ROI på AI beregnes ved at sammenligne de dokumenterede nettogevinster fra en konkret AI-løsning med de samlede omkostninger over en valgt periode. Den mest brugbare beregning tager udgangspunkt i en målbar baseline, justerer for risiko og skelner mellem hurtige effektiviseringsgevinster og langsigtet forretningsværdi.
ROI på AI beregnes mest præcist ved at måle nettogevinst mod de samlede omkostninger for en konkret use case. Overblikket forklarer baseline, direkte og indirekte gevinster, risikojustering, pilotmåling og skalering, så AI-investeringer kan vurderes ud fra dokumenteret værdi frem for løse antagelser.
Hvad betyder ROI på AI?
ROI står for return on investment og viser, hvor meget værdi en investering skaber i forhold til dens omkostning. For AI betyder det ikke bare, om en model eller et værktøj er billigt. Det betyder, om den konkrete anvendelse forbedrer en proces, reducerer omkostninger, øger omsætning eller sænker risiko på en måde, der kan måles.
AI-ROI bør derfor beregnes på use case-niveau. En generel licens til et AI-værktøj kan bruges til mange ting, men værdien opstår først, når teknologien ændrer en arbejdsproces. Det kan være hurtigere sagsbehandling, færre fejl, bedre kvalificering af kundeemner, lavere churn eller højere kvalitet i beslutningsgrundlaget.
En god ROI-beregning svarer på tre spørgsmål: Hvad kostede løsningen samlet set, hvilken målbar forbedring gav den, og hvor sikker er forbedringen? Hvis et af de tre spørgsmål mangler, bliver beregningen mere et argument end et styringsværktøj.
Hvilken formel bruges til ROI på AI?
Den enkle formel er: ROI = (samlede gevinster minus samlede omkostninger) divideret med samlede omkostninger gange 100. Resultatet vises som procent. Hvis en AI-løsning koster 300.000 kr. og giver dokumenterede gevinster på 480.000 kr. i samme periode, er nettogevinsten 180.000 kr., og ROI er 60 procent.
| Element | Hvad det betyder | Eksempel på måling |
|---|---|---|
| Gevinst | Den dokumenterede forbedring i kroner eller anden målbar værdi | Sparet arbejdstid, højere konvertering eller færre fejl |
| Omkostning | Alle udgifter ved at bygge, indføre og drive løsningen | Licens, integration, dataarbejde, support og oplæring |
| Periode | Den tid, gevinster og omkostninger måles over | 3 måneder for pilot, 12 måneder for drift |
| Risikojustering | Et fradrag eller scenarie for usikkerhed, fejl og kontrolkrav | Lavere forventet gevinst ved høj fejlrate |
Formlen er enkel, men inputtene er ofte svære. AI kan påvirke flere dele af en proces på samme tid, og nogle gevinster kommer først, når medarbejdere, data og arbejdsgange er ændret. Derfor bør beregningen altid vise antagelserne bag tallene.
Hvorfor starter beregningen med en baseline?
En baseline er den målte situation før AI-løsningen. Den viser, hvordan processen fungerer i dag: tidsforbrug, fejlrate, omkostning pr. sag, svartid, konvertering, kundetilfredshed eller andre relevante målepunkter. Uden baseline kan du ikke vide, om AI har skabt forbedringen, eller om processen allerede var ved at ændre sig.
Baselinen bør være konkret og tæt på den opgave, AI skal påvirke. Hvis målet er at reducere tid brugt på supporttriage, bør du måle triagetid før og efter. Hvis målet er bedre salgsprioritering, bør du måle hitrate, cyklustid og omsætning pr. kvalificeret mulighed.
For marketing- og salgsprocesser kan det være nyttigt at sammenligne med mere snævre beregninger som måling af marketing ROI med AI. AI-ROI bliver mest troværdig, når den knyttes til et bestemt trin i kunderejsen eller arbejdsprocessen.
Hvilke gevinster kan tælles med?
Gevinster kan være direkte, indirekte eller strategiske. Direkte gevinster er lettest at regne på, fordi de kan kobles til tid, fejl eller omsætning. Indirekte gevinster er mere usikre, men kan stadig være relevante, hvis de måles konsekvent. Strategiske gevinster kræver særlig forsigtighed, fordi de ofte bygger på antagelser om fremtidig kapacitet.
- Direkte gevinster: færre manuelle timer, lavere fejlretning, kortere behandlingstid eller færre eksterne udgifter.
- Indirekte gevinster: bedre kundesvar, højere medarbejderkapacitet, hurtigere onboarding eller mindre ventetid mellem afdelinger.
- Strategiske gevinster: nye services, bedre beslutningsgrundlag, øget skalerbarhed eller hurtigere produktudvikling.
En gevinst bør kun tælles med i ROI, hvis den kan beskrives som et målepunkt. Hvis AI frigør tid, skal du afgøre, om tiden faktisk reducerer omkostninger, øger kapacitet eller blot bliver absorberet af andet arbejde. Frigjort tid er ikke automatisk økonomisk gevinst, men den kan være værdifuld, hvis den omsættes til konkret output.
Hvilke omkostninger skal med?
De samlede omkostninger er ofte højere end selve AI-værktøjet. En realistisk beregning bør medtage software, modeladgang, databehandling, integrationer, sikkerhed, projektledelse, test, oplæring, support, drift, overvågning og løbende justering. Hvis løsningen kræver nye roller eller ekstern udvikling, skal det også med.
For organisationer med mange systemer kan enterprise AI gøre ROI-beregningen mere kompleks. En fælles AI-platform kan være dyrere i starten, men give lavere marginalomkostning pr. ny use case. Omvendt kan mange små værktøjer se billige ud hver for sig, men skabe skjulte udgifter til data, adgangsstyring og support.
Omkostninger bør deles op i engangsomkostninger og løbende omkostninger. Engangsomkostninger kan være analyse, opsætning og integration. Løbende omkostninger kan være licenser, beregning, overvågning, brugerhjælp, fejlretning og sikkerhedsreview. ROI bliver misvisende, hvis kun første kategori eller kun anden kategori regnes med.
Hvordan håndteres indirekte gevinster?
Indirekte gevinster skal ikke udelades, men de skal behandles mere forsigtigt end direkte besparelser. Hvis AI forbedrer beslutningshastighed, kvalitet eller kundedialog, bør gevinsten knyttes til en observerbar konsekvens. Det kan være lavere frafald, kortere salgscyklus, færre genåbnede sager eller højere første-løsningsrate.
Et eksempel er AI-drevet churn prediction. Selve modellen skaber ikke ROI, fordi den forudsiger frafald. ROI opstår først, hvis organisationen bruger forudsigelsen til rettidig handling, og hvis handlingen faktisk reducerer frafald eller øger kundens værdi.
Indirekte gevinster kan indgå som scenarier. Et konservativt scenarie tæller kun dokumenterede effekter. Et realistisk scenarie tæller sandsynlige effekter med tydelige antagelser. Et optimistisk scenarie kan bruges til planlægning, men bør ikke være det eneste grundlag for investeringsbeslutningen.
Hvordan risikojusteres AI-ROI?
AI-ROI bør risikojusteres, fordi teknologien kan give fejl, usikkerhed og kontrolkrav, som reducerer nettogevinsten. En model kan klassificere forkert, give varierende svar, bruge forældede oplysninger eller kræve ekstra menneskelig kontrol. Disse forhold er ikke kun tekniske risici; de påvirker økonomien.
Risikojustering kan laves på flere måder. Du kan fratrække forventede fejlomkostninger, lægge ekstra kontrolomkostninger ind, reducere den forventede gevinst eller beregne flere scenarier. Jo højere konsekvensen ved fejl er, desto mere konservativ bør beregningen være.
AI-governance er derfor en del af ROI-beregningen. Politikker, ansvar, dokumentation, adgangsstyring og løbende evaluering koster tid og penge, men de kan også beskytte værdien. En løsning med høj umiddelbar effektivitet kan have lav reel ROI, hvis den skaber compliance-risiko, fejlretning eller tab af tillid.
Hvordan måles ROI i pilotprojekter?
Et pilotprojekt bør måle, om en AI-use case er værd at skalere. Det betyder, at piloten skal have en klar startværdi, en testgruppe, en sammenligningsmetode og kriterier for succes. En pilot, der kun viser, at teknologien kan fungere, er ikke nok til at beregne ROI.
Gode pilotmålinger kombinerer kvantitative og kvalitative data. Kvantitative data kan være minutter pr. opgave, fejlrate, antal sager pr. medarbejder eller konvertering. Kvalitative data kan være brugerfeedback, årsager til afviste forslag og eksempler på situationer, hvor modellen ikke bør bruges.
Pilot-ROI bør altid holdes adskilt fra skaleret ROI. I en pilot er udgifter til platform, governance og drift ofte lavere end i fuld produktion. Når løsningen skaleres, kommer der typisk flere omkostninger til support, træning, adgangsstyring, overvågning og ændringsledelse.
Hvordan beregnes tilbagebetalingstid og nutidsværdi?
ROI viser forholdet mellem gevinst og omkostning, men den siger ikke altid, hvornår gevinsten kommer. Tilbagebetalingstid viser, hvor lang tid det tager, før de akkumulerede nettogevinster har dækket investeringen. Hvis en løsning koster 300.000 kr. og giver 40.000 kr. i nettogevinst pr. måned, er den simple tilbagebetalingstid 7,5 måneder.
Ved større AI-investeringer kan nutidsværdi være mere relevant end simpel ROI. Nutidsværdi tager højde for, at gevinster og omkostninger på forskellige tidspunkter ikke har samme værdi. Det er især relevant, hvis en organisation investerer tungt i data, platform og integrationer, mens gevinsterne først kommer over flere år.
Den praktiske pointe er at vise tidsprofilen. En AI-løsning kan have negativ ROI i de første måneder, positiv ROI efter et år og stærkere værdi efter skalering. En anden løsning kan vise hurtig besparelse, men flade ud, fordi gevinsten kun gælder én lille opgave.
Hvornår er ROI på AI misvisende?
ROI bliver misvisende, når beregningen bruger for brede antagelser, tæller samme gevinst flere gange eller ignorerer omkostninger til mennesker, data og drift. Det sker også, når alle tidsbesparelser omsættes direkte til kroner, selv om medarbejdernes samlede opgaveportefølje ikke ændres.
En anden fejl er at beregne ROI på værktøjsniveau i stedet for procesniveau. Hvis en afdeling køber et AI-værktøj, men ikke ændrer arbejdsgangen, kan produktiviteten være svær at se. Hvis samme værktøj derimod fjerner et flaskehalsled i en veldefineret proces, kan effekten måles tydeligere.
ROI kan også undervurdere AI, hvis beregningen kun accepterer kortsigtede besparelser. AI kan skabe værdi gennem bedre beslutninger, læring, ny kapacitet og hurtigere eksperimenter. De gevinster bør ikke opfindes, men de kan måles over længere tid med klare indikatorer.
Hvordan bruges ROI i governance og prioritering?
ROI bør bruges til at prioritere AI-initiativer, ikke kun til at godkende dem. En organisation kan sammenligne use cases ud fra forventet nettoværdi, datatilgængelighed, risiko, implementeringssværhed og strategisk betydning. Dermed bliver ROI en del af porteføljestyring.
OECD’s principper for troværdig AI fremhæver blandt andet transparens, robusthed, sikkerhed og ansvarlighed. ISO/IEC 42001 beskriver AI-ledelsessystemer som en struktureret måde at håndtere både risici og muligheder på. Det betyder, at en god AI-ROI ikke kun handler om høj procent, men om værdi skabt under kontrollerede forhold.
Et praktisk prioriteringsskema kan rangere projekter efter fire spørgsmål: Er problemet vigtigt nok, findes der gode data, kan effekten måles, og er risikoen håndterbar? Projekter med moderat gevinst og lav risiko kan være bedre førstevalg end projekter med høj teoretisk gevinst og uklart ansvar.
Hvordan kan et simpelt eksempel se ud?
Forestil dig en B2B-salgsproces, hvor AI hjælper med at prioritere kundeemner. Før AI bruger teamet 500 timer pr. kvartal på manuel screening. Efter en pilot falder tidsforbruget til 350 timer, mens hitraten på kvalificerede muligheder stiger svagt. Tallene er illustrative og viser kun regnemetoden.
Hvis 150 sparede timer værdisættes til 75.000 kr., og den forbedrede prioritering giver 120.000 kr. i ekstra dækningsbidrag, er den samlede kvartalsgevinst 195.000 kr. Hvis kvartalets samlede omkostning til AI-løsningen er 110.000 kr., er nettogevinsten 85.000 kr. ROI bliver 85.000 divideret med 110.000 gange 100, altså cirka 77 procent.
I AI i B2B-salgsprocesser kan samme metode bruges til leadprioritering, mødeforberedelse og opfølgning. Beregningen bør dog altid vise, hvilke forbedringer der er dokumenteret, hvilke der er antagelser, og hvilke omkostninger der først kommer ved skalering.
Hvilke kilder ligger til grund?
Metoden bygger på OMB’s Circular A-94 om benefit-cost analysis, NIST’s AI Risk Management Framework, OECD’s AI Principles, ISO’s beskrivelse af ISO/IEC 42001 for AI-ledelsessystemer og EU’s Regulation (EU) 2024/1689 om kunstig intelligens.