Start med problemet - ikke med AI

Mikkel Frimer-Rasmussen, Maj 2026

Når jeg møder små og mellemstore virksomheder, starter AI-arbejdet sjældent med en færdig strategi.

Det starter med rod.

En direktør, der har hørt, at generativ AI kan hjælpe, men ikke ved, hvor det giver mest mening i driften. En idé fra en ivrig medarbejder. En arbejdsproces, der tager for lang tid. Et bjerg af dokumenter, ingen helt stoler på. Eller en halv strategi, der måske er rigtig, men endnu ikke er blevet testet mod hverdagens virkelighed, data og økonomi.

Mange opfatter dette rod som en forhindring. De tror, de skal have en digital strategi og et klart løsningsdesign på plads, før de begynder.

Det er en misforståelse.

Rodet er ikke et problem. Det er ofte det bedste sted at starte.

Når løsningen kommer før behovet

Jeg ser ofte, at AI-initiativer starter det forkerte sted: med løsningen.

En virksomhed vil bygge en chatbot, en intern vidensbase, en automatiseret rapport eller en avanceret agent. Beslutningen drives typisk frem af nysgerrighed, tidspres eller af den medarbejder, der har fulgt mest med i den teknologiske udvikling.

Den slags idéer er ikke nødvendigvis dårlige. Mange af dem rummer noget vigtigt. Men de låser ofte arbejdet for tidligt.

Problemet er sjældent selve idéen. Problemet er, at idéen endnu ikke er testet mod det reelle behov, de tilgængelige data, økonomien og evnen til at drive løsningen i hverdagen.

Konsekvensen er ofte klassisk:

Det bliver uklart, hvad der teknisk og organisatorisk faktisk lader sig gøre.

Den første idé får for meget vægt, før alternativerne er undersøgt.

Det bliver svært at skelne mellem hype, gode demoer og løsninger, der skaber reel værdi i drift.

Derfor starter det bedste AI-arbejde ikke med spørgsmålet: “Hvilken løsning skal vi bygge?”

Det starter med spørgsmålet: “Hvilket problem er faktisk værd at løse?”

Fra nysgerrighed til effekt

For at undgå at bygge løsninger i blinde arbejder jeg ud fra en praktisk model i seks trin:

Kom med rodet: Kom med idéerne, processerne, dokumenterne, problemerne og de halve strategier.

Find det reelle problem: Undersøg AI-idéen som et muligt symptom på et dybere forretningsmæssigt behov.

Drop de svage idéer hurtigt: Den største besparelse er ofte at undgå det forkerte projekt.

Byg én praktisk løsning: Ikke transformation. Ikke roadmap-teater. Én løsning, der skaber mærkbar værdi i praksis.

Mål effekt og læring: Blev noget lettere, hurtigere, billigere eller tydeligere?

Beslut næste skridt: Skal løsningen skaleres, ændres, stoppes eller bruges som læring?

Det er en enkel arbejdsform, men den kræver disciplin.

Især fordi generativ AI gør det let at producere noget, der ser imponerende ud. En flot rapport. En prototype. En demo. En agent. En præsentation.

Men det afgørende er ikke, om noget ser overbevisende ud. Det afgørende er, om det løser et problem i driften.

AI som kritisk sparringspartner

Lad mig give et anonymiseret eksempel fra et undervisningsforløb.

En rådgivningsvirksomhed kom med en umiddelbart god idé: De ville bruge generativ AI til at hjælpe med at planlægge og gennemføre en større konference.

Det er en klassisk AI-situation. Idéen lyder rigtig. Der er et tydeligt tema. Der er en målgruppe. Der er et muligt kommercielt formål. Og AI kan hurtigt hjælpe med program, invitationer, deltagerlister, markedsføring og planlægning.

Men i stedet for at bruge AI som produktionsmaskine fra start, brugte vi den som kritisk sparringspartner.

Vi bad modellen indtage rollen som skeptisk økonomichef og kritisk bestyrelse.

Så kom de vigtige spørgsmål frem:

Har virksomheden ressourcerne til at løfte en konference?

Er målgruppen skarp nok?

Hvad er det konkrete, kommercielle produkt, der skal sælges bagefter?

Er en stor konference det rigtige format?

Hvad sker der, hvis arrangementet virker uprofessionelt og svækker tilliden hos potentielle kunder?

Det ændrede opgaven.

I stedet for at bygge videre på den første og dyre idé blev konceptet forsimplet. Løsningen endte som et fokuseret CEO-morgenmøde. Målgruppen blev skarpere. Risikoen blev mindre. Den kommercielle krog blev tydeligere. Og opgaven blev realistisk at gennemføre.

Det er et godt eksempel på, hvordan AI skaber værdi før selve produktionen.

Ikke ved at skrive flere tekster hurtigere.

Men ved at gøre beslutningen bedre.

Den største besparelse er ofte ikke at bygge

Mange forbinder automatisk AI med automatisering. Men i praksis ligger en stor del af værdien tidligere i processen.

AI hjælper med at teste en idé, før man investerer tid og penge i at bygge den.

Den kan spille erfaren kunde, konkurrent, økonomichef, driftsansvarlig eller kritisk bestyrelse. Den kan finde huller i antagelser, pege på manglende data og foreslå enklere veje til målet.

Når en svag idé bliver stoppet tidligt, er det ikke et nederlag.

Det er en direkte besparelse.

Det frigør tid, penge og ledelsesopmærksomhed til de problemer, der faktisk er værd at løse.

Det er især vigtigt for SMV’er. De har sjældent råd til store fejlslagne AI-projekter. De har brug for løsninger, der passer til deres virkelighed: begrænset tid, begrænset teknisk kapacitet, travle medarbejdere og et krav om, at investeringen skal give mening.

Derfor er den første opgave ikke at bygge mest muligt.

Den første opgave er at vælge rigtigt.

Én løsning, der virker

For de fleste SMV’er er den bedste start på arbejdet med generativ AI ikke en stor strategi for hele organisationen.

Det er én konkret løsning.

For eksempel:

En arbejdsgang, der bliver mærkbart hurtigere.

En tung rapport, der bliver lettere at udarbejde.

En kompleks vurdering, der bliver mere ensartet.

Et dokumentflow, der kræver færre manuelle indtastninger.

En vigtig beslutning, der træffes på et bedre og tydeligere grundlag.

Målet er ikke at forandre hele virksomheden på én gang.

Målet er at skabe én meningsfuld forenkling i driften.

Når den første løsning virker, sker der noget vigtigt. Organisationen får ikke bare en effektivisering. Den får også en konkret erfaring med, hvad generativ AI faktisk kan bruges til.

Det er langt mere værdifuldt end en generel inspiration om teknologiens muligheder.

Mål det, der betyder noget

Når løsningen er i drift, skal effekten måles enkelt og ærligt.

Blev opgaven lettere? Blev den mentale belastning mindre? Blev sagsbehandlingstiden kortere? Faldt antallet af fejl? Blev beslutningsgrundlaget bedre? Blev noget billigere, hurtigere eller tydeligere?

Læring er også en effekt, især i de første projekter. Men læring skal knyttes til en konkret arbejdsgang.

Projekter, der kun er spændende, men ikke nyttige, dræner organisationen.

Det betyder ikke, at alt skal kunne måles perfekt fra dag ét. Men det skal være tydeligt, hvad man prøver at forbedre. Ellers bliver AI-arbejdet hurtigt til fascination, eksperimenter og løs snak om muligheder.

SMV’er har brug for noget andet.

De har brug for klarhed, prioritering og løsninger, der virker i hverdagen.

Beslut næste skridt

Når én praktisk løsning er afprøvet og målt, er det næste logiske spørgsmål ikke:

Hvad kan vi ellers automatisere?

Det rigtige spørgsmål er:

Skal denne løsning skaleres, ændres eller stoppes? Og hvilket reelt problem skal vi kigge på næste gang?

Nogle løsninger skal udvides. Andre skal justeres. Nogle skal stoppes, fordi de ikke skaber nok værdi. Og nogle skal først og fremmest bruges som læring, så næste projekt bliver bedre valgt.

På den måde bliver generativ AI ikke et stort, uklart transformationsprojekt.

Det bliver en praktisk arbejdsform til at skabe klarhed, teste idéer, forenkle drift og bygge løsninger, der skaber mærkbar værdi.

Spørg derfor ikke først:

Hvordan kommer vi i gang med AI?

Start med rodet, og spørg:

Hvilket problem er faktisk værd at løse – og hvad er den enkleste løsning, der skaber reel værdi i driften?