Sådan måler I effekten af AI i hverdagen

Spørg en dansk virksomhed, hvad AI har givet dem, og I får typisk et af to svar: et tal for, hvor mange der har en licens, eller en fornemmelse af, at "folk sparer tid". Det første er omfang. Det andet er en oplevelse. Ingen af dem er effekt. Effekt er, at en konkret opgave tager kortere tid, bliver bedre eller kan laves af flere, end den kunne før, og at I kan vise det med tal, I selv har målt.

Vi har tidligere skrevet om, hvordan I måler værdien af et AI kursus. Denne artikel handler om det, der kommer efter kurset: den daglige brug af AI-værktøjer i økonomiafdelingen, i kundeservice, hos sagsbehandlerne og i salg. Hvordan finder I ud af, om det virker, uden at sætte et konsulenthold på sagen?

Hvorfor måler de fleste det forkerte?

Fordi omfang er let at trække ud af et system, og effekt kræver, at nogen beslutter, hvad der skal måles, før man går i gang. Microsoft kan fortælle jer, hvor mange der har åbnet Copilot i denne måned. Ingen leverandør kan fortælle jer, om månedsrapporten blev færdig en dag tidligere, eller om kunderne fik et bedre svar.

Det næstbedste, de fleste gør, er at spørge medarbejderne. Dansk Industri gjorde det i juni 2026 og fik svar fra 7.150 virksomheder. Blandt dem, der bruger AI, vurderer 56 %, at AI har forbedret kvaliteten af deres produkter eller ydelser, og 59 % oplever en positiv betydning for produktiviteten. 20 % svarer, at AI har øget omsætningen, og kun 1 %, at den er blevet mindre.

Men DI koblede også svarene til registerdata fra Danmarks Statistik, og her bliver billedet mere nuanceret. Virksomheder, der bruger AI systematisk, har haft 6,5 % højere vækst i omsætningen siden 2021. Beskæftigelsen er dog vokset omtrent lige så meget som omsætningen og værditilvæksten, og derfor skriver DI selv, at der endnu ikke er tegn på, at AI har løftet produktiviteten, målt som værditilvækst pr. medarbejder. Med andre ord: 59 % oplever højere produktivitet, og registerdata kan ikke finde den. Begge dele kan være sande på samme tid. Oplevelsen er ægte, men den er ikke det samme som en målt effekt. Læg dertil, at DI er en interesseorganisation, og at tallene er selvrapporterede af virksomheder, der har valgt at svare.

Det er ikke et argument for, at AI ikke virker. Det er et argument for, at I skal måle selv, og at I skal måle på noget andet end oplevelser. Vi har samlet flere danske tal i artiklen om, hvor danske virksomheder står med AI.

Hvad siger forskningen om gevinsten?

At den findes, at den er mindre end markedsføringen lover, og at den afhænger af opgaven. Tre kilder viser spændet.

Kundeservice: 15 % flere løste sager pr. time

Brynjolfsson, Li og Raymond fulgte 5.172 kundeservicemedarbejdere i én amerikansk virksomhed, der fik en AI-assistent til at foreslå svar. Resultatet, publiceret i The Quarterly Journal of Economics i maj 2025, var 15 % flere løste sager pr. time i gennemsnit. For de mindst erfarne medarbejdere var gevinsten omkring 30 %, mens de mest erfarne stort set ikke blev hurtigere. Det er et af de få studier med en kontrolgruppe og målte resultater i stedet for spørgeskemaer. Forbeholdet er, at det er én virksomhed, én opgavetype og et værktøj, der var bygget til netop den opgave.

Danske registerdata: 2,8 % sparet tid, ingen effekt på løn og timer

Anders Humlum og Emilie Vestergaard har koblet spørgeskemaer blandt danske lønmodtagere med registerdata fra Danmarks Statistik. I versionen fra maj 2025 med titlen "Large Language Models, Small Labor Market Effects" fandt de en gennemsnitlig tidsbesparelse på 2,8 % af arbejdstiden og ingen signifikant effekt på løn eller arbejdstimer. I den reviderede version fra marts 2026, "Still Waters, Rapid Currents", udelukker de effekter på løn og timer over 2 % to år efter lanceringen af ChatGPT, og de peger på, at arbejdsgiverne i stedet omorganiserer opgaverne: nye opgaver med at skabe indhold, føre tilsyn med AI og integrere den i arbejdet. Det er den bedste danske kilde, vi har, og den siger noget vigtigt: Gevinsten på den enkelte opgave kan være stor, men den drukner i gennemsnittet, hvis I måler på hele arbejdsdagen.

Stanford AI Index: målbart på opgaver, under 10 % på bundlinjen

Stanfords AI Index Report 2025 gennemgår forskningen i kapitlet om økonomi og konkluderer, at AI øger produktiviteten og i de fleste tilfælde mindsker forskellen mellem mindre og mere erfarne medarbejdere. Gevinsterne er ved at blive målbare i konkrete opgaver. Men blandt de virksomheder, der rapporterer besparelser fra AI, rapporterer de fleste besparelser på under 10 % i den enkelte funktion.

Pointen på tværs af de tre kilder: Effekten er opgavenær. Den viser sig, når nogen måler på en bestemt opgave hos bestemte medarbejdere, og den forsvinder, når man kigger på løn, timer eller værditilvækst for hele virksomheden. Vil I se den, skal I måle der, hvor den opstår.

Hvorfor skal gevinsten oversættes til økonomi?

Fordi "vi sparer tid" ikke er et argument, når budgettet skal lægges. Mika Ruokonen og Paavo Ritala fra LUT University skrev i MIT Sloan Management Review i juni 2026, at få virksomheder bruger den samme finansielle disciplin på AI, som de ville bruge på en ny fabrik eller en ny maskine. Virksomheder, der blot ruller generiske AI-værktøjer ud og håber på produktivitetsgevinster, opnår sjældent troværdige og varige afkast. Og generativ AI skaber ofte forbedringer i hastighed, kvalitet eller mængde af arbejde, som skal oversættes bevidst til økonomisk effekt. Det sker ikke af sig selv.

Oversættelsen er den del, de fleste springer over. En sagsbehandler, der sparer 20 minutter på hvert notat, har ikke skabt værdi, før nogen har besluttet, hvad de 20 minutter skal bruges til. Behandler hun flere sager? Bliver svartiden til borgerne kortere? Bruger hun tiden på de svære sager, der før blev udskudt? Hver af de tre er en effekt, der kan måles og sættes pris på. "Sparet tid" alene er det ikke. Det er også grunden til, at så mange piloter aldrig kommer videre. Vi har skrevet mere om det i artiklen om, hvorfor AI-projekter går i stå efter piloten.

Metoden i fem trin

Metoden kræver et regneark, en kalender og en aftale om, hvem der ejer målingen. Den tager omkring en time at sætte op pr. team.

1. Vælg tre til fem tilbagevendende opgaver. Opgaver, der laves mindst et par gange om måneden af flere personer, og som er til at afgrænse: udkast til et tilbud, opsummering af et kundemøde, første svar på en reklamation, månedsafstemningen, et notat til et politisk udvalg. Undgå opgaver, der ændrer sig hver gang, og undgå opgaver, som kun én person laver.
2. Mål baseline: tid, kvalitet og hvem der laver dem. Lad medarbejderne notere minutter pr. gang og antal gange pr. måned i tre til fire uger, før AI tages i brug. Aftal samtidig, hvad kvalitet betyder for netop den opgave: antal rettelser fra chefen, antal gensvar fra kunden, fejl fundet ved kontrol, eller en simpel karakter fra en kollega, der ikke ved, om AI har været brugt. Notér også, hvem der laver opgaven. Erfaring betyder noget for effekten.
3. Indfør AI, og træn. Giv folk adgang, en klar ramme for, hvad de må lægge ind, og tid til at øve sig på netop de opgaver, I måler på. Et værktøj uden træning giver en måling af, hvad folk selv kan finde ud af, ikke af, hvad værktøjet kan.
4. Mål igen efter 30 og 90 dage på de samme opgaver. Samme medarbejdere, samme opgaver, samme definition af kvalitet. Målingen efter 30 dage viser, om der er en effekt, når oplæringen er overstået. Målingen efter 90 dage viser, om den holder, når nyhedens interesse er væk.
5. Spørg, hvad den sparede tid bruges til. Ellers forsvinder den. Beslut helst før trin 3, hvad tiden skal gå til, og mål bagefter, om det skete: flere sager, kortere svartid, færre overarbejdstimer eller bedre kvalitet på de opgaver, der før blev gjort i hast.

Sådan kan et regneark se ud for et salgsteam på otte personer. Tallene er opdigtede og kun med som eksempel på formatet:

Opgave (eksempel)	Baseline tid	Tid efter 30 dage	Kvalitet
Udkast til standardtilbud	90 min	50 min	Uændret: 1,2 rettelser pr. tilbud før, 1,1 efter
Opsummering af kundemøde	30 min	12 min	Bedre: alle referater nu med næste skridt
Svar på teknisk forespørgsel	40 min	35 min	Dårligere: 2 faktuelle fejl fundet ved kontrol
Ugentlig pipelinerapport	120 min	45 min	Uændret

Læg mærke til tredje række. Fem minutter sparet og to faktuelle fejl er ikke en gevinst, det er en risiko. Uden kvalitetskolonnen ville den opgave have set ud som en lille succes. Med den bliver den til en beslutning: Skal AI bruges til tekniske svar, og hvis ja, hvordan kontrolleres de?

Hvad skal I måle ud over tid?

Tid er den letteste måleenhed, og derfor er den også den, der snyder mest. Fire ting mere hører med.

• Kvalitet og fejl. Definér det pr. opgave, før I måler. Rettelser, gensvar, reklamationer, fejl fundet ved stikprøve. Hvis arbejdet bliver 50 % hurtigere og 20 % dårligere, har I ikke sparet noget, I har flyttet arbejdet til den, der skal rette det.
• Gennemløbstid. Hvor lang tid går der, fra opgaven opstår, til den er færdig? Et tilbud, der skrives på 50 minutter i stedet for 90, men stadig venter tre dage på godkendelse, har ikke ændret noget for kunden. Gennemløbstiden afslører, om flaskehalsen overhovedet lå, hvor AI blev sat ind.
• Medarbejdertilfredshed og tryghed. Spørg efter 90 dage, om folk er mere eller mindre trygge ved deres opgaver, og om de bruger AI på opgaver, de før udskød. Det er selvrapportering, og det skal læses sådan, men det fortæller noget, tidsmålingen ikke kan: om effekten holder, når ingen kigger.
• Koblingen til strategien. Det er det punkt, vi oftest ser mangle. Handler jeres strategi om kortere leveringstid, så skal mindst én af de fem opgaver handle om leveringstid. Handler den om færre fejl i produktionen, så mål på fejl. En måling, der ikke kan kobles til noget, ledelsen allerede går op i, bliver ikke læst, når budgettet lægges. Det er samme logik som på trin 7 og 10 i vores modenhedstrappe for AI i virksomheden: mål for opkvalificering og AI tænkt ind i de langsigtede mål.

Fire faldgruber

1. Nyhedseffekten

De første to uger med et nyt AI-værktøj er ikke hverdag. Nogle bruger det til alt, andre slet ikke. Måler I i uge et, måler I begejstring eller frustration. Derfor 30 og 90 dage, ikke 7.

2. Selvrapportering

Spørger I "hvor meget tid sparer du?", får I et skøn, og skøn om egen effektivitet er systematisk optimistiske. Spørg i stedet "hvor mange minutter tog opgaven sidst?", og spørg flere gange. Det er stadig et skøn, men et konkret skøn om en konkret opgave er langt mere stabilt end et gæt om hele ugen. DI-tallene ovenfor viser, hvor stort gabet kan være mellem oplevelsen af produktivitet og den målte produktivitet.

3. At måle på de ivrigste

Hvis det er de tre kolleger, der elsker AI, der frivilligt bliver målt, får I et tal for, hvad de kan, ikke for, hvad afdelingen kan. Brynjolfsson og kollegers resultat er en påmindelse om det modsatte: Den største gevinst lå hos de mindst erfarne, ikke hos dem, der i forvejen var dygtige. Mål på hele teamet, eller vælg deltagerne, så både skeptikere og entusiaster er med.

4. At glemme oplæringstiden

Træning, fejlede forsøg og tid brugt på at rette AI's udkast er omkostninger, og de ligger alle i de første uger. En måling, der kun tæller den sparede tid i måned tre og glemmer de 10 timer pr. medarbejder i måned et, overvurderer afkastet. Skriv oplæringstiden ind i regnestykket, og vær ærlig om, at første år ser anderledes ud end andet.

Sådan gør I det i praksis uden et stort projekt

I behøver ikke et dashboard eller en analytiker for at komme i gang. Et regneark med fem opgaver, en kolonne for baseline, en for 30 dage og en for 90 dage, og en aftale om, hvem der minder folk om at udfylde det, er nok til at få et tal, økonomiafdelingen kan tage alvorligt. Det, der til gengæld er svært i et regneark, er at følge den samme medarbejder over tid uden at udstille hende, og at få ærlige svar fra et team, hvor nogen frygter, at tallene bliver brugt mod dem.

Det er derfor, vi har bygget AI Impact. Det er et gratis værktøj, der måler de samme medarbejdere og de samme opgaver før en indsats og igen efter 30 og 90 dage, på fem dimensioner: kompetence, anvendelse, effektivitet, kvalitet og udvidelse. Hver medarbejder vælger op til tre tilbagevendende opgaver og angiver minutter og hyppighed, og efter 30 og 90 dage ser de de samme opgaver igen. Ledelsen får et anonymiseret dashboard, hvor tal kun vises for grupper på mindst 5, så ingen kan holdes op på sine egne svar. En baseline tager omkring 7 minutter pr. medarbejder.

Vil I prøve metoden på jer selv først, tager selvtesten 7 minutter og giver en personlig profil på de fem dimensioner. Og skal I have et første overslag over, hvad de målte minutter er værd i kroner, kan I bruge ROI-beregneren, og derefter erstatte overslaget med de tal, I selv har målt efter 90 dage.

Mål på opgaver, ikke på logins. Tag baseline først. Mål både tid og kvalitet. Og beslut, før I begynder, hvad den sparede tid skal bruges til. Så har I et svar på, hvad AI har givet jer, som holder til et kritisk spørgsmål fra bestyrelsen, og som er jeres eget.