Da generativ AI for alvor slog igennem i 2023, forventede mange, at virksomheder ville investere massivt i at træne og finjustere egne LLM’er (sprogmodeller). Få år senere tegner der sig et andet billede. De fleste organisationer anvender i dag færdigtrænede modeller fra leverandører som OpenAI, Anthropic, Google og Meta, mens værdien i stigende grad skabes gennem integration med virksomhedens data, systemer og arbejdsprocesser.
AI bruges primært til tre formål
Selvom medierne ofte fokuserer på modellerne, er de mest udbredte anvendelser langt mere jordnære.
1. Personlig produktivitet
Dette er sandsynligvis den mest udbredte anvendelse af generativ AI i virksomheder i dag.
- Opsummering af e-mails
- Skrivning af e-mails
- Udarbejdelse af dokumenter
- Opsummering af møder
- Generering af præsentationer
- Analyse af rapporter
- Informationssøgning på tværs af virksomhedens dokumenter
Løsninger som Microsoft 365 Copilot, ChatGPT Enterprise og Gemini for Workspace anvendes i stigende grad som en ny brugergrænseflade til eksisterende arbejdsopgaver.
For mange medarbejdere handler AI derfor først og fremmest om at spare tid på rutineprægede administrative opgaver.
2. Videns- og beslutningsstøtte
Det næste store anvendelsesområde er adgang til virksomhedens samlede viden.
Her anvendes ofte RAG (Retrieval-Augmented Generation), hvor AI’en henter information fra virksomhedens egne dokumenter, databaser, ERP og videnssystemer i det øjeblik, et spørgsmål stilles. Dermed kan modellen arbejde med opdateret information uden gentræning.
Typiske anvendelser er:
- HR-assistenter
- IT-support
- Juridiske opslag
- Kvalitetshåndbøger
- Produktdokumentation
- Kundeservice
Målet er at gøre viden lettere tilgængelig og reducere den tid medarbejdere bruger på at lede efter information.
3. Procesautomatisering
Det område, der potentielt rummer de største økonomiske gevinster, er automatisering af forretningsprocesser.
Her bygger AI videre på de principper, som tidligere blev kendt som:
- Workflow Automation
- Business Process Management (BPM)
- Robotic Process Automation (RPA)
Forskellen er, at AI nu kan fungere som et intelligent bindeled mellem mennesker, virksomhedens viden og eksisterende forretningssystemer. LLM’en kan fortolke forespørgsler, indhente relevant information fra RAG-kilder og efterfølgende aktivere eller understøtte de nødvendige forretningsprocesser og workflows.
Eksempler omfatter:
- Fakturahåndtering
- Ordrebehandling
- Kontraktanalyse
- Rekrutteringsprocesser
- Kundeservice
- Rapportering
- Indkøbsprocesser
AI bliver dermed en komponent i virksomhedens processer og ikke blot et værktøj til informationssøgning.
AI-agenter er næste skridt
AI-agenter er således i praksis en videreudvikling af procesautomatisering.
Hvor en traditionel chatbot svarer på spørgsmål, kan en agent udføre en række sammenhængende opgaver:
- Hente data fra flere systemer
- Analysere information
- Generere beslutningsgrundlag
- Starte eller gennemføre handlinger
Mange ser derfor AI-agenter som næste generation af digitale medarbejdere eller intelligente software-robotter. Flere undersøgelser viser stor interesse for disse løsninger blandt virksomheder.
Finetuning spiller en mindre rolle end forventet
I de første år efter gennembruddet forventede mange, at virksomheder ville træne deres egne modeller.
I praksis har udviklingen været anderledes.
De fleste organisationer anvender standardmodeller og kombinerer disse med:
- Prompts
- RAG
- Workflows
- Guardrails
- Integrationer
Finetuning anvendes fortsat, men typisk til specialiserede opgaver eller særlige domænespecifikke behov.
Governance er blevet en del af løsningen
AI-projekter handler i dag ikke kun om teknologi.
Forhold som:
- GDPR
- AI Act
- Datasikkerhed
- Kildehenvisninger
- Adgangskontrol
- Monitorering og Modeldrift (utilsigtede ændringer)
er blevet faste elementer i de fleste løsninger.
Derfor investerer virksomheder i stigende grad i governance og kontrolmekanismer som en meget vigtig del af selve AI-løsningerne.
Konklusion
Den måske vigtigste erkendelse i 2026 er, at AI ikke længere primært er et modelprojekt.
For de fleste virksomheder handler AI om:
- at gøre medarbejdere mere produktive,
- at gøre virksomhedens viden lettere tilgængelig,
- og at automatisere eksisterende forretningsprocesser.
Modellerne er i stigende grad blevet en standardkomponent. Den største forretningsmæssige værdi opstår først, når de kobles sammen med virksomhedens data, arbejdsgange og beslutningsprocesser. RAG, procesautomatisering, Copilots og AI-agenter er derfor i dag langt vigtigere emner for de fleste virksomheder end træning af egne modeller.
Skriv et svar