet ikke kan integrere med live datakilder, er en stor ulempe.

Sofie Andersen, Digitaliseringsekspert:

Jeg giver den en score på 70. Den berører nogle spændende aspekter af hurtig datavisualisering, men jeg savner mere dybdegående evaluering af, hvordan værktøjet præcist adresserer enterprise krav til sikkerhed og compliance, hvilket er vigtigt i mit arbejde.

Laura Thomsen, Operation Manager:

Artiklen får en score på 68 fra mig. Det er spændende med et værktøj, der kan adresser “last mile data problem”, især for mindre organisationer, men for større virksomheder er der brug for bedre integration og compliance, som værktøjet tilsyneladende mangler i dag.

*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 Fluxx Schnell fra Black Forest Labs.