Denne klumme er et debatindlæg og er alene udtryk for forfatterens synspunkter.
For nylig besøgte jeg en motorsportsbane i Tyskland. Her kæmpede ledelsen med et alvorligt problem: sikkerhed på banen.
Hver gang en bil kørte galt, var der høj risiko for personulykker, især når føreren trådte ud af det havarerede køretøj. Samtidig kunne nedbrud lamme driften af banen i timevis.
Flere løsninger var på bordet. Men da banens ledelse koblede udfordringen til en AI-løsning med kameraer langs banen, ændrede billedet sig.
Nu kunne personalet reagere på farlige situationer i realtid. Resultatet blev færre ulykker, kortere afbrydelser – og i sidste ende en mere attraktiv forretning.
Det er et godt billede på, hvordan AI først giver mening, når vi starter med det reelle problem frem for at fokusere på teknologien i sig selv. Alligevel ser jeg alt for mange projekter kører fast, fordi AI starter som en løsning i sig selv.
Lad mig slå fast: AI er et fantastisk værktøj med uendelige anvendelsesmuligheder. Det afspejles tydeligt i de investeringer, vi ser lige nu – AI er allerede et milliardmarked.
Ifølge Lenovos CIO Playbook 2025 forventer danske virksomheder at øge AI-investeringerne med 94 procent næste år. Alligevel mangler næsten halvdelen stadig klare politikker for håndtering af AI, og mange kæmper med datakvalitet og manglende evne til at skalere løsninger.
Så skal vi bevæge os fra test til afkast, kræver det, at vi ændrer tilgangen på fem områder.
1. Start med forretningen – ikke teknologien
Det giver først mening at tale om (AI)-løsninger, når vi har en klar business case.
Alt for mange AI-projekter springer direkte fra "start" til "teknologi" og begynder med det forkerte spørgsmål: "Hvor kan vi bruge AI?" Det fører ofte til pilotprojekter, der aldrig bliver til reel forretning.
I stedet bør vi begynde med de konkrete udfordringer: Hvor er flaskehalsene? Hvilke processer sluger tid uden at skabe tilsvarende værdi? Og hvad er det værd at løse?
Ifølge Lenovos CIO Playbook 2025 er næsten hver tredje CIO udfordret af uklare KPI’er for deres AI-projekter uden mål, der gør det muligt at måle effekten bagefter.
Når udgangspunktet er forretningens behov, får vi ikke bare bedre AI-projekter. Vi skaber også noget, medarbejdere og bestyrelser kan se værdien i.
2. Lær af andres erfaringer, før I opfinder den dybe tallerken
En anden klassisk faldgrube er at ville opfinde den dybe tallerken.
Ifølge CIO Playbook 2025 angiver over 40 procent af it-chefer, at de ser størst værdi i at genbruge eksisterende frameworks og løsninger frem for at udvikle fra bunden. Det kan reducere både omkostninger og implementeringstid.
Hos Lenovo arbejder vi fx med et globalt casebibliotek, der viser hvordan AI kan bruges. Fra at forudsige vedligehold i produktionsanlæg til, hvordan teknologien kan løfte kundeservice.
Men pointen rækker langt ud over vores egen virksomhed: Det handler om at lade sig inspirere af andre og tilpasse andres erfaringer til sin egen virkelighed.
Ofte kan det betale sig at trække en samarbejdspartner med ind. Når man står midt i sin egen organisation, kan det være svært at se, hvor de reelle muligheder og barrierer ligger. Et frisk blik udefra kan accelerere implementeringen og hjælpe med at stille de spørgsmål, man selv overser.
3. Behandle AI som forandringsledelse
AI fejler sjældent på grund af teknikken.
Vi misser ganske enkelt at betragte AI som change management. Vi ved fra andre forandringsprojekter, at modstanden sjældent handler om teknologi, men om mennesker.
Jeg har selv set projekter, hvor organisationer brugte måneder på at udvikle en HR-chatbot, som efterfølgende næsten ingen anvendte. Ikke fordi teknologien var dårlig, men fordi forankringen manglede.
Mange medarbejdere vender tilbage til gamle vaner, hvis de ikke forstår, hvorfor de skal bruge løsningen. Så længe vi tror, at det kan klares med et par nye licenser og et kursus i et nyt system, spilder vi både penge og medarbejdernes tid.
Det kræver tydelig kommunikation, nærvær og en kultur, hvor ledelsen sætter retning og medarbejderne kan se sig selv i løsningen.
4. Sikkerhed – den oversete sten i skoen
AI skaber nye muligheder, men også nye risici.
Vi ser allerede eksempler på skygge-AI, hvor medarbejdere bruger uautoriserede værktøjer uden tanke for sikkerhed og compliance. Samtidig er mange organisationer uforberedte på de juridiske og etiske krav, der følger med brugen af AI.
For CISO’er betyder det, at governance og klare politikker er lige så afgørende som teknologien selv.
Uden styring af data, adgang og compliance risikerer AI at skabe flere problemer, end det løser.
5. Datakvalitet – den hårdeste barriere for skalering
AI er aldrig bedre end de data, vi fodrer det med.
Alligevel kæmper mange virksomheder med fragmenterede systemer og utilstrækkelig kvalitet.
Undersøgelsen peger på, at datakvalitet og integration er blandt de største barrierer for skalering.
Vi bør derfor investere i en robust dataarkitektur og oprydning, før vi bygger ovenpå med AI.
Digitale fremskridt vil uden tvivl forandre vores organisationer de kommende år. Det gælder ikke kun AI.
Succes afhænger ikke kun af investeringernes størrelse, men af hvordan vi leder forandringen.
Ledelsesopgaven bliver derfor at skabe retning, sikre forankring og holde teknologien tæt koblet til forretningens behov.
Klummer er læsernes platform på Computerworld til at fortælle de bedste historier, og samtidig er det vores meget populære og meget læste forum for videndeling.
Har du en god historie, eller har du specialviden, som du synes trænger til at blive delt?
Læs vores klumme-guidelines og send os din tekst, så kontakter vi dig - måske bliver du en del af vores hurtigt voksende korps af klummeskribenter.
