Kløften mellem forbrug og værdi
På de fleste direktionsmøder i dansk erhvervsliv er kunstig intelligens ikke længere et spørgsmål om, hvorvidt man skal i gang. Det er man. Spørgsmålet er, hvorfor så lidt af det, man sætter i gang, kan mærkes, når året gøres op. Og det spørgsmål fortjener et ærligt svar, for tallene er blevet svære at komme udenom.
I august 2025 udgav forskningsinitiativet NANDA under MIT rapporten The GenAI Divide: State of AI in Business 2025. Den bygger på 150 interviews med ledere, en survey blandt 350 medarbejdere og en gennemgang af 300 offentligt kendte AI-implementeringer. Konklusionen var kontant: omkring 95 procent af virksomhedernes pilotprojekter med generativ AI leverede ingen målbar effekt på resultatet. Kun cirka 5 procent nåede frem til reel værdiskabelse. Det sker samtidig med, at virksomhederne på globalt plan har brugt anslået 30 til 40 milliarder dollar på netop den type projekter. Forskerne kalder afstanden mellem den høje udbredelse og den lave effekt for the GenAI Divide, værdikløften.
Man skal læse den slags tal med kildekritiske briller. Rapporten måler pilotprojekter, ikke moden drift, og den ser på en afgrænset periode i et felt, der flytter sig hurtigt. Andre opgørelser bruger andre definitioner og lander andre steder. Men grundmønstret går igen på tværs af kilderne, og det er svært at overse: mange begynder, få kommer i mål, og afstanden mellem de to grupper handler ikke om, hvor gode modellerne er.
Mange begynder, få kommer i mål. Og afstanden handler ikke om, hvor gode modellerne er.
Det er ikke modellen, det er læringen
Rapportens mest nyttige indsigt for en ledelse ligger ikke i tabet, men i forklaringen. Ifølge hovedforfatteren Aditya Challapally skyldes den udeblevne effekt ikke, at modellerne er for svage. Den skyldes det, han kalder en læringskløft. Generiske værktøjer som ChatGPT er stærke for den enkelte medarbejder, netop fordi de er fleksible. Men de stivner i virksomhedsbrug, fordi de ikke husker, ikke tilpasser sig arbejdsgangene og ikke bliver bedre af den feedback, de får undervejs. Det, der virker for et menneske ved en skærm, holder ikke nødvendigvis, når det skal ind i en proces, hvor mange hænder og systemer skal spille sammen.
Det samme studie peger på et mønster, der bør interessere enhver, der sidder med et investeringsbudget. De virksomheder, der købte færdige løsninger fra specialiserede leverandører og indgik partnerskaber, lykkedes i omkring to ud af tre tilfælde. De, der byggede alt selv internt, lykkedes kun cirka en tredjedel så ofte. Det er ikke et argument mod at have egne kompetencer, men det er en påmindelse om, at fordelen sjældent ligger i selv at bygge grundteknologien. Den ligger i at koble en god løsning tæt på egne arbejdsgange og egne data.
Oversat til ledelsessprog: værdien opstår ikke, når værktøjet købes ind, men når det lærer huset at kende. Det kræver adgang til de rigtige data, en arbejdsgang at gro ind i og et sted, hvor medarbejderne kan sige fra, når systemet tager fejl, så det bliver rettet. Ingen af de tre ting kan en leverandør levere alene. De er organisatoriske, og de er ledelsens ansvar.
Den næste bølge hedder agenter, og den hæver indsatsen
Mens de fleste stadig er ved at få deres første AI-projekter til at bære, er den næste bølge allerede ved at ramme direktionsbordet. Den hedder agentisk AI: systemer, der ikke bare svarer på et spørgsmål, men selv planlægger og udfører en række skridt for at nå et mål. En agent kan i princippet booke, bestille, opdatere og handle på egen hånd. Løftet er stort, og salgstrykket er tilsvarende højt.
Analysehuset Gartner forudser, at mere end 40 procent af alle agentiske AI-projekter vil være aflyst inden udgangen af 2027. Ikke fordi teknologien ikke virker, men på grund af eskalerende omkostninger, uklar forretningsværdi og utilstrækkelig risikostyring. Gartner peger samtidig på et fænomen, de kalder agent washing, hvor almindelige chatbotter og scripts sælges som selvstændige agenter, uden at være det. En rundspørge blandt godt 3.400 ledere i starten af 2025 viste, at kun 19 procent havde investeret betydeligt i agentisk AI, 42 procent forsigtigt, og 31 procent stadig så tiden an. Der er med andre ord både reel bevægelse og en god portion oppustet forventning i markedet på samme tid.
Det væsentlige for en ledelse er, at aflysningerne ikke skyldes teknik. De skyldes ledelse. Et projekt strander, når en agent bliver sluppet løs uden et klart mål for succes, uden adgang til de rigtige data og uden en plan for, hvad der sker, når den handler forkert. Det er et styringsproblem klædt ud som et teknologiproblem. Og netop derfor bliver indsatsen højere med agenter end med de tidligere AI-projekter: en assistent, der foreslår et forkert svar, koster et menneskes tid til at fange fejlen. En agent, der handler forkert på egen hånd, kan nå at flytte penge, sende beskeder eller ændre data, før nogen opdager det.
Aflysningerne skyldes ikke teknik. De skyldes ledelse. Et styringsproblem klædt ud som et teknologiproblem.
Den danske kontekst
Det danske udgangspunkt er på papiret misundelsesværdigt. Efter Eurostats opgørelse er Danmark det land i EU, hvor flest virksomheder bruger kunstig intelligens, omkring 42 procent mod et europæisk gennemsnit på cirka 25 procent. Men høj udbredelse er ikke det samme som høj værdi, og det er præcis dér, kløften åbner sig. At have taget teknologien i brug siger ikke i sig selv noget om, hvorvidt den er koblet på en arbejdsgang, hvor den gør en forskel.
En dansk undersøgelse fra Copenhagen Business School sætter tal på et beslægtet problem. Den finder et markant hierarkisk gab: mens omkring 70 procent af lederne udtrykker begejstring for teknologien og forventer meget af den, er det kun cirka 32 procent af medarbejderne, der faktisk bruger den i hverdagen. Samme undersøgelse peger på et strategivakuum, hvor kun en lille del af virksomhederne har en gennemtænkt plan for, hvordan teknologien skal skabe værdi. Afstanden mellem ledelsens forventning og medarbejdernes praksis er ikke en detalje. Det er selve det sted, hvor mange satsninger taber deres effekt på gulvet.
For en dansk direktion er billedet altså dobbelt. Vi er langt fremme i at tage teknologien i brug, og vi har en digital modenhed, mange lande misunder os. Men netop derfor er den vigtige konkurrence ikke længere, om man er kommet i gang. Den er, om man kan lukke afstanden mellem forbrug og værdi hurtigere end de andre. Det er en ledelsesdisciplin, ikke en it-anskaffelse.
Hvad direktionen faktisk ejer
Hvis værdikløften var et teknologiproblem, kunne den løses ved at købe bedre teknologi. Det kan den ikke. De faktorer, der adskiller de 5 procent, der lykkes, fra de 95, der ikke gør, er stort set alle sammen beslutninger, som kun direktion og bestyrelse kan træffe. Fem af dem er værd at holde fast i.
De satsninger, der lykkes, er sjældent dem, der spreder teknologien tyndt ud over hele huset. De er dem, der peger på nogle få arbejdsgange, hvor gevinsten er til at måle, ofte i administration og drift, og går efter dem først. En ledelse, der ikke selv har taget stilling til, hvor de første kroner skal tjenes hjem eller spares, overlader den prioritering til tilfældet. Det er den hyppigste grund til, at et projekt aldrig får en bundlinje at blive målt på.
En AI-løsning bliver kun bedre end det, den kan trække på. Om den kommer til at kende husets viden, kunder og processer, afgøres af, hvem der har adgang til hvad, og hvor godt data er i orden. Det er ikke en opgave, en leverandør kan løse udefra. Den kræver, at ledelsen tør åbne siloer og prioritere det ofte usynlige arbejde med at få orden i eget hus. Uden det bliver selv den bedste model en fremmed i sin egen virksomhed.
Med agentisk AI bliver et gammelt ledelsesspørgsmål pludselig helt konkret: hvad må systemet gøre på egen hånd, og hvor skal et menneske ind over? Direktionen bør have taget stilling til, hvilke handlinger en agent må udføre selv, hvilke der kræver godkendelse, hvordan man opdager, når noget går galt, og hvem der har ansvaret, når det sker. Det er ikke en bremse på innovationen. Det er det, der gør det forsvarligt at give slip. Uden de rammer bliver en agent enten så indespærret, at den ikke skaber værdi, eller så fri, at den bliver en risiko.
Tallene er tydelige: partnerskaber og færdige løsninger lykkes oftere end interne byggerier. For de fleste virksomheder er den strategiske pointe ikke selv at bygge grundteknologien, men at blive dygtig til at vælge de rigtige leverandører og koble deres løsninger tæt på egne arbejdsgange. Egne kompetencer er stadig afgørende, men de skal først og fremmest bruges til at integrere og styre, ikke til at genopfinde det, andre allerede har gjort bedre.
Læringskløften lukkes ikke ved en enkelt udrulning. De organisationer, der lykkes, behandler AI som noget, der skal læres, ikke installeres. De prøver af i det små, ser efter, hvad der virker, og retter til, og de giver medarbejderne et sted at sige fra, når systemet fejler, så alle bliver klogere. Små forandringer, der bygger oven på hinanden, kommer længere end det store spring. Det er også her, ansvaret for at overholde de nye regler hører hjemme, blandt andet kravene i EU's forordning om AI, som træder yderligere i kraft i løbet af 2026.
En nøgtern konklusion
Der er grund til hverken skuffelse eller skepsis. De 5 procent, der lykkes, viser, at værdien er virkelig, og at den kan hentes. Men de viser også, at den ikke kommer af sig selv, og at den ikke kommer af at købe mere teknologi. Den kommer af de valg, en ledelse træffer om retning, data, ansvar og læring.
Det er på sin vis en beroligende konklusion. For den betyder, at det, der afgør udfaldet, ikke ligger uden for ledelsens rækkevidde i en model, ingen helt forstår. Det ligger på direktionsbordet. Værdikløften er ikke et teknologisk vilkår, man må leve med. Den er et resultat af beslutninger, og beslutninger kan træffes anderledes.