I løbet af de sidste to uger har jeg udgivet to små Nushell-moduler til offentligheden. Det ene hedder yolay og lader en LLM bo som overlay i shellet. Det andet hedder macify og giver shellet adgang til alle de macOS-primitiver — notifikationer, dialoger, clipboard, browser, dark mode, lyd, strøm — som ellers kun lever inde i AppleScript-verdenen.

Hver for sig er de små. Sammen begynder de at se ud som noget andet: en automationsplatform der står på pipelines og koster nul i licens.

Den vigtigste arkitekturbeslutning når man indfører AI i en virksomhed er ikke hvilken model man vælger. Det er hvor i systemet modellen får lov at sidde.

Den default-tilgang som leverandører og pilotprojekter ofte falder ind i, er at lade sprogmodellen være selve systemet. Brugeren skriver ind i en chat, modellen svarer, og det svar bliver behandlet som outputtet. Det fungerer på en demo. Det fungerer ikke i produktion. Og det er en holdning man som leder skal kunne genkende og afvise.

Jeg har bygget et lille Nushell-modul der hedder yolay.nu. Det er omkring 470 linjer kode. Det er det mest produktivitetsforøgende jeg har skrevet i år, og jeg tror det peger på noget bredere om hvordan AI bør integreres i en arbejdsdag — ikke kun min.

Når bestyrelsen og direktionen er de samme mennesker

I store virksomheder er der en tydelig adskillelse. Direktionen driver. Bestyrelsen kontrollerer. Det er en af governance-strukturens grundpiller — den ene part stiller spørgsmål, den anden svarer.

I små og mellemstore virksomheder er det ofte ikke sådan. Det er typisk to-tre personer der både sidder i bestyrelsen og i direktionen. I familieejede virksomheder er det ofte ægtefæller, søskende eller en stifter og en arving. Den der godkender investeringer, er også den der har foreslået dem.

Hvorfor AI er det område hvor I mest har brug for en udefra

MIT offentliggjorde i 2025 en undersøgelse af 300 virksomheders generative AI-projekter. Konklusionen var ubehagelig: cirka 95% af de interne pilotprojekter gav nul afkast.

Den interessante del var ikke fejlraten. Den var hvor fejlene lå.

Projekter der blev bygget internt fejlede markant oftere end projekter hvor virksomheden brugte en ekstern partner. Forskellen var ikke marginal. Den var faktor to.

Det er værd at standse op ved.

De ti i toppen, de firs i midten, og de ti i bunden

I enhver gruppe medarbejdere der skal lære at bruge AI, er fordelingen den samme.

Ti procent er allerede i gang. De har en privat ChatGPT-konto fra før virksomheden indførte noget. De læser nyhedsbreve om det. De har holdninger til Claude versus Gemini. De siger ting som "jamen, du kan bare bede den om at..." og bliver lidt utålmodige når andre ikke kan følge med.

Når den interne AI-underviser læser dine prompts

Mange virksomheder har gjort det på samme måde: udpeget en intern medarbejder som AI-ansvarlig. Hun skal hjælpe kollegerne med at blive bedre til at bruge værktøjerne. Hun skal lære fra deres faktiske brug. Og som en del af det får hun adgang til loggene — hvad folk skriver til AI'en, hvad de får tilbage, hvor det går godt, hvor det går skidt.

På papiret er det fornuftigt. I praksis skaber det noget andet end forventet.

Shadow AI — det værktøjet I ikke har købt, men som alle bruger

Den interessante AI-brug i jeres virksomhed foregår ikke i de værktøjer I har godkendt.

Den foregår på medarbejdernes private ChatGPT-konti. På en privat Claude. På en gratis version af Perplexity åbnet i en inkognito-fane. På en kollegas Midjourney som han deler login til, fordi det er nemmere end at gå gennem indkøb.

Det kalder man Shadow AI. Og det er det største governance-problem som ingen ledelse rigtig har taget fat i endnu.

Tæller du tokens, eller måler du værdi?

Hvis det eneste tal din virksomhed kan fremvise om sin AI-brug er antallet af prompts pr. måned eller månedsregningen fra leverandøren, så er du på samme niveau som en flådeejer der måler succes på hvor meget benzin lastbilerne brænder af.

Det siger noget om forbruget. Det siger ingenting om retningen.

Man kan nu høre det. Inden for et par sætninger. Teksten er skrevet af en maskine.

Det er ikke fordi indholdet er forkert. Det er fordi sproget er genkendeligt. Der er opstået en dialekt — en maskine-dansk — med sine egne tics, sine egne yndlingsord og sin egen retoriske skabelon. Jeg kalder dem AI-ismer.

Her er de mest almindelige. Med forklaring på hvorfor de opstår. Og hvad man kan gøre ved det.

"Ikke fordi... men fordi..."

Dette er den mest afslørende af dem alle.