Når AI-projekter i SMV’er fejler, er det sjældent teknologien, der er problemet

AI lyder som den hurtige vej til højere produktivitet, lavere omkostninger og bedre beslutninger. For små og mellemstore virksomheder er fristelsen stor: værktøjerne er blevet billige, tilgængelige og lette at afprøve. Alligevel ser vi igen og igen det samme mønster: initiativerne bliver hængende i pilotstadiet, eller også leverer de aldrig den værdi, der blev lovet.

Det bliver ofte forklaret med manglende kompetencer eller et “forkert” valg af model og platform. Men i praksis er årsagen typisk mere prosaisk. Når AI-projekter strander, handler det oftest om data, styring og forankring – ikke om teknologien i sig selv. Gartner har i flere analyser peget på manglende datamodenhed og uklare value cases som centrale årsager til, at AI- og især generativ AI-initiativer ikke kommer videre end proof-of-concept.

Den første misforståelse: AI er en funktion, man køber

De fleste starter et AI-projekt med en konkret idé: en chatbot til kundeservice, en assistent til dokumentproduktion, et forslagssystem til indkøb eller en model til forecasting. Det giver mening. Problemet opstår, når AI bliver behandlet som en “smart feature” i stedet for en kapabilitet, der kræver rammer.

AI kan godt levere output. Det svære er at sikre, at output bliver brugt rigtigt.

I mange SMV’er mangler der et klart svar på helt basale spørgsmål: Hvad må output bruges til? Hvem ejer kvaliteten? Hvornår er noget “godt nok” til at indgå i en beslutning? Og hvordan måler man effekten, uden at man snyder sig selv med flotte demoer, begejstrede brugere og optimistiske antagelser? Uden et styringsgrundlag ender AI ofte som en imponerende prototype – og en irriterende driftshistorie.

Data er ikke et bilag – det er fundamentet

Datamodenhed bliver undervurderet næsten konsekvent. AI kræver ikke perfekte data, men det kræver, at nogen ejer dem. At definitioner er rimeligt stabile. At man har styr på kilder, adgang og kvalitet.

SMV’er har ofte data spredt ud over ERP, CRM, mailbokse, Excel-ark, filshares og branchesystemer. I driften kan det fungere. Men når AI skal producere resultater, som mennesker forventes at handle på, bliver det skrøbeligt. Mangler der orden i data, bliver løsningen dyr at stabilisere og svær at skalere – præcis den mekanik Gartner fremhæver, når de beskriver, hvorfor mange initiativer bliver opgivet efter proof-of-concept.

Den dyre del er sjældent licensen

AI bliver ofte solgt som “hurtige gevinster”, men de reelle omkostninger ligger sjældent kun i licenser og udvikling. De ligger i arbejdet med data, governance, ændrede arbejdsgange, træning, kvalitetssikring og efterfølgende drift.

Hvis man ikke budgetterer med det – eller hvis det ikke er placeret som et ledelsesansvar – får man en klassisk SMV-effekt: Man får noget, der virker i en demo, men ikke i en hverdag med afbrydelser, variation og undtagelser.

Det er også derfor overgangen fra pilot til produktion er den kritiske passage. Det er her, realiteterne omkring datakvalitet, risikokontrol, løbende omkostninger og forretningsværdi bliver tydelige. Det er også her, mange projekter dør.

Forankring: Det svære starter, når det virker

Ledelsesforankring kommer ofte for sent. AI kan ikke “outsources” som en neutral komponent, fordi teknologien påvirker beslutningsprocesser. Når output begynder at forme prioriteringer, kundedialog, priser, kvalitet eller risiko, opstår der en ny type ansvar.

Hvem godkender anvendelsen? Hvem definerer acceptabel kvalitet? Hvem tager ansvaret, når output er forkert, skævt eller misforstået?

Hvis de spørgsmål først bliver stillet efter go-live, ender man typisk i én af to grøfter: Enten bliver organisationen overforsigtig, og løsningen dør stille, eller også bliver den brugt ukritisk, og risikoen vokser med tiden.

Regulering: Det er ikke et argument for store programmer – men for styring

EU’s AI Act er trådt i kraft med gradvis ikrafttræden af forskellige krav. For mange SMV’er kan det føles fjernt. Men i praksis vil krav fra kunder, partnere og leverandører hurtigt gøre det relevant: dokumentation, risikostyring, ansvar og AI literacy bliver i stigende grad forventet.

Pointen er ikke, at alle SMV’er skal starte store compliance-programmer. Pointen er, at AI ikke længere kan betragtes som et rent IT-eksperiment uden styring.

Når leverandøren ejer både problemet og løsningen

AI-markedet bevæger sig hurtigt, og det gør det fristende at købe sig til “færdige løsninger”. Men når leverandøren både definerer problemstillingen, succeskriterierne og platformen, mister virksomheden let strategisk kontrol.

Så får man ofte en løsning, der er optimeret til et produkt – ikke til forretningen. Og når økonomien senere evalueres, bliver konklusionen sjældent “vi valgte forkert governance”. Den bliver: “AI virker ikke.”

Potentialet er reelt – derfor skal styringen også være det

Det ærgerlige er, at potentialet faktisk er stort. McKinsey vurderer, at generativ AI kan skabe betydelig økonomisk værdi på tværs af mange use cases. Netop derfor er det værd at tage styringen alvorligt: Når potentialet er højt, bliver prisen for uklar prioritering og svag forankring også højere.

Hvilke AI-projekter lykkes typisk i SMV’er

Der tegner sig et relativt klart mønster for, hvilke typer AI-initiativer der oftest lykkes i små og mellemstore virksomheder.

Det ene er afgrænsede støttefunktioner, hvor AI hjælper mennesker, men ikke træffer beslutninger på deres vegne. Et klassisk eksempel er intern søgning og dokumentassistance: AI bruges til at finde, sammenfatte og forklare indhold i kontrakter, procedurer, tilbudsskabeloner eller teknisk dokumentation. Værdien er tydelig, risikoen er begrænset, og data er som regel allerede til stede – også selvom kvaliteten ikke er perfekt. Projekterne lykkes, fordi de forbedrer eksisterende arbejdsgange uden at ændre ansvar eller beslutningslogik.

Det andet er procesnære effektiviseringer, hvor output kan kontrolleres og korrigeres løbende. Det kan være udkast til kundesvar, kladder til rapportering, første versioner af interne notater eller strukturerede forslag til planlægning. Her bruges AI som et produktivitetsværktøj, ikke som en sandhedsmaskine. Projekterne lykkes typisk, fordi forventningerne er realistiske, og fordi mennesker stadig har det sidste ord.

Hvilke AI-projekter fejler typisk

Omvendt er der også mønstre i de projekter, der ofte fejler – uanset branche.

Det ene er AI, der placeres for tæt på forretningskritiske beslutninger, før organisationen er klar. Det kan være modeller, der foreslår priser, kreditvurderer kunder, prioriterer sager eller forudsiger efterspørgsel med direkte konsekvenser for drift og økonomi. Her undervurderes ofte både datakrav, governance og behovet for løbende kvalitetssikring. Når output viser sig at være ustabilt eller svært at forklare, mister organisationen hurtigt tilliden – og projektet stopper.

Det andet er ambitiøse løsninger bygget på uafklarede datafundamenter. Typisk starter de med et stærkt narrativ og en flot proof-of-concept, men uden klarhed over datakilder, ejerskab og vedligehold. Når løsningen skal i drift, viser det sig, at data ikke kan holdes ajour, at definitioner ændrer sig, eller at man manuelt lapper problemer, som AI egentlig skulle løse. Resultatet bliver høje omkostninger og lav reel værdi – og konklusionen bliver igen, at “AI ikke virkede”.

Konklusion

AI-projekter i SMV’er fejler sjældent på teknologi. De fejler, når der mangler et styringsgrundlag, når datamodenhed undervurderes, når økonomien regnes for optimistisk, og når ledelsesansvaret bliver uklart.

Hvis man i stedet starter med formål, ansvar, data og governance, bliver AI et forretningsværktøj – ikke et dyrt eksperiment.