AI-barrierer i danske SMV'er: hvad holder virksomhederne tilbage?

AI-barrierer for danske SMV'er kan være tekniske, organisatoriske og juridiske. Denne artikel behandler fem temaer: kompetencer og tid, spredte data, GDPR og compliance, business-case samt personafhængighed. Agent360 kan bygge en samlet arbejdsgang til jeres AI-brug. Vi afklarer, hvilke systemer og konti den skal bruge, hvem der har adgang, og hvilke rettigheder til data og løsning aftalen skal sikre.

Det korte svar: Undersøg både teknikken og rammerne omkring den. Ifølge Danmarks Erhvervsfremmebestyrelses Virksomhedspanel (efterår 2025, 4.128 SMV'er) havde 44 pct. arbejdet med kunstig intelligens, mens 10 pct. havde systematisk implementeret løsninger i forretningsgange, processer eller værdikæder. Undersøgelsen beskriver udbredelse og barrierer; den forklarer ikke alene, hvorfor en bestemt virksomhed er gået fra afprøvning til drift. Artiklen gennemgår fem temaer og mulige første skridt, som I kan vurdere i jeres virksomhed.

AI-barrierer er de praktiske, organisatoriske og juridiske forhindringer: manglende kompetencer og tid, spredte data, compliance-usikkerhed, uklar business-case og personafhængighed, der forhindrer en virksomhed i at gå fra spredte AI-eksperimenter til kunstig intelligens som en pålidelig del af den daglige drift.

Hvis I tænker "vi burde gøre mere med AI, men vi ved ikke hvor vi skal starte", kan I bruge temaerne her til at afgrænse opgaven. Undersøg først, hvilke konkrete forhold der står i vejen hos jer, og vælg derefter et første skridt.

Status: hvor langt er danske SMV’er med AI?

Lad os starte med det billede, tallene faktisk tegner, for det er både mere opmuntrende og mere nøgternt, end debatten ofte antyder.

Tallene fra Danmarks Statistik

Danmarks Statistik opgjorde AI-brugen blandt private, ikke-finansielle byerhverv med mindst 10 fuldtidsansatte til 15 pct. i 2023 og 28 pct. i 2024. De mest udbredte anvendelser i 2024 var ifølge samme opgørelse produktion af skreven tekst eller talt sprog (18 pct.) og analyse af tekst (17 pct.). Det er historiske tal for denne afgrænsede population.

Tallene viser udbredelsen af de nævnte anvendelser. De fastslår ikke, hvilke teknologier eller organisatoriske forhold der forårsagede væksten. Et browserbaseret tekstværktøj kan være let at afprøve, mens drift stadig kræver vurdering af opgaven, data og arbejdsgangen.

Eksperiment vs. drift: det store gab

Erhvervsfremmebestyrelsens måling fra efteråret 2025 zoomer ind på SMV’erne specifikt, og her bliver billedet skarpere: 60 pct. af SMV’erne finder kunstig intelligens relevant, 44 pct. har arbejdet med det, men kun 10 pct. har systematisk implementeret det i forretningsgange, processer eller værdikæder, og blot 2 pct. har selv udviklet produkter eller værktøjer, som aktivt bruges i virksomheden. Af de SMV’er, der bruger AI, har tre ud af fire ifølge rapporten kun eksperimenteret med gængse værktøjer som ChatGPT eller Copilot.

Det er dét gab, denne artikel handler om. Danske SMV’er er ikke bagud med at prøve AI, de er langt fremme. Men der er en tragt fra “finder det relevant” (60 pct.) over “har prøvet det” (44 pct.) til “har det i drift” (10 pct.), og hvert trin ned i tragten har sine egne barrierer. Samme rapport viser, at 84 pct. af de SMV’er, der ser et stort eller meget stort AI-potentiale i mindst ét forretningsområde, samtidig oplever barrierer ved anvendelsen. Potentialet og forhindringerne bor med andre ord i de samme virksomheder.

Potentialespørgsmålet blev stillet til de 2.464 SMV'er i stikprøven, som fandt AI relevant for virksomheden. Hvor så denne gruppe det største potentiale? Ifølge målingen topper salg og markedsføring, hvor 38 pct. vurderer, at AI har et stort eller meget stort potentiale, efterfulgt af produkt- og forretningsudvikling (29 pct.), administration og økonomi (26 pct.), kundeservice og support (23 pct.) samt produktion og drift (22 pct.). Det er værd at bide mærke i for enhver SMV-leder: de områder, hvor jeres kolleger ser mest værdi, er de kundevendte og administrative processer, ikke eksotiske specialanvendelser.

Barriere 1: Kompetencer og tid

I den afgrænsede barriereundersøgelse fyldte manglende viden, kompetencer og erfaring mest blandt svarmulighederne.

Hvad tallene viser

På tværs af fem forretningsområder i Erhvervsfremmebestyrelsens måling fra efteråret 2025 var "mangler relevant viden, kompetencer og erfaring" den mest udbredte barriere: 40-48 pct., med administration og økonomi i toppen (48 pct.). Tallene gælder de SMV'er, der så stort eller meget stort AI-potentiale i det pågældende forretningsområde; barriereanalysen omfatter 1.372 SMV'er samlet. I samme afgrænsning angav 22-30 pct. omkostninger som barriere.

Spørgsmålet om hjælpetilbud blev stillet til de 1.146 SMV'er, som havde angivet mindst én barriere. De kunne vælge op til tre tilbud. Da de i samme undersøgelse blev spurgt, hvilke tilbud der ville hjælpe dem videre, svarede 58 pct. rådgivning om anvendelsen af kunstig intelligens, 33 pct. opkvalificering af medarbejdere og 29 pct. opkvalificering af ledere og bestyrelse. Det mest efterspurgte er ikke tilskud eller teknologi, det er nogen, der kan oversætte AI til deres virksomhed.

Hvorfor tid er den skjulte halvdel af barrieren

Kompetencebarrieren har en tvilling, som sjældent står i statistikkerne, men som enhver SMV-leder kender: tid. I en virksomhed med 15 ansatte er der ingen digitaliseringsafdeling. Den person, der skulle “kigge på AI”, er den samme person, der lukker regnskabet, håndterer kundeklagen og dækker ind for en sygemeldt kollega. Kompetencer kan man købe eller lære, men timerne til at afprøve, evaluere og indarbejde et nyt værktøj skal tages fra driften.

Det har en vigtig konsekvens for, hvordan man bør angribe AI som SMV: Løsninger, der kræver måneders projektarbejde før første gevinst, taber til hverdagen. Løsninger, der giver en mærkbar tidsbesparelse inden for de første uger på én konkret proces, vinder, fordi de finansierer den næste time, man investerer. Start derfor ikke med en “AI-strategi for hele virksomheden”. Start med den proces, der irriterer flest medarbejdere mest.

Barriere 2: Data spredt i systemer der ikke taler sammen

Den anden store barriere opdager de fleste først, når de er i gang: AI er kun så god som de data, den kan nå.

Symptomerne kender du sikkert

Kundedata kan ligge i ét system, ordrer i et andet og aftaler i mails eller regneark. I Erhvervsfremmebestyrelsens måling fra efteråret 2025 angav 16-24 pct. problemer med nødvendige datas tilgængelighed eller kvalitet som barriere. Tallene gælder SMV'er, der så stort eller meget stort AI-potentiale i det pågældende forretningsområde. Andelen var højest i produkt- og forretningsudvikling samt produktion og drift (begge 24 pct.). Blandt de samme områdespecifikke grupper angav op til 14 pct., at eksisterende udstyr, software eller IT-systemer ikke understøttede anvendelsen.

Paradokset er, at mange danske SMV’er faktisk har gode data. Rapporten fremhæver selv, at den høje digitaliseringsgrad betyder, at mange SMV’er allerede ligger inde med struktureret virksomhedsdata, ordre-, lager- og salgstal samt kundedata fra CRM-systemer. Problemet er sjældent, at data ikke findes. Problemet er, at de bor i siloer.

Hvorfor AI forstærker dataproblemet

En medarbejder kan kompensere for rodede data, man ringer lige til Lars og spørger, hvad der egentlig blev aftalt. En AI-assistent kan ikke. Sætter man AI oven på spredte og inkonsistente data, får man spredte og inkonsistente svar, bare hurtigere. Derfor oplever mange SMV’er, at deres første seriøse AI-forsøg strander på et dataoprydningsprojekt, de ikke havde regnet med.

Det er ikke en grund til at opgive, det er en grund til at vende rækkefølgen om. Ryd op dér, hvor AI’en skal arbejde først, ikke i hele virksomheden. Hvis første anvendelse er salgsstøtte, så er det CRM-data, der skal være retvisende: dubletter flettet, faste felter udfyldt, døde leads arkiveret. Vi har skrevet en praktisk gennemgang af netop det i vores guide til CRM-data-hygiejne, og hvis CRM-begreberne er nye, er introduktionen til CRM-automatisering et godt sted at starte. Pointen er den samme begge steder: datakvalitet er ikke et forkrav for al AI, kun for den proces, du starter med. Det gør bjerget til en bakke.

Barriere 3: Usikkerhed om GDPR og compliance

Den tredje barriere handler mindre om, hvad reglerne siger, og mere om, at ingen i virksomheden er sikker på, hvad de siger.

Hvad usikkerheden faktisk handler om

I Erhvervsfremmebestyrelsens måling fra efteråret 2025 angav 11-28 pct. bekymring for at overtræde loven som barriere, højest i administration og økonomi (28 pct.). Tallene gælder SMV'er, der så stort eller meget stort AI-potentiale i det pågældende forretningsområde. I disse områdespecifikke grupper angav 14-23 pct. bekymringer om digital sikkerhed eller afhængighed. I undersøgelsens spørgsmål om hjælpetilbud pegede 23 pct. på rådgivning om juridiske forhold og regler om databeskyttelse.

Tre praktiske leverandørspørgsmål kan hjælpe afklaringen, men de erstatter ikke en vurdering af behandlingsgrundlag, formål, nødvendige data, information og de registreredes rettigheder:

• Hvor bliver data behandlet? Afklar leverandørens rolle, en databehandleraftale hvis leverandøren behandler på jeres vegne, og eventuelt grundlag for overførsler uden for EU/EØS.
• Trænes der på vores data? Bruger leverandøren jeres input til at træne modeller, der betjener andre kunder, og kan det slås fra?
• Hvem kan se hvad? Har alle medarbejdere pludselig adgang til opsummeringer af data, de ikke måtte se i kildesystemet?

Ingen af de tre spørgsmål kræver en jurastuderet AI-ekspert at stille. De kræver, at nogen har fået til opgave at stille dem.

EU AI Act oveni, men uden panik

EU's AI-forordning kan stille yderligere krav, som afhænger af systemet, anvendelsen og virksomhedens rolle. Tekstudkast, mødeopsummering og kundeservice skal derfor vurderes konkret; de har ikke automatisk samme pligter. Vi har lavet en gennemgang målrettet danske virksomheder i vores guide til EU AI Act for salgsorganisationer.

Start compliance-afklaringen med en oversigt over, hvilke AI-værktøjer I bruger, til hvilke formål, med hvilke data og hos hvilke leverandører. Oversigten gør det muligt at undersøge de relevante krav og eventuelle risici. Interne retningslinjer og virksomhedskonti kan understøtte styringen, men gør ikke i sig selv en behandling lovlig.

Barriere 4: Uklar business-case

“Vi kan se, det er smart, men vi kan ikke regne hjem, hvad det er værd.” Sådan lyder den fjerde barriere, og den er mere rationel, end den ofte bliver fremstillet.

Hvorfor gevinsten er svær at regne hjem

I Erhvervsfremmebestyrelsens måling fra efteråret 2025 angav 22-30 pct. omkostninger ved implementering som barriere. Det gælder SMV'er, der så stort eller meget stort AI-potentiale i det pågældende forretningsområde. Rapporten anfører som en mulig forklaring, at omkostningsbekymringen også kan afspejle usikkerhed om gevinsterne. Undersøg derfor både licenspris, medarbejdertid og de resultater, I vil måle.

En mulig udfordring er, at små tidsbesparelser er fordelt på flere medarbejdere og ikke uden videre bliver til en økonomisk gevinst. Mål jeres nuværende tidsforbrug og kvalitet, før I vurderer en ændring. Undersøg også, hvad eventuel frigivet tid faktisk bruges til.

Fra “spændende” til målbar

Løsningen er ikke et større regneark, det er en mindre påstand. I stedet for at bygge en business-case for “AI i virksomheden” bygger man én for én proces: Vi bruger i dag anslået N timer om ugen på at skrive tilbud / besvare standardhenvendelser / overføre data mellem systemer. Vi afprøver AI på den proces i fire uger og måler, hvad tallet så er. En så afgrænset test koster lidt, afslører meget og giver et tal, ledelsen kan forholde sig til, uanset om det taler for eller imod at fortsætte.

De processer, der egner sig bedst til den øvelse, er de gentagne og målbare: salgsopfølgning, tilbudsskrivning, mødeforberedelse, rapportering. Vores komplette guide til automatisering af salgsprocesser gennemgår, hvordan man udvælger og afgrænser den slags processer, og for virksomheder, der vil sætte målingen i system på tværs af salg, marketing og kundeservice, er revenue operations-tilgangen en god ramme. Fælles for begge: Man beslutter før eksperimentet, hvad succes betyder i tal. Så bliver business-casen et resultat, ikke en tro.

Barriere 5: Afhængighed af enkeltpersoner og ildsjæle

Den femte barriere er den mest oversete, måske fordi den i starten ligner en styrke.

Ildsjæle-mønsteret

Personafhængighed kan opstå, hvis én medarbejder står for prompts, værktøjsvalg og hjælp til kollegerne. Undersøg hos jer, om viden, adgange og arbejdsgange kan overtages af andre. Undersøgelsen fastslår ikke, hvor udbredt denne konkrete situation er.

Tre ud af fire AI-brugende SMV'er havde ifølge rapporten kun eksperimenteret med gængse værktøjer som ChatGPT eller Copilot. Det tal viser ikke i sig selv, om viden og konti ligger hos enkelte medarbejdere. Undersøg derfor i jeres egen virksomhed, hvem der har adgang, og om prompts og arbejdsgange kan overtages af andre.

Risikoen ved personbåren AI

Hvis viden og adgange kun ligger hos én person, kan fravær eller jobskifte gøre det svært at fortsætte arbejdet. Dokumentation og fælles adgang efter behov kan mindske denne afhængighed; undersøg hvilke dele der faktisk mangler hos jer.

Personafhængighed er ikke et AI-særtilfælde: enhver SMV kender den fra bogholderen, der er den eneste, der forstår økonomisystemet. Men AI-udgaven er mere lumsk, fordi den opstår uden beslutning: Ingen har valgt, at Mette fra marketing skulle være AI-ansvarlig. Det skete bare. Modtrækket er at gøre det uformelle formelt, mens ildsjælen stadig er der: Skriv de fungerende prompts og arbejdsgange ned et fælles sted, flyt AI-brugen fra private konti til virksomhedskonti, og gør “sådan bruger vi AI her” til et punkt i onboarding af nye medarbejdere. Ildsjælen skal ikke bremses: vedkommende skal kopieres, mens det stadig er muligt.

Arbejdsformer I kan afprøve

Erhvervsfremmebestyrelsens måling beskriver udbredelse og barrierer; den dokumenterer ikke, at bestemte arbejdsformer har skabt resultaterne. Følgende er forslag til arbejdsformer, I kan afprøve og måle i jeres egen virksomhed:

• Start i processen, ikke i teknologien. Spørgsmålet er ikke “hvad kan AI?”, men “hvor spilder vi mest tid?”. Værktøjsvalget kommer sidst, ikke først.
• Vælg få anvendelser og gør dem færdige. Afgræns en afprøvning, følg den til dørs, skriv arbejdsgangen ned og oplær de kolleger, der skal bruge den.
• Inddrag ledelsen. Aftal ansvar og ressourcer for afprøvningen, og undersøg behovet for oplæring. I undersøgelsen efterspurgte 29 pct. opkvalificering af ledere og bestyrelse; tallet dokumenterer ikke i sig selv effekten af ledelsens deltagelse.
• Behandl data som en del af projektet. Undersøg datakvaliteten i det system, AI'en skal arbejde i, og afgræns den nødvendige oprydning til den valgte opgave.
• Lav regler tidligt og enkelt. Beskriv kort, hvad medarbejderne må, ikke må og skal spørge om. Afprøv, om reglerne kan forstås og bruges i den konkrete arbejdsgang.
• Mål før og efter. Sammenlign tidsforbrug, kvalitet og resultater, og undersøg andre ændringer i perioden. En før/efter-forskel viser en ændring, men beviser ikke alene, at AI var årsagen.

Forslagene kræver, at I afsætter relevante ressourcer og følger resultaterne. Forskellen mellem AI-afprøvning og systematisk implementering i undersøgelsen dokumenterer ikke i sig selv, hvilke tiltag der virker hos jer.

Sådan sænker I barriererne én ad gangen

Barriererne skal ikke løses på én gang, de skal sænkes i rækkefølge. Tabellen her giver overblikket, og teksten under den giver rækkefølgen.

De fem AI-barrierer i danske SMV'er: symptom og første skridt

Barriere	Typisk symptom	Første skridt
Kompetencer og tid	"Vi ved ikke, hvor vi skal starte", AI-arbejde udskydes for driften	Udpeg én proces og én ansvarlig; afsæt 2-3 timer om ugen i fire uger
Spredte data	AI-svar er upræcise, fordi sandheden bor i tre systemer og en indbakke	Ryd op i det ene system, som første anvendelse skal bruge
GDPR og compliance	Ingen tør bruge AI på kundedata, eller alle gør det ustyrligt på private konti	Lav en énsides oversigt: hvilke værktøjer, hvilke data, hvilke leverandører
Uklar business-case	"Det virker smart, men hvad er det værd?" — og beslutninger udskydes	Mål én proces' tidsforbrug i dag; kør fire ugers afgrænset test og mål igen
Personafhængighed	Al AI-viden sidder hos én ildsjæl med private prompts	Skriv fungerende prompts og arbejdsgange ned fælles; flyt til virksomhedskonti

En fornuftig rækkefølge for de fleste SMV’er ser sådan ud:

1. Uge 1: Vælg proces og ansvarlig. Én gentagen, tidskrævende, målbar proces: gerne inden for salg, administration eller kundeservice, hvor SMV’erne selv ser det største potentiale. Mål, hvad den koster i timer i dag.
2. Uge 1-2: Afklar reglerne for netop den proces. Undersøg personoplysninger, formål, behandlingsgrundlag, leverandørroller, relevante aftaler og eventuelle overførsler. Skriv de åbne spørgsmål ned, og få dem afklaret før testen.
3. Uge 2-3: Gør data klar for netop den proces. Flet dubletter, udfyld nøglefelter, arkivér det døde, kun i det system, processen bruger.
4. Uge 3-6: Kør testen og mål. Samme proces, samme mål, nu med AI-støtte. Notér tidsforbrug og kvalitet.
5. Uge 6: Beslut på tal. Virkede det: Skriv arbejdsgangen ned, oplær kollegerne, og vælg næste proces. Virkede det ikke: I har købt afklaring billigt.

Et ord om værktøjsvalget, for det er her, barriere 2, 3 og 5 mødes: Vælger man en spredt buket af enkeltværktøjer på private konti, genskaber man siloerne, compliance-usikkerheden og personafhængigheden i ny form. Vi kan bygge løsningen i jeres egne systemer. Uanset hvad I vælger, så vælg noget, hvor data, adgang og viden tilhører virksomheden, ikke den enkelte medarbejders browser.

SMV-tjekliste: er I klar til at gå fra eksperiment til drift?

Brug listen til at finde åbne opgaver i jeres egen virksomhed. Antallet af krydser er ikke et målt benchmark for, hvor I ligger i forhold til andre.

• [ ] Vi har udpeget én konkret proces som vores første (eller næste) AI-anvendelse
• [ ] Én navngiven person har ansvaret, og har fået afsat timer til det
• [ ] Vi ved, hvad processen koster i timer i dag (målt, ikke gættet)
• [ ] Vi har defineret på forhånd, hvad succes betyder i tal
• [ ] Data i det system, processen bruger, er ryddet op (dubletter, nøglefelter, døde poster)
• [ ] Vi har en énsides oversigt over AI-værktøjer i brug: formål, data, leverandør
• [ ] Vi ved, om vores leverandører træner på vores data, og hvor data behandles
• [ ] Medarbejderne kender vores “må / må ikke / spørg først”-regler for AI
• [ ] AI-brugen foregår på virksomhedskonti, ikke private konti
• [ ] Fungerende prompts og arbejdsgange er skrevet ned et fælles sted
• [ ] Mindst én fra ledelsen bruger selv værktøjerne i sin hverdag
• [ ] Vi har en plan for, hvad der sker, hvis vores mest AI-kyndige medarbejder stopper

Mangler der mange krydser i én bestemt klynge, har I samtidig fundet jeres største barriere, og dermed jeres startsted.

Ofte stillede spørgsmål

Hvor mange danske SMV'er bruger egentlig AI i dag?

I Danmarks Erhvervsfremmebestyrelses Virksomhedspanel fra efteråret 2025 (4.128 adspurgte SMV'er) havde 44 pct. arbejdet med kunstig intelligens, 10 pct. havde systematisk implementeret det, og 2 pct. havde udviklet egne produkter eller værktøjer i brug. Danmarks Statistik opgjorde AI-brugen blandt private, ikke-finansielle byerhverv med mindst 10 fuldtidsansatte til 28 pct. i 2024 mod 15 pct. i 2023. Målingerne har forskellige populationer og datoer og er ikke en måling af situationen i oktober 2026.

Hvad er den største barriere for AI i danske SMV'er?

I Erhvervsfremmebestyrelsens måling fra efteråret 2025 var manglende viden, kompetencer og erfaring den mest udbredte af de undersøgte barrierer: 40-48 pct. på tværs af fem forretningsområder. Tallene gælder SMV'er, der så stort eller meget stort AI-potentiale i det pågældende forretningsområde. I disse grupper angav 22-30 pct. omkostninger og 11-28 pct. lovbekymringer. Blandt de 1.146 SMV'er, som havde angivet mindst én barriere og fik spørgsmålet om hjælpetilbud, efterspurgte 58 pct. rådgivning om AI-anvendelse. Tallene udelukker ikke tekniske barrierer hos den enkelte virksomhed.

Skal vi have styr på alle vores data, før vi kan bruge AI?

Nej: kun på de data, jeres første anvendelse skal bruge. Det er en almindelig misforståelse, at AI kræver et totalt dataoprydningsprojekt først. I praksis rækker det at rydde op i det ene system, den første proces arbejder i: flette dubletter, udfylde nøglefelter og arkivere døde poster. Mange danske SMV'er har allerede struktureret data i CRM-, ordre- og økonomisystemer; udfordringen er siloerne imellem dem. Afgræns oprydningen til første anvendelse, og udvid i takt med at AI-brugen vokser.

Er GDPR en reel forhindring for AI i en lille virksomhed?

AI kan anvendes inden for GDPR, men det kræver en konkret vurdering af formål, behandlingsgrundlag, nødvendige data, information og de registreredes rettigheder. Undersøg også leverandørens rolle, adgang, modeltræning og eventuelle tredjelandsoverførsler. En databehandleraftale er relevant, når leverandøren behandler personoplysninger på jeres vegne. De tre praktiske leverandørspørgsmål ovenfor er en start på afklaringen, ikke en garanti for lovlighed.

Hvordan laver vi en business-case for AI, når vi ikke kan forudsige gevinsten?

Ved at gøre påstanden mindre i stedet for regnearket større. Mål, hvad én konkret proces koster i timer i dag, kør en afgrænset test med AI-støtte i fire uger, og mål igen. Så har I et faktisk tal i stedet for et gæt, og en beslutning, der kan træffes på evidens, uanset om testen taler for eller imod. Gentagne, målbare processer som tilbudsskrivning, salgsopfølgning og standardhenvendelser egner sig bedst til den første test.

Vores AI-brug afhænger af én dygtig medarbejder, er det et problem?

Det er en styrke med en udløbsdato. Ildsjælen er ofte grunden til, at virksomheden overhovedet er kommet i gang, men hvis prompts, værktøjskendskab og arbejdsgange kun findes i én persons hoved og private konti, forsvinder det hele den dag, personen stopper eller får travlt med andet. Modtrækket er at formalisere, mens ildsjælen stadig er der: nedskriv fungerende prompts og arbejdsgange et fælles sted, flyt brugen til virksomhedskonti, og gør AI-arbejdsgange til en del af onboarding. Kopiér ildsjælen: brems den ikke.