AI til at finde leads: hvilke opgaver kan den overtage — og hvilke ikke?

En AI-agent kan overtage store dele af det research-tunge arbejde i leadprocessen: at finde virksomheder og kontaktpersoner der matcher jeres kriterier, berige eksisterende data med offentligt tilgængelig information, prioritere listen efter hvor godt et lead matcher, og holde CRM’et opdateret når data ændrer sig. Det AI’en ikke skal stå for, er vurderingen af om et lead reelt er klar til dialog, og selve den menneskelige kontakt og relationsopbygning.

Hvad betyder “AI til at finde leads” helt konkret?

Når virksomheder taler om AI til leadgenerering, dækker det oftest fire meget forskellige arbejdsopgaver, som ofte bliver klumpet sammen til én ting. Det skaber urealistiske forventninger — enten frygten for at AI’en “finder og lukker salg selv”, eller skuffelsen når den ikke kan mere end at levere en liste.

I praksis er lead-arbejdet en kæde af trin:

1. Identifikation — hvilke virksomheder og personer matcher overhovedet profilen I går efter?
2. Berigelse — hvad ved vi allerede om dem, og hvad mangler vi at finde ud af?
3. Prioritering — hvilke af de leads er mest sandsynlige at konvertere lige nu?
4. Vedligeholdelse — hvordan holder vi listen opdateret, når folk skifter job, virksomheder ændrer navn, eller data bliver forældet?

En AI-agent, der arbejder skriftligt og data-drevet, kan gå ind i alle fire trin. Det den ikke gør — og ikke skal gøre — er at erstatte den menneskelige vurdering af, om og hvordan et lead skal kontaktes. Se mere om, hvad en AI-agent generelt er og ikke er, i hvad er en AI-agent til virksomheden.

De fire opgaver AI kan overtage i lead-arbejdet

Research af virksomheder og kontaktpersoner

Det mest tidskrævende trin i traditionelt leadarbejde er ofte den indledende research: at slå virksomheder op, finde den rigtige kontaktperson, og danne sig et billede af, om der overhovedet er et match. En AI-agent kan strukturere den research langt hurtigere end en person, der manuelt googler sig frem virksomhed for virksomhed.

Det handler ikke om, at AI’en “opfinder” information om et lead. Den samler og strukturerer information, der allerede er offentligt tilgængelig eller allerede findes et sted i jeres systemer — hjemmesider, LinkedIn-profiler, CVR-oplysninger, tidligere interaktioner i CRM’et. Kvaliteten af research-arbejdet afhænger derfor helt af, hvilke kilder AI’en har adgang til, og hvor gode de kilder er.

Berigelse af eksisterende data

Rigtig mange virksomheders CRM-systemer er fyldt med huller: et navn uden en titel, en virksomhed uden en branche-kode, en kontakt uden opdateret jobfunktion. AI kan gå igennem eksisterende records og udfylde de huller ud fra tilgængelige kilder, eller flagge dem, hvor der ikke kan findes noget pålideligt.

Det er her, dataejerskab bliver relevant. Når en AI-agent arbejder i egen instans med egen database, forbliver den berigede data inden for jeres egen infrastruktur — i modsætning til løsninger, hvor data sendes til en delt tredjepartstjeneste for at blive beriget. Det ændrer ikke ved, hvad reglerne kræver af jer som dataansvarlig, men det reducerer den tredjepartsrisiko, I selv skal forholde jer til. Se CRM-data-hygiejne-guiden 2026 for en dybere gennemgang af, hvordan man holder CRM-data rene og pålidelige.

Prioritering og scoring

Når listen af leads vokser, bliver det næste spørgsmål: hvem skal sælgeren bruge tid på først? AI kan score leads ud fra kriterier, I selv definerer — for eksempel virksomhedsstørrelse, branche, tidligere interaktion, eller signaler om aktuelt behov. Scoringen er et beslutningsstøtte-værktøj, ikke en facitliste. Den fortæller, hvor sandsynligheden er størst — den fortæller ikke, at et lead skal kontaktes, eller hvordan.

Det er en vigtig sondring, fordi en for automatiseret tilgang til prioritering nemt kan ende med, at gode leads bliver overset, fordi de ikke rammer de kriterier, algoritmen er sat op til at kigge efter. Prioriteringen skal derfor løbende kalibreres af mennesker, der kender markedet.

Listevedligeholdelse og opdatering

Leadlister rådner hurtigt: folk skifter job, virksomheder fusionerer, e-mailadresser bliver ugyldige. AI kan holde øje med disse ændringer og flagge, når et lead skal genvurderes eller renses ud af listen. Det er et vedvarende vedligeholdelsesarbejde, som sjældent bliver prioriteret manuelt, fordi det ikke føles som “rigtigt salgsarbejde” — men som har stor betydning for, hvor meget tid sælgere reelt spilder på forældede oplysninger.

Opgave for opgave: hvem gør hvad

Nedenstående tabel opsummerer, hvordan arbejdet typisk bør fordeles mellem AI og mennesker i lead-processen.

Hvad AI’en IKKE skal

Der er en klar grænse for, hvor langt en AI-agent bør gå i lead-arbejdet, og den grænse handler ikke kun om, hvad teknologien kan — den handler om, hvad der er forsvarligt og lovligt.

• AI’en skal ikke ringe eller booke møder telefonisk. Skriftligt data- og researcharbejde er noget andet end telefonisk kontakt til potentielle kunder, og de to ting bør ikke blandes sammen i samme løsning.
• AI’en skal ikke selv beslutte at sende den første henvendelse. Den kan udarbejde et udkast baseret på beriget data, men et menneske skal godkende indhold og timing, før noget sendes.
• AI’en skal ikke antage samtykke, den ikke har belæg for. Det gælder særligt, når leads er fundet gennem research af offentligt tilgængelige kilder — det, at data kan findes offentligt, er ikke automatisk det samme som, at der er retligt grundlag for at kontakte personen med markedsføring.
• AI’en skal ikke opfinde eller gætte på data den ikke kan verificere. Manglende oplysninger skal flagges som ukendte, ikke udfyldes med gæt, der ser plausible ud.
• AI’en skal ikke fungere som eneste kvalitetskontrol. Berigede og prioriterede lister bør stikprøvekontrolleres af mennesker, særligt i opstartsfasen, hvor kriterier og kilder stadig bliver finjusteret.

Hvorfor dataejerskab betyder noget, når AI arbejder med lead-data

Leaddata er ofte persondata i lovens forstand — navn, jobtitel, arbejdsmail, og i nogle tilfælde adfærdsdata om, hvordan en person har interageret med jeres indhold. Det betyder, at almindelige databeskyttelsesregler gælder, uanset om det er en person eller en AI-agent, der behandler dataen.

Det ændrer ikke lovgivningen, at I bruger AI — men det ændrer, hvor meget I selv har styr på. Når research- og berigelsesarbejdet foregår i en løsning med egen instans og egen database pr. kunde, i stedet for at data sendes til en delt tredjepartstjeneste, bliver det lettere at holde overblik over, hvor data ligger, og hvem der har adgang til den — hvilket er relevant i forhold til de krav, der stilles om at kunne redegøre for sin databehandling. Det er ikke det samme som en juridisk garanti for overholdelse af GDPR, og det fritager ikke virksomheden fra selv at vurdere behandlingsgrundlag og eventuelle databehandleraftaler.

Datatilsynet har generel vejledning om, hvornår og hvordan persondata må behandles, som er relevant at kende, inden man sætter en AI-agent til at berige og opbevare oplysninger om potentielle kunder — se Datatilsynets regler og vejledning. EU’s Your Europe-portal har desuden en samlet, mere tilgængelig introduktion til GDPR-reglerne for virksomheder, herunder hvad der kræves af behandlingsgrundlag — se EU’s vejledning om databeskyttelse (GDPR) for virksomheder.

Derudover er det værd at være opmærksom på, at selve kontakten til et lead — den markedsføringsmæssige henvendelse, ikke researcharbejdet — er reguleret af markedsføringsloven, som blandt andet stiller krav til samtykke ved visse former for direkte markedsføring. Det er en anden lov end persondatareglerne, og de to bør ikke blandes sammen, når man vurderer, hvad der er lovligt. Loven kan læses i sin fulde form på Retsinformation.

Sådan får I mest ud af AI i research-fasen uden at skabe compliance-risiko

Der er nogle praktiske greb, der reducerer risikoen, uden at det går ud over effektiviteten:

• Definér kildegrundlaget tydeligt. Beslut, hvilke kilder AI’en må hente og berige data fra, og dokumentér det, så det kan forklares, hvis I bliver spurgt.
• Adskil research fra kontakt. Brug AI til at bygge og prioritere listen — men lad en menneskelig proces, med egen vurdering af behandlingsgrundlag, styre selve henvendelsen.
• Sæt en gennemgangsrytme. Berigede og scorede leads bør gennemgås jævnligt af nogen, der kender markedet, så AI’ens kriterier ikke stille og roligt skævvrider, hvem der bliver prioriteret.
• Hold data i egen infrastruktur, hvor det er muligt. Jo færre tredjeparter, der rører leaddata undervejs, jo lettere er det at holde overblik over, hvor data ligger, og hvem der har adgang.
• Byg databehandlingen ind i jeres eksisterende CRM-arbejde, i stedet for at lade lead-researchen leve som et isoleret sideprojekt. Se hvad er CRM-automatisering for, hvordan AI-drevet dataarbejde typisk kobles sammen med resten af CRM-flowet.

Almindelige faldgruber, når virksomheder sætter AI til at finde leads

En af de mest almindelige fejl er at forvente, at AI kan erstatte hele salgsfunktionen, fordi den kan levere en lang liste hurtigt. En lang liste er ikke det samme som en god liste, og en god liste er ikke det samme som lukkede aftaler. AI’ens værdi ligger i at frigøre tid fra det tunge research- og vedligeholdelsesarbejde, så mennesker kan bruge mere tid på den del, der reelt kræver menneskelig dømmekraft: samtalen, relationen og beslutningen.

En anden faldgrube er at lade AI-scoringen stå ukalibreret for længe. Hvis kriterierne for, hvad der gør et lead “godt”, ikke bliver justeret løbende, risikerer man at systematisk overse segmenter, der reelt er værdifulde, men som ikke matcher de oprindelige antagelser.

En tredje faldgrube er at blande researcharbejdet sammen med selve kontakten uden en klar overgang. Når AI har fundet og beriget et lead, er det ikke det samme som, at der er skabt et lovligt grundlag for at kontakte personen med markedsføring. Den vurdering skal foretages separat, af et menneske med ansvar for compliance.

Endelig er en tilbagevendende faldgrube at antage, at jo mere data der samles om et lead, jo bedre. Mere data betyder også mere ansvar for at kunne redegøre for, hvorfor dataen er indsamlet, og hvor længe den skal opbevares. Her er det ofte bedre at berige mindre, men mere relevant og bedre dokumenteret.

Hvordan AI til leadsøgning adskiller sig fra AI til telefonisk kontakt

Det er værd at være tydelig om en afgrænsning, der ofte bliver sløret i markedsføringen af AI-værktøjer: AI til at finde og berige leads er noget andet end AI til at ringe til dem eller booke møder telefonisk. Det første er et skriftligt, data-drevet arbejde — søgning, strukturering, prioritering. Det andet involverer direkte, mundtlig kontakt til en potentiel kunde, hvor helt andre hensyn til samtykke, gennemsigtighed og kundeoplevelse gør sig gældende.

En AI-agent, der arbejder med at finde leads, bør holde sig til det skriftlige domæne: indbakke, dokumenter, CRM-data, offentligt tilgængelig information. Den bør ikke krydse over i telefonisk mødebooking eller opkald — det er en markant anderledes opgave med sit eget sæt af regler og risici, og bør behandles som sådan, ikke som en naturlig forlængelse af research-arbejdet.

Sådan kommer I i gang: trin for trin

1. Definér profilen — hvilke virksomheder og roller er I faktisk interesserede i, konkret nok til at en AI-agent kan arbejde ud fra det?
2. Vælg kilderne — beslut, hvor research og berigelse må hente information fra, og dokumentér valget.
3. Sæt scoringskriterier — start simpelt, og vær klar til at justere dem, når I ser, hvordan de rammer i praksis.
4. Kobl til jeres CRM — lad berigede og prioriterede leads flyde direkte ind i det system, sælgerne allerede bruger, i stedet for at leve som en separat liste.
5. Sæt en menneskelig godkendelsesproces for kontakt — beslut, hvem der vurderer behandlingsgrundlag og godkender den første henvendelse, før noget sendes.
6. Evaluér løbende — gennemgå med jævne mellemrum, om AI’ens research og prioritering rammer rigtigt, og justér kriterierne derefter.

En AI-agent, der arbejder i egen instans med egen database, gør det lettere at holde denne proces samlet ét sted — fra research over berigelse til overdragelse til sælgeren — uden at leaddata spredes ud over flere tredjepartsværktøjer undervejs. Det er relevant både for driftssikkerheden og for evnen til at kunne redegøre for egen databehandling, hvis I bliver spurgt. Se også customer success-guiden til AI 2026 for, hvordan den samme tankegang om dataejerskab og menneskelig kontrol går igen, når AI bruges bredere i kunderejsen efter salget.

Ofte stillede spørgsmål

Status: Udkast færdigt, ≥2200 ord, følger _KONTRAKT.md og brief nr. 7. Kun skriftligt/data-arbejde beskrevet — intet telefon/opkald/mødebooking-via-telefon indgår.

Eksterne kilder verificeret live i denne session (HTTP 200 via curl):
- https://www.datatilsynet.dk/regler-og-vejledning
- https://europa.eu/youreurope/business/governance-and-sustainability/digital-and-data-compliance/data-protection-gdpr/index_da.htm
- https://www.retsinformation.dk/eli/lta/2017/720