Viden · AI i praksis
Sådan kommer små og mellemstore virksomheder i gang med AI
AI er ikke længere forbeholdt de største virksomheder. Men mange små og mellemstore virksomheder går i stå mellem de første forsøg og en egentlig gevinst. Her er en praktisk model i seks trin.
Kort fortalt: Kom i gang med AI ved at starte med jeres arbejdsopgaver frem for med teknologien. Find de opgaver, der er gentagne og tidskrævende, vælg værktøjer, der passer til jeres systemer og data, og afprøv dem i et afgrænset pilotprojekt med klare succeskriterier. Sørg for, at medarbejderne lærer at bruge værktøjerne, og mål effekten, før I skalerer.
De fleste virksomheder har allerede medarbejdere, der bruger AI – til at skrive tekster, opsummere dokumenter eller finde svar. Udfordringen er sjældent at komme i gang med at prøve AI. Udfordringen er at komme fra spredte forsøg til løsninger, der skaber målbar værdi i den daglige drift.
Modellen nedenfor bygger på de samme principper som bogen Implementering af AI i små og mellemstore virksomheder: identificér, prioritér, afprøv i lille skala og forankr.
1. Start med opgaverne – ikke med værktøjet
Det mest almindelige fejltrin er at starte med et værktøj og derefter lede efter noget at bruge det til. Vend det om. Spørg i stedet: Hvad bruger vi tid på, som vi helst ville slippe for – eller gerne ville gøre bedre?
Gode kandidater til AI har typisk et eller flere af disse kendetegn:
- De gentages ofte – fx besvarelse af de samme typer henvendelser.
- De handler om tekst eller dokumenter – fx tilbud, referater, udbudsmateriale eller vejledninger.
- De kræver søgning efter information – i mails, mapper eller systemer.
- De følger et genkendeligt mønster, men tager alligevel tid hver gang.
En praktisk øvelse: Bed hver afdeling om at skrive tre til fem opgaver ned, som opfylder kriterierne. Så har I hurtigt en liste på 10–20 konkrete idéer at arbejde videre med.
2. Vælg værktøjer, der passer til jeres hverdag
Der findes overordnet tre typer løsninger, og de kan sagtens kombineres:
- Generelle AI-assistenter som ChatGPT, Microsoft Copilot og Claude. De er hurtige at tage i brug og egner sig til skrivning, analyse og idéudvikling.
- AI i de systemer, I allerede bruger – fx i kontorpakken, CRM-systemet eller økonomisystemet.
- Skræddersyede løsninger og automatiseringer, hvor AI kobles sammen med jeres egne data og arbejdsgange, fx via en automatiseringsplatform som Make.com.
Valget afhænger især af tre spørgsmål: Hvilke systemer bruger I i forvejen? Hvilke data skal AI have adgang til? Og hvilke krav har I til datasikkerhed? Brug som udgangspunkt erhvervsversioner med en databehandleraftale, og undlad at indtaste personoplysninger eller fortrolige oplysninger i gratis forbrugerversioner.
3. Prioritér use cases efter effekt og kompleksitet
Ikke alle idéer er lige gode at starte med. Vurdér hver idé på to akser:
| Lav kompleksitet | Høj kompleksitet | |
|---|---|---|
| Stor effekt | Start her. Hurtige gevinster, der skaber opbakning. | Strategiske projekter – planlæg dem grundigt. |
| Lille effekt | Gør det, hvis det er nemt – fx som øvelse. | Fravælg indtil videre. |
Kompleksiteten øges typisk, når løsningen skal integreres med flere systemer, behandler personoplysninger eller træffer beslutninger, hvor fejl har store konsekvenser.
4. Kør et afgrænset pilotprojekt
Vælg én eller to use cases fra øverste venstre felt, og afprøv dem i en afgrænset periode med en lille gruppe brugere. Det vigtigste er at beslutte på forhånd, hvad der skal til, før piloten er en succes.
- Mål før start: Hvor lang tid tager opgaven i dag? Hvor mange fejl opstår der?
- Succeskriterier: Fx tidsforbrug, kvalitet, antal fejl eller medarbejdernes oplevelse.
- Ansvar: Hvem ejer piloten, og hvem beslutter, hvad der sker bagefter?
- Menneskelig kontrol: Hvor skal et menneske godkende AI'ens arbejde?
En god pilot er lille nok til at kunne gennemføres hurtigt – og konkret nok til, at resultatet kan måles.
5. Invester i kompetencer og fælles retningslinjer
AI-værktøjer skaber kun værdi, når medarbejderne ved, hvordan de bruger dem godt – og hvornår de ikke skal bruge dem. Typisk kræver det tre ting:
- Grundlæggende træning for alle, der skal bruge værktøjerne: hvordan man formulerer gode instruktioner, vurderer svarene og håndterer data.
- Superbrugere, der kan hjælpe kolleger og videreudvikle løsningerne.
- Enkle retningslinjer for, hvilke værktøjer der må bruges, hvilke data der må indtastes, og hvordan resultater kvalitetssikres.
EU's AI-forordning stiller også krav til virksomheder, der anvender AI, og reglerne justeres løbende. Hold jer orienteret via officielle kilder, fx Digitaliseringsstyrelsens guide til virksomheder om ansvarlig anvendelse af generativ kunstig intelligens, og søg juridisk rådgivning ved tvivl.
6. Mål effekten – og skalér det, der virker
Når piloten er gennemført, sammenlignes resultatet med udgangspunktet. Der er tre mulige beslutninger:
- Skalér løsningen til flere medarbejdere eller afdelinger.
- Justér løsningen og afprøv igen.
- Stop – og brug erfaringerne på den næste idé på listen.
Alle tre er gode udfald, så længe beslutningen bygger på målinger frem for mavefornemmelser. Gentag derefter processen med næste use case. Sådan opbygges både løsninger og kompetencer trin for trin.
Typiske faldgruber
- For store projekter for tidligt. Start småt og byg videre på det, der virker.
- Ingen måling. Uden et udgangspunkt kan I ikke vise, at løsningen har effekt.
- Teknologien først. Et værktøj uden en konkret opgave bliver sjældent brugt.
- Manglende oplæring. Medarbejderne skal have tid og hjælp til at ændre vaner.
- Uklart dataansvar. Afklar tidligt, hvilke data der må bruges hvor.
- Blind tillid til svarene. AI kan tage fejl og skal kvalitetssikres, hvor fejl har konsekvenser.
Næste skridt
Vil I i gang, men mangler overblik eller tid? LearnHub hjælper med kortlægning og prioritering, praktiske workshops for medarbejderne og udvikling af konkrete løsninger.