Kunstig intelligens har trukket overskrifter, siden teknologien for alvor blev bredt tilgængelig med lanceringen af ChatGPT. Siden er AI blevet et samtaleemne, et buzzword og en strategisk ambition. Men mens teknologien fortsat udvikler sig med eksplosiv hastighed, kæmper mange virksomheder med at knække koden til, hvordan kunstig intelligens kan skabe langsigtet forretningsværdi.

I praksis skaber AI først for alvor forretningsværdi, når den kobles til virksomhedens data, systemer og domæneviden. Når den bruges til at løse konkrete opgaver i kerneforretningen, som gør en reel forskel i form af håndgribelige forbedringer i den daglige drift. Det kan være i form af færre afvigelser i produktionen, smartere ruter i logistikken eller en hurtigere, mere ensartet teknisk kundesupport.

Netop det handler denne artikel om. Her får du tre konkrete eksempler på, hvordan data og domæneviden kan bindes sammen til AI-løsninger, der gør en reel forskel i driftsorganisationen.

Når en produktionsvirksomhed vokser, vokser kompleksiteten med den. Flere hænder, flere varianter, flere grænseflader. De afvigelser, der før kunne håndteres lokalt, begynder at brede sig gennem systemet. Små fejl forplanter sig til genbearbejdning, skubber til tidsplaner og resulterer i uventede omkostninger. I værste fald opdages de først hos kunden.

Når forretningen vækster, får kvaliteten ofte svært ved at følge med, fordi data og erfaring begynder at leve hver for sig. Data kan fortælle, hvad der skete, mens de erfarne medarbejdere kan forklare hvorfor. Men når den tavse viden forbliver lokal, og data ikke bliver sat i kontekst og brugt struktureret, så forsvinder læringen mellem skiftene. Resultatet er ofte brandslukning i stedet for forbedring af processerne.

Med AI kan vi koble data og domæneviden og skabe ét fælles billede. AI-assistenter kan samle afvigelsesregistre, QA-logs og produktdata i én ramme med et fælles, forståeligt sprog. De kan finde mønstre på tværs af linjer og foreslå årsager og tiltag, der kan forebygge de dyreste fejl.

Kunstig intelligens kan give operatøren begrundede forslag, kvalitetschefen dokumenteret læring og organisationen roligere processer. Hvor man før først opdagede fejl sent i flowet, kan fejlene nu fanges tidligere, og hver cyklus udvider evidensgrundlaget. Resultatet er mindre spild, hurtigere gennemløb og et kvalitetssystem, der skalerer med væksten.

Logistikplanlægning lyder som et spørgsmål om overblik, men i praksis minder det ofte mere et puslespil, som mange virksomheder i dag løser med erfarne planlæggere, der kender kunderne, zonerne og undtagelserne. Det fungerer, så længe alt går, som det plejer.

Men når ordremængden stiger, vokser antallet af kombinationer hurtigere end menneskers overblik. Den plan, der før tog en time, tager pludselig tre. Ved sygdom eller spidsbelastning mister virksomheden evnen til at reagere hurtigt. Resultatet er tomkørsel, lav kapacitetsudnyttelse og øgede omkostninger.

Bag problemet gemmer sig et klassisk optimeringsdilemma: hvordan finder man den rute, der er både økonomisk og bæredygtig, uden at miste de menneskelige hensyn? Forretningsregler, kundeaftaler og adgangsforhold gør ofte standardløsninger utilstrækkelige. Samtidig er potentialet enormt, hvis man kan koble data og domæne sammen.

Netop det kan kunstig intelligens.

Her kan man udvikle et system på en AI-understøttet optimeringsmodel, der indlæser ordrer, kapaciteter, tidsvinduer og kundeaftaler dagligt. Systemet kan beregne de mest effektive ruter under virkelige begrænsninger med fyldningsgrad, CO₂-aftryk og tidsforbrug som nøgleparametre. Med den type system forbliver planlæggeren i kontrol, men får et kvalificeret forslag at justere ud fra i stedet for at starte fra nul.

Efter leveringen sammenligner AI det faktiske mod det planlagte, og læringen forbedrer næste beregning. Over tid bliver planlægningen mere stabil, leveringerne mere forudsigelige, og både omkostninger og miljøpåvirkning falder, uden at det menneskelige overblik forsvinder.

Når kundebasen og produktporteføljen vokser, vokser antallet af supportsager. De fleste supportsager starter med de samme elementer: en mail, et vedhæftet skærmbillede og en frustreret kunde. Nogle sager kan løses med det samme, mens andre kræver teknisk dybde og tid.

I takt med virksomhedens vækst bliver organisationens viden ujævn og fragmenteret. Nogle medarbejdere kender de gamle fejl, andre kender de nye versioner. Prioritering bliver sværere, og forløbene trækker ud. Hver ekstra overlevering koster både tid og tillid.

Problemet er, at viden findes, men ikke der, hvor den skal bruges. Ticket-systemet gemmer historikken, FAQ’en rummer svarene, og udviklingsafdelingen ligger inde med årsagerne. Men fordi informationerne lever i siloer og uden fælles sprog, må supporten ofte genopfinde løsningen fra bunden. Det er dyrt og uholdbart i skala.

Med en AI-assistent som bindeled bliver vidensrummet tilgængeligt i det øjeblik, sagen oprettes. Assistenten læser beskrivelse, vedhæftninger og metadata, og finder lignende sager, kendte løsninger og relevante artikler på tværs af kilder. Den foreslår næste skridt og giver samtidig begrundelsen for det.

Supporteren bevarer kontrollen, men slipper for at lede i blinde. Når sagen afsluttes, fødes ny viden tilbage i systemet. Hver interaktion gør dermed løsningen hurtigere næste gang. Resultatet er færre eskaleringer, kortere svartider og et mere ensartet kundesvar. "First-time-right" bliver den primære KPI i hverdagen.

AI kan være en kraftfuld drivkraft i udvikling af forretningens kritiske processer. Men succesen afhænger i udstrakt grad af strategisk retning, datadisciplin og en struktureret, afgrænset proces med en klar målsætning.

I praksis betyder det at arbejde efter disse principper:

• Retning og rammer
  Hvilke forretningsmål skal AI indfri? Hvilke data må vi bruge? Og hvem ejer kvalitet og ansvar?
• Value-gated etaper
  Små leverancer med klare stop/go-kriterier. Hver etape samler bevis for effekt, eller stopper i tide.
• Mandat nedefra
  Tværfaglige teams tester i lav risiko, dokumenterer læring og føder signaler op. Beslutninger træffes på baggrund af data, ikke mavefornemmelser.

Kunstig intelligens kan ikke erstatte mennesker, men den kan forstærke den viden og erfaring, der allerede findes i organisationen. For når data hænger sammen, og teknologien bruges målrettet, bliver AI ikke bare et eksperiment, men en stabil del af driften.

AI handler derfor mindre om selve algoritmen, men mere om evnen til at skabe struktur, sammenhæng og læring i forretningen.

Andreas Torp Nørgaard

atn@combine.dk
+45 3161 8461