Den største udfordring ved AI i virksomheder er prioritering, ikke innovation

De fleste organisationer har masser af idéer til AI. Men hvordan omsætter de idéerne til løsninger, der reelt forbedrer investeringsafkastet (ROI)?

For erhvervs- og teknologiledere lyder spørgsmålet enkelt, men det er overraskende svært at besvare: Det kræver meget at identificere, evaluere og prioritere de AI-muligheder, der rent faktisk skaber værdi.

Selv om teknologien er klar, og kreativiteten er til stede, mislykkes de fleste AI-initiativer, før de når frem til implementering. Kløften mellem eksperimenter og eksekvering er tydelig: S&P Global fandt, at organisationer opgav gennemsnitligt 46 % af deres AI-projekter på proof-of-concept-stadiet, før de nåede i produktion. Det skyldes, at organisationer evaluerer AI-idéer, før de fuldt ud har defineret det problem, de forsøger at løse.

Mange organisationer er nu kommet videre fra eksperimentfasen, hvor de forsøger at finde ud af, hvilke AI-satsninger de skal foretage, og i hvilken rækkefølge. Men øget anvendelse fører ikke nødvendigvis til forretningsmæssige resultater: McKinseys undersøgelse af AI’s tilstand i 2026 viste, at selv om 44 % af organisationerne nu oplyser, at de udbreder AI på tværs af virksomheden, rapporterer kun 37 % om nogen målbar effekt af AI på driftsresultatet. Disse organisationer har brug for et gentageligt beslutningssystem, der skelner mellem hurtige gevinster, strategiske muligheder, forudsætninger og problemer, der ikke kan løses med AI, før ressourcerne bliver afsat.

Problemet begynder med, hvordan idéerne opstår

I ledergrupper præsenteres AI-idéer sjældent som velafgrænsede, enkeltstående muligheder. Ofte kommer de i samlede pakker – omfattende, rodede og ambitiøse udsagn som: »Vi har brug for AI til kommunikation, rapportering, møder, vidensoverførsel, resultatstyring og måske endda AI-agenter, der kan styre vores projekter.«

Det problem kræver ikke én idé, men mindst seks, som hver især adskiller sig grundlæggende med hensyn til omfang, kompleksitet, krav til styring og forventet værdi.

Bag et enkelt udsagn som »vi har brug for AI til rapportering« kan der gemme sig:

• En gentagen opgave, der kan automatiseres på få uger
• En proces, der skal gentænkes, før AI kan hjælpe
• En helt ny funktion, som AI for første gang gør mulig
• Et data- eller systemproblem, som AI alene ikke kan løse

Hvis alle disse muligheder behandles ens med de samme evalueringskriterier, tidsplaner og metoder til beregning af ROI, fører det til dårlig prioritering og spildte kræfter. De hurtige gevinster drukner i styring, der er udformet til store initiativer. De banebrydende idéer får aldrig det nødvendige ejerskab fra ledelsen. Og de problemer, der slet ikke handler om AI, lægger beslag på kapacitet, som burde bruges andre steder.

En ramme for prioritering af AI-muligheder

Organisationer har brug for et standardiseret sæt principper, der hjælper dem med at finde ud af, hvilke muligheder der egner sig til AI-løsninger. Jeg foreslår følgende:

1. Opdel, før du prioriterer. Kvaliteten af AI-beslutninger afhænger fuldstændigt af kvaliteten af de idéer, der kommer ind i processen. Det vigtigste skridt er at opdele brede ønsker i afgrænsede muligheder, hver med et klart defineret resultat, én ansvarlig person og et realistisk omfang. Når brede idéer vurderes på denne måde, kan en håndfuld indledende udsagn blive til flere særskilte muligheder, der kan tildeles point. Nogle kan straks afprøves i pilotprojekter. Andre kræver først, at bestemte forudsætninger bliver opfyldt. Nogle handler måske slet ikke om AI.
2. Typen bestemmer styringen. Pointtallet bestemmer rækkefølgen. Den type AI-implementering, der er nødvendig for at løse en forretningsmæssig udfordring, og dens pointtal (eller potentiale for at skabe værdi) er to helt forskellige spørgsmål, som de fleste prioriteringsprocesser blander sammen. Hvilken type mulighed er der tale om? Handler idéen om opgaveautomatisering, nytænkning af en proces, en helt ny AI-funktion eller noget andet? Svaret afgør, hvordan den bør håndteres: godkendelsesprocessen, tidsplanen og metoden til at måle værdien. Hvordan den klarer sig sammenlignet med andre muligheder, afgør, hvornår den bør gennemføres. Både en hurtig automatiseringsløsning og en taktisk AI-funktion kan være værdifulde. De bør aldrig følge samme styringsforløb.
3. Definér problemet, før du vælger teknologien. En af de største faldgruber ved AI er at gå for hurtigt videre til spørgsmål om modeller, platforme eller leverandører. Et bedre udgangspunkt er at forstå selve problemet: Hvem oplever det, hvad skaber friktion, og hvilket resultat skal forbedres? Den skelnen er vigtig, fordi organisationer godt kan være sikre på deres AI-strategi og samtidig mangle de grundlæggende evner til at føre den ud i livet: En undersøgelse fra UST i 2026 viste, at 44 % af erhvervsledere pegede på datakvalitet som en hindring for at indføre AI. Hvis drøftelsen af teknologien begynder, før der er enighed om disse grundlæggende forhold, er det som regel for tidligt. Ved at holde de indledende samtaler fokuseret på problemet bliver de endelige teknologivalg langt tydeligere.
4. Gør hindringer lige så tydelige som muligheder. En høj score er ikke nok i sig selv. En idé med stor effekt og ledelsens opbakning, men med en alvorlig hindring for gennemførligheden, såsom manglende data, en uafklaret systemafhængighed eller et krav om overholdelse af regler, bør fremgå af køreplanen, men må ikke sættes i værk, før hindringen er fjernet. Styring og overholdelse af regler er allerede blandt de største hindringer for at opskalere brugen af AI: Moody’s undersøgelse fra 2025 viste, at 33 % af de adspurgte pegede på usikkerhed om regulering eller risiko for manglende regeloverholdelse som en udfordring ved at indføre AI i stor skala, mens 30 % nævnte vanskeligheder med at integrere AI med ældre systemer. En mulighed kan for eksempel få en høj score på alle dimensioner undtagen gennemførlighed, fordi den afhænger af, at et andet team løser en datamangel. Den kan stadig være tydeligt markeret i køreplanen og klar til at gå videre, når afhængigheden er afklaret.
5. Gør køreplanen fleksibel. Teknologiske muligheder udvikler sig, virksomhedens prioriteter ændrer sig, og afhængigheder skifter over tid. En stærk portefølje bør gøre det nemt at revurdere de enkelte muligheder, når forholdene ændrer sig, uden at hele planen skal udarbejdes på ny. Årlige planlægningscyklusser er ofte for rigide på et område, der udvikler sig så hurtigt.

Sådan omsættes det til praksis

AI kan bemærkelsesværdigt nok selv hjælpe med at omsætte denne ramme til praksis. Organisationer kan bruge værktøjer som specialudviklede AI-funktioner og lette applikationer til styring af køreplaner til at guide ledere gennem indsamling, opdeling, klassificering, pointgivning og prioritering af muligheder. I stedet for udelukkende at støtte sig til workshops og mødeledelse kan AI gennemgå ustrukturerede idéer, identificere særskilte muligheder, stille uddybende spørgsmål, udfordre antagelser og udarbejde strukturerede vurderinger af mulighederne til gennemgang.

Disse vurderinger kan derefter indgå i en central køreplan, hvor muligheder, afhængigheder, hindringer og prioriteter håndteres ensartet på tværs af organisationen. Lederne får overblik over, hvilke muligheder der findes, hvilke der er klar til at gå videre med, og hvilke der kræver forudsætninger eller yderligere vurdering. Det ændrer samtalen fra »hvilke idéer har vi?« til »hvad bør vi tage fat på først?«

Det kan føre til langt mere produktive prioriteringsmøder. Lederne møder op, efter allerede at have arbejdet med de centrale spørgsmål, så diskussionen kan fokusere på at afstemme prioriteter og træffe beslutninger i stedet for at begynde fra bunden.

I stedet for at håndtere AI-idéer via adskilte regneark og møder kan organisationer skabe et gentageligt beslutningssystem, der løbende vurderer og prioriterer muligheder i takt med, at virksomhedens behov og de teknologiske muligheder udvikler sig.

Hvad det betyder for AI i større virksomheder

De organisationer, der vil skabe varig værdi med AI, er ikke nødvendigvis dem med de mest avancerede modeller eller de største budgetter. Det er dem, der opbygger den organisatoriske evne til grundigt at vurdere mulighederne med AI, før de forpligter sig til at bruge ressourcer. Udfordringen handler i stigende grad om disciplineret investering: Deloittes ROI-undersøgelse af AI fra 2025 viste, at de fleste organisationer rapporterede, at de opnåede et tilfredsstillende investeringsafkast på en typisk AI-anvendelse inden for to til fire år, sammenlignet med en forventet tilbagebetalingstid på syv til 12 måneder for teknologiinvesteringer.

Det betyder, at man skal hjælpe virksomhedsledere med at omsætte brede idéer til klart definerede muligheder, før man går videre, samtidig med at tekniske teams får plads til at afprøve antagelser og tidligt identificere potentielle udfordringer. Det betyder også, at man skal vedligeholde en køreplan, der tager højde for hindringer, afhængigheder og muligheder, som måske giver bedre mening på et senere tidspunkt.

I sidste ende afhænger det at skabe værdi med AI i større virksomheder af mere end de modeller eller agenter, organisationen tager i brug. Det afhænger af, at man træffer velovervejede beslutninger om, hvor, hvornår og hvorfor de skal bruges.