De AI-trends, danske virksomheder bør holde øje med i 2026, er ikke de mest spektakulære, men dem, der rammer driften: AI-agenter, der udfører opgaver på tværs af systemer, AI bygget ind i de forretningssystemer, I allerede bruger, multimodal AI, der kan læse dokumenter, billeder og lyd, et større fokus på datakvalitet, og EU's AI-forordning, der indfases trin for trin. Den vigtigste trend for en SMV er dog ikke teknologisk. Det er evnen til at gå fra hype til handling: vælge få, konkrete anvendelser, teste dem ordentligt og få dem i drift.

Herunder gennemgår vi de tendenser, vi mener betyder noget for virksomheder med 10–75 medarbejdere, hvad I konkret kan gøre ved dem, og en enkel model for at omsætte en trend til en ansvarlig løsning.

Vi har bevidst valgt de stabile tendenser frem for de mest spekulative. Det er de udviklinger, der allerede påvirker, hvordan almindelige virksomheder arbejder med salg, kundeservice, økonomi og administration.

1. AI-agenter, der udfører opgaver, ikke bare svarer

Den første bølge af generativ AI handlede om at stille spørgsmål og få tekst tilbage. Nu flytter fokus mod AI-agenter: løsninger, der kan udføre en række trin på egen hånd, fx læse en indkommende mail, slå kunden op i CRM, finde ordren i ERP og foreslå et svar eller oprette en opgave.

For en SMV er potentialet størst i de gentagne arbejdsgange, hvor data i dag flyttes manuelt mellem systemer. Men agenter kræver, at systemerne kan tale sammen, og at der er klare grænser for, hvad agenten må gøre selv. Start med agenter, der forbereder og foreslår, og lad et menneske godkende, før der sendes, bogføres eller ændres noget hos kunden.

2. AI bygget ind i de systemer, I allerede har

Mange af de store leverandører af kontorpakker, CRM, ERP og webshopplatforme bygger AI-funktioner direkte ind i deres produkter. Det betyder, at den første AI-gevinst for mange virksomheder ikke kommer fra et nyt værktøj, men fra funktioner i Microsoft 365, HubSpot, Business Central, e-conomic eller Shopify, som de allerede betaler for eller kan slå til.

Det er en god nyhed, fordi data allerede ligger det rigtige sted. Men de indbyggede funktioner dækker sjældent de arbejdsgange, der går på tværs af systemer. Der, hvor ordren starter i webshoppen, faktureres i økonomisystemet og følges op i CRM, er det stadig integrationerne, der afgør, om AI kan hjælpe. Spørgsmålet for 2026 er derfor ofte ikke "hvilket AI-værktøj skal vi købe?", men "hvordan får vi AI til at arbejde på tværs af det, vi har?". Det er kernen i det, vi kalder AI-integrationer.

3. Multimodal AI: tekst, billeder, dokumenter og lyd

Moderne modeller kan arbejde med flere typer input på én gang. I praksis betyder det, at AI kan læse en scannet følgeseddel, tolke et billede af en skadet vare, opsummere en optaget kundesamtale eller trække data ud af en PDF-tegning.

For mange B2B-virksomheder ligger der meget værdi gemt i dokumenter, som ingen har tid til at gennemgå: bilag, tilbud, kontrakter, produktblade og servicerapporter. Multimodal AI gør det realistisk at strukturere den slags indhold, så det kan bruges i jeres systemer. Kvaliteten skal stadig kontrolleres, især hvor fejl får økonomiske konsekvenser.

4. Mindre og mere specialiserede modeller

Ved siden af de store sprogmodeller vinder mindre og mere specialiserede modeller frem. De kan være billigere at køre, hurtigere og i nogle tilfælde drives i et miljø, I selv kontrollerer. Det åbner for løsninger, hvor følsomme data ikke skal sendes ud af huset.

For de fleste SMV'er er pointen ikke at vælge model selv, men at stille de rigtige spørgsmål til leverandøren: Hvor behandles data? Kan modellen udskiftes, hvis en bedre kommer? Hvad sker der med prisen, når brugen stiger? Valget mellem åbne og lukkede modeller gennemgår vi i open source vs. closed source AI.

5. Datakvalitet bliver den egentlige flaskehals

Jo mere AI kan, jo tydeligere bliver det, at resultatet afhænger af data. Dubletter i CRM, mangelfulde produktdata, ustrukturerede noter og systemer, der ikke er synkroniserede, begrænser, hvad selv den bedste model kan levere. Mange AI-projekter, der går i stå, går i stå her.

Derfor er en af de mest fornuftige AI-investeringer i 2026 ofte ikke AI i sig selv, men oprydning: faste felter i stedet for fritekst, ét sted for stamdata og integrationer, der holder systemerne opdaterede.

6. EU's AI-forordning indfases gradvist

EU's AI-forordning (AI Act) trådte i kraft i august 2024 og gælder i etaper. Forbuddene mod bestemte anvendelser – fx at aflæse medarbejderes følelser ud fra stemme eller ansigt – og kravet om, at de medarbejdere, der bruger AI, har tilstrækkelige AI-kompetencer, har gældt siden februar 2025. Reglerne for de store, generelle AI-modeller fulgte i august 2025, og fra august 2026 gælder blandt andet kravene om gennemsigtighed, så kunder kan se, når de taler med en chatbot. Kravene til højrisikosystemer, fx AI til rekruttering eller kreditvurdering, var oprindeligt sat til samme tid, men EU har foreslået at udskyde dele af dem.

For de fleste SMV'er er AI i salg, kundeservice og administration ikke højrisiko. I praksis er det derfor AI-kompetencer hos medarbejderne, gennemsigtighed over for kunderne og GDPR, der fylder.

I Danmark er Digitaliseringsstyrelsen den koordinerende myndighed for AI-forordningen, mens Datatilsynet fører tilsyn med GDPR. Brug deres vejledninger til de aktuelle krav og frister, og husk, at GDPR gælder fuldt ud, når AI behandler personoplysninger. Det praktiske første skridt er det samme uanset tidsplanen: Få overblik over, hvilke AI-værktøjer der bruges i virksomheden, og til hvad.

7. Governance og styr på medarbejdernes brug af AI

I mange virksomheder bruger medarbejderne allerede AI-værktøjer, ofte gratisversioner, uden at ledelsen ved præcis hvad og hvordan. Det er forståeligt, men det skaber risiko, når kundedata eller fortrolige oplysninger indtastes i værktøjer uden aftaler. En kort, praktisk AI-politik og en liste over godkendte værktøjer løser det meste. Vil I have et udgangspunkt, kan I bruge vores skabelon til en AI-politik.

8. Mennesker og AI arbejder sammen

Den realistiske udvikling er ikke, at AI erstatter medarbejdere, men at AI tager det rutineprægede: sortering af henvendelser, udkast til svar, mødeopsummeringer og strukturering af kundehistorik. Så kan folk bruge tiden på det, der kræver dømmekraft og relationer. Det kræver nye arbejdsgange og oplæring. Værktøjet alene gør det ikke.

Der tales også meget om teknologier som edge AI, hvor AI kører direkte på maskiner og sensorer, og fødereret læring, hvor flere parter træner en fælles model uden at dele rådata. Begge dele er relevante i fx produktion med mange sensorer eller i sektorer med meget følsomme data. For de fleste handels-, service- og produktionsvirksomheder i SMV-størrelse er det ikke der, de første gevinster ligger. Hold øje, men brug ikke energien der, før de grundlæggende ting er på plads.

Fra hype til handling: fire trin til ansvarlig implementering

Mange ledere føler et pres for at "gøre noget med AI". Uden en fast proces ender det let med løsninger, der ikke skaber værdi, eller som skaber juridiske og etiske problemer, ingen havde forudset. Denne firetrinsmodel holder fokus på forretningen og risikoen.

En firetrinsmodel for ansvarlig AI-implementering, der viser en cyklisk proces med identifikation, etisk vurdering, pilotering og skalering, med løbende evaluering.

Trin 1: Start med jeres problemer, ikke med trenden

Udpeg to-tre konkrete steder, hvor I mister tid, laver fejl eller ikke kan følge med i dag. Spørg derefter, om AI kan løse det markant bedre end en enklere løsning. Brug disse spørgsmål til at sortere:

  • Forretningsbehov: Løser det et reelt og mærkbart problem, fx manuel håndtering af bilag eller langsom opfølgning på tilbud?
  • Værdi: Kan I beskrive, hvordan I vil måle gevinsten, fx sparet tid, færre fejl eller hurtigere svar?
  • Data: Har I de nødvendige data, i en kvalitet, der kan bruges?
  • Ressourcer: Har I folk, der kan være med, og budget til hjælp udefra, hvis det er nødvendigt?
  • Modenhed: Er teknologien stabil nok til den opgave, eller kræver den konstant justering?
  • Sammenhæng: Passer det ind i jeres systemer, eller skaber det endnu en ø, der skal vedligeholdes?

Har I flere gode idéer end ressourcer, kan I bruge vores beslutningsramme til at prioritere AI-projekter.

Trin 2: Vurder risiko og etik, før I bygger

Når en idé holder forretningsmæssigt, så gennemgå risikoen. Det behøver ikke være tungt, men det skal være bevidst:

  1. Bias og fairness: Kan data føre til skæve resultater? Det er særligt vigtigt, når AI påvirker beslutninger om mennesker, fx i rekruttering.
  2. Gennemsigtighed: Kan I forklare, hvorfor løsningen giver et bestemt resultat, hvis en kunde eller medarbejder spørger?
  3. Data og GDPR: Hvilke personoplysninger behandles, hvor ligger de, og hvem har adgang?
  4. Ansvar: Hvem i ledelsen ejer løsningen, og hvem griber ind, hvis den fejler?
  5. Menneskelig kontrol: Hvor skal et menneske godkende, før noget sendes eller besluttes?

Trin 3: Test i et afgrænset pilotprojekt

Start i lille skala med et team eller en proces, hvor risikoen er lav og læringen høj. Beslut på forhånd, hvad piloten skal bevise, og mål det ud fra en baseline, så I ved, hvordan det gik før. Involver de medarbejdere, der skal bruge løsningen, saml deres feedback løbende, og skriv ned, hvad der virker, og hvad der ikke gør.

Parallelt er det et godt tidspunkt at lægge de interne rammer: retningslinjer for brug af AI, oplæring af de medarbejdere, der skal arbejde med det, og en fast måde at melde fejl og uhensigtsmæssige resultater på.

Trin 4: Skalér med omtanke, og hold øje i drift

En vellykket pilot er ikke det samme som en løsning i drift. Når I udvider til flere afdelinger eller processer, skal hver udvidelse vurderes med samme omhu. AI-løsninger kræver også vedligehold: Data ændrer sig, leverandørernes modeller opdateres, og regler justeres. Sørg for, at nogen ejer løsningen, overvåger kvaliteten og tager stilling til ændringer. Overgangen fra forsøg til fast drift er dér, hvor mange projekter går i stå, og den har vi beskrevet i fra AI-pilot til drift.

Hvornår er AI ikke løsningen?

AI er ikke svaret på alt. I meget små eller sjældne processer, hvor data er sparsomme, giver en enkel regel eller en standardfunktion ofte mere. Er jeres grundlæggende processer uklare, eller er systemerne ikke forbundet, får I mere ud af at rydde op først. Og hvor der skal træffes beslutninger, der påvirker mennesker direkte, skal AI være et støtteværktøj og ikke den, der afgør sagen.

Undervurder heller ikke vedligeholdet. En AI-løsning, der ikke ejes og følges, bliver dårligere over tid, uden at nogen opdager det.

Hvad kan I gøre allerede nu?

  • Lav en liste over de AI-værktøjer, der bruges i virksomheden i dag, og hvem der bruger dem til hvad.
  • Undersøg, hvilke AI-funktioner der allerede findes i de systemer, I betaler for.
  • Udpeg to-tre arbejdsgange, hvor data flyttes manuelt mellem systemer, og vurder dem med spørgsmålene i trin 1.
  • Skriv en kort AI-politik, og giv medarbejderne et godkendt alternativ til gratisværktøjerne.
  • Vælg én pilot med klare succeskriterier, og planlæg, hvem der ejer den bagefter.

Hos Optify hjælper vi danske virksomheder med netop det skridt: at finde de få steder, hvor AI giver mening, og få løsningerne til at hænge sammen med jeres ERP, CRM og webshop. Vi har arbejdet med systemintegration i mere end 15 år, og vi siger det gerne, hvis en enklere løsning end AI er det rigtige for jer.

Kim Smidt
Skrevet af , CEO og stifter, Optify

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