Introduktion til AI og ledelsesoverblik

For mange danske virksomheder med 10-150 ansatte er ledelsesrapportering en tung proces. Vi ser ofte direktører og økonomichefer bruge de første 5-7 hverdage i en ny måned på manuelt at trække og sammenholde data fra e-conomic, Business Central og diverse Excel-ark. Her kan kunstig intelligens (AI) hjælpe med at skabe overblik, men kun hvis I stiller de rigtige spørgsmål, inden I køber ny software.

I stedet for at samle data manuelt, kan moderne sprogmodeller og data-assistenter trække nøgletal frem, pege på afvigelser og bygge faste månedsrapporter. Formålet med denne artikel er at give et konkret udgangspunkt for, hvordan I som ledelse udtænker jeres AI-indsats. Vi fokuserer på de indledende spørgsmål, der sikrer, at I løser reelle problemer i stedet for blot at indkøbe et nyt IT-system.

Praktisk indsigt: Start med jeres forretningsbehov og de specifikke spørgsmål, I mangler svar på i dagligdagen. Hvis I ikke ved, hvad I præcist vil måle, vil en AI-model blot levere ubrugelige svar markant hurtigere.

Identificér jeres nuværende udfordringer med overblik

Før I overvejer specifikke AI-værktøjer, skal I kortlægge præcis, hvor processen brækker i dag. Hvilke informationer mangler I på mandagens ledelsesmøde, og hvem bruger uforholdsmæssig meget tid på at formatere tal?

Brug denne tjekliste til at vurdere jeres nuværende rapportering:

Smertepunkt Symptom i dagligdagen Erfaringsmæssigt tidsspild pr. måned
System-siloer Data skal eksporteres fra tidsregistrering og importeres i ERP. Typisk 4-10 timer i økonomifunktionen.
Forældede data Salgsrapporterne viser tallene fra forrige uge, ikke dags dato. Beslutninger forsinkes typisk 1-2 uger.
Inkonsistens Salg og Økonomi har to forskellige tal for månedens omsætning. 2-3 timers diskussion på hvert ledelsesmøde.

En ærlig vurdering af disse punkter skaber fundamentet for at se, om løsningen er AI, eller om I blot mangler en bedre standardintegration. Læs eventuelt mere om, hvordan AI kan bruges til rapportering i en SMV, for at spore jer ind på jeres egne udfordringer.

Spørgsmål til at definere forretningsmæssige mål for AI

Når problemerne er kendte, skal I sætte konkrete, målbare mål for implementeringen.

Stil jer selv disse spørgsmål:

  1. Hvilke specifikke processer vil vi afkorte?

    Undgå brede mål. Beslut i stedet noget konkret: "Vi vil reducere tiden brugt på at afstemme bank og bilag i Dinero fra 15 timer til 3 timer om måneden."

  2. Hvem er slutbrugeren af dataene?

    Er det salgschefen, der skal spotte faldende ordrerater hos eksisterende CVR-numre, eller den administrerende direktør, der skal kende likviditeten? Forståelsen af modtageren afgør, hvilket system I skal bygge. 7 use cases for AI i B2B-salg giver eksempler på specifikke salgsbehov.

  3. Hvad er vores tålegrænse for fejl?

    AI laver fejl (hallucinationer). Kan I leve med en usikkerhedsmargin på 2 % i en salgsprognose? Hvis det handler om det lovpligtige årsregnskab, skal tolerancen være nul, og AI bør kun agere kladdeskriver.

  4. Hvilke forhindringer har vi internt?

    Mangler jeres personale kompetencerne, eller er der en underliggende utryghed ved ny teknologi? Åben udredning af lavpraktiske risici forhindrer, at systemet samler støv efter lancering.

Spørgsmål om data og datakvalitet (og faldgruber)

Et AI-system baserer sine konklusioner på de data, det får adgang til. En kritisk gennemgang af jeres datalandskab er det absolut vigtigste trin.

  • Er vores data strukturerede?

    Ligger kundeaftaler som scannede PDF'er på et drev, eller er de udfyldt i korrekte felter i HubSpot? AI kan skabe bedre kundeoverblik, men det kræver, at kildematerialet kan læses maskinelt.

  • Hvordan ser vores datahygiejne ud?

    Dårlig datakvalitet fører til fejlagtige beslutninger. Hvis sælgerne rutinemæssigt glemmer at opdatere lukkedatoer i CRM'et, vil en AI-model blot overvurdere jeres kvartalsomsætning lynhurtigt.

  • Overholder vi lovgivningen (GDPR)?

    Når systemer trækker data på tværs, kan de utilsigtet udstille personfølsomme oplysninger. Sørg for at afklare, hvad der må deles eksternt via API'er, og hvad der skal blive inden for jeres egen serverstruktur.

Hvornår AI IKKE er løsningen

Før vi går videre til løsningerne, tør vi godt sige, hvornår I skal afholde jer fra AI. Hvis jeres underliggende problem er manglende procesdisciplin – for eksempel at medarbejdere konsekvent glemmer at vedhæfte kvitteringer i Pleo, eller opretter varer dobbelt i e-conomic – løser AI ingenting. AI maskerer ikke dårlige vaner; det fremhæver dem. Skab orden i jeres stamdata først.

Spørgsmål til valg af AI-løsninger og implementering

Når behovene og datagrundlaget er på plads, skal rammerne for løsningen fastlægges.

  1. Hvilken type opgave skal der løses?

    Skal vi trække tal på tværs (API API-integration) eller skal sprogmodellen primært læse og opsummere lange referater, udbudsmateriale eller kontrakter? (Se eventuelt AI til mødeopsummeringer og næste skridt).

  2. Standardløsning eller egenudvikling?

    For en virksomhed med 30-80 ansatte kan det næsten aldrig betale sig at bygge software fra bunden. En standardintegration mellem to eksisterende systemer koster typisk mellem 15.000 og 40.000 kr., mens et egenudviklet system hurtigt passerer 200.000 kr. i udviklingstimer.

  3. Har vi budgetteret med vedligeholdelse?

    AI er ikke en engangsinvestering. Afsæt som tommelfingerregel 15-20 % af etableringsbeløbet til årlig vedligeholdelse, API-opdateringer og løbende tilretninger.

En konkret case: Fra data-kaos til overblik

Vi taler ofte med virksomheder, der forsøger at løbe for stærkt. En dansk produktionsvirksomhed med 65 ansatte og en årlig omsætning på 80 mio. kr. henvendte sig, fordi økonomichefen brugte tre hele arbejdsdage på at samle månedsrapporter fra deres ældre ERP-system og et separat lagersystem.

Først forsøgte de at koble en ustruktureret AI-assistent direkte ned i deres database for at lade ledelsen "spørge" ind til tallene (chat-funktion). Det gik galt. Databasen indeholdt historisk rod i kontoplanen fra firmaets tidlige år, og modellen gav misvisende bruttomarginer.

I stedet trådte vi et skridt tilbage. De investerede ca. 35.000 kr. i at bygge et simpelt, fastlåst dashboard i Power BI, som udelukkende trak på rensede konti. Først da fundamentet var på plads, lagde vi en afgrænset AI-funktion ovenpå, som udelukkende havde én opgave: At scanne de 700 varenumre månedligt og skrive tre stikord til direktøren, hvis der var tidsmæssige afvigelser i produktionsomkostningerne på mere end 15 %. (Læs generelt om markedsføring og produktion af indhold i Hvordan kan AI bruges i markedsføring uden at drukne i generisk indhold?).

Konklusion og næste skridt

Indførelsen af AI til at understøtte jeres beslutninger er ikke et IT-projekt, men et forretningsprojekt. Ved konsekvent at spørge ind til jeres reelle udfordringer, datakvalitet og økonomiske rammer nedbringer I risikoen for dyre fejlbetragtninger.

Det handler om at starte i det små. Find den mest tidsrøvende manuelle opgave i jeres regnskab eller salgsopfølgning, og løs den. Når I kan se, at I rent faktisk sparer timer, udvider I gradvist.

Hos Optify sidder vi jævnligt med ved bordet hos danske virksomheder for at trykprøve teknologien. Vi hjælper jer med at vurdere, om en opgave bedst løses af en AI-model, eller om I i virkeligheden bare mangler en fast procedure i jeres økonomisystem. Kontakt os for en jordnær og konkret drøftelse af jeres næste træk.

Kim Smidt
Skrevet af , CEO og stifter, Optify

Har I spørgsmål til artiklen eller jeres egen situation? Skriv til [email protected].