En AI-strategi for en SMV behøver ikke være et tykt dokument. Den skal svare på fire spørgsmål: Hvilke forretningsproblemer skal AI løse? Hvilke to eller tre indsatser starter I med? Hvad skal være på plads af data, rammer og kompetencer? Og hvordan måler I, om det virker? Roadmappet omsætter svarene til en plan over 12-24 måneder, typisk med en afgrænset pilot først, derefter drift og udvidelse, og det bliver revideret løbende.
Denne guide går trin for trin gennem, hvordan I laver både strategien og roadmappet, hvordan I prioriterer, og hvilke faldgruber der oftest får AI-projekter i mindre virksomheder til at strande.
Hvorfor har en SMV brug for en AI-strategi?
De fleste virksomheder bruger allerede AI, om ledelsen har besluttet det eller ej. Medarbejdere skriver mails i ChatGPT, systemleverandører slår AI-funktioner til i CRM og ERP, og en enkelt ildsjæl har måske bygget en automatisering. Det er ikke et problem i sig selv. Problemet opstår, når der ikke er nogen fælles retning:
- Initiativerne løser ikke de problemer, der betyder mest for forretningen.
- Pilotprojekter bliver aldrig til drift, fordi ingen har planlagt, hvad der skal ske bagefter.
- Kundedata og fortrolige oplysninger havner i værktøjer, ingen har godkendt.
- Ressourcerne bliver spredt tyndt ud over mange små eksperimenter uden et samlet afkast.
En AI-strategi er ikke forbeholdt store koncerner. For en virksomhed med 10-75 medarbejdere er den tværtimod vigtigere, fordi der ikke er tid og penge til at prøve alt.
Trin 1: Start med forretningen, ikke med teknologien
AI er et middel, ikke et mål. Tag udgangspunkt i jeres forretningsstrategi og de mål, I allerede har for de næste et til tre år, og spørg derefter:
- Hvilke processer er tidskrævende, manuelle eller fejlbehæftede hos os?
- Hvor oplever kunderne ventetid eller mangel på opfølgning?
- Hvilke beslutninger træffer vi i dag på mavefornemmelse, selvom vi har data?
- Hvilke data har vi i e-conomic, Business Central, CRM eller webshop, som vi ikke bruger?
- Hvor er vi afhængige af enkelte personers viden eller hukommelse?
Involver ledelsen og de faglige ledere fra starten. En AI-strategi går på tværs af salg, kundeservice, økonomi, drift og IT, og den bliver kun brugt, hvis de, der skal leve med den, har været med til at lave den. En fokuseret AI-workshop for ledelsen på en halv dag er en effektiv måde at få et fælles billede af, hvor AI kan flytte noget.
Tip: Formulér udfordringerne uden at nævne AI. "Vi bruger for lang tid på at taste ordrer ind fra mails" er et bedre udgangspunkt end "vi skal have en AI-agent". Så er det lettere at se, om AI overhovedet er den rigtige løsning, eller om en almindelig integration eller en ændret arbejdsgang løser problemet billigere.
Trin 2: Find og beskriv konkrete use cases
Når udfordringerne er klare, kan I oversætte dem til områder, hvor AI kan hjælpe. Det er stadig på et overordnet niveau. Spørgsmålet er hvor, ikke hvordan.
| Forretningsmål | Mulige AI-områder | Typisk udfordring i en SMV |
|---|---|---|
| Bedre kundeoplevelse | Sortering af henvendelser, svarforslag, opfølgning | Lange svartider og henvendelser, der ligger i en fælles indbakke |
| Lavere driftsomkostninger | Automatisering af ordrer, bilag og dataoverførsel | Manuel indtastning mellem webshop, økonomisystem og lager |
| Mere salg til eksisterende kunder | Prioritering af leads, mødenoter, opfølgning | Sælgerne bruger tid på de forkerte leads, og aftaler bliver glemt |
| Bedre ledelsesinformation | Rapportering og analyse på tværs af systemer | Tal skal samles manuelt fra flere systemer hver måned |
Inddrag de medarbejdere, der arbejder i processerne. De ved bedst, hvor flaskehalsene er. Beskriv derefter hver use case kort: Hvilket problem løser den? Hvilke data kræver den, og hvor ligger de? Hvad er den forventede værdi? Vær konkret. "Fem timer mindre manuel indtastning om ugen i ordrehåndteringen" er et brugbart mål. "Automatisere processer" er det ikke.
Trin 3: Prioritér med en enkel scoringsmodel
De fleste ender med flere gode idéer, end de kan nå. En simpel scoringsmodel gør prioriteringen mindre afhængig af, hvem der taler højest. Giv hver use case en score fra 1 til 5 på hvert kriterie, og gang med en vægt, I er enige om:
| Kriterie | Hvad I vurderer | Eksempel på vægt |
|---|---|---|
| Forretningsværdi | Hvor meget flytter det på jeres mål, fx tid, omsætning eller kundeoplevelse? | 40 % |
| Kompleksitet | Hvor svært er det teknisk, organisatorisk og integrationsmæssigt? Lav kompleksitet giver høj score. | 30 % |
| Data | Har I de nødvendige data, og er de gode nok? | 20 % |
| Risiko | Er der GDPR-, etiske eller forretningsmæssige risici? Lav risiko giver høj score. | 10 % |
Vægtene er et eksempel. Det vigtige er, at I bliver enige om dem, før I scorer. Start med de projekter, der har høj værdi og lav kompleksitet. De giver erfaring og opbakning til de mere krævende projekter senere. Typiske første projekter er AI til mødeopsummeringer, sortering af indgående mails eller automatisk håndtering af bilag. Vi har beskrevet prioriteringen mere detaljeret i artiklen om at prioritere AI-projekter med en beslutningsramme.
Trin 4: Hvad skal AI-strategien indeholde?
Strategien kan sagtens være på få sider. Den bør indeholde:
- Mål og succeskriterier: Hvad vil I opnå, og hvordan ser I, at det virker?
- Prioriterede use cases: de to eller tre, I starter med, og listen over dem, der venter.
- Data: Hvor ligger de data, AI skal arbejde på, hvor gode er de, og hvilke systemer skal tale sammen? Mange AI-projekter er i virkeligheden integrationsprojekter, fordi data ligger spredt i ERP, CRM og webshop.
- Teknologi: Skal I bruge AI-funktioner i systemer, I allerede har, købe et standardværktøj eller bygge noget selv? Start med det, I har, fx Copilot i Microsoft 365 eller AI-funktionerne i jeres CRM, før I bygger nyt.
- Roller og kompetencer: Hvem ejer AI-indsatsen? Hvem er interne tovholdere i afdelingerne? Hvad skal medarbejderne lære? Hvor har I brug for ekstern hjælp?
- Rammer og governance: en AI-politik for medarbejdernes brug af værktøjer, håndtering af persondata efter GDPR og overblik over de krav, EU's AI-forordning stiller til jeres anvendelser.
- Måling: KPI'er for hver indsats og en fast rytme for opfølgning.
Indsigt: Undervurder ikke data. Dårlige data giver dårlige resultater, uanset hvor godt værktøjet er. Afsæt tid til at rydde op og strukturere de data, de første projekter skal bruge, og regn med, at det tager længere tid end forventet.
Trin 5: Byg AI-roadmappet
Roadmappet viser, hvad der skal ske hvornår. For en SMV dækker det typisk 12-24 måneder og er delt op i faser. Det er en strategisk plan, ikke teknisk dokumentation, og den skal kunne forstås af ledelsen.
| Fase | Typisk periode | Nøgleaktiviteter | Resultat |
|---|---|---|---|
| 1. Afklaring og pilot | De første 3-6 måneder | Vælg ét afgrænset problem, klargør data, sæt en enkel løsning op, og mål resultatet. Læg grundlæggende rammer som en AI-politik. | Dokumenteret effekt, erfaring og interne tovholdere |
| 2. Drift og udvidelse | 6-12 måneder | Sæt piloten i drift, evaluer, tag de næste use cases fra listen, og uddan medarbejderne. | Flere processer med AI og bedre datakvalitet |
| 3. Integration i kernesystemer | 12-24 måneder | Integrér AI tættere i ERP, CRM og andre kernesystemer, og overvej mere avancerede løsninger som AI-agenter. | AI som en fast del af arbejdsgangene |
For hvert initiativ i roadmappet bør I beskrive:
- Navn og forretningsmål: fx "Automatisk sortering af supporthenvendelser", der understøtter målet om kortere svartider.
- Forventet værdi: målbar, fx sparede timer pr. uge eller kortere svartid.
- Data: hvilke data der skal bruges, og hvor de kommer fra.
- Ressourcer: interne timer, eksterne kompetencer, licenser og integrationer.
- Tidsramme og milepæle.
- Budget: en grov vurdering, der også tager højde for løbende drift, ikke kun opstart.
- Succeskriterier: hvordan og hvor ofte I måler.
- Ejer: én navngiven person, der er ansvarlig for, at initiativet lykkes.
Et regneark er rigeligt. Det vigtige er, at roadmappet er let at finde, let at forstå og bliver holdt opdateret.
Trin 6: Fra pilot til drift
Det sted, hvor flest AI-projekter strander, er overgangen fra en vellykket pilot til daglig drift. Piloten virkede, men ingen havde planlagt, hvem der skal eje løsningen, hvordan den bliver overvåget, og hvordan den kommer ind i arbejdsgangene. Planlæg drift fra starten:
- Hvem ejer løsningen i hverdagen, og hvem retter fejl?
- Hvordan opdager I, hvis kvaliteten falder?
- Hvilke medarbejdere skal trænes, og hvordan ændrer deres arbejdsgang sig?
- Hvad koster løsningen at drive, når piloten er slut?
Vi går i dybden med det i artiklen om overgangen fra AI-pilot til drift. Hold en fast rytme for opfølgning, fx et kort statusmøde om måneden og en gennemgang af hele roadmappet hvert kvartal eller halve år. Teknologien og jeres behov ændrer sig, og det, der var rigtigt for et halvt år siden, er ikke nødvendigvis det rigtige nu.
Typiske faldgruber, og hvordan I undgår dem
- At starte med teknologien: En løsning, der ikke adresserer et reelt behov, skaber sjældent værdi. Start med problemet.
- En for ambitiøs pilot: En pilot skal løse ét afgrænset problem. Jo flere funktioner, jo større risiko for forsinkelser og budgetoverskridelser.
- Dårlige data: Ufuldstændige eller inkonsistente data får selv gode løsninger til at fejle.
- Forankring kun i IT: Bliver AI drevet af én afdeling alene, bliver det sjældent taget i brug bredt. Involver forretningen fra start.
- Ingen intern ejer: Også når I bruger en ekstern partner, skal der være nogen internt, der forstår løsningen og kan videreudvikle den.
- Ingen måling: Uden KPI'er fra start kan I hverken dokumentere effekten eller justere kursen.
- Modstand mod forandring: Medarbejdere, der føler sig truet eller ikke forstår formålet, bremser processen. Vis, hvordan AI fjerner de opgaver, de selv synes er tunge.
- Etik og GDPR som eftertanke: Især ved brug af kundedata og automatiske beslutninger skal rammerne være på plads, før løsningen går i drift.
Skal I lave strategien selv eller have hjælp?
Mange SMV'er kan lave en første version selv med udgangspunkt i trinene ovenfor. Det kræver, at ledelsen afsætter tid, og at nogen har overblik over både processer og systemer.
Ekstern hjælp giver mening, når I har mange systemer, der skal spille sammen, når I mangler intern kapacitet, eller når I vil have en uvildig vurdering af, hvad der realistisk kan lade sig gøre med jeres data. Vælg en partner, der også kan se på integrationer og drift, så strategien ikke stopper ved anbefalingerne. Hos Optify starter vi typisk med en AI-afklaring, hvor vi kortlægger processer, data og systemer og prioriterer de to eller tre mest oplagte use cases. Undersøg også, om der er relevante tilskudsordninger til rådgivning. Erhvervsstyrelsen har overblik over de aktuelle ordninger.