Informationssøgning
Find relevant information på tværs af håndbøger, procedurer, produktdata eller andre godkendte interne kilder.
AI med udgangspunkt i driften
Hvordan kan en SMV bruge AI i praksis?
AI er ikke udgangspunktet. Start med et reelt forretningsproblem, forstå arbejdsgangen, vurdér data og forventet værdi — og vælg først derefter teknologien. Rækkefølgen er: problem → proces → data → værdi → teknologi.
Start med forretningsproblemet
Spørg ikke først: Hvordan får vi AI ind i virksomheden?
Det relevante spørgsmål er: Hvilket problem prøver vi at løse? Måske tager dokumentbehandling for lang tid, medarbejderne kan ikke finde vigtig viden, eller en stor mængde henvendelser skal sorteres og prioriteres.
Når problemet er konkret, kan I undersøge, om AI passer til opgaven. Nogle gange er svaret ja. Andre gange er en procesændring, en standardfunktion i et eksisterende system eller en almindelig automatisering bedre.
Læs om den samlede digitaliseringsprocesEt brugbart problem er
- konkret nok til at afgrænse
- vigtigt for den daglige drift
- forbundet med en tydelig arbejdsgang
- understøttet af relevante data
- muligt at måle før og efter en ændring
Relevante anvendelser
Hvor giver AI typisk mening?
AI er især relevant, når arbejdet indeholder store mængder tekst, dokumenter, variation eller mønstre, som er vanskelige at håndtere med faste regler alene.
Dokumentanalyse
Udtræk og strukturér oplysninger fra dokumenter, hvor format og formulering varierer.
Tekstbehandling
Lav udkast, opsummeringer eller sproglig bearbejdning, som efterfølgende kontrolleres af en medarbejder.
Kundeservice-assistance
Hjælp medarbejdere med at finde svar eller udarbejde forslag — uden at love fuldautomatisk kundeservice.
Intern vidensassistent
Gør godkendt intern viden lettere at finde og bruge i en klart afgrænset arbejdssituation.
Rapportering
Opsummér information og hjælp med at forklare udvikling, afvigelser eller mønstre i et kendt datagrundlag.
Analyse og beslutningsstøtte
Find mønstre og skab et supplerende beslutningsgrundlag, mens ansvaret for beslutningen forbliver hos mennesker.
Kvalitetssikring
Markér mulige afvigelser, mangler eller uoverensstemmelser til efterfølgende menneskelig kontrol.
Klassifikation og prioritering
Sortér henvendelser, dokumenter eller opgaver efter aftalte kategorier og send usikre resultater til vurdering.
Vælg ikke AI uden grund
Hvornår er AI ikke nødvendig?
Hvis opgaven kan beskrives med faste regler og forudsigelige input, er en traditionel løsning ofte billigere, mere robust og lettere at forklare. Det kan samtidig være nemmere at teste, vedligeholde og placere ansvar for.
AI bør ikke bruges for at gøre et projekt mere moderne. Den bør vælges, når den løser en konkret del af problemet bedre end enklere alternativer.
Vurdér arbejdsgangen før teknologienUndersøg almindelig automatisering ved
- simple regler og tydelige betingelser
- flytning af data mellem systemer
- standardintegrationer med kendte felter
- faste beregninger
- simple workflows og godkendelsesforløb
Data før AI
Løsningen bliver kun så anvendelig som dens grundlag.
En god model kan ikke kompensere for uklare processer, utilgængelige data eller manglende ansvar. De praktiske forudsætninger skal være på plads før en pilot.
Er oplysningerne korrekte, relevante og ensartede nok til opgaven?
Kan løsningen få adgang til de rigtige data uden at omgå sikkerhed og ansvar?
Er det tydeligt, hvornår AI bruges, hvad output skal bruges til, og hvornår et menneske tager over?
Hvem godkender brugen, følger kvaliteten og beslutter, når noget ændrer sig?
Medarbejdernes faktiske anvendelse er lige så vigtig. En løsning skaber ikke værdi, hvis den ikke passer ind i arbejdsgangen, eller hvis brugerne ikke ved, hvornår de kan stole på den.
Risiko og ansvar
AI-output skal behandles som et grundlag — ikke som en sikker facitliste.
Risikoniveauet afhænger af opgaven og de data, der behandles. Aftal derfor tydelige rammer, før løsningen anvendes i den daglige drift.
- Persondata: Afklar hvilke oplysninger der må behandles, og hvorfor de er nødvendige.
- Fortrolighed: Undgå at dele interne eller kundespecifikke oplysninger i værktøjer uden en godkendt aftale.
- Adgangsstyring: Begræns data og funktioner til de medarbejdere, der har et arbejdsbetinget behov.
- Fejl i output: Test typiske fejltyper, og gør usikkerhed synlig for brugeren.
- Menneskelig kontrol: Bevar en ansvarlig medarbejder i beslutninger med væsentlig konsekvens.
- Dokumentation: Beskriv datakilder, formål, ansvar, test og ændringer i løsningen.
Kom i gang
Fem trin til en afgrænset AI-pilot.
Begynd småt nok til, at I kan lære uden at gøre den daglige drift afhængig af en uprøvet løsning.
Vælg ét reelt problem
Vælg en udfordring med tydelig betydning og en ansvarlig ejer — ikke blot et ønske om at prøve AI.
Kortlæg processen
Beskriv input, aktiviteter, beslutninger, output og de steder, hvor menneskelig vurdering er nødvendig.
Vurdér data
Kontrollér kvalitet, adgang, fortrolighed og om datagrundlaget faktisk passer til opgaven.
Test i lille skala
Afgræns brugere og datamængde, sammenlign med den nuværende metode, og registrér fejl og undtagelser.
Mål før opskalering
Vurdér tid, kvalitet, fejl, brugeroplevelse og driftskrav, før løsningen får et større ansvar.
Læs videre
Forbind AI-idéen med arbejdsgangen og beslutningen.
Se hvordan et digitaliseringsprojekt bygges op, hvordan manuelle arbejdsgange prioriteres, og hvilke afgrænsede forløb NordKompas tilbyder.
Digitalisering af virksomheden
Følg vejen fra driftsproblem og business case til implementering og effektmåling.
Læs den praktiske guideDigitale arbejdsgange
Prioritér processer efter tid, gentagelse, fejl, data, kompleksitet og forventet værdi.
Se vurderingsmodellenNordKompas' ydelser
Se de afgrænsede forløb fra mulighedsscreening til business case og implementeringsplan.
Se ydelserneHar I et konkret problem, hvor AI måske kan hjælpe?
NordKompas kan hjælpe med at afklare problemet, processen, data og den forventede værdi, før I vælger teknologi eller starter en pilot.