71% af organisationer bruger nu generativ AI i mindst én forretningsfunktion.
Alligevel ser over 80% stadig ingen håndgribelig effekt på deres bundlinje.
Læs de to sætninger igen. Det er hele GenAI-debatten i 2025 sammenfattet.
Brugen eksploderer. Værdien halter. Og de fleste virksomheder forstår ikke hvorfor.
Hvad er det, du skal gøre anderledes i 2026?
Her er den ubehagelige sandhed: Høj adoption er ikke det samme som høj effekt.
Jeg ser det hos mine kunder. Igen og igen. Værktøjerne er rullet ud. IT har godkendt dem. Licenserne er betalt. Men arbejdsgangene er de samme. Træningen har været en halvdags workshop for seks måneder siden. Governance er noget, nogen snakker om, men ingen ejer.
McKinsey beskriver det præcis sådan: GenAI er nu udbredt i mange organisationer, men de fleste ser stadig ingen tydelig EBIT-effekt.
Gartner estimerer, at verdens samlede GenAI-forbrug rammer 644 mia. dollars i 2025. Op 76,4% fra året før. Pengene fosser ind. Men pengene alene løser ingenting.
De virksomheder, der faktisk lykkes, gør noget andet. De kobler teknologien til konkrete workflows. De redesigner arbejde. De træner mere end én gang. De har mennesker, der validerer output, før det rammer kunder og beslutninger.
Det er derfor augmentation er en mere præcis strategi end automation som standardrefleks.
Eksperimenterings-eksplosionen er ikke nok
Adoptionen har været vild. 71% bruger GenAI regelmæssigt. De hyppigste områder: marketing, salg, produktudvikling, service operations og software engineering. Det er en markant stigning på kort tid.
Men adoption er én ting. Transformation er noget helt andet.
BCG har peget på det gentagne gange: de fleste virksomheder sidder fast i pilotstadiet. Kun omkring 10% anvender GenAI i skala. Der er altså kæmpe forskel på at have mange eksperimenter i gang og faktisk have ændret den måde, kernearbejde bliver udført.
Det er det, der forvirrer debatten. Du kan godt have høj aktivitet, stor intern begejstring og masser af synlighed i organisationen. Uden at det rykker en krone på bundlinjen.
Når jeg holder workshops, spørger jeg altid: "Kan I nævne ét konkret eksempel, hvor jeres GenAI-brug har ændret en kerneproces?" Stilheden siger alt.
Brug er ikke det samme som værdi
MIT NANDA formulerer det skarpt: efter store enterprise-investeringer ser omkring 95% af organisationerne stadig ingen målbar P&L-effekt. Kun en lille gruppe på ca. 5% får stor værdi ud af deres integrerede AI-piloter.
Det er en vigtig pointe, men den skal forstås korrekt. Det handler om, at de fleste initiativer endnu ikke skaber målbar økonomisk effekt. Det er et modenhedsproblem, ikke et teknologiproblem.
McKinseys data peger samme vej: kun 17% af respondenterne siger, at 5% eller mere af deres EBIT kan tilskrives GenAI.
Og her sker den klassiske fejl. Når værdien udebliver, køber virksomhederne flere værktøjer. Flere licenser. Starter flere use cases.
Problemet er sjældent for få modeller.
Problemet er, at teknologien ikke er koblet tæt nok til virksomhedsdata, beslutningsrettigheder, compliancekrav, arbejdsrutiner og medarbejderkompetencer. MIT NANDA kalder det kløften mellem generisk AI-adoption og reel organisatorisk integration.
Det er præcis den kløft, jeg bruger det meste af min tid på at hjælpe virksomheder med at lukke.
Augmentation virker. Ren automation gør det sjældent.
Noget af det stærkeste evidens kommer fra kundeservice. Stanford og MIT undersøgte næsten 5.200 kundeservicemedarbejdere i en Fortune 500-virksomhed. AI-assistance løftede produktiviteten med ca. 14% samlet. For de mindst erfarne var forbedringen omkring 35%.
Læg mærke til, hvad der faktisk skete. AI'en erstattede ikke medarbejderne. Den fungerede som realtidsassistance: forslag, formuleringer, mønstre fra tidligere succesfulde interaktioner.
AI'en virkede bedst som et værktøj, der hjalp mennesker til at arbejde bedre, hurtigere og mere konsistent.
Det er hele pointen med augmentation. Når AI bruges til at støtte medarbejdere i konkrete arbejdssituationer, kan mindre erfarne ansatte hurtigere bevæge sig op ad læringskurven. Det er en helt anden logik end automationsfantasien, hvor systemet antages at overtage arbejdet end-to-end.
Jeg underviser på ITU, og jeg ser det samme mønster hos mine studerende. De, der bruger AI som sparringspartner, lærer hurtigere. De, der prøver at lade AI gøre hele arbejdet, lærer ingenting.
10/20/70: Mennesker er stadig hovedindsatsen
BCG har i flere år argumenteret for, at AI-transformation er et organisationsproblem. Deres 10/20/70-princip: ca. 10% af værdien kommer fra algoritmerne, 20% fra data og teknologi, 70% fra mennesker, processer og forandringsledelse.
70%.
Tænk over det næste gang, nogen foreslår at bruge hele budgettet på endnu et værktøj.
BCG viser også, at organisationer med en bredere transformationsindsats har markant bedre adoptionsrater end dem, der behandler GenAI som et isoleret teknologiprojekt.
MIT Sloan understøtter det med deres EPOCH-framework: de menneskelige kvaliteter, AI har sværest ved at kopiere. Empathy, Presence, Opinion/Judgment, Creativity og Hope. Det er de dimensioner af arbejde, relationer og ledelse, hvor mennesker fortsat er svære at erstatte. Men de kan blive bedre med støtte fra AI.
Hvorfor piloterne fejler
En af de største årsager: virksomheder undervurderer den organisatoriske del af opgaven. Massivt.
Kun 1% af ledere mener, at deres virksomheder er "mature" i den forstand, at AI er fuldt integreret i workflows og driver substantielle forretningsresultater. 1%. Når man holder det op mod investeringsviljen og den offentlige hype, er det absurd lavt.
Træning er et åbenlyst problem. BCG rapporterede i 2024, at kun 6% af virksomhederne havde trænet mere end 25% af deres medarbejdere. I 2025 følte kun ca. en tredjedel sig ordentligt trænet.
Prøv at forestille dig det i en anden kontekst. Du ruller et nyt ERP-system ud, men træner kun en tredjedel af brugerne. Ingen ville acceptere det. Med AI gør vi det hele tiden.
Data er også stadig en bremseklods. Mange organisationer har data, men den er ikke moden nok til sikker, konsistent GenAI-brug. Når outputtet hallucinerer eller ikke kan valideres, er problemet ofte datakonteksten og procesdisciplinen, den er koblet til.
Den europæiske udfordring er reel
Europa ligger stadig bag USA på flere centrale AI-mål. Eurostat rapporterede 13,5% AI-adoption blandt EU-virksomheder med mindst 10 ansatte i 2024. Det tal kan ikke sammenlignes direkte med McKinseys 71% globalt (forskellige metoder og definitioner), men retningen er tydelig: Europa vokser, men udgangspunktet har været lavere.
Samtidig er den reguleringsmæssige virkelighed mere kompleks. EU's AI Act gælder gradvist:
- Forbudte AI-praksisser og AI literacy-forpligtelser: fra 2. februar 2025
- Regler for general-purpose AI: fra 2. august 2025
- Størstedelen af øvrige regler: fra 2. august 2026
- Visse regler for high-risk AI i regulerede produkter: fra 2. august 2027
Det samme gælder GDPR. En Data Protection Impact Assessment er ikke automatisk påkrævet, bare fordi noget er "AI". Men under GDPR artikel 35 er en DPIA påkrævet, når en behandling sandsynligvis medfører høj risiko for de registreredes rettigheder. For mange AI-anvendelser med persondata betyder det, at den juridiske og tekniske vurdering skal ind tidligt. Ikke bagefter.
Det er let at se regulering som en ulempe. Men det kan også blive en konkurrencefordel.
Europæiske virksomheder, der tidligt lærer at bygge AI-løsninger med stærk dokumentation, governance, menneskelig kontrol og databeskyttelse, kan stå stærkere den dag, kunder og myndigheder begynder at stille hårdere krav. Hastighed alene bliver sjældent den afgørende fordel på lang sigt.
Din handlingsplan for 2026
Hvis 2024 var eksperimenteringens år og 2025 var realitetstjekkets år, bør 2026 være året, hvor du investerer seriøst i mennesker, processer og arbejdsdesign. Teknologi er vigtigt. Alt det omkringliggende er vigtigere.
Her er syv ting, du kan gøre nu:
1. Gør AI til et ledelsesansvar
Hvis AI stadig bor i IT-afdelingen, har du et problem. De organisationer, der skaber mest værdi, har tydeligt ledelsesmæssigt ejerskab med klare mål og governance. Sæt en person i ledergruppen, der ejer AI-strategien. Giv dem mandat og budget.
2. Vælg færre use cases, og vælg dem hårdere
Stop med at starte 20 piloter på én gang. Find de 2-3 use cases, der er tæt koblet til kerneprocesser og har målbare forretningsmål. Gå i dybden med dem. Det er der, værdien kommer fra.
3. Brug 10/20/70 som styringsprincip
Kig på dit AI-budget. Hvor meget går til teknologi? Hvor meget til mennesker, processer og forandringsledelse? Hvis fordelingen er 70/20/10 i stedet for omvendt, har du fundet en del af forklaringen på, hvorfor effekten udebliver.
4. Design for augmentation
Spørg ikke "hvad kan vi automatisere?" Spørg "hvor kan AI gøre vores folk bedre?" De bedste gevinster opstår, når AI støtter medarbejdere i konkrete arbejdssituationer. Fjern mennesket for hurtigt, og du mister kontekst, kvalitet og læring.
5. Træn langt mere end du tror er nødvendigt
Når kun en tredjedel af medarbejderne føler sig ordentligt trænet, er det ikke mærkeligt, at adoptionen er ujævn og "shadow AI" vokser. Træning er ikke en engangsbegivenhed. Det er en løbende investering. Byg det ind i onboarding, i teamritualer, i hverdagen.
6. Behold menneskelig validering som designprincip
I videnstunge og regulerede arbejdsgange er menneskelig kontrol en del af kvalitetssystemet. Det er de virksomheder, der har klare processer for human validation, der skaber mest værdi. Friktion er ikke altid dårligt. Nogle gange er det det, der forhindrer en katastrofe.
7. For europæiske virksomheder: byg compliance ind fra dag ét
AI Act, GDPR, dokumentation, risikovurdering og governance skal være en del af designet fra starten. Prøver du at tilføje det bagefter, er det for sent og for dyrt.
Konklusion
GenAI's problem i 2025 var aldrig for lidt adoption. Problemet var, at adoption blev forvekslet med transformation.
Mange virksomheder fik værktøjerne ind. For få ændrede deres arbejde, datafundament, træning, governance og beslutningsprocesser i samme tempo.
Augmentation er en stærkere strategi end ukritisk automation. Når AI bruges til at løfte menneskers dømmekraft, hastighed, kvalitet og læring i rigtige arbejdssituationer, er chancen for varig værdi langt større.
2026 bør være året, hvor virksomheder investerer mindre i illusionen om fuld autonomi og mere i at gøre deres mennesker, processer og styringsmodeller stærkere med AI.
Det starter med et simpelt spørgsmål: Hvem i din organisation ejer faktisk AI-strategien?
Hvis svaret er "ingen" eller "det er lidt uklart," har du din første opgave for 2026.
Har du spørgsmål om AI-strategi for 2026? Kontakt mig – jeg hjælper gerne med at komme i gang.