Når folk taler om AI i virksomheder, taler de næsten altid om én model ad gangen. En chatbot. En kopilot. En assistent. Spørgsmål ind, svar ud.
Det er den mindst interessante måde at bruge AI på.
Der findes en kategori af AI-værktøjer som ingen taler om, fordi de ikke ligner produkter. De ligner ikke chatbots, har ikke en startside, og findes ikke på App Store. Det er små, præcise stykker software som en enkelt person bygger til sig selv — og som ender med at gøre mere reelt arbejde end mange virksomheders SaaS-licenser.
Når en virksomhed står med et AI-problem, er det sjældent ét problem. Det er en stak af problemer i forskellige størrelser, og de hører hjemme på forskellige niveauer. At blande niveauerne sammen er en af de dyreste fejl en mindre virksomhed kan lave — enten ved at hyre et konsulenthus til at bygge en chatbot der findes som standardprodukt, eller ved at forsøge at løse en kerneforretningsproces med en generisk SaaS der ikke kender huset.
Tre niveauer er nyttige at skelne mellem. Og så er der et fjerde, som ingen taler om.
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.
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.
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.