95% af AI-projekter giver intet. Her er mønstret.

I 2025 gennemgik MIT mere end 300 AI-initiativer i virksomheder. 95% havde ingen målbar effekt på bundlinjen. RAND har fundet, at over 80% af AI-projekter aldrig når i drift.

Det er de tal, I er oppe imod. Vi tager dem alvorligt. De er ikke et argument mod at gå i gang. De er en liste over, hvad man skal lade være med.

Årsagen er sjældent modellen

Projekterne fejler ikke, fordi modellen læser dårligt. De fejler på metoden. Tag et kontor, der ser de samme dokumenter hver uge: lejekontrakter, bilag, skøder. De samme felter skal findes og tastes ind. Her er de fem fejl, vi ser igen og igen.

1. Ingen målte før. Ingen skrev ned, hvor mange timer bilagene tog om ugen, eller hvem der sad med dem. Uden det tal kan ingen bagefter vise, at noget blev bedre. Et projekt, der ikke kan bevise sin værdi, bliver ikke forlænget.
2. For meget blev sat i gang på én gang. Flere arbejdsgange på samme tid. Det så ambitiøst ud. Resultatet er ting, der næsten virker, og som ingen tør bruge på en rigtig lejekontrakt.
3. Det blev bygget ved siden af arbejdet. Et nyt login, et nyt system, et ekstra trin. Folk har travlt, så de lader være. Det, der overlever, ligger i indbakken og i det system, der allerede er åbent.
4. Databehandleraftalen kom til sidst. Noget blev bygget. Så kom spørgsmålet om, hvor data lå. Projektet gik i stå. Det er ikke juraens skyld. Rækkefølgen var forkert.
5. Ingen besluttede, hvad et menneske godkender. Enten sendte systemet selv ting ud, og en dag gik noget galt. Eller også skulle alt forbi flere personer, og så var det hurtigere at gøre det i hånden.

Det de 5% gør

De virksomheder, der får noget ud af det, ligner ikke hinanden i branche eller størrelse. De ligner hinanden i metode. Det er den metode, vi bygger efter.

• Vi måler først. Timer og kroner på skrift, før der bygges noget.
• Én arbejdsgang ad gangen. Den mest gentagne, ikke den mest spændende.
• Vi bygger dér, hvor arbejdet er. I indbakken og oven på de systemer, I allerede bruger.
• Et menneske godkender. Hvert felt fra skødet lander i en kø med kilde på hver linje: side og paragraf. Én person siger ja.
• Databehandleraftalen først. Den er underskrevet, før det første dokument sendes.
• Systemet flager det, det ikke kan afgøre. Det gætter ikke.

En fejl skal være billig at fange

En sprogmodel tager fejl. Ikke tit, hvis opgaven er snæver nok. Men den gør. Hvis kravet er, at den aldrig må tage fejl, kommer I aldrig i gang. Det krav kan ingen opfylde.

Det rigtige krav er et andet. En fejl skal være billig at fange. Lander udkastet i en kø, hvor et menneske ser det, før det går ud, er fejlen gratis. Går det direkte til lejeren, er den dyr. Forskellen er ikke modellen. Det er flowet omkring den.

Et system, der har ret det meste af tiden og selv siger til, når det er i tvivl, er mere værd end et, der har ret lidt oftere og aldrig siger noget.

Derfor bygger vi altid to ting: automatiseringen og køen, hvor et menneske siger ja. Og derfor beder vi den om at flage det, den er i tvivl om, i stedet for at gætte.

Hvor Danmark står

Danske virksomheder er allerede i gang. Ifølge Danmarks Statistik brugte 42% af danske virksomheder AI i 2025, mod 15% i 2023. Og i en undersøgelse fra Wolters Kluwer siger 65% af de danske SMV'er, der bruger AI, at besparelserne overgik deres forventninger.

Så det virker. Når de kedelige dele er gjort: målingen, aftalen, køen.

Dokumenter er det tydeligste eksempel. Men den samme metode dækker det andet, der gentager sig: opkald I ikke når, indbakken, tilbud, indtastning mellem systemer, opfølgning, fakturering og rykkere, rapporter. Fortæl os, hvad der gentager sig. Så finder vi det, der sparer mest.

Det næste skridt

De 95% fik aldrig målt deres baseline. Det er det første, vi gør. I fortæller os, hvad der gentager sig. Vi kortlægger det gratis og skriver det ned inden for en uge: timer, kroner, hvor I skal starte, og én fast pris — eller et ærligt nej. Det tager højst 3 timer af jeres tid.

Få min gratis AI-audit