Vellykket implementering af kunstig intelligens begynder ikke med at vælge den rigtige teknologi eller model.
I stedet bør virksomheder starte med at identificere de problemer, de gerne vil løse, og den værdi, de gerne vil skabe.
En avanceret model er nemlig ikke i sig selv en strategi, hvis hele systemet omkring teknologien ikke er gennemtænkt. Det er således den samlede arkitektur og ikke modellen alene, der afgør, om en AI-satsning lykkes.
Det er pointen i Jacob Miller og Jeremy Mumfords bog ”Architected Intelligence: Principles for Building AI-First Organizations and Technologies”, som udkom i marts 2026.
Forfatterne tager udgangspunkt i, at mange AI-initiativer fejler på grund af uklare mål, utilstrækkelige data, manglende evaluering og svag organisatorisk forankring.
Uden disse forudsætninger ender AI ifølge forfatterne let som en flot demonstration uden reel effekt.
Jacob Miller og Jeremy Mumford arbejder begge i den amerikanske teknologivirksomhed Pattern og har baseret bogen på praktiske erfaringer med at få AI-løsninger fra prototype til produktion.
Deres tilgang er samlet i begrebet Architected Intelligence, som er en metode til at bygge AI-løsninger systematisk, så teknologi, data, overvågning og organisation hænger sammen.
Fordi forfatterne selv er praktikere, fokuserer bogen på at levere konkrete metoder til at planlægge og implementere AI-systemer.
Før en virksomhed investerer i AI-teknologi, skal den definere det konkrete problem og det resultat, som skal skabe værdi for medarbejdere, kunder eller organisationen som helhed. Ellers risikerer AI blot at automatisere eksisterende problemer og ineffektive arbejdsgange.
For at undgå det problem opstiller Miller og Mumford en ramme med fem indbyrdes afhængige komponenter: output, input, model, observerbarhed og organisatoriske forudsætninger.
Det handler altså om at få styr på, hvad løsningen skal levere, hvilke data den kræver, hvilken model der passer, hvordan systemets funktion og resultater overvåges, og hvordan løsningen kan forankres og skaleres i organisationen.
Ifølge Miller og Mumford er gode og relevante data ofte vigtigere end den mest avancerede model.
Fordi sprogmodeller bliver stadig mere tilgængelige og nemme at udskifte, kan en virksomheds egen viden og dataarkitektur blive en mere varig konkurrencefordel.
På samme måde er den største model ikke nødvendigvis den bedst egnede. Virksomheder skal blandt andet afveje kvalitet, hastighed, pris, tekniske begrænsninger og kravene til den konkrete opgave.
Derfor er det ifølge forfatterne også afgørende, at organisationen forstår, hvordan og hvorfor AI-løsningen producerer sine svar eller handlinger.
AI-transformationen handler nemlig lige så meget om mennesker og organisation som om teknologi.
Platforme, processer, ansvar, uddannelse og kultur skal således understøtte arbejdet. Medarbejdere skal have værktøjer og frihed til at eksperimentere, mens ledelsen skal sætte retning, prioritere ressourcer og koordinere de tværgående initiativer.
Uden et klart formål og en arkitektur, der kan omsætte virksomhedens data og viden til værdi, risikerer AI derfor blot at ende som en glitrende demonstration af teknologiens potentiale.
Miller og Mumford skitserer således et praktisk fundament for virksomheder, der vil omsætte det teknologiske potentiale til reel organisatorisk værdi.
