Din AI-agent er kun så god som dit arkiveringssystem

Den 30. december 2025 leverede Danmarks postvæsen den sidste brev i sin 401‑årige historie. De 1.500 resterende postkasser blev fjernet fra gaderne i løbet af året. I mellemtiden godkendte den tyske føderale regering i juli 2026 GeDIG, loven om sundhedsdata og digital innovation, som udfaser faxmaskiner fra lægekontorerne inden efteråret 2029 og gør elektroniske henvisninger obligatoriske.

Så hvordan kan det være, at ét land kan gennemføre sådanne ændringer, mens et andet stadig udfaser sin afhængighed af faxmaskiner i dette århundrede? Når man tager højde for hvert lands brug af AI i erhvervslivet, brugte 42 % af danske virksomheder mindst én AI‑teknologi i 2025 – den højeste andel i Europa. Tyskland lå på 26 %, over EU‑gennemsnittet men seksten procentpoint bag Danmark.

For mig får kontrasten os til at genoverveje vores antagelser om AI‑adoption. Især troen på, at valg af model er udgangspunktet for AI‑adoption, mens man ignorerer betingelserne i de omkringliggende systemer. Begge lande har adgang til de samme modeller og cloud‑udbydere, men forskellen ligger i, om erhvervs‑ og offentlige processer allerede producerer pålidelige digitale registre. Da en AI‑agent ikke arbejder direkte med virkeligheden, men med den version af virkeligheden, der er tilgængelig i et system, medfører det naturligt visse begrænsninger.

Den første begrænsning: Informationen blev aldrig digitaliseret

En agent kan ikke hente et dokument, der aldrig er kommet ind i systemet. Organisationens informationsflow bestemmer, hvad en agent overhovedet kan opfatte som en opgave.

På landsniveau viser Eurostat‑data, at erhvervs‑AI‑adoption korrelerer med digitaliseringen af administrative processer. Men den afgørende mekanisme er, at lande, hvor borgere allerede modtager officielle dokumenter digitalt, har færre off‑system‑interaktioner, som virksomheder skal afstemme, hvilket reducerer den fortolkningsarbejde, der kræves, før AI kan anvendes sikkert i driften.

På virksomheds‑niveau viser en 2026 IZA‑undersøgelse af 1.907 danske virksomheder, at en stigning på én standardafvigelse i digitalisering er forbundet med en 8‑10 procentpoint højere sandsynlighed for at adoptere kerne‑AI‑systemer. Dette tyder på, at AI‑adoption afhænger af, om virksomhedens interne processer allerede er organiseret på en digitalt struktureret, maskinlæselig måde. Hvis processerne er fragmenterede, er der kun lidt stabil information, som AI‑systemer eller agenter kan handle på.

Dette kan også hjælpe med at forklare, hvorfor politikdrevet digitalisering ikke automatisk fører til AI‑parathed. Italiens obligatoriske B2B‑e‑fakturering skabte en fuldt digital kanal, men den samlede AI‑adoption ligger stadig under EU‑gennemsnittet. Digitalisering af et enkelt trin fjerner ikke det omkringliggende analoge system.

Den anden begrænsning: Informationen findes kun i en persons hoved

Mennesker driver driften, hvilket betyder, at de fleste af tiden kender de detaljer, som AI’en ikke kender. En finansadministrator ved, at en lejer har betalt kontant, men betalingen er aldrig indtastet i regnskabssystemet. Som følge heraf stemmer bankoplysningerne og systemet ikke overens. Administratoren forstår hvorfor, mens AI kun ser inkonsistente data. En ejendomsadministrator husker, at en udlejer bad om ikke at blive kontaktet i to uger. Et team kender en arbejdsomvej for en bygning eller kunde, men ingen har dokumenteret den.

ClarEval testede opgaver med manglende mål, manglende forudsætninger og tvetydig terminologi. Modellens præstation faldt fra omkring 89 % efter afklaring til cirka 9 %, når tvetydigheden forblev uafklaret. I mellemtiden fandt Ambig‑SWE, at hvis man tillader en model at stille spørgsmål til en bruger, der besidder den manglende information, kan man genvinde op til 74 % af den tabte præstation. Dette antyder, at ingeniører bør bygge et system, der fra starten er i stand til at bede om afklaring.

Den tredje begrænsning: Informationen findes, men kan ikke overføres

Nogle data er tilgængelige inden for virksomheden, men kan stadig ikke nå modellen på grund af privatlivsregler, sikkerhedskontroller, kontrakter eller interne politikker.

En undersøgelse baseret på syv års cloud‑data fandt, at GDPR – EU’s grundlæggende databeskyttelseslov – reducerede datalagring med 26 % og databehandling med 15 % blandt EU‑virksomheder i forhold til sammenlignelige amerikanske virksomheder. Med andre ord gjorde privatlivsreguleringen virksomheder mindre dataintensive ved at begrænse den mængde information, de kunne beholde og behandle til analyse og AI. Adoption af generativ AI var næsten ens, med 37 % af EU‑virksomheder og 36 % af amerikanske virksomheder. Men forskellen i dybden af AI‑adoption er stor, idet 81 % af amerikanske virksomheder bruger AI i mindst to interne processer, sammenlignet med 55 % i EU. En mulig årsag er, at information, der allerede findes inden for organisationer, ofte er sværere at genbruge til AI i Europa. Kundesupport‑samtaler indeholder for eksempel ofte personlige data indsamlet for at løse kundespørgsmål. Under GDPR’s formålsbegrænsningsprincip (Artikel 5(1)(b)) kan disse data ikke blot genanvendes til AI‑træning uden et gyldigt juridisk grundlag. Amerikanske virksomheder står generelt over for færre tilsvarende føderale restriktioner ved genbrug af sådanne data.

Sådan bygger du det rette system

Hentning fungerer kun, når svaret findes i systemet. Agenter bør spørge, når information mangler, aldrig gætte, og omdanne opkald eller uformelle beslutninger til strukturerede registre. Virksomheder bør også fjerne parallelle papir‑arbejdsprocesser, fordi hvis en opgave kan udføres uden for systemet, vil en del af konteksten forblive usynlig.

Hver virksomhed skal tage højde for sine egne huller. Mål, om et faktum, der er nødvendigt for at handle korrekt, var inden for systemet eller ej. Test arbejdsprocesserne med og uden de udeladte felter for privatlivsgennemgang. Endelig, for den arbejdsproces, der kan udføres på papir, er det den agent, der skal bygges sidst.

Agenter kan forbedre menneskelig output, men de reparerer ikke det, der mangler.