4 min læsning
AI fylder mere end nogensinde i virksomhedernes agenda – men langt fra alle lykkes med at skabe konkret værdi. Faktisk peger flere analyser på, at størstedelen af AI-projekter i enterprise-organisationer ikke når deres mål. Det kan lyde alarmerende, men i praksis er forklaringen ofte mindre dramatisk: Problemet er sjældent teknologien – det er måden, den bliver anvendt på.
Vores erfaring er klar. De projekter, der fejler, tager typisk udgangspunkt i teknologi. De projekter, der lykkes, tager udgangspunkt i processer.
Start med processen – ikke teknologien
Hos Inspari arbejder vi konsekvent med procesoptimering som fundament for AI. Før vi overhovedet begynder at tale om modeller, værktøjer eller arkitektur, starter vi med at forstå, hvordan arbejdet reelt bliver udført i organisationen.
Det indebærer en dyb kortlægning af værdistrømme, roller, data og afhængigheder – og ikke mindst en konkret måling af, hvor tid og ressourcer faktisk bliver brugt.
Formålet er at synliggøre, hvor værdien går tabt. Hvor opstår der ventetid? Hvor er der unødige overleveringer? Hvor opstår flaskehalse? Først når det er tydeligt, kan vi vurdere, hvor AI kan gøre en reel forskel – og hvor en simpel procesændring måske er en bedre løsning.
Case: Sådan optimerede Energinet deres indkøbsproces
Et konkret eksempel på denne tilgang er vores samarbejde med Energinet, hvor fokus var på at optimere indkøbsprocessen.
Her så vi en klassisk problemstilling: gentagne iterationer mellem indkøb og forretning, mange tilbageløb og en betydelig mængde ventetid – især ved udarbejdelse af udbudsmateriale og evalueringskriterier.
Med et solidt datagrundlag og mange gentagelser i processen var det oplagt at tænke i AI-understøttelse. Resultatet blev udviklingen af en løsning, der hjælper indkøbere med at generere evalueringskriterier og strukturere udbudsmateriale baseret på eksisterende data og tidligere udbud.
Det afgørende var dog ikke selve teknologien – men hvordan den blev brugt. I stedet for at være et efterbehandlingsværktøj blev løsningen taget med ind i dialogen med forretningen. Det reducerede behovet for frem-og-tilbage og forbedrede både hastighed og kvalitet.
Netop kvalitet er værd at fremhæve. AI skaber ikke kun værdi i form af tidsbesparelser – men i mange tilfælde som et markant løft i kvaliteten af arbejdet.
Fra prototype til produktion
Når man bevæger sig fra prototype til reel produktion, ændrer billedet sig markant. Det er relativt hurtigt at udvikle en proof of concept. Det er langt sværere at skabe et stabilt, skalerbart og compliant system.
Her møder man krav til:
- Infrastruktur og sikkerhed
- Monitorering og stabil drift
- Compliance og dokumentation
- Skalering til flere brugere
Det er ofte i denne fase, projekter mister momentum.
Derfor er det afgørende at involvere IT, compliance og sikkerhed tidligt i processen. Samtidig giver det stor værdi at etablere fælles arkitekturprincipper og genbrugelige arbejdsmodeller, så næste projekt kan accelereres markant.
Evaluering spiller også en helt central rolle. At udvikle med AI ligner ikke klassisk softwareudvikling – det er en grundlæggende cyklisk og iterativ disciplin, hvor systematiske evalueringer af kvalitet binder hele udviklingsprocessen sammen. Mange løsninger performer godt i test, men udfordres, når de møder virkeligheden - og en løsning, der virker i dag, gør det ikke nødvendigvis i morgen. Derfor stopper evalueringen ikke ved produktionssætning, men fortsætter som løbende monitorering og rekalibrering i tæt samarbejde med forretningen. Det er ikke noget, man kan skubbe til siden, hvis man vil lykkes for alvor.
Hold det simpelt – og få organisationen med
En anden klassisk faldgrube er at gøre løsningen for kompleks. AI-landskabet er præget af avancerede koncepter og nye teknologier, men i praksis er de mest succesfulde løsninger ofte de enkleste.
Start med en afgrænset use case og et konkret problem – og byg derfra. Hos Energinet var det afgørende at holde løsningen snæver og fokuseret i første omgang frem for at forsøge at bygge en altomfattende platform.
Samtidig er adoption afgørende. Selv den bedste løsning skaber ingen værdi, hvis den ikke bliver brugt.
Det kræver:
- Klar kommunikation om AI’s rolle
- Involvering af brugerne fra start
- Dedikerede ressourcer og ambassadører
- Kontinuerlig træning og feedback
Hos Energinet har det været centralt at positionere løsningen som en sparringspartner – ikke en erstatning. Medarbejderne bevarer ansvaret, men får et værktøj, der gør dem bedre.
Samlet set peger erfaringerne i én retning: AI skaber først værdi, når det tager afsæt i forretningen. Når man forstår sine processer, vælger sine use cases med omhu og arbejder struktureret med implementering, evaluering og adoption, øges sandsynligheden markant for at lykkes.
Det er samtidig værd at huske, at procesoptimering kun er én vej til værdi. De projekter der virkelig rykker forretningen i form af nye indtægtskilder, markant lavere omkostninger eller helt nye konkurrencefordele, kræver ofte, at man tør gentænke forretningen mere grundlæggende og spørge, hvordan man ville operere, hvis man startede fra scratch med AI i centrum. Den slags transformation kan sjældent drives nedefra alene. Den kræver klar prioritering og tydelig ledelsesopbakning.
Det vigtigste spørgsmål er derfor ikke, hvilken teknologi man skal vælge. Det er: Hvor i jeres processer går værdien tabt i dag - og hvordan kan I ændre det og gentænke forretningen, hvis AI for alvor var i centrum?
Se webinar om emnet
