Et nærmere kig på AI‑adoptionsstadierne bag succes med enterprise‑AI

Alle virksomheder bevæger sig gennem de samme AI‑adoptionsfaser, uanset om de planlægger dem eller ej. Stien går fra spredt værktøjsbrug til de første pilotprojekter, derefter til live‑produktion og til sidst til delte systemer, som hele forretningen er afhængig af. Hver overgang sker gradvist, så virksomheder typisk når en ny fase længe før nogen bemærker det.

Det, der adskiller den ene virksomhed fra den anden, er hvor langt de er kommet på denne sti, og kløften på tværs af markedet er stor. McKinseys globale undersøgelse fra 2025 fandt, at 88 % af organisationerne nu bruger AI i mindst én forretningsfunktion, mens omkring en tredjedel er begyndt at skalere den, og 7 % siger, at AI er fuldt skaleret. Det betyder, at næsten alle virksomheder er begyndt at implementere AI, men kun meget få har haft succes med det.

Over de seneste år har jeg arbejdet med ledelsesteams på næsten alle punkter på denne sti, og ét mønster har holdt gennem hele forløbet. Den fase, en virksomhed befinder sig i, fortæller mere om, hvad dens AI‑program vil levere, end hvilken model den har valgt eller hvilken leverandør den har indgået aftale med. Hver AI‑adoptionsfase kræver en anden form for forandring i organisationen, og netop den forandring forudsiger resultatet. Lad os derfor gennemgå dem én ad gangen samt det punkt, hvor virksomheder typisk sidder fast, når de skal videre til den næste fase.

De fem faser af AI‑adoption og de beslutninger, der driver en virksomhed fremad

På tværs af de virksomheder, vi arbejder med, forekommer disse fem faser i samme rækkefølge næsten hver gang. Det starter typisk med, at nogle få personer bruger AI‑værktøjer på egen hånd, og ledelsen har ofte ingen idé, før meget senere. Nogle virksomheder kommer aldrig videre end dette. De, der gør, fortsætter og når til sidst et punkt, hvor forretningen selv er bygget omkring, hvad teknologien kan gøre. Det vigtige at forstå er, at hver fase stiller andre krav til organisationen. Den beslutning, der førte en virksomhed gennem pilotfasen, er ofte den samme beslutning, der holder den tilbage et år senere, og det er her mange AI‑programmer stille falder fra.

1. Spredt brug uden ejer

Den første fase fremstår typisk som ren nysgerrighed. På dette tidspunkt bruger medarbejderne AI‑værktøjer uden en central politik bagved, indkøb har ingen indsigt i det, og ingen måler, hvad arbejdet leverer. Der gemmer sig reelle oplysninger i dette kaos, fordi nysgerrighed i virksomhedens kanter viser, hvor friktionen virkelig opstår, og dette signal når næsten aldrig ledelsesniveauet gennem en formel kanal.

Den fejl, ledere begår her, er at formalisere for tidligt, hvilket forvandler ægte eksperimentering til en styringsøvelse længe før nogen har fundet ud af, hvad der faktisk skal styres.

Hvad der skal besluttes i denne fase: Den rette indstilling er at observere, hvad der sker, i stedet for at forsøge at regulere det, så indfør en let brugspolitik, der dækker datahåndtering, og lad resten være i fred for nu. Det, du leder efter, er gentagelse, for når den samme omvej dukker op i tre forskellige teams uden koordinering, har du et brugstilfælde, der fortjener ordentlig finansiering.

2. Finansierede pilotprojekter med svage succeskriterier

Pilotprojektet fremkommer med et budget, en navngivet ejer og en demo, der præsenteres for bestyrelsen, hvorefter arbejdet stille og roligt stopper der. Forskning fra MIT’s NANDA‑initiativ fandt, at den overvældende majoritet af enterprise‑generative AI‑pilotprojekter ikke giver nogen målbar indvirkning på resultatopgørelsen.

Tre faktorer står for næsten alt dette, og den første er, at succeskriterierne bygges omkring modellens nøjagtighed i stedet for et tal, som forretningen faktisk bekymrer sig om. Den anden er, at der ikke er nogen ægte datapipeline under demoen. Den tredje er, at når lanceringen er afsluttet, er der ingen, der har ansvaret for resultatet. Det, der gør denne fase svær at opdage indefra, er, at den ser ud som fremgang, med forbedrede demoer, leverandører, der konkurrerer om den næste fase, og komitéer, der stadig mødes, mens intet af dette omsættes til et tal, som økonomiafdelingen kan måle.

Den beslutning, du skal træffe her: Godkend ikke et pilotprojekt uden en forretningsmæssig metric knyttet til det og en ejer, der stadig vil stå til ansvar for den metric om et år, og afvis dem, hvor ingen kan navngive hverken metric eller ejer. Fire pilotprojekter kørt med denne disciplin vil bringe dig længere end tolv, som alle beundrer.

3. Produktionsintegration

Af alle AI‑adoptionsfaser er dette den, der afslutter det største antal programmer. Medarbejdere og kunder er nu afhængige af systemet hver dag, og krav begynder at dukke op, som ingen pilot nogensinde skulle opfylde, fra overvågning og menneskelige eskaleringsveje til versionskontrol af prompts og modeller, hændelsesrespons og datalinje, der kan holde til en revision. NIST AI Risk Management Framework dokumenterer disse kontroller i detaljer, og det er værd at læse, før en lanceringsdato fastsættes.

Det sværere problem her er ikke teknisk, men organisatorisk, fordi denne fase belønner ingeniørdisciplin frem for yderligere eksperimentering, og et team, der har fungeret som en forskningsgruppe, vil kæmpe med det, mens ledelsen søger en teknologisk forklaring. Økonomien skifter også. Pilotomkostningerne er engangsudgifter, der er lette at godkende, mens produktion skaber en permanent driftslinje, og virksomheder, der aldrig har budgetteret for den, har tendens til at se den første fornyelsesforespørgsel som bevis på, at investeringen gik galt.

Hvad der skal ændres inden lanceringen: Flyt ejerskabet til før lanceringen i stedet for efter, placer leverancen i hænderne på dem, der har kørt ting i produktion, og finansier driftsomkostningerne tre år frem fra starten. Navngiv derefter den person, der får advarslen, når en model forringes, for netop dette ene navn adskiller et fungerende system fra en demo.

4. Delte kapabiliteter og genbrug

På dette tidspunkt bliver AI til infrastruktur, som flere forretningsenheder benytter. Et platformsteam vedligeholder de genanvendelige komponenter, en standardiseret evalueringsmetode og en implementeringsvej, så omkostningerne ved hvert nyt brugstilfælde falder, fordi ingen genopbygger grundlaget fra bunden hver gang.

Det tydeligste signal på, at en virksomhed har nået denne fase, har intet med teknologi at gøre. Budgetmyndigheden flytter fra innovationsholdet til forretningslinjeejere, og når en divisionschef finansierer AI‑arbejde fra et driftsbudget og bærer afkastet i sine egne tal, har organisationen reelt krydset over. Vi har set, at denne ene ændring gør mere for kvaliteten af brugstilfælde end noget  

Hvor pengene bør placeres: Finansier platformsteamet som infrastruktur i stedet for at behandle det som et projekt, og mål på genbrug frem for på hvor mange ting der er lanceret. Flyt derefter AI‑budgettet fra innovation til divisionerne, for i det øjeblik en forretningsansvarlig betaler for det, bliver brugstilfældene skarpere uden at nogen behøver at gribe ind.

5. AI integreret i driftsmodellen

Virksomheder i denne fase designer produkter, processer og beslutninger omkring AI‑kapacitet fra starten, og intet efterfølgende tilpasses. Nye tilbud forudsætter, at kapaciteten allerede er til stede, roller ændres for at afspejle, hvad systemerne håndterer, og planlægningscyklusser forkortes, fordi en idé kan testes mod reelle data på få dage.

Meget få organisationer når faktisk hertil, og antallet, der påstår at have denne position, er betydeligt større end antallet, der reelt kvalificerer sig. Testen er simpel nok til at gennemføres i et enkelt møde: spørg, hvad virksomheden ville holde op med, hvis modellerne forsvandt i morgen. Et ærligt svar er ubehageligt at sige højt, fordi det nævner omsætning i stedet for bekvemmelighed. Hver gang vi har stillet dette spørgsmål til et ledelsesteam, placerede det ærlige svar dem et eller to trin under, hvad strategidokumentet påstod.

Spørgsmålet på bestyrelsesniveau: Behandl AI‑kapacitet som en strategisk ressource og anvend den samme granskning som på enhver anden. Gennemgå leverandørkoncentration, modelafhængighed og dataejerskab på bestyrelsesniveau, og spørg derefter, hvordan en backup ser ud for hver proces, der ikke længere kan køre uden en model, og finansier den backup, før nogen har brug for den.

Hvad sker der, når en virksomhed springer en fase over: Et virkeligt eksempel

Vi har set nok virksomheder, og forløbet er næsten altid det samme: når en pilot går godt, kan bestyrelsen lide den, alle vil vise fremskridt, og virksomheden går fra demo til fuld udrulning uden at stoppe ved produktionsintegration imellem. Ingen ønsker at bruge et kvartal på overvågning og ejerskab, når demoen allerede fungerer, så de springer det over. En af vores kunder gjorde netop dette, og det kostede dem mere, end de havde forventet.

Hvad gik galt

Kunden var en servicevirksomhed, der håndterede en supportbelastning, og modellen håndterede de første svar, som tidligere lå hos deres team. Den gik i drift i hele organisationen på baggrund af en pilot, der havde fungeret godt, og i fire måneder så intet ud til at være galt. Da vi kom ind og så på, hvad der faktisk kørte, var der ingen overvågning af modellen, så intet ville advare dem, hvis svarene begyndte at afvige. Der var ingen eskaleringsvej for de sager, en person skulle have tjekket. Teamet, der byggede den, var gået videre til næste projekt og havde ikke overdraget ejerskabet til nogen, og fordi piloten var en engangsudgift, havde ingen lagt et driftsbudget bag noget, der nu kørte hver dag.

Hvad det kostede dem

Svarene begyndte at afvige, og enhver, der holdt øje, ville have opdaget det tidligt, men ingen holdt øje, så en kunde opdagede det først. At rette modellen viste sig at være den lette del og tog omkring to uger. At vinde de personer, der havde været afhængige af dette output, tilbage, tog resten af kvartalet, og ledelsen brugte størstedelen af det samme kvartal på at argumentere om, hvorvidt AI‑investeringen var en fejl, mens fejlen faktisk lå i, hvordan de lancerede den.

Hvad man kan lære af det

Overvågning og ejerskab fremstår som overhead, indtil du er uden dem, og at udelade dem får en lancering til at virke billigere, end den er. Omkostningen forsvinder ikke, den viser sig blot senere som tabt tillid i stedet for et tal i budgettet.

Sådan identificerer du din virksomheds nuværende AI‑adoptionsfase

Fire spørgsmål placerer en virksomhed på denne sti hurtigere end enhver formel vurdering. Stil dem sammen med dine driftsledere, og besvar hver enkelt med beviser.

• Kan du navngive den forretningsmæssige metric, som hver implementeret model påvirker?
•  Hvem får advarslen, når en af dem forringes?
• Hvor lang tid tager et nyt brugstilfælde fra anmodning til produktion?
•  Hvor meget af dit AI‑arbejde genbruger det, du allerede har bygget?

Klar svar bekræfter den fase, en virksomhed har nået. Usikre svar peger direkte på det lag, der bør finansieres næste, hvilket gør dem lige så værdifulde at …
De virksomheder, der trækker forrest, er sjældent dem med de bedste modeller, men dem der ærligt læser deres position og investerer i det, der bringer dem til næste fase. Det er sværere, end det lyder, fordi hvert team rapporterer om sin egen fremdrift, og ingen ønsker at være den, der siger, at deres del er bagud. De ledere, der får dette rigtigt, stiller spørgsmålene direkte, og de afstemmer svarene med det, der faktisk kører.

Hver organisation tilhører allerede en af disse faser, uanset om nogen har navngivet den eller ej. Fordelen tilfalder de ledelsesteams, der ved, hvilken fase det er, og som bevidst finansierer det næste skridt.