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 henviser RAND til andres skøn på over 80 %. Det er ikke RANDs egen måling, selv om tallet tit bliver gengivet sådan.
- Gartner forudsagde i juni 2025, at over 40 % af projekterne med AI agenter vil blive stoppet inden udgangen af 2027. Årsagerne er stigende omkostninger, uklar forretningsværdi og utilstrækkelig risikostyring. Det er en forudsigelse, ikke en optælling.
- BCG spurgte 1.330 topledere i 2026. Kun 7,5 % af virksomhederne er så langt fremme, at BCG kalder dem future-built, og yderligere 41 % er i gang med at skalere AI og skaber allerede værdi. Tilsammen er det knap halvdelen. Den anden halvdel har endnu ikke fået mærkbar værdi ud af AI.
Ingen af tallene er en præcis måling af danske forhold. Gartner og BCG sælger rådgivning og har en interesse i fortællingen om AI. 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:
- Problemet er misforstået. De involverede misforstår eller formidler forkert, hvilket problem AI skal løse. Det var den hyppigst nævnte årsag.
- Data mangler. Organisationen har ikke de data, der skal til for at træne eller fodre løsningen.
- Teknologien kommer før brugeren. Fokus er på den nyeste teknologi frem for på at løse et reelt problem for brugerne.
- Infrastrukturen halter. Der mangler systemer til at håndtere data og sætte løsningen i drift.
- 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 i undersøgelsen fra september 2026, hvad der kendetegner de virksomheder, der får mest ud af AI: De ved klart, hvor AI skal skabe værdi, de omlægger arbejdsgangene fra ende til anden, og de investerer i styring og medarbejdere sideløbende med teknologien. Læg mærke til, at ingen af dem handler om at vælge den rigtige model.
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:
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:
- Stop. Er der opgaver, ingen ville savne, hvis de forsvandt? Rapporter, ingen læser, eller godkendelser, der aldrig bliver afvist?
- Fjern trin. Hvilke led i processen findes kun, fordi det altid har været sådan?
- Forenkl. Kan skabelonen, formularen eller aftalen gøres kortere?
- Automatisér kun det, der allerede er effektivt. Automatiserer I en dårlig proces, får I en hurtigere dårlig proces.
- 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.
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. Træningen kan starte med en AI workshop for virksomheder på en halv dag, så hele holdet kommer i gang samtidig.
Fire råd, vi står inde for
- Start med problemet, ikke teknologien. Skriv problemet ned i én sætning, som de berørte medarbejdere kan genkende, før I vælger værktøj.
- Forenkl processen, før I automatiserer den. Stop, fjern trin, forenkl. Først derefter AI.
- 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.
- 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.
Ofte stillede spørgsmål
Hvor mange AI-projekter fejler egentlig?
Ingen ved det præcist. Det ofte nævnte tal på over 80 % er et skøn, som RAND henviser til, ikke en måling. Gartner forudsagde i juni 2025, at over 40 % af projekterne med AI agenter vil blive stoppet inden udgangen af 2027. Og BCG fandt i september 2026, at knap halvdelen af virksomhederne skaber mærkbar værdi med AI, mens resten endnu ikke gør. Tallene peger i samme retning: En stor del af piloterne når aldrig i drift.
Hvad er den mest almindelige årsag til, at en AI-pilot går i stå?
Ifølge RANDs interviews med 65 erfarne dataforskere og ingeniører er den hyppigste årsag, at de involverede misforstår eller formidler forkert, hvilket problem løsningen skal løse. Vores erfaring fra workshops peger samme vej: Piloten starter med et værktøj og ikke med et problem, og ingen ejer resultatet bagefter.
Hvordan vælger vi den rigtige AI-pilot?
Vurdér kandidaterne på, om nogen ønsker løsningen, om den kan lade sig gøre, og om den kan betale sig. Giv derefter hver kandidat point for strategimatch, kundeværdi, medarbejderværdi, gennemførlighed, levedygtighed og tid til værdi, og vægt kriterierne efter jeres strategi. Vælg den pilot, der scorer højest samlet, ikke den mest spektakulære.
Hvor meget skal vi budgettere til forandringsledelse?
Vores egen tommelfingerregel er, at for hver krone, I bruger på teknologi, bør I regne med to kroner til mennesker og forandringsledelse. Det er ikke et forskningsresultat, men en påmindelse om, at træning, tid og ledelsesopbakning er det, der afgør, om en pilot kommer i drift.
Kilder
- The Root Causes of Failure for Artificial Intelligence Projects and How They Can Succeed (RR-A2680-1), RAND Corporation, 2024
- Gartner Predicts Over 40% of Agentic AI Projects Will Be Canceled by End of 2027, Gartner, juni 2025
- AI Is Starting to Pay Off. Almost 50% of Companies Now Generate Value with It (Applied AI Index 2026), Boston Consulting Group, 30. september 2026
- Guide til virksomheder: brug af kunstig intelligens, Digitaliseringsstyrelsen, januar 2024
- AI-virksomheder har øget både vækst og beskæftigelse, Dansk Industri, september 2026
Emner



