Af: Lars Refslund, Partner i Deloitte Danmark
Den første bølge af GenAI-værktøjer, der blæste os alle sammen bagover, var personlige produktivitetsløsninger såsom ChatGPT og Claude. Løsningerne har hjulpet med at kode, skrive tekst, generere billede og video, foretage søgninger og meget andet. Dybt imponerende teknologi, der har flyttet barren for, hvad vi troede muligt ved hjælp af AI.
Den næste bølge af AI, som bliver endnu mere revolutionerende, er Agentic AI-løsninger. Her bevæger vi os væk fra personlige produktivitetsværktøjer og over mod løsninger, der arbejder selvstændigt på tværs af data og systemer. Vi taler om en fuldt automatiseret proces i en lang streng af beslutningspunkter uden behov for menneskelig indgriben.
Agentic AI ude af kontrol
Agentic AI befinder sig lige nu på et spændende udviklingsstadie. Og for nogle også et frustrerende stadie.
Der er flere virksomheder, der forsøger at bygge løsninger, men har svært ved at få det til at fungere og derfor hævder, at teknologien ikke er moden.
Jeg mener det modsatte: Agentic AI-teknologien er fuldt ud moden, men virksomheder begår en række fejl, som gør det svært at realisere gevinsterne.
Det baserer jeg på en række konkrete cases og ikke blot anekdotiske synsninger, som man ellers tit møder. I mit team har vi det seneste år fulgt med i udviklingen og har kunnet konstatere, at særligt problemer med datakvalitet skaber store frustrationer og fører til fejlslagne implementeringsprojekter.
Ofte sker der det, at virksomheder i deres iver efter at bygge nye Agentic AI-løsninger skynder sig at få en POC i luften. Det er en velkendt strategi, som har virket godt på andre teknologiområder.
Når det kommer til Agentic AI, er der dog en række mellemregninger, der kiler sig ind i udviklingsprocessen, før investeringen ender med at kaste resultater af sig. Det er stadig en god ide at få POC’er hurtigt i luften, skabe tidlige indikationer af, om potentialet for en fuldautomatiseret proces er til stede og vurdere, om man kan bygge en solid business case.
Men i det øjeblik, man går fra POC og skal skalere løsningen, bliver det straks mere komplekst.
I en POC skal AI-agenten typisk kun forholde sig til et begrænset antal datakilder, der leverer data i et bestemt format og i en bestemt forretningsproces, som løsningen har trænet på og derfor kender og kan håndtere.
Når der kommer mere skala i projektet, skal AI-agenten forholde sig til forskellige dataformater, forskellige systemer og ofte overlappende information.
Vi ser også, at AI-agenten nogle steder i forretningsprocessen og dataudvekslingen mangler den information, der er brug for, og hvad skal den så gøre? Her kan man komme frygtelig galt afsted, fordi vores nye AI-robotvenner har en tendens til at lyve, finde på, hallucinere, når de støder ind i meningsgab og simpelthen ikke kan modstå fristelsen til at fylde de tomme pladser ud. Er man ikke påpasselig, kan man bygge et automatiseringsflow på invalide data, og derfra kan det hurtigt spinne ud af kontrol. Vigtigheden af troværdige data er større end nogensinde.
Ændrede driftsmodeller og omorganisering
Det behøver dog ikke at være så kompliceret at få skala i sin Agentic AI-løsning. Faktisk er alle forudsætninger til stede for at bygge automatiserede beslutningsflows, der er sikre og holder sig til forretningslogikken.
Det begynder med en gennemgang af de data og systemer, der skal fodre AI-agenten med information. Alle de huller, som der i dag findes manuelle processer for at fylde ud – altså, hvor en medarbejder indtaster et kundenummer på en faktura eller lignende – kan man instruere AI-løsningen i at håndtere.
Eksemplet ovenfor, hvor en AI-løsningen begynder at finde på, hvis den mangler data, er der også løsninger på, og nogle gange er mere AI faktisk svaret. Her kan det blive ekstra komplekst, men også ret fascinerende, når AI på datasiden hjælper med at få AI-agenterne til at fungere – alt sammen sikret gennem flere AI-testiterationer. Det kan lade sig gøre, og vi har selv været med til at bygge det.
Den præcise løsning i den enkelte case er kontekstafhængig. Pointen er, at Agentic AI sagtens kan bringes fra POC til storskala, hvis man tager højde for alle mellemregningerne.
Det egentlige hovedbrud ligger ikke i den teknologiske del af Agentic AI. Den største ubekendte ligger i den driftsmodel, som Agentic AI kommer til at påvirke i mange virksomheder. Og i den omrokering af medarbejdere, der i dag varetager opgaver, som AI-agenten kan gøre hurtigere og bedre. Hvad skal der ske med de medarbejdere? Heldigvis er der nok arbejde at tage fat i, men hvordan prioriterer vi bedst? Hvad skal medarbejderne lave, hvad skal de ikke lave og hvorfor?
I den forbindelse peger Deloittes nye Tech Trends 2026-rapport på en interessant ubalance: 93 procent af virksomheders AI-investeringer går lige nu til teknologiudvikling; kun syv procent er afsat til mennesker og organisatoriske forandringer. Det er problematisk, fordi Agentic AI i lige så høj grad handler om nye driftsmodeller, roller og beslutningsprocesser som om selve teknologien.
Det er nogle af disse spørgsmål, vi kommer til at debattere den kommende tid. Det er også nogle af de spørgsmål, der retter fokus mod teknologiens rolle i fremtidens samfund. Her bliver det særligt vigtigt med beslutningstagere, der kan og vil tage ejerskab for en sikker og ansvarlig udnyttelse af mulighederne i ny teknologi, herunder AI.
Det og meget andet skal vi tale om på Computerworlds “Årets CIO 2026”-konference, som Deloitte er sponsor for. Torsdag den 4. juni uddeles prisen som Årets CIO nemlig for 21. gang. Som deltager til konferencen møder du de nominerede CIOs. De er alle ledere, som har bevist, at de kan omsætte ny teknologi til forretningsmodeller, øget effektivisering og vækst. Udover at overvære nomineringen får du mulighed for at netværke, dele erfaringer og hente inspiration til egne problemstillinger.
Læs mere om Årets CIO på: https://aaretscio.dk/