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

AI-barrierer for danske SMV’er handler sjældent om teknologien selv — det er de organisatoriske og juridiske forhindringer der bremser: manglende kompetencer og tid, data spredt i systemer der ikke taler sammen, usikkerhed om GDPR og compliance, en uklar business-case, og afhængighed af enkeltpersoner. Agent360 er bygget som et internalOS-produkt, der adresserer netop disse barrierer strukturelt — data og adgang forbliver virksomhedens egne fremfor spredt på private konti, og kompleksiteten af mange enkeltværktøjer samles i én platform i stedet for at genskabe siloerne.

Det korte svar: det er ikke teknologien, der bremser danske SMV’er — det er alt det udenom. Ifølge Danmarks Erhvervsfremmebestyrelses Virksomhedspanel (efterår 2025, 4.128 SMV’er) bruger 44 pct. af danske SMV’er allerede værktøjer inden for kunstig intelligens, men kun 10 pct. har systematisk implementeret løsninger eller udviklet egne værktøjer. Gabet mellem “vi har prøvet ChatGPT” og “AI er en del af vores drift” er der, hvor de reelle barrierer bor: manglende kompetencer og tid, data spredt i systemer der ikke taler sammen, usikkerhed om GDPR og compliance, en uklar business-case og en farlig afhængighed af enkeltpersoner. Denne artikel gennemgår hver barriere med de bedste tilgængelige danske tal — og giver et praktisk første skridt for hver.

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 du sidder i en SMV og tænker “vi burde gøre mere med AI, men vi ved ikke rigtig hvor vi skal starte” — så er du i godt selskab. Det er præcis den situation, størstedelen af danske virksomheder står i lige nu. Og den gode nyhed er, at barriererne er velbeskrevne, genkendelige og — vigtigst — mulige at sænke én ad gangen.

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

Brugen af kunstig intelligens i danske virksomheder er vokset markant: ifølge Danmarks Statistik steg andelen af virksomheder med mindst 10 ansatte, der anvender AI, fra 15 pct. i 2023 til 28 pct. i 2024 — næsten en fordobling på ét år. De mest udbredte anvendelser var ifølge samme opgørelse produktion af skreven tekst eller talt sprog (18 pct.) og analyse af tekst (17 pct.).

Læg mærke til, hvad de tal fortæller: Væksten drives af sprogmodeller — tekstproduktion og tekstanalyse. Det er den type AI, man kan tage i brug uden et IT-projekt: åbn en browser, skriv en prompt, få et resultat. Det forklarer både den hurtige udbredelse og det, vi ser i næste afsnit.

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 potentiale i AI, samtidig oplever barrierer ved anvendelsen. Potentialet og forhindringerne bor med andre ord i de samme virksomheder.

Hvor ser SMV’erne så 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

Den største barriere er hverken pris eller teknologi. Det er viden.

Hvad tallene viser

På tværs af alle fem forretningsområder i Erhvervsfremmebestyrelsens barriere-måling er “mangler relevant viden, kompetencer og erfaring” den klart mest udbredte barriere — angivet af 40-48 pct. af de SMV’er, der ser stort potentiale i området, med administration og økonomi i toppen (48 pct.). Til sammenligning ligger bekymringer om omkostninger på 22-30 pct. Kompetencegabet fylder altså mere end pengene.

Og SMV’erne ved det selv. 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 i ét system, ordrer i et andet, mails i indbakker, tilbud i regneark, aftaler i hovedet på sælgeren. Erhvervsfremmebestyrelsens måling viser, at udfordringer med tilgængelighed eller kvalitet af nødvendige data angives som barriere af 16-24 pct. af SMV’erne på tværs af forretningsområder — højest inden for produkt- og forretningsudvikling samt produktion og drift (begge 24 pct.). Dertil kommer, at eksisterende udstyr, software og IT-systemer, der ikke understøtter anvendelsen, nævnes af op til 14 pct.

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

Erhvervsfremmebestyrelsens tal viser, at bekymringer om at overtræde loven angives som barriere af 11-28 pct. af SMV’erne afhængigt af forretningsområde — markant højest inden for administration og økonomi (28 pct.), netop dér hvor persondata, løn og økonomioplysninger bor. Oveni kommer bekymringer om virksomhedens digitale sikkerhed eller afhængighed (14-23 pct.). Og da SMV’erne blev spurgt om relevante hjælpetilbud, pegede 23 pct. på rådgivning om juridiske forhold og regler om databeskyttelse.

I praksis samler usikkerheden sig om tre spørgsmål, som enhver SMV bør kunne besvare, før AI rører persondata:

• Hvor bliver data behandlet? Sendes kundeoplysninger til en tjeneste uden for EU/EØS, og er der et gyldigt overførselsgrundlag og en databehandleraftale?
• 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

Fra 2025 og frem indfases EU’s AI-forordning, som lægger et ekstra regelsæt oven på GDPR. For langt de fleste SMV-anvendelser — tekstudkast, mødeopsummering, salgsstøtte, kundeservice-assistance — er kravene til at overskue: gennemsigtighed om, at AI er i brug, menneskeligt tilsyn med beslutninger, og styr på hvilke systemer man anvender. Vi har lavet en gennemgang målrettet danske virksomheder i vores guide til EU AI Act for salgsorganisationer.

Det vigtige budskab er, at compliance-barrieren er en afklaringsopgave, ikke en mur. Virksomheder, der får lavet en simpel oversigt — hvilke AI-værktøjer bruger vi, til hvad, med hvilke data, hos hvilken leverandør — opdager typisk, at de fleste anvendelser er uproblematiske, og at de få kritiske kan indhegnes med klare interne retningslinjer. Det farligste valg er det, mange træffer i dag: at lade hver medarbejder navigere reglerne alene med private AI-konti. Så har man alle risiciene og ingen af gevinsterne ved fælles styring.

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

Erhvervsfremmebestyrelsens måling viser, at omkostninger ved implementering angives som barriere af 22-30 pct. af SMV’erne — og rapporten bemærker selv, at det tal formentlig også afspejler usikkerhed om gevinsterne ved teknologien. Det stemmer med, hvad man hører i samtaler med SMV-ledere: Det er ikke licensprisen, der skræmmer. Det er, at ingen kan sige, om investeringen af penge og medarbejdertimer giver to procent eller tyve procent tilbage.

Usikkerheden har en strukturel årsag: AI-gevinster i en SMV kommer typisk som mange små tidsbesparelser fordelt på mange hænder — ti minutter her, et kvarter der. Den slags er reel nok, men den er svær at se på bundlinjen, medmindre man måler den. Og de færreste SMV’er har målt, hvor lang tid deres processer tager i dag, hvilket gør ethvert “vi sparer X” til gætværk.

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

I næsten alle SMV’er, der er kommet i gang med AI, finder man den samme figur: én medarbejder — ofte selvlært, ofte drevet af personlig nysgerrighed — som har opdaget, hvad værktøjerne kan, og som er blevet hele virksomhedens uofficielle AI-afdeling. Ildsjælen har bygget prompts, fundet værktøjer, hjulpet kollegerne i gang. Uden den person var virksomheden aldrig kommet ud af starthullerne.

Tallene antyder, hvor udbredt det personbårne mønster er: Når tre ud af fire AI-brugende SMV’er kun har eksperimenteret med gængse værktøjer som ChatGPT eller Copilot, betyder det i praksis, at AI-brugen bor i individuelle browservinduer og personlige vaner — ikke i virksomhedens processer. Viden om, hvordan man får gode resultater, sidder i hovedet og prompt-historikken hos de få, der har taget teknologien til sig.

Risikoen ved personbåren AI

Problemet viser sig den dag, ildsjælen skifter job, går på barsel eller bare får travlt med andet. Så forsvinder ikke bare entusiasmen — der forsvinder prompts, arbejdsgange, leverandørkendskab og de uskrevne regler for, hvad man må og ikke må. Virksomheden falder tilbage til udgangspunktet, og den næste, der vil samle tråden op, starter forfra.

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.

Hvad de virksomheder der lykkes gør anderledes

På tværs af de SMV’er, der er nået fra eksperiment til drift — de 10 pct. i Erhvervsfremmebestyrelsens måling — går en række mønstre igen. De er kvalitative observationer, ikke statistik, men de er konsistente:

• De starter i processen, ikke i teknologien. Spørgsmålet er ikke “hvad kan AI?”, men “hvor spilder vi mest tid?”. Værktøjsvalget kommer sidst, ikke først.
• De vælger få anvendelser og gør dem færdige. I stedet for ti halve eksperimenter kører de ét eller to helt i mål — inklusive den kedelige sidste del, hvor arbejdsgangen skrives ned og kollegerne oplæres.
• Ledelsen deltager selv. Hvor ledelsen selv bruger værktøjerne, smitter det. Hvor AI er “noget de unge roder med”, forbliver det personbårent. Det matcher, at 29 pct. af SMV’erne efterspørger opkvalificering af netop ledere og bestyrelse.
• De behandler data som en del af projektet. De accepterer, at første skridt ofte er at rydde op i det system, AI’en skal arbejde i — og afgrænser oprydningen til netop dét system.
• De laver regler tidligt og enkelt. En side med “det må vi / det må vi ikke / det spørger vi om” slår en 40-siders politik, ingen læser. Klarhed fjerner både overforsigtighed og skyggebrug.
• De måler før og efter. Fordi de målte udgangspunktet, kan de dokumentere gevinsten — og det gør den næste investering til en beslutning i stedet for en diskussion.

Bemærk, hvad der ikke står på listen: store budgetter, datavidenskabsfolk, avancerede modeller. Forskellen på de 44 pct., der har prøvet, og de 10 pct., der har implementeret, er først og fremmest arbejdsform.

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 dét ene system, første anvendelse skal bruge — ikke i alle
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?" — 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. Rører den persondata? Hvilken leverandør, hvilken databehandleraftale, trænes der på jeres data? Skriv svarene ned på én side.
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. Det er den problemstilling, vi selv har bygget Agent360 til at løse — virksomhedens AI-platform samlet i én IDE, hvor hver virksomhed kører sin egen instans med sin egen database (self-host er muligt), data hentes ind via flere end 35 connectors, udvidelser installeres gennem en app-model med et kurateret registry, og agenten bygger på Claude. Licensmodellen er fair source — ægte open source efter to år. Men princippet er vigtigere end produktet: 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 som en hurtig selvtest. Kan I sætte kryds ved otte eller flere, er I foran de fleste.

• [ ] 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?

Ifølge Danmarks Erhvervsfremmebestyrelses Virksomhedspanel fra efteråret 2025 (4.128 adspurgte SMV'er) har 44 pct. af danske SMV'er arbejdet med kunstig intelligens, men kun 10 pct. har systematisk implementeret det i forretningsgange, og blot 2 pct. har udviklet egne løsninger. Danmarks Statistik målte i 2024, at 28 pct. af alle virksomheder med mindst 10 ansatte anvender AI — næsten en fordobling fra 15 pct. i 2023. Danske virksomheder er altså godt med på eksperiment-niveau; gabet ligger mellem eksperiment og drift.

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

Manglende viden, kompetencer og erfaring. I Erhvervsfremmebestyrelsens måling er det den mest udbredte barriere på tværs af alle forretningsområder, angivet af 40-48 pct. af de SMV'er, der ser stort potentiale i AI — foran omkostninger (22-30 pct.) og lovbekymringer (11-28 pct.). Det matcher, at det mest efterspurgte hjælpetilbud er rådgivning om anvendelsen af AI (58 pct.), efterfulgt af opkvalificering af medarbejdere og ledere. Barrieren er med andre ord ikke teknologien, men oversættelsen af den til virksomhedens egen hverdag.

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?

Det er en afklaringsopgave, ikke en mur. De fleste SMV-anvendelser er uproblematiske, hvis tre spørgsmål er besvaret: Hvor behandles data (og er der databehandleraftale og overførselsgrundlag ved lande uden for EU/EØS)? Træner leverandøren på jeres data, og kan det slås fra? Og hvem får adgang til hvad? I Erhvervsfremmebestyrelsens måling angiver op til 28 pct. lovbekymringer som barriere — højest inden for administration og økonomi. Den største reelle risiko er typisk uformel brug på private konti uden fælles regler, ikke den styrede brug.

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.