Fra 'vi har prøvet ChatGPT' til AI i drift: gabet i danske virksomheder

Hvad er forskellen på at have prøvet ChatGPT og at have AI i drift?

Problemet er, at prøvet er AI i en browserfane uden adgang til jeres data, mens i drift er AI indlejret i en fast arbejdsgang med kontrolleret adgang til jeres systemer og en navngiven ejer.

Gabet mellem at have prøvet ChatGPT og at have AI i drift handler ikke om bedre modeller — det er adgang, ejerskab og måling. Prøvet er AI i en browserfane uden kendskab til jeres data. I drift er AI indlejret i en fast arbejdsgang, med kontrolleret adgang til jeres systemer, en navngiven ejer og en målt effekt. Det er præcis det gab, Agent360 lukker: et internalOS-produkt, der bringer AI i drift på virksomhedens egen instans.

De fleste danske virksomheder har efterhånden prøvet AI: en leder har testet ChatGPT til et udkast, en medarbejder opsummerer mødereferater, marketing har eksperimenteret med tekstforslag. Men der er langt fra at have prøvet AI til at have AI i drift — altså AI, der er indlejret i faste arbejdsgange, har adgang til virksomhedens egne data og leverer målbar effekt uge efter uge. Det gab er den vigtigste forklaring på, at mange virksomheder oplever begejstring uden resultater: eksperimenterne skaber aha-oplevelser, men aldrig forandring i driften.

AI i drift er, når kunstig intelligens indgår i en tilbagevendende arbejdsgang med adgang til virksomhedens egne systemer og data, med et defineret ansvar, en ejer og en målt effekt — i modsætning til enkeltstående eksperimenter i en browserfane.

Tallene bekræfter, at AI-brugen vokser hurtigt i Danmark: ifølge Danmarks Statistik steg andelen af virksomheder med mindst 10 ansatte, der bruger kunstig intelligens, fra 15 pct. i 2023 til 28 pct. i 2024. Men samme opgørelse viser, hvad AI'en bruges til: mest udbredt er tekstproduktion (18 pct.) og tekstanalyse (17 pct.), mens kun omkring hver tiende virksomhed bruger AI til at automatisere arbejdsgange. Med andre ord: udbredelsen vokser, men for mange handler det stadig om tekstopgaver i kanten af forretningen — ikke om AI som en del af selve maskineriet.

Denne artikel handler om gabet mellem de to tilstande: hvorfor det opstår, hvad "drift" konkret vil sige, og hvilken trappe der fører fra det ene til det andet.

Hvor danske virksomheder faktisk står

Lad os blive ved de officielle tal et øjeblik, for de tegner et præcist billede af situationen. Danmarks Statistiks opgørelse viser en fordobling i AI-brug på ét år — fra 15 til 28 pct. af virksomhederne. Det er en bemærkelsesværdig vækst, og den betyder, at AI ikke længere er et pionér-fænomen: mere end hver fjerde virksomhed er i gang.

Men ser man på hvad virksomhederne bruger AI til, toner gabet frem. Tekstproduktion og tekstanalyse — de klassiske ChatGPT-opgaver — dominerer, mens automatisering af arbejdsgange ligger nede omkring hver tiende virksomhed. Det er forskellen på at bruge AI som et personligt skriveredskab og at bruge AI som infrastruktur.

Der er intet galt med skriveredskabet. Men værdien af et udkast hist og her er begrænset og svær at måle. Den store værdi ligger i den anden kategori: AI der arbejder i forretningens systemer — opdaterer data, besvarer henvendelser, sammenstiller rapporter, holder styr på opfølgninger — hver dag, uden at nogen skal huske at bede om det.

Hvorfor bliver eksperimenter ikke til drift?

Når så mange virksomheder er i gang, hvorfor når så relativt få så videre end eksperimentet? Fire barrierer går igen.

1. AI'en har ingen adgang til virksomhedens data

En chatbot i en browserfane ved ingenting om jeres kunder, ordrer, aftaler eller historik. Den kan skrive generisk godt — men intet virksomhedsspecifikt. Så snart opgaven kræver viden om jeres virkelighed ("skriv et opfølgningsforslag til de kunder, der ikke har svaret i 14 dage"), står eksperimentet stille, for AI'en kan ikke se ind i CRM-systemet, økonomisystemet eller indbakken. Uden dataadgang forbliver AI et skriveværktøj. Vi har tidligere beskrevet, hvordan netop datakvalitet og CRM-hygiejne afgør, hvad AI overhovedet kan udrette med virksomhedens data.

2. Ingen ejer eksperimentet

De fleste AI-forsøg starter hos en enkelt nysgerrig medarbejder. Det er en fin start — men uden en ejer bliver forsøget aldrig til en arbejdsgang. Der er ingen, der har ansvar for at AI-løsningen kører i morgen, ingen der måler effekten, ingen der vedligeholder den. Når ildsjælen får travlt eller skifter job, dør eksperimentet stille.

3. Person-afhængighed i stedet for proces

Beslægtet med ejerskab, men mere lumsk: selv succesfulde eksperimenter lever ofte kun i én persons hoved — som en personlig prompt-samling eller et privat workflow. Virksomheden har ikke fået en kapabilitet; en enkelt medarbejder har fået et superkraftværktøj. Det skalerer ikke, og det forsvinder med personen.

4. Usikkerhed om compliance og datasikkerhed

Mange ledere træder på bremsen af et fornuftigt instinkt: må vi overhovedet det her? Hvad sker der med data, der indtastes i eksterne AI-tjenester? Hvad kræver GDPR? Og hvad betyder EU's AI-forordning, som vi har gennemgået for danske virksomheder? EU-Kommissionens regelsæt er risikobaseret — kravene afhænger af, hvad AI'en bruges til, som beskrevet på Kommissionens officielle side om AI-forordningen. Usikkerheden er forståelig, men konsekvensen er ofte, at AI forvises til ufarlige — og dermed uværdifulde — opgaver, i stedet for at blive implementeret ordentligt med styr på datahåndteringen.

Hvad "AI i drift" konkret vil sige

Det er værd at være præcis, for "vi bruger AI" dækker over vidt forskellige virkeligheder. AI i drift har fem kendetegn:

1. Tilbagevendende: AI'en løser opgaven hver dag/uge — ikke når nogen tilfældigt husker det.
2. Dataforbundet: AI'en har kontrolleret adgang til de systemer, opgaven kræver — CRM, mail, kalender, økonomi.
3. Ejet: en navngiven person er ansvarlig for arbejdsgangen, dens kvalitet og dens videreudvikling.
4. Afgrænset: det er defineret, hvad AI'en må gøre selv, og hvad der kræver menneskelig godkendelse.
5. Målt: effekten opgøres — sparet tid, hurtigere svartider, færre fejl — så beslutningen om at fortsætte er datadrevet.

Mangler ét af de fem, er der tale om et eksperiment. Det er ikke en fornærmelse — eksperimenter er den rigtige start. Men de skal anerkendes som det, de er: trin ét på en trappe.

Forskellen på AI-eksperiment og AI i drift, dimension for dimension

Dimension	Eksperiment ("vi har prøvet ChatGPT")	AI i drift
Hyppighed	Ad hoc, når nogen husker det	Fast del af en tilbagevendende arbejdsgang
Dataadgang	Ingen — kun det, der indtastes manuelt	Kontrolleret adgang til virksomhedens systemer
Ejerskab	En ildsjæl, uformelt	Navngiven ejer med ansvar for kvalitet og drift
Viden	Bor i én persons prompts	Indlejret i delte, dokumenterede arbejdsgange
Godkendelser	Udefineret	Klare grænser for hvad AI må gøre selv
Effekt	Anekdotisk ("det virker meget godt")	Målt og opgjort løbende
Overlevelse	Dør når ildsjælen får travlt	Kører videre — den er en del af driften

Trappen: fra browserfane til faste arbejdsgange

Vejen fra eksperiment til drift er ikke ét stort spring, men en trappe med tre trin. De fleste virksomheder kan genkende, hvilket trin de står på.

Trin 1: Prompt i browseren

AI bruges som personligt værktøj: udkast, opsummeringer, oversættelser, idéudvikling. Data indtastes manuelt, resultater kopieres manuelt ud. Det er her, langt de fleste starter — og det er et fint sted at lære, hvad sprogmodeller kan og ikke kan. Begrænsningen er strukturel: uden adgang til virksomhedens systemer kan AI'en aldrig aflaste selve driften.

Trin 2: Agent med adgang til jeres systemer

Springet fra trin 1 til 2 er det afgørende: AI'en får kontrolleret adgang til virksomhedens egne data — typisk via connectors til de systemer, hvor arbejdet faktisk foregår. Nu kan opgaverne blive virksomhedsspecifikke: "find de tilbud, der ikke er fulgt op på", "sammenstil sidste uges kundehenvendelser efter emne", "opdatér kontakten med noterne fra mødet". Her skifter AI'en karakter fra skriveredskab til kollega med systemadgang — og her bliver spørgsmål om adgangsstyring, godkendelses-gates og datahåndtering for alvor vigtige. Hvordan arbejdsgange konkret automatiseres på dette trin, har vi gennemgået i guiden til automatisering af salgsprocesser.

Trin 3: Faste arbejdsgange med ejerskab og måling

På sidste trin er AI-opgaverne ikke længere noget, nogen "kører" — de er en del af driften. Arbejdsgangene har ejere, grænser og målepunkter. Nye opgaver lægges til efterhånden som organisationen lærer, hvad der virker. Det er her, effekten bliver til bundlinje i stedet for begejstring: tiden, der før gik med rutineopgaver, er reelt frigivet, uge efter uge.

Hvad springet til drift kræver

Tre byggeklodser går igen hos virksomheder, der kommer helskindet fra trin 1 til trin 3.

Dataadgang via connectors — ikke copy-paste

Skal AI arbejde med virksomhedens data, skal forbindelsen være systematisk: connectors, der giver AI'en kontrolleret, logget adgang til CRM, mail, kalender og de øvrige systemer. Manuel copy-paste skalerer ikke og er i praksis også en større datasikkerhedsrisiko end en styret integration, fordi data flyder ukontrolleret mellem systemer og udklipsholdere. En platform som Agent360 bruger netop connectors — 35+ af slagsen — som det kontrollerede bindeled mellem AI-agenten og virksomhedens systemer.

Et sted at bo: egen instans og styr på data

Compliance-usikkerheden fra tidligere har en strukturel løsning: kør AI'en et sted, hvor I ved, hvor data bor. Får hver virksomhed sin egen instans med egen database — som i Agent360s model, hvor self-host også er muligt — bliver svaret på "hvor er vores data?" kort og efterprøveligt. Det fjerner ikke ansvaret for god datahåndtering, men det gør det muligt at tage ansvaret konkret i stedet for at udskyde hele AI-indsatsen af usikkerhed.

Governance: grænser og godkendelser fra dag ét

Tillid til AI i drift bygges med grænser: definér hvad agenten må gøre selv (læse, sammenstille, foreslå), og hvad der kræver menneskeligt ja (sende, ændre, slette). Med klare godkendelses-gates kan man starte forsigtigt og udvide agentens råderum i takt med, at den beviser sig — i stedet for at vælge mellem blind tillid og total tilbageholdenhed. Vi har skrevet mere om det organisatoriske fundament i guiden til revenue operations, hvor samme princip går igen: klare ejere, klare processer, målt effekt.

Tre genkendelige eksempler på trappen i praksis

Trappen bliver mere konkret med hverdagseksempler. De tre her er bevidst udramatiske — det er netop pointen: AI i drift handler om de opgaver, der æder timerne, ikke om det spektakulære.

Eksempel 1: Kundehenvendelser der skal sorteres og besvares

Trin 1-versionen: en medarbejder kopierer indimellem en svær kundemail ind i ChatGPT og beder om et svarudkast. Hjælpsomt, men tilfældigt — og AI'en kender hverken kundens historik eller virksomhedens svarpraksis.

Drift-versionen: agenten læser indbakken løbende via en connector, kategoriserer henvendelserne, slår kundens historik op i CRM-systemet og lægger færdige svarudkast klar til godkendelse — hver morgen, til en navngiven ejer, med klare grænser (agenten sender aldrig selv). Effekten måles i svartid og sparet sorteringstid.

Eksempel 2: Mødeopfølgning der aldrig bliver glemt

Trin 1-versionen: referatet skrives med AI-hjælp, hvis mødelederen husker det. Opfølgningspunkterne ender i referatet — og bliver der.

Drift-versionen: efter hvert møde samler agenten noter op, opretter opfølgningsopgaverne i de rigtige systemer, opdaterer kontakter og aftaler i CRM og minder ejerne om deadlines. Ingen beslutning drukner i et dokument. Den slags systematisk opfølgning er i familie med det, vi har beskrevet i guiden til automatisering af salgsprocesser.

Eksempel 3: Ugerapporten der skriver sig selv

Trin 1-versionen: en leder bruger søndag aften på at samle tal fra tre systemer og bede ChatGPT hjælpe med formuleringerne.

Drift-versionen: agenten henter tallene direkte fra kildesystemerne via connectors, sammenstiller ugens udvikling og lægger rapportudkastet klar fredag eftermiddag. Lederen bruger sin tid på at vurdere indholdet — ikke på at flytte tal mellem faner.

Fællesnævneren i alle tre: springet fra trin 1 til drift er ikke "bedre AI" — det er dataadgang, ejerskab og faste rammer omkring præcis samme slags opgave.

Hvad med de opgaver, AI ikke skal have?

En troværdig AI-i-drift-strategi handler også om at vide, hvad der IKKE skal automatiseres. Tre kategorier hører hjemme hos mennesker, uanset hvor god teknologien bliver:

• Beslutninger med væsentlige konsekvenser for enkeltpersoner — ansættelser, opsigelser, kreditvurderinger. Her stiller EU's AI-forordning i øvrigt særlige krav til højrisiko-anvendelser med menneskeligt tilsyn, jf. Kommissionens gennemgang af regelsættet.
• Relationer, hvor autenticitet er selve værdien — den svære kundesamtale, forhandlingen, den personlige tak. AI kan forberede; mennesket skal levere.
• Opgaver uden gentagelse — engangsopgaver med lav tidsomkostning er sjældent automatiseringen værd; her er browserfanen (trin 1) faktisk det rigtige værktøj.

At kunne pege på disse grænser er ikke en svaghed i AI-strategien — det er beviset på, at den er gennemtænkt. Det skaber også den medarbejdertillid, som al drift-AI i sidste ende afhænger af: folk samarbejder med agenten, når de kan se, hvor dens mandat slutter.

Kom i gang: tjekliste til springet

Vil I fra eksperiment til drift, er her den korte huskeliste:

1. Vælg én tilbagevendende opgave med tydelig tidsomkostning — ikke ti opgaver, én.
2. Giv opgaven en ejer med mandat og tid til at følge den til dørs.
3. Etablér dataadgangen via connectors til de systemer, opgaven kræver — aldrig via manuel dataflytning.
4. Definér grænserne: hvad må AI'en gøre selv, hvad kræver godkendelse?
5. Mål før og efter: notér hvad opgaven koster i tid i dag, og opgør effekten efter fire ugers drift.
6. Beslut på data: virker det, udvides til næste opgave; virker det ikke, justér eller luk — men lad være med at lade det sande til.

Den vigtigste tommelfingerregel

Hvis I kun tager én ting med fra tjeklisten, så tag denne: vælg småt, mål ærligt, udvid på beviser. De fleste fejlslagne AI-satsninger deler samme historie — de startede for bredt ("vi skal have AI i hele organisationen"), uden ejer og uden målepunkt, og endte som en dyr rapport i en skuffe. De succesfulde deler også samme historie: én konkret arbejdsgang, én ejer, fire ugers måling — og derfra en trappe af udvidelser, hvor hvert trin var begrundet i det forrige trins målte effekt. Det er mindre imponerende at tale om på ledelsesmødet. Det er til gengæld sådan, AI ender i drift i stedet for i skuffen.

Ofte stillede spørgsmål

Er det ikke fint nok bare at bruge ChatGPT til udkast og tekster?

Jo — som personligt værktøj er det både nyttigt og et godt læringstrin. Men værdien er begrænset til tekstopgaver i kanten af forretningen. Den store, målbare effekt kommer først, når AI får adgang til virksomhedens egne data og indgår i faste arbejdsgange — og det kræver et bevidst spring, ikke bare mere brug af browserfanen.

Hvor mange danske virksomheder bruger AI i dag?

Ifølge Danmarks Statistik brugte 28 pct. af virksomhederne med mindst 10 ansatte kunstig intelligens i 2024 — næsten en fordobling fra 15 pct. året før. De mest udbredte anvendelser er tekstproduktion og tekstanalyse, mens kun omkring hver tiende virksomhed bruger AI til at automatisere arbejdsgange.

Hvad er det første skridt fra eksperiment til drift?

Vælg én tilbagevendende opgave, giv den en ejer, og etablér kontrolleret dataadgang til de systemer, opgaven kræver. Det er dataadgangen, der adskiller et eksperiment fra en driftsløsning — uden den forbliver AI et skriveredskab.

Er det lovligt at give AI adgang til vores kundedata?

Ja, når det gøres med styr på datahåndteringen: I skal vide, hvor data behandles, have databehandleraftaler på plads og styre adgangen. EU's AI-forordning stiller derudover risikobaserede krav afhængigt af anvendelsen — se EU-Kommissionens officielle gennemgang. En arkitektur med egen instans og egen database gør dokumentationen væsentligt enklere.

Skal vi bygge AI-kompetencer internt, før vi kan få AI i drift?

I skal ikke kunne bygge sprogmodeller — men I skal have en ejer, der forstår arbejdsgangene og kan vurdere AI'ens output. Den tekniske tunge løftning (dataadgang, integration, governance) kan ligge i platformen; forretningsforståelsen kan ikke.

Hvordan måler vi, om AI i drift kan betale sig?

Mål den konkrete arbejdsgang før og efter: tid brugt pr. uge, svartider, fejlrater eller gennemløbstid. Opgør effekten efter en fast periode — fx fire uger — og lad tallene afgøre, om løsningen skal udvides, justeres eller lukkes. Anekdoter ("det føles hurtigere") er ikke et beslutningsgrundlag — og netop den disciplin er forskellen på en AI-indsats, der vokser på beviser, og en der løber tør for momentum, når begejstringen har lagt sig.