For nylig havde jeg en mailudveksling med en kommunikationschef i et større dansk bureau. Han var interesseret i ekstern AI-rådgivning, men ville have mig til at gøre tilbuddet mere konkret. Hans formulering var noget i retning af: "Hvad er gaven? Hvor er værditilførslen? Giv nogle eksempler — GDPR i Copilot, token-optimering i ChatGPT, den slags."
Det er en helt rimelig indvending. Og samtidig en der røber den misforståelse jeg oftest møder.
Han troede vi skulle tale teknik. Vi skal tale mennesker.
Det tekniske løses på platformsniveau
Hvis udfordringen er hvordan en specifik model håndterer personoplysninger, eller hvordan man får billigere svar ud af en chatbot — så bliver det meste af det allerede løst af platformsleverandørerne selv. Microsoft har en enterprise-aftale. OpenAI har en business-plan. Google har Workspace. Token-priserne halveres hvert halve år.
Det er ikke der pengene ligger på gulvet. Det er ikke der projekterne fejler.
Projekterne fejler på det menneskelige niveau. Og det er der hvor en ekstern rådgiver gør den største forskel.
ELIZA-effekten — den ældste advarsel i feltet
I 1966 byggede Joseph Weizenbaum den første chatbot. Den hed ELIZA og kunne stort set ingenting — den efterabede en psykoterapeut ved at gentage brugerens egne sætninger som spørgsmål.
Weizenbaums egen sekretær bad ham om at forlade lokalet så hun kunne tale med ELIZA i fred.
Det rystede ham. Han havde selv skrevet koden. Han vidste der ikke var nogen i den anden ende. Alligevel udløste maskinen en intimitet hos hans medarbejdere som de ikke kunne kontrollere.
Det er ikke et problem der er blevet mindre i de 60 år der er gået. Det er blevet større. De moderne sprogmodeller er overvældende meget bedre til at fremkalde præcis den følelse end ELIZA var.
Hvad det betyder i en virksomhed
Når dine medarbejdere bruger en sprogmodel, sker der noget der ikke sker med andre værktøjer. De skriver ting de aldrig ville sige højt på kontoret. De stiller spørgsmål de ikke tør stille til en kollega. De tænker tanker i samspil med maskinen som de ikke tænker alene.
Det er på én gang det mest værdifulde og det mest sårbare ved teknologien.
Værdifuldt fordi det er der læringen sker. Det er der medarbejderen for første gang formulerer hvad hun faktisk er i tvivl om i sit fag. Det er der hun bryder et tankemønster der har siddet fast i ti år.
Sårbart fordi den slags ærlighed forsvinder i samme øjeblik den bliver overvåget. Hvis en kollega — eller en intern AI-ansvarlig der også rapporterer til ledelsen — kan læse loggen, så ændrer medarbejderen adfærd. Hun skriver kortere prompter. Hun stiller ikke de svære spørgsmål. Hun flytter brugen ud af systemet til en privat konto der ikke logges.
Læringen knækker. Ikke fordi værktøjet er dårligt. Fordi det er holdt op med at blive brugt ærligt.
Fire spørgsmål der ikke handler om teknik
Når jeg taler med en ny kunde er det de fire her vi bruger tiden på:
-
Hvordan sikrer I at outputtet har den kvalitet jeres brand kræver? Det er ikke et modelvalg. Det er en redaktionel praksis — og den findes ikke af sig selv.
-
Hvordan sikrer I at medarbejderne bruger AI på en måde der passer til jer? Herunder hvordan I minimerer den shadow-brug der allerede foregår på private konti. Den findes i hvert eneste hus jeg har set indefra. Spørgsmålet er om I ved det.
-
Hvordan sikrer I at AI understøtter medarbejdernes kreativitet i stedet for at undergrave den? For den undergraver kreativiteten hvis ingen sætter rammerne. Det er det almindelige resultat, ikke undtagelsen.
-
Hvordan skaber I et miljø hvor medarbejderne tør være ærlige om deres tvivl? Det er forudsætningen for at de overhovedet får udbytte af værktøjet. Og det er det sværeste at lave selv.
Bemærk hvad der ikke står i listen. Ikke noget om modeller. Ikke noget om priser. Ikke noget om integrationer. Det er ikke fordi det er uvigtigt — det er fordi det er løst.
Hvorfor det skal være en udefra
Den sidste pointe er den der typisk møder mest modstand. "Vi har en dygtig ung medarbejder der allerede er god til AI — kan hun ikke stå for det?"
Jo, hun kan godt stå for den tekniske del. Men hun kan ikke stå for den menneskelige del. Ikke fordi hun ikke har kompetencerne — men fordi hun spiser frokost med dem hun skal oplære. Og fordi hendes anbefalinger til ledelsen påvirker hendes kollegers stillinger, lønninger og udsigter.
Den eksterne rådgiver har én egenskab som den interne ikke kan kopiere: ingen konsekvenser ved at være ærlig. Du kan sige til mig at du ikke aner hvad en kontekstvinduestørrelse er. Det får ingen betydning for din næste MUS-samtale. Du kan vise mig en prompt der afslører at du har brugt AI'en til en sag du måske burde have spurgt din chef om. Det får ingen betydning for hvordan dit team ser dig.
Den slags ærlighed er forudsætningen for at lære. Den findes ikke når oplæreren også er kollega.
Det er derfor MIT-tallet ser ud som det gør
MIT's undersøgelse af 300 AI-projekter i 2025 viste at 95 procent gav nul afkast. Den mindre omtalte del af samme undersøgelse var at projekter med ekstern partner havde dobbelt så høj succesrate som rent interne projekter.
Forklaringen er ikke at de eksterne er klogere. Den er at de eksterne kan tage den rolle hvor man skal være ærlig overfor maskinen — uden at det har konsekvenser i fredagsbaren.
Det er en arbejdsdeling. Den interne organisation tager strategi, udvælgelse og daglig drift. Den eksterne tager den del af oplæringen hvor folk skal turde være sårbare. De to roller kan ikke samles på samme person uden at læringen knækker.
Hvad der så er "gaven"
Tilbage til kommunikationschefen. Hvad er gaven?
Gaven er ikke at jeg kender modellerne bedre end jeres egne folk. Det gør jeg sandsynligvis, men det er ikke det der flytter noget hos jer.
Gaven er at jeg er den ene person i huset som jeres medarbejdere kan være helt ærlige overfor om hvad de ikke kan og hvad de tvivler på. Det er den dyreste mangelvare i enhver AI-implementering. Og det er den eneste der ikke kan købes på platformsniveau.
Se også Når den interne AI-underviser læser dine prompts — Hvorfor AI er det område hvor I mest har brug for en udefra