Generativ AI bør indgå i en forretningsstrategi som et styret værktøj til produktivitet, videnarbejde, kundedialog og innovation, ikke som et løst eksperiment. Den rette strategi kobler use cases, data, governance, måling og kompetencer til virksomhedens konkrete mål.
Generativ AI skaber mest værdi, når teknologien kobles til klare forretningsmål, kontrollerede data og tydelig governance. En strategi bør prioritere konkrete use cases, måle effekt realistisk og afklare ansvar, risici og EU-regler, før løsningerne bliver en fast del af driften.
Hvad betyder generativ AI i en forretningsstrategi?
Generativ AI er AI-systemer, der kan danne nyt indhold ud fra mønstre i data, for eksempel tekst, billeder, lyd, video, kode, analyser eller udkast til beslutningsmateriale. I en forretningsstrategi handler teknologien ikke først om at vælge et bestemt værktøj. Den handler om at afgøre, hvor automatiseret indholdsproduktion, sprogforståelse og modelbaseret assistance kan ændre processer, omkostninger, kvalitet eller hastighed.
Strategisk brug kræver derfor en anden samtale end almindelig softwareanskaffelse. Spørgsmålet er ikke kun, om en model kan løse en opgave, men om opgaven bør løses med AI, hvilke data den må bruge, hvem der kontrollerer output, og hvordan effekten måles. En virksomhed, der behandler generativ AI som enterprise AI, får lettere ved at forbinde teknologien med drift, sikkerhed, ansvar og ledelsesbeslutninger.
Hvilke forretningsmål bør styre brugen?
En brugbar strategi begynder med forretningsmål, ikke med modelnavne. Generativ AI kan bidrage til flere typer mål, men målet skal være præcist nok til, at organisationen kan vurdere, om en løsning faktisk virker. Et generelt ønske om at bruge AI giver sjældent klare prioriteringer. Et mål om at reducere tid på intern rapportering, forbedre svartid i kundeservice eller øge genbrug af viden i projekter er langt lettere at omsætte til en kontrollerbar indsats.
| Forretningsmål | Muligt AI-bidrag | Kontrolpunkt |
|---|---|---|
| Hurtigere vidensarbejde | Udkast, opsummeringer, søgning i interne dokumenter og strukturering af mødenoter | Kan medarbejdere validere output uden at bruge mere tid end før? |
| Bedre kundedialog | Svarforslag, klassificering af henvendelser og støtte til medarbejdere | Er svarene korrekte, sporbare og tilpasset virksomhedens tone og regler? |
| Mere effektiv produktudvikling | Ideudkast, testscenarier, kravformulering og analyse af feedback | Bliver kvaliteten højere, eller produceres der blot flere ufærdige forslag? |
| Styrket compliance og kontrol | Overblik, dokumentklassificering og hjælp til at finde afvigelser | Er der menneskelig kontrol ved afgørelser, risikovurderinger og eksterne svar? |
Tabellen viser også en vigtig afgrænsning: generativ AI er sjældent selve strategien. Den er et middel, der kan støtte bestemte mål, hvis data, ansvar og arbejdsgange er modne nok til det.
Hvor skaber generativ AI typisk værdi?
Generativ AI skaber typisk mest værdi, hvor arbejdet er sprogligt, vidensbaseret, gentagende eller afhængigt af mange dokumenter. Det kan være kundesupport, salgsmateriale, analysearbejde, intern videndeling, softwareudvikling, udbudsmateriale, kvalitetssikring eller uddannelse af medarbejdere. Værdien opstår dog ikke automatisk, fordi modellen kan skrive hurtigt. Den opstår, når output indgår i en ny arbejdsgang, hvor mennesker bruger mindre tid på gentagelse og mere tid på vurdering, relationer, beslutninger eller faglig kontrol.
Et realistisk eksempel er en supportafdeling, der bruger generativ AI til at foreslå svar ud fra godkendte vidensartikler. Den strategiske gevinst er ikke, at modellen kan formulere tekst. Gevinsten er, at nye medarbejdere kan finde godkendt viden hurtigere, at ensartede spørgsmål håndteres mere stabilt, og at svære sager stadig eskaleres til mennesker. Hvis svarforslagene ikke bygger på opdateret viden, eller hvis ingen måler fejl og eskaleringer, bliver teknologien derimod en ny driftsrisiko.
Hvordan bør data og viden indgå?
Datagrundlaget bestemmer, om generativ AI bliver en praktisk hjælp eller en kilde til usikre svar. En offentlig standardmodel kan være nyttig til generelle udkast og sproglig struktur, men den kender ikke automatisk virksomhedens kontrakter, produkter, interne beslutninger, kundespecifikke vilkår eller seneste procesændringer. Når AI skal støtte faktiske arbejdsopgaver, skal strategien derfor beskrive, hvilke datakilder modellen må bruge, hvem der ejer dem, og hvordan oplysninger holdes opdaterede.
En udbredt metode er retrieval augmented generation, hvor modellen kombineres med søgning i udvalgte dokumenter eller databaser. Det kan give mere kontrollerbare svar, fordi modellen henter relevant kontekst fra definerede kilder i stedet for kun at bygge på sin træning. Det ændrer dog ikke behovet for datakvalitet. En løsning med retrieval augmented generation er kun så nyttig som de dokumenter, rettigheder, metadata og opdateringsrutiner, den bygger på.
- Definer hvilke datatyper der må bruges til generativ AI, og hvilke der kræver særlig godkendelse.
- Adskil offentligt materiale, interne dokumenter, fortrolige oplysninger og persondata.
- Udpeg ejere for de kilder, som AI-løsningen skal hente viden fra.
- Beslut hvordan forældede, fejlbehæftede eller modstridende dokumenter fjernes fra datagrundlaget.
Hvornår er en standardmodel nok, og hvornår kræver løsningen tilpasning?
En standardmodel kan være tilstrækkelig, når opgaven er generel, lavrisiko og let at kontrollere. Det gælder for eksempel sproglig omskrivning, interne ideudkast, mødestruktur, oversigter og hjælp til at komme i gang med en analyse. Tilpasning bliver mere relevant, når modellen skal arbejde med virksomhedsspecifik viden, følge en fast proces, integreres i et system, bruge bestemte datakilder eller håndtere output, der påvirker kunder, medarbejdere eller økonomiske beslutninger.
Tilpasning kan betyde flere ting. Det kan være en kontrolleret systemopsætning, en intern vidensbase, adgangsstyring, integration med sagsdata, menneskelig godkendelse eller finjustering af en model. Strategien bør undgå at gøre teknisk tilpasning til et mål i sig selv. Ofte er en velafgrænset arbejdsgang med gode kilder, klare rettigheder og menneskelig kontrol mere værd end en avanceret model, der er svær at styre.
Hvordan måles afkastet uden at overvurdere teknologien?
Afkastet på generativ AI bør måles før og efter en konkret ændring i arbejdsgangen. Hvis du kun måler antallet af genererede svar, dokumenter eller ideer, kan teknologien se effektiv ud uden at skabe reel værdi. Et bedre mål kobler tidsforbrug, kvalitet, fejl, brugeroplevelse og risikoniveau. For vidensarbejde kan det for eksempel være tid til første udkast, antal korrektioner, andel sager der eskaleres korrekt, eller hvor ofte et AI-svar må afvises.
En sober beregning af ROI på AI bør også medtage skjulte omkostninger. Licenser og teknisk udvikling er kun en del af regnestykket. Der kommer udgifter til dataklargøring, sikkerhedsvurdering, træning af medarbejdere, kvalitetssikring, modelovervågning og eventuel oprydning, hvis løsningen producerer fejl eller bruges uden for sit formål.
- Mål den nuværende proces, før AI indføres.
- Vælg få tydelige succeskriterier for den konkrete use case.
- Registrer både tidsgevinst, kvalitetsændring og fejltyper.
- Indregn kontrol, drift, sikkerhed og kompetenceudvikling.
- Stop eller ændr use cases, hvor gevinsten ikke kan dokumenteres.
Hvilke risici skal med i beslutningen?
Generativ AI har risici, der minder om almindelige software- og datarisici, men teknologien kan også forstærke dem. NISTs generative AI-profil fremhæver blandt andet fejlagtigt indhold, databeskyttelse, informationssikkerhed, bias, immaterielle rettigheder og misbrug som relevante risikoområder. For en virksomhed betyder det, at strategien skal omfatte både teknisk sikkerhed, juridisk vurdering, proceskontrol og almindelig faglig kvalitetssikring.
Hallucinationer er et centralt eksempel. En sprogmodel kan formulere et svar sikkert, selv når svaret er forkert eller mangler kildegrundlag. Det gør ikke modellen ubrugelig, men det begrænser, hvor den kan anvendes uden kontrol. Risikoen stiger, når output bruges til kundesvar, økonomiske beregninger, rekruttering, helbredsrelateret information, offentlig kommunikation eller beslutningsstøtte med konsekvenser for personer.
En strategi bør derfor skelne mellem tre niveauer: lavrisiko-assistance, kontrolleret beslutningsstøtte og processer, hvor AI-output kan få væsentlig betydning for mennesker eller forretning. Jo højere niveau, desto mere kræves der af dokumentation, test, sporbarhed, menneskelig godkendelse og mulighed for at stoppe løsningen.
Hvordan bygges governance ind i strategien?
Governance er de beslutninger, roller og kontroller, der gør AI-brug styret i praksis. Det omfatter blandt andet ejerskab, risikovurdering, datagrundlag, godkendte værktøjer, adgangsrettigheder, logning, leverandørkrav, test før ibrugtagning og løbende monitorering. Uden governance kan generativ AI sprede sig som mange små lokale løsninger, hvor ingen samlet ved, hvilke data der bruges, hvilke svar der sendes videre, eller hvilke risici der accepteres.
AI-governance bør ikke ligge alene hos IT. Strategien bør koble ledelse, jura, informationssikkerhed, HR, dataansvarlige og de forretningsområder, der ejer processerne. En organisation kan bruge principper fra AI governance og en intern AI-politik til at gøre reglerne praktiske for medarbejdere, ikke kun formelle for ledelsen.
ISO/IEC 42001 er relevant, fordi standarden beskriver et AI-ledelsessystem med politikker, mål, risikostyring, støtteprocesser, drift, evaluering og forbedring. Standarden er ikke en garanti for, at en konkret AI-løsning er korrekt, men den giver en struktureret måde at behandle AI som en ledelsesopgave på tværs af organisationen.
Hvad betyder EU AI Act for en virksomhed?
EU AI Act gør AI-strategi mere konkret for organisationer, der udvikler, køber eller bruger AI-systemer i EU. Reglerne er risikobaserede og skelner blandt andet mellem forbudte anvendelser, højrisko-systemer, transparenskrav, generel AI og systemer med minimal risiko. Forretningsstrategien bør derfor indeholde en metode til at klassificere AI-use cases, også når teknologien købes gennem en leverandør.
Pr. juni 2026 beskriver Europa-Kommissionen, at forbud mod bestemte AI-praksisser blev effektive i februar 2025, at regler for general-purpose AI blev effektive i august 2025, og at transparensregler for blandt andet chatbots og AI-genereret indhold kommer i august 2026. Højrisiko-områder omfatter blandt andet ansættelse, uddannelse, adgang til væsentlige private og offentlige services, retshåndhævelse og visse sikkerhedskomponenter.
For virksomheder betyder det ikke, at enhver intern brug af generativ AI er højrisko. Det betyder, at strategi, indkøb og implementering bør kunne dokumentere, hvilken rolle virksomheden har, hvilke data der bruges, om mennesker informeres, og hvordan menneskelig kontrol, robusthed og datasikkerhed håndteres i relevante use cases. Denne afklaring bør ske tidligt, fordi det er langt dyrere at bygge governance på efter en løsning allerede er bredt udrullet.
Hvordan prioriteres de første use cases?
De første use cases bør vælges efter nytte, datatilgængelighed og risikoniveau. En god start er ofte et område med gentagende vidensarbejde, tydeligt ejerskab og let adgang til godkendte kilder. Det kan være intern søgning, rapportudkast, kundeserviceassistance, mødeopsummering eller hjælp til at strukturere projektmateriale. Undgå at begynde med opgaver, hvor fejl kan få stor direkte konsekvens, medmindre organisationen allerede har stærke kontroller.
En enkel prioriteringsmodel kan score hver use case på fem spørgsmål: Hvor stor er den forventede gevinst? Hvor klar er processen i dag? Hvor godt er datagrundlaget? Hvor alvorlige er fejl? Hvor let er menneskelig kontrol? De mest egnede pilotprojekter ligger ofte i feltet med høj nytte, gode data, lav til moderat risiko og tydeligt ansvar.
- Vælg en afgrænset proces med kendt ejer.
- Brug godkendte datakilder, ikke tilfældige dokumentmapper.
- Lav en lille pilot med baseline og klare stopkriterier.
- Test output på reelle cases, før løsningen får bred adgang.
- Beslut hvem der må godkende, ændre eller lukke løsningen.
Hvilke kompetencer og arbejdsgange skal ændres?
Generativ AI ændrer ofte arbejdet mere end organisationsdiagrammet. Medarbejdere skal kunne beskrive en opgave klart, vurdere modeloutput kritisk, kende datagrænser, dokumentere væsentlige rettelser og vide, hvornår en sag skal eskaleres. Det er ikke nok at give adgang til et værktøj. Kompetenceudvikling skal kobles til de konkrete arbejdsprocesser, hvor AI skal bruges.
Ledelsen bør også beslutte, hvilke opgaver der fortsat kræver menneskelig førstehåndsvurdering. Hvis AI bruges til at opsummere kundedata, analysere medarbejderinformation eller foreslå beslutninger, skal der være klare roller for kontrol. Menneskelig kontrol er mest effektiv, når den placeres på bestemte beslutningspunkter, ikke som en generel forventning om, at alle altid tjekker alt.
Arbejdsgange skal desuden opdateres, når en AI-løsning bliver en del af driften. Det gælder skabeloner, godkendelsesflows, datakilder, kvalitetsmålinger, onboarding og hændelsesrapportering. En strategi uden ændrede arbejdsgange ender let som parallel brug: medarbejdere anvender AI ved siden af den officielle proces, og organisationen mister overblik over både effekt og risiko.
Hvordan kan strategien holdes opdateret?
Generativ AI udvikler sig hurtigt, men en strategi bør ikke ændres ved hver produktlancering. Den bør have faste reviewpunkter, hvor organisationen vurderer modelkvalitet, leverandørvilkår, sikkerhed, regulatoriske krav, intern brug og dokumenterede resultater. Det gør strategien mere robust end en teknologiplan, der kun følger markedets nyeste funktioner.
En praktisk rytme er at behandle AI-porteføljen som andre strategiske investeringer. Nye use cases skal godkendes, eksisterende løsninger skal måles, og løsninger uden dokumenteret nytte skal ændres eller udfases. Samtidig bør organisationen registrere uautoriseret brug, fordi skjult AI-brug kan afsløre reelle behov, men også uacceptable datarisici.
Strategien bør også indeholde en læringssløjfe. Når en pilot lykkes, skal det dokumenteres, hvilke procesændringer, datakilder og kontroller der gjorde forskellen. Når en pilot fejler, er forklaringen lige så værdifuld. Den kan vise, at datagrundlaget var for svagt, at opgaven krævede for meget faglig fortolkning, eller at gevinsten ikke stod mål med kontrollen.
Hvilke kilder ligger til grund?
Artiklens definition og risikoforståelse bygger især på NISTs Generative Artificial Intelligence Profile og NISTs overblik over AI Risk Management Framework. Strategiens governance-del er afstemt med ISO’s beskrivelse af ISO/IEC 42001:2023 som standard for AI-ledelsessystemer.
Den europæiske del bygger på Europa-Kommissionens side om EU AI Act, herunder risikobaseret klassificering, højrisko-forpligtelser, transparenskrav og regler for general-purpose AI.