Alle er i gang. Færre er i mål.

På mange danske direktionsmøder er kunstig intelligens ikke længere et spørgsmål om, hvorvidt man skal i gang. Danmark ligger nummer et i EU på virksomheders brug af teknologien, 42 procent mod et EU-snit på 25 procent (Eurostat, offentliggjort december 2025). Alligevel svarer omkring tre ud af fire mindre og mellemstore virksomheder, at kunstig intelligens endnu ikke er integreret i deres arbejde (SMVdanmark 2026). Et registerkoblet studie af 2.166 danske virksomheder finder, at kun omkring 7 procent har fået den dybt ind i både processer og produkter (Frederiksen med flere, 2026).

Billedet går igen internationalt. McKinseys State of AI 2025 finder, at 88 procent nu bruger teknologien i mindst en funktion, men kun omkring 6 procent rapporterer en betydelig effekt på driftsresultatet. Tallene måler forskellige ting og kan ikke lægges sammen, men retningen er robust på tværs af kilder: næsten alle kommer i gang, få henter dokumenteret værdi.

Når vi ser på, hvor det sætter sig fast, er mønsteret sjældent teknisk. En transformation fejler oftere på mennesker, retning og forankring end på modellen. Det er den erkendelse, en brugbar model skal bygge på.

En transformation fejler sjældent på teknikken. Den fejler på mennesker, retning og forankring.

Hvorfor et kompas

Vi kalder modellen KOMPAS, fordi en transformation i praksis ligner en sejlads mere end en trappe. Man kender kursen, men ikke hver bølge. En trappe lover, at man klatrer et fast trin ad gangen. Virkeligheden i en organisation er mere åben end det, og en model bør møde den åbenhed frem for at benægte den.

For at være til nytte skulle modellen kunne fire ting: bruges af en konsulent på en rigtig opgave og ikke kun forklares på en tavle, virke for både den mindre virksomhed og den store organisation, sætte mennesket først og bygge ansvarlig kunstig intelligens ind fra første dag, og gøre effekten målbar, så forsøg ikke ender i det, vi kalder pilot-limbo: piloter, der aldrig når drift eller dokumenteret værdi.

KOMPAS er vores egen syntese. Den læner sig op ad anerkendt forandringsforskning, fra Lewin og Kotter til forandringsparathed og udbredelsen af innovation, men bruger den som fælles sprog og tjekliste, ikke som naturlove. Det er de danske tal og den AI-specifikke forskning, der bærer de empiriske påstande.

Seks faser og fire faste hensyn

Navnet er både et billede og en huskeregel for de seks faser, en organisation bevæger sig igennem. K for Kortlægning: skab et fælles, ærligt billede af udgangspunktet. O for Orientering: sæt kursen, prioriteringen og reglerne for ansvarlig brug. M for Mobilisering: gør mennesker klar, kompetence og tryghed før værktøjet. P for Pilot: afprøv i det små med et udgangspunkt at måle imod. A for Anvendelse i skala: kom over kløften fra pilot til bred, daglig brug. S for Solidt fæste: forankr i kultur, proces og ejerskab, og bevis effekten.

Men et kompas har også en nål, der peger samme vej, uanset hvor på rejsen man er. I KOMPAS er nålens fire retninger de hensyn, vi holder konstante gennem alle faser: Nord er værdi og effekt, Syd er mennesket først, Øst er ansvarlig kunstig intelligens og styring, og Vest er ejerskab og forankring. Faserne er rejsen. Nålen er det, der gør KOMPAS til vores egen model, for den lægger et konstant værdikompas oven på rækkefølgen, så ingen fase kan skride uden om mennesket, ansvarligheden, værdien eller ejerskabet.

De fleste starter heller ikke samme sted. Derfor placerer vi altid organisationen på en modenhedstrappe først, fra spredte forsøg over styrede piloter og skaleret drift til kunstig intelligens indlejret i forretningen. En virksomhed nederst skal gennem hele KOMPAS. En, der allerede er langt, har måske især brug for hjælp til forankring og styring. Modellen er den samme. Det er indgangsdybden, der er forskellig.

Samme model, mindre og større organisation

Den røde tråd er enkel: logikken er ens, dybden og tempoet skaleres. Mindre og større organisationer strander ofte af næsten modsatte grunde. Den mindre virksomhed har kort vej fra beslutning til handling, men færre kræfter til oplæring og styring, og her virker køb af færdige løsninger ofte bedre end at bygge selv. Den store organisation har ressourcerne, men længere vej over kløften mellem pilotbegejstring og bred drift, og rammes derfor oftere af pilot-limbo. Modellen tager højde for begge ved at gøre styringstyngden, måldybden og valget mellem køb og byg til justerbare håndtag frem for faste krav.

Måling: fra udgangspunkt til bevis

Effektmåling er ikke en fase, men en tråd gennem dem alle. For hver indsats bruger vi en enkel effektkæde: et udgangspunkt (hvor står vi målbart nu), et mål (hvilken ændring vil vi se, i hvilket tal, hvornår) og et bevis (hvordan måler vi resultatet mod udgangspunktet). Kæden er vores modgift mod pilot-limbo. Reglen er enkel: ingen indsats sættes i gang uden et udgangspunkt, og ingen pilot afsluttes uden en beslutning om at skalere, justere eller stoppe.

En mindre virksomhed måler få tal tæt på bundlinjen, for eksempel tid sparet eller fejl reduceret. En stor organisation bygger et måltræ, hvor det fælles mål brydes ned pr. enhed med et fælles bevisgrundlag.

Et konkret eksempel

Lunai Consulting, en lille, nystartet dansk virksomhed, viser, hvordan en mindre organisation kommer forbi pilot-limbo og ind i daglig drift. De bruger en tilpasset sprogmodel sammen med deres økonomisystem til at lave tilbudsudkast, mødereferater og bogføring. Et struktureret spørgeforløb giver både et delbart mødereferat og et første tilbudsudkast, og selve tilbudsprocessen er kommet ned på cirka 10 til 12 minutter.

Efter en håndfuld spørgsmål får jeg to ting ud af det. Et referat, som jeg kan sende til en kollega, samt en første udgave af vores tilbud.

Eksemplet illustrerer modellens grundpointe: forskellen ligger i at integrere kunstig intelligens i en konkret arbejdsgang, ikke i teknologien i sig selv. Det er en illustration, ikke et måltal.

Ansvarlig brug hører med fra start

En del af retningen er de regler, teknologien skal bruges under. De fleste danske virksomheder er idriftsættere, ikke udviklere, af kunstig intelligens. Det giver lettere, men reelle pligter: menneskeligt tilsyn, gennemsigtighed over for egne brugere og styr på persondata og leverandørdokumentation. EU's AI-forordning indfører blandt andet en oplysningspligt, så det skal fremgå, når man taler med kunstig intelligens, med virkning fra 2. august 2026. Retstilstanden bevæger sig, og vi tjekker altid de konkrete krav og datoer mod nyeste officielle status, før noget bruges til at træffe beslutninger. I Danmark fører Digitaliseringsstyrelsen det koordinerende tilsyn.

Hele modellen i en PDF

Denne artikel er en indgang. Den fulde metode, alle seks faser i detaljer, de fire faste hensyn, effektmålingen og værktøjerne bag hver fase, har vi samlet i et dokument, I frit kan hente i vores Værktøjer-område. Vil I vide, hvor jeres egen organisation står, tager vi gerne en uforpligtende samtale om, hvad et forløb kunne rumme.