Når jeg holder oplæg om kunstig intelligens, kommer spørgsmålet næsten altid i samme form: Det lyder interessant – men hvad bruger man det egentlig til? Spørgsmålet er rimeligt. Samtalen om AI føres ofte i store ord og fremtidsscenarier, mens hverdagen i en dansk virksomhed handler om nyhedsbreve, der skal ud, referater, der skal skrives, og beslutninger, der skal træffes på et ordentligt grundlag.
Denne artikel er mit svar. Jeg har samlet elleve eksempler på, hvordan danske virksomheder og organisationer bruger kunstig intelligens i dag. Tre af dem er cases fra mit eget arbejde som rådgiver og underviser – anonymiserede, men virkelige. Resten er typiske mønstre, jeg møder på tværs af danske organisationer. Hvert eksempel følger samme opbygning: situationen, hvad AI'en gør, resultatet, og hvad man kan lære af det. Har du brug for en grundforklaring først, har jeg skrevet en rolig gennemgang af, hvad AI egentlig er.
Kommunikationsafdelingerne er længst fremme
Det er ikke tilfældigt, at de fleste af mine eksempler begynder her. Generativ AI arbejder i sprog, og sprog er kommunikationsafdelingens råstof – derfor er det også her, teknologien først har fundet fast plads i arbejdsgangene.
Førsteudkast og kvalitetssikring i offentlige kommunikationsafdelinger. I de offentlige kommunikationsafdelinger, jeg underviser og rådgiver, er AI rykket ind i begge ender af skriveprocessen. Teksterne begynder med et AI-førsteudkast: pressemeddelelser, nyhedsbreve og andre tekster skrives frem ud fra et notat og en fast prompt, der beskriver formål, målgruppe og afsenderens sprogbrug. Og før indholdet sendes ud, kvalitetssikres det med AI-assistenter, der holder teksten op mod afdelingens tone of voice. Tiden fra notat til udkast er faldet fra timer til minutter, og hver tekst læses stadig efter og godkendes af et menneske. Læren er, at AI gør mest gavn i begge ender af skriveprocessen – som det første udkast og det sidste tjek – mens ansvaret bliver hos afsenderen.
AI som kritisk læser. Et typisk mønster i medlemsorganisationer og andre organisationer med mange skribenter: Mange forskellige medarbejdere skriver til medlemmerne, og teksterne lyder derefter – nogle formelle, nogle kammeratlige, ingen helt ens. I stedet for at lade AI'en skrive bruges den som kritisk læser: Hver tekst holdes op imod organisationens nedskrevne tone of voice, og modellen peger på uklarheder, kancellisprog og påstande uden belæg, før teksten sendes. Antallet af gennemskrivningsrunder falder, og diskussionerne om sprog bliver mere konkrete. Læren er, at AI som læser ofte er et tryggere sted at starte end AI som skribent – ansvaret bliver, hvor det hele tiden var.
Oversættelse og formidling i flere lag. Danske virksomheder med engelsk koncernsprog bruger i stigende grad AI til at oversætte internt indhold og – vigtigere – til at omsætte det samme indhold til flere niveauer: den tekniske version til fagfolkene, den korte version til intranettet, den kundevendte version uden fagudtryk. Resultatet er, at indhold, der før kun fandtes i én form, nu når flere modtagere. Læren er, at samme indhold i flere former er en af de opgaver, sprogmodeller løser bedst – hvis nogen har defineret formerne på forhånd.
Ledelse og HR bruger AI til at lytte og forberede
AI-træning i ledelsen af en større NGO. En større dansk NGO, jeg arbejder med, valgte at begynde med AI-træning i ledelsesgruppen – før der blev lagt en strategi for AI i organisationen. Rækkefølgen er hele pointen: Den digitale forestillingsevne hos dem, der skal træffe beslutningerne, skal udvides først, så de forstår, hvad til- og fravalg kommer til at betyde – og kan forestille sig en ny udgave af organisationen med ny teknologi. Læren er, at en AI-strategi, der lægges, før ledelsen selv har haft hænderne i teknologien, bliver en strategi for den organisation, man var – ikke den, man kan blive.
Fritekstsvar i medarbejderundersøgelser. På mange offentlige arbejdspladser ender medarbejderundersøgelsens fritekstsvar hvert år samme sted: i en fil, ingen når at læse systematisk. Et voksende mønster er at lade AI samle de mange hundrede anonymiserede svar i temaer med citater som belæg, så ledelsen får et overblik på en dag, som før krævede uger – eller aldrig blev lavet. Beslutningerne om, hvad der skal handles på, ligger stadig hos ledelsen. Læren er, at AI kan understøtte en beslutning ved at gøre materialet læsbart – men den skal ikke træffe den.
Jobopslag og onboardingmateriale i HR. I mange HR-teams skrives jobopslag under tidspres, og gamle skabeloner genbruges med årstal og klichéer fra forrige runde. Et typisk mønster er at lade AI lave udkast ud fra stillingsprofilen og tjekke sproget for skævheder og indforståethed, før opslaget publiceres – og bruge samme greb til velkomstmateriale for nye kolleger. Opslagene bliver hurtigere færdige og mere ensartede i kvalitet. Læren er, at udbyttet følger kompetencerne: Det flytter sig først, når teamet trænes i at instruere modellen ordentligt, ikke når licenserne købes.
Marketing bruger AI til bredde og indsigt
Produkttekster og marketingtekster i en importvirksomhed. En mellemstor dansk importvirksomhed, jeg har arbejdet med, bruger i dag AI til at generere produkttekster og marketingtekster. Men det afgørende skete, før den første tekst blev skrevet: et grundigt strategisk forarbejde, hvor vi definerede virksomhedens kernefortælling, den rolle brandet skal spille hos kunderne, en tydelig tone of voice og kriterier for de forskellige teksttyper – for hvad en produkttekst skal kunne, og hvad en kampagnetekst skal kunne, er ikke det samme.
Uden det forarbejde var resultatet blevet generisk: AI-tekster, der kunne have stået hos enhver konkurrent, fordi modellen kun har gennemsnittet at falde tilbage på. Med forarbejdet blev AI i stedet en forstærker af en afklaret identitet – hver tekst trækker på kernefortællingen og måles mod kriterierne, og produktionen er blevet både hurtigere og mere præcis i sit sprog. Læren er, at det strategiske forarbejde ikke er en forsinkelse af AI-arbejdet, men forudsætningen for det: Afklaringen kommer først, forstærkningen bagefter.
Varianter af annoncer og kampagnetekster. I mange danske marketingteams er flaskehalsen ikke idéen, men mængden: Den samme kampagne skal leve på fem kanaler i tre længder til flere målgrupper. AI'en producerer varianterne ud fra ét gennemarbejdet grundbudskab, og teamet vælger, justerer og tester. Resultatet er mere systematisk testning, end der før var tid til. Læren er en arbejdsdeling: Maskinen leverer bredden, mennesket træffer valget – og uden et klart brief bliver varianterne bare gentagelser af hinanden.
Kundeindsigt fra anmeldelser og henvendelser. Virksomheder ligger inde med tekstdata, de sjældent bruger: anmeldelser, NPS-kommentarer, kundeservicehenvendelser. AI'en læser materialet på tværs og samler det i mønstre – hvad kunderne roser, hvor de møder friktion, hvilke ord de selv bruger om produktet. Det giver marketing og produktudvikling en prioriteret liste i stedet for en mavefornemmelse. Læren er, at de fleste virksomheder ikke mangler data om deres kunder – de mangler en måde at læse dem på.
Drift er der, hvor gevinsterne er nemmest at måle
Vidensopslag i egne dokumenter. I mange vidensvirksomheder ligger virksomhedens viden spredt i tilbud, notater og mapper med hver sin logik – nye medarbejdere finder svar ved at forstyrre de erfarne. Et typisk mønster er en AI-assistent, der kun svarer ud fra virksomhedens egne dokumenter og henviser til kilden, så svaret kan efterprøves. Tiden brugt på at lede falder mærkbart, og onboarding bliver kortere. Læren er, at gevinsten først kommer, når dokumenterne er ryddet op – AI belønner orden og forstærker rod.
Referater og opfølgning på møder. I mange ledergrupper bliver mødereferater skrevet sent, modvilligt eller slet ikke – og beslutninger fordamper mellem møderne. Et udbredt mønster er at lade AI transskribere mødet og lave et udkast til beslutningsoversigt med ansvarlige og deadlines, som mødelederen retter til og godkender, før det deles. Opfølgningen på beslutninger bliver målbart bedre, og ingen savner den gamle referatpligt. Læren er måske den vigtigste i hele artiklen: De bedste AI-anvendelser starter sjældent med en strategi – de starter med et irritationsmoment.
Tre mønstre på tværs af eksemplerne
Elleve eksempler er elleve forskellige historier, men træder man et skridt tilbage, går tre mønstre igen – og de er mere værd end noget enkelt eksempel, fordi de holder, når teknologien flytter sig.
Det første mønster: Værdien opstår i arbejdsgangen, ikke i værktøjet. Ingen af eksemplerne handler om at købe noget og vente på effekt. De handler om at ændre en konkret måde at arbejde på – en fælles prompt, et fast tjek før udsendelse, en aftalt arbejdsdeling mellem menneske og maskine. Importvirksomhedens strategiske forarbejde er det tydeligste eksempel: Identiteten var afklaret, før maskinen skrev et ord. Samme værktøj uden den ændring giver næsten ingenting.
Det andet mønster: De bedste cases starter med et irritationsmoment. Referaterne, der aldrig blev skrevet. Fritekstsvarene, ingen læste. Dokumenterne, ingen kunne finde. Opgaver, der er tilbagevendende, veldefinerede og irriterende, er det bedste sted at begynde – ikke de store visionære projekter, som ingen kan måle.
Det tredje mønster: Kompetencer afgør udbyttet. I flere af eksemplerne stod værktøjerne til rådighed længe, før de gjorde en forskel – forskellen kom, da menneskene lærte at bruge dem. NGO'en, der trænede ledelsesgruppen, før strategien blev lagt, tog konsekvensen af det mønster fra starten. Det er derfor, jeg bruger det meste af min tid på AI-kurser og undervisning frem for på teknologivalg, og derfor min AI-rådgivning handler mere om arbejdsgange og mennesker end om systemer.
Hvis du vil bruge eksemplerne til noget i morgen, så start med tre spørgsmål: Hvilken opgave hos jer er tilbagevendende, veldefineret og irriterende? Hvordan vil I måle, om AI'en faktisk gør den bedre – ikke bare hurtigere? Og hvem skal kunne noget mere, før værktøjet bliver til værdi? Eksemplerne i denne artikel bliver hurtigt flere, og nogle af dem vil se anderledes ud om et år. Mønstrene bag dem har vist sig at være langt mere stabile – det er dem, der er værd at bygge på.
