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.
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.
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.
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.
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.
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.
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.
Dette er den mest afslørende af dem alle.
AI har ikke et teknologiproblem. Det har et formidlingsproblem.
Modellerne virker. Infrastrukturen er der. API'erne står åbne. Alligevel sidder de fleste virksomheder fast. Ikke fordi teknologien er for svær, men fordi ingen oversætter hvad den betyder for dem.
Det er formidlerens opgave.
Formidleren er ikke ekspert. Ikke i klassisk forstand. Hun er ikke den der ved mest om transformere, embeddings eller attention-mekanismer. Det er forskerens rolle.
Der er to historier om AI og kode. Den ene er den alle taler om: at sprogmodeller skriver programmer for os. Den anden er den der er vigtigere, men som næsten ingen taler om: at programmer holder sprogmodellerne i skak.
De to historier er den samme historie. Men man skal fortælle dem sammen for at forstå hvor feltet egentlig er på vej hen.