AI-potentialeanalyse

Udgangspunkt før analysen

Tilbud regnes manuelt i regneark, og den erfarne kalkulatør er en flaskehals. Teknisk dokumentation ligger spredt på fildrev, så nye medarbejdere bruger lang tid på at finde svar. Ingen struktureret AI-brug, og ledelsen er usikker på, hvad persondatareglerne (GDPR) tillader. Modenhed: spredte, uformelle forsøg hos enkelte medarbejdere.

Hvad analysen fandt

Ni mulige indsatser blev kortlagt gennem interviews med salg, produktion og ledelse. Seks blev vurderet som enten for umodne eller for små til at betale sig lige nu, og det fravalg er lige så vigtigt som tilvalget. Tre indsatser blev prioriteret efter værdi og indsats.

Prioriterede indsatser

Forventet effekt (estimeret, illustrativt)

• Tilbudsfasen: 20-35 % kortere tid på at udarbejde standardtilbud (ikke hele gennemløbstiden, som også rummer kundens svartid). Ved ca. 40 tilbud om måneden og cirka 2 timer pr. tilbud svarer det til i størrelsesordenen 15-25 frigjorte timer om måneden.
• Oplæring: en ny produktionsmedarbejder finder svar selv i stedet for at afbryde en kollega, anslået 1-2 timer sparet pr. ny medarbejder pr. uge i oplæringsperioden.
• Estimeret tilbagebetalingstid på indsats 1: ca. 6-10 måneder, inklusive værktøj og oplæring.

Mennesket først og ansvarlig AI

Kalkulatøren går fra at være flaskehals til at være den, der kvalitetssikrer AI'ens udkast. Rollen opgraderes, den forsvinder ikke. Alle tre indsatser holder data internt, og der er lagt en simpel ramme for, hvilke data der må bruges hvor, så GDPR er indbygget fra start og ikke bagefter.

Næste skridt

Start med indsats 1 som en afgrænset pilot: fastlæg udgangspunktet (det nuværende tidsforbrug), kør i fire uger med to kalkulatorer, og mål før og efter, før I skalerer. Indsats 2 og 3 tages i bølge to.

Udgangspunkt før analysen

Enkelte afdelinger eksperimenterer allerede med AI-værktøjer på egen hånd. Der er begejstring i pilotmiljøet, men ingen fælles retning, og intet er sat i drift på tværs. Ledelsen mangler overblik over, hvor værdien er størst, og hvad der er forsvarligt i forhold til data og tilsyn. Modenhed: styrede forsøg i siloer, endnu ikke skaleret. Kløften mellem pilot og bred drift er reel her.

Hvad analysen fandt

Fjorten indsatser blev kortlagt på tværs af fire afdelinger, og syv blev prioriteret i to bølger. Tre temaer gik igen: svartid i kundeservice, tid brugt på at genfinde information i sager, og manuel kvalitetssikring af udgående breve.

Prioriterede indsatser (bølge 1)

Forventet effekt (estimeret, illustrativt)

• Kundeservice: 15-25 % kortere håndteringstid pr. henvendelse i de teams, der bruger svarudkast, uden fald i kvalitet (kvalitet måles på stikprøver og kundetilfredshed).
• Sagsbehandling: 10-20 % mindre tid på genfinding af information.
• Samlet, konservativt estimat for bølge 1: en business case, der tilbagebetaler investeringen inden for 9-14 måneder ved gradvis udrulning.

Mennesket først og ansvarlig AI

Alle tre indsatser er bygget som, at AI foreslår, og mennesket beslutter. Der er lagt en governance-model med tydeligt ejerskab (hvem ejer, hvem beslutter, hvem drifter), en ansvarlig for hver indsats og en plan for kompetenceløft, så det ikke kun er de tidlige brugere, der kommer med. EU's AI-forordning og persondata er vurderet pr. indsats. Ingen af bølge 1-indsatserne er højrisiko, men logning og gennemsigtighed er indbygget.

Næste skridt

En styrende koalition på tværs af de fire afdelinger, to parallelle pilotforløb (indsats 1 og 2), og en fælles målemetode, så gevinsterne kan bevises, før organisationen tager stilling til bølge 2. Formålet er at bygge bro over kløften mellem pilotbegejstring og bred drift.