Hvorfor AI-projekter går i stå efter piloten

De fleste AI-projekter, der går i stå, gør det ikke, fordi teknologien svigter. De går i stå, fordi ingen har formuleret, hvilket problem løsningen skal løse, fordi ingen ejer den, når konsulenterne er gået, og fordi arbejdsgangen omkring den er præcis den samme som før. Piloten beviste, at noget kan lade sig gøre. Den beviste ikke, at nogen ville bruge det, eller at det kunne betale sig.

Et forløb, vi kender fra mange danske virksomheder: En logistikvirksomhed bygger på seks uger en chatbot, der svarer på spørgsmål om leveringstider. Demoen for direktionen går fint. Derefter skal chatbotten kobles til ordresystemet, nogen skal vedligeholde svarene, og kundeservice skal ændre den måde, de arbejder på. Ingen har budget eller tid til det. Et halvt år senere ligger chatbotten stadig i et testmiljø.

Hvor mange piloter går i stå?

Mange, men tallene er mere usikre, end de ofte bliver fremstillet. Tre kilder bliver citeret igen og igen, og de skal alle læses med forbehold.

• RAND bliver ofte citeret for, at over 80 % af AI-projekterne fejler. Men i rapporten fra 2024 henviser RAND til andres skøn på over 80 %. Det er ikke RANDs egen måling, selv om tallet tit bliver gengivet sådan.
• Gartner forudsagde i juli 2024, at mindst 30 % af projekterne med generativ AI ville blive opgivet efter proof of concept inden udgangen af 2025. Årsagerne var dårlig datakvalitet, utilstrækkelig risikostyring, stigende omkostninger eller uklar forretningsværdi. Det er en forudsigelse, ikke en optælling. I juni 2025 kom en lignende forudsigelse om AI agenter: Over 40 % af de projekter vil ifølge Gartner blive stoppet inden udgangen af 2027.
• BCG spurgte omkring 1.000 topledere i 2024 og fandt, at kun 26 % af virksomhederne har udviklet de kompetencer, der skal til for at komme forbi proof of concept og skabe reel værdi. 74 % har endnu ikke vist håndgribelig værdi.

Ingen af tallene er en præcis måling af danske forhold. Gartner og BCG sælger rådgivning og har en interesse i, at problemet ser stort ud. Men retningen er den samme i alle tre kilder, og den passer med det, vi ser på workshops: Det er lettere at starte en pilot end at få den i drift.

Hvad er de fem grundårsager?

RANDs rapport er en af de få, der har spurgt praktikerne direkte. Forskerne interviewede 65 erfarne dataforskere og ingeniører om, hvorfor AI-projekter fejler, og samlede svarene i fem grundårsager:

1. Problemet er misforstået. De involverede misforstår eller formidler forkert, hvilket problem AI skal løse. Det var den hyppigst nævnte årsag.
2. Data mangler. Organisationen har ikke de data, der skal til for at træne eller fodre løsningen.
3. Teknologien kommer før brugeren. Fokus er på den nyeste teknologi frem for på at løse et reelt problem for brugerne.
4. Infrastrukturen halter. Der mangler systemer til at håndtere data og sætte løsningen i drift.
5. Problemet er for svært. Opgaven ligger uden for, hvad AI kan løse i dag.

Forbeholdet er vigtigt: Rapporten bygger på interviews, ikke på en optælling af projekter, og den er skrevet til det amerikanske forsvar. Mange af projekterne handlede om egne modeller og maskinlæring, ikke om medarbejdere, der bruger Copilot eller ChatGPT. Alligevel er mønstret genkendeligt. Tre af de fem årsager handler om beslutninger og prioriteringer, ikke om algoritmer.

Hvorfor handler det mest om mennesker og processer?

Fordi teknologien er blevet let at få fat i, mens det er lige så svært som altid at ændre den måde, folk arbejder på. BCG beskriver det i samme rapport med en fordeling: Omkring 70 % af udfordringerne handler om mennesker og processer, 20 % om teknologi og kun 10 % om algoritmerne. Læg mærke til, at fordelingen beskriver, hvor udfordringerne ligger. Den siger ikke noget om, hvordan budgettet bør fordeles.

Digitaliseringsstyrelsen kommer frem til noget lignende i sin guide til virksomheder. Den nævner 80/20-reglen som tommelfingerregel: 80 % af arbejdet med ny teknologi handler om alt det rundt om, og kun 20 % om selve teknologien.

Vi bruger vores egen huskeregel i budgetsamtaler: For hver krone, I bruger på teknologi, bør I regne med to kroner til mennesker og forandringsledelse. Det er ikke et forskningsresultat, og tallet er ikke præcist. Det er en påmindelse om, at licenser og integrationer er den del af regningen, der er lettest at se, men sjældent den, der afgør, om projektet lykkes. Det svære bliver ikke teknologien, men menneskene og den organisatoriske forandring.

Hvorfor skal arbejdsgangen laves om?

Fordi en pilot, der lægges oven i den eksisterende arbejdsgang, bliver en ekstra opgave. Hvis sagsbehandleren i kommunen både skal skrive notatet selv og bagefter tjekke AI'ens udkast, er der ikke sparet noget. Værdien kommer først, når nogen beslutter, at udkastet er udgangspunktet, og når kvalitetstjekket er lagt ind et nyt sted i processen.

Derfor arbejder vi med fem grundprincipper, før der automatiseres noget:

1. Stop. Er der opgaver, ingen ville savne, hvis de forsvandt? Rapporter, ingen læser, eller godkendelser, der aldrig bliver afvist?
2. Fjern trin. Hvilke led i processen findes kun, fordi det altid har været sådan?
3. Forenkl. Kan skabelonen, formularen eller aftalen gøres kortere?
4. Automatisér kun det, der allerede er effektivt. Automatiserer I en dårlig proces, får I en hurtigere dårlig proces.
5. Brug også AI til beslutninger. AI kan styrke mennesker i vurderinger og prioriteringer, ikke kun overtage rutineopgaver.

Et princip mere: produkt frem for proces. Tænk på, hvad kunden eller kollegaen får ud af det til sidst, ikke kun på, hvilke trin der bliver hurtigere.

Seks faldgruber, vi ser på workshops

Faldgruberne bygger på vores egen erfaring fra workshops og forløb hos Innovation Lab og Fremtidslaboratoriet, ikke på en undersøgelse. Men de går igen, uanset om det er en kommune, en produktionsvirksomhed eller et advokatkontor.

1. Ingen kobling til strategien

Piloten er valgt, fordi den var spændende, ikke fordi den flytter noget, ledelsen allerede går op i. Når budgettet skal fordeles næste år, kan ingen forklare, hvorfor den skal fortsætte. Handler strategien om kortere leveringstid, skal piloten handle om leveringstid.

2. Problemet er ikke formuleret

Vi bruger ofte elevatoreksemplet. Beboerne i en kontorbygning klager over, at elevatoren er for langsom. Formuleret sådan bliver løsningen en ny og dyr elevator. Men omformulerer I problemet til "ventetiden er irriterende", åbner der sig billigere løsninger, for eksempel et spejl eller en skærm ved elevatoren. Det samme gælder AI. "Vi skal have en chatbot" er en løsning. "Kunderne venter tre dage på svar om fakturaer" er et problem.

3. Man automatiserer en ineffektiv proces

Et typisk eksempel er en godkendelsesgang med fem underskrifter, hvor de tre er rene formaliteter. Piloten gør det hurtigere at sende sagen rundt, men ingen spørger, om alle fem trin er nødvendige. Stop, fjern trin og forenkl kommer først.

4. Ingen ejer

Piloten er kørt af IT eller en ekstern partner. Når den er færdig, er der ingen i forretningen, der har ansvaret for at vedligeholde den, svare på spørgsmål og måle effekten. Uden en navngiven ejer i den afdeling, der skal bruge løsningen, dør den stille.

5. Ingen træning

Medarbejderne får en kort introduktion og et link. De ved ikke, hvad de må lægge ind, og de har aldrig øvet sig på deres egne opgaver. Træning tager tid, og den tid skal findes i kalenderen, ikke lægges oven i den. Vi har skrevet mere om det i artiklen om, hvordan I får hele holdet med på AI.

6. Man måler omfang i stedet for effekt

Antal logins og antal prompts er lette at trække ud af systemet, men de siger intet om, om en eneste opgave er blevet bedre. Mål på tid, kvalitet, nye idéer og tilfredshed hos kunder og medarbejdere, og kobl målingen til de strategiske mål. Vi har beskrevet en enkel metode i artiklen om, hvordan I måler værdien af et AI kursus, og den kan også bruges på piloter.

Sådan vælger I den rigtige pilot

Den bedste pilot er sjældent den mest imponerende. Det er den, der løser et reelt problem, kan lade sig gøre med de data og folk, I har, og kan vise værdi hurtigt nok til, at nogen vil betale for at fortsætte. Vi bruger tre spørgsmål som første filter:

• Desirability: Vil kunderne eller medarbejderne faktisk have det her?
• Feasibility: Kan det lade sig gøre med jeres data, systemer og kompetencer?
• Viability: Kan det betale sig, også når licenser, drift og træning er regnet med?

Har I flere kandidater, der består filteret, kan I give dem point fra 1 til 5 på seks kriterier og vægte kriterierne efter jeres strategi. Her er et eksempel fra en tænkt mellemstor virksomhed med tre kandidater:

Kriterium	Vægt	Opsummering af kundemails	Udkast til tilbud	AI agent til bogføring
Strategimatch	25 %	4	5	3
Kundeværdi	20 %	4	3	1
Medarbejderværdi	15 %	4	4	3
Gennemførlighed (feasibility)	15 %	5	3	2
Levedygtighed (viability)	15 %	4	4	3
Tid til værdi	10 %	5	3	2
Vægtet score	100 %	4,25	3,80	2,35

Agenten til bogføring er den mest spektakulære idé, men den scorer lavest, fordi den er svær at gennemføre og tager lang tid om at vise værdi. Opsummering af kundemails er mindre glamourøst, men det kan komme i drift på få uger, og kundeservice kan mærke forskellen med det samme. Tallene er ikke en facitliste. Pointen er, at samtalen om vægtene tvinger ledelsen til at sige højt, hvad der betyder mest.

Fra pilot til drift

En pilot kommer i drift, når der er nogen til at bære den videre. Det kræver fire ting, som sjældent står i projektplanen.

• Ambassadører. En eller to i hver afdeling, som andre kan spørge, og som har fået tid til opgaven.
• Et promptbibliotek. De prompts, skabeloner og eksempler, der virkede i piloten, skal ligge ét sted, for eksempel i en kanal i Teams, så de næste ikke skal starte forfra.
• Måling af effekt. Aftal før piloten, hvad der skal være anderledes bagefter, og mål det igen efter tre måneder i drift.
• Ledelsesopbakning. Lederne skal selv bruge løsningen, spørge til den og fjerne forhindringer, når den går i stå.

Det lyder enkelt, men det er her, de fleste danske virksomheder står. I Dansk Industris undersøgelse fra 2026 svarer 45 %, at deres brug af AI består i, at enkelte medarbejdere bruger det ad hoc. 25 % bruger det systematisk i nogle afdelinger, og kun 10 % systematisk i næsten alle funktioner. Tallene er selvrapporterede, og DI er en interesseorganisation, men de viser, at springet fra enkeltpersoner til organisation er det svære. Vi har samlet flere danske tal i Hvor står danske virksomheder med AI?

Springet svarer til trin 4 til 6 på vores modenhedstrappe: træning, superbrugere og fælles ressourcer. Læs hele trappen i artiklen om AI modenhed i virksomheden, og tag vores gratis selvtest, hvis I vil have et første billede af, hvor I står.

Fire råd, vi står inde for

1. Start med problemet, ikke teknologien. Skriv problemet ned i én sætning, som de berørte medarbejdere kan genkende, før I vælger værktøj.
2. Forenkl processen, før I automatiserer den. Stop, fjern trin, forenkl. Først derefter AI.
3. Afsæt mere tid og flere penge til mennesker end til teknologi. Træning, ambassadører og ledelsestid er ikke en udgift ved siden af projektet. Det er projektet.
4. Mål effekt, ikke omfang. Spørg, hvad løsningen har ændret, ikke hvor mange der har logget ind.

Står I med en pilot, der virkede, men ikke kom videre, er det sjældent et tegn på, at AI ikke passer til jer. Oftere er det et tegn på, at den organisatoriske del mangler. Det er den del, vi arbejder med i vores rådgivning om AI og forandringsledelse.