Baggrund
Hvad forskningen faktisk viser — hvorfor AI ikke opfører sig som andre forandringer — og hvad man kan gøre i stedet.
Kort fortalt
Omkring 78 % tager deres egne AI-værktøjer med på arbejde. Samtidig mener 60 % af lederne, at organisationen mangler en plan. Diskussionen om "skal vi i gang" er som regel forældet, når den bliver taget.
Fold fundet ud →Cirka 95 % af pilotprojekter kan ikke påvise målbar effekt. Forklaringen er ikke modellernes kvalitet, men at værktøjerne aldrig kobles til det faktiske arbejde.
Fold fundet ud →På opgaver uden for AI'ens styrker præsterede fagfolk 19 procentpoint dårligere end dem uden AI. Man kan ikke se på svaret, hvilken side af grænsen man er på.
Fold fundet ud →62 % tænker mindre kritisk, når de bruger AI. Jo mere man stoler på værktøjet, desto mindre efterprøver man. Jo mere man stoler på sin egen faglighed, desto mere.
Fold fundet ud →De mindst erfarne får det største løft — op til 34 % mod 14 % i gennemsnit. AI udjævner altså forskelle, dér hvor fagligheden i forvejen er tynd.
Fold fundet ud →Folk stopper på grund af tidspres, ikke teknologi. Nogle undlader bevidst at spørge om lov, fordi svaret kan blive nej. Andre holder brugen skjult af frygt for at virke dovne.
Fold fundet ud →Skeptikere skifter mening i det øjeblik, systemet løser én konkret opgave, de har frygtet. Ikke når de bliver overbevist om, at AI er fremtiden.
Fold fundet ud →En sprogmodel giver ingen feedback på sine egne fejl. Mængden af brug forudsiger ikke kvaliteten — det gør måden, man spørger på.
Fold fundet ud →I danske data: 36 % begrænses af arbejdsgiveren, og 42 % mangler træning. To år efter ChatGPT er der ingen målbar effekt på løn eller timer — værdien kommer ikke af sig selv.
Fold fundet ud →De organisationer, der får værdi i skala, lægger omkring 70 % af indsatsen i mennesker og processer — ikke i teknologi.
Fold fundet ud →Hvert punkt kan foldes ud nedenfor — med kilder, og med hvad jeg gør i stedet. Klik på en konklusion for at hoppe direkte derned.
Det centrale
Meget af det, vi ved om at indføre nye systemer, gælder også her. Men fem forhold er særlige for AI, og de er præcis dem, der får velmenende projekter til at gå galt.
Ved et nyt fagsystem kan man se, om det virker. Her ser et forkert svar præcis lige så overbevisende ud som et rigtigt. Det kræver faglighed at se forskel — og det er netop den faglighed, der er under pres.
En systemimplementering har en slutdato. Modellerne opdateres løbende, og det, der var rigtigt for tre måneder siden, kan være forkert nu. Kompetence bliver en vane, ikke et kursus.
Sædvanligvis indfører ledelsen systemet. Her er medarbejderne begyndt først — ofte i det skjulte. Governance kommer bagefter og skal rydde op i noget, der allerede foregår.
Jo mere man læner sig på det, desto mindre træner man det, der skal til for at kontrollere det. Det er en selvforstærkende sløjfe, som klassiske it-projekter ikke har.
De svageste løftes mest, mens de stærkeste trækker fra på en anden måde. Det er en fordelingspolitisk forandring i en faggruppe — ikke bare en produktivitetsgevinst.
Microsoft og LinkedIns undersøgelse blandt 31.000 personer i 31 lande viser, at 78 % tager deres egne AI-værktøjer med på arbejde, ofte uden godkendelse. Samme undersøgelse finder, at 60 % af lederne mener, deres organisation mangler en plan og en retning.
De to tal hører sammen. Når der ikke er en retning, forsvinder brugen ikke — den bliver usynlig. Og usynlig brug kan hverken kvalitetssikres, deles eller læres af. I mine egne forløb har jeg set noget, der er værre: nogle undlod bevidst at spørge ledelsen om retningslinjer, fordi et svar kunne blive et forbud. Tavsheden var strategisk.
Hvad jeg gør i stedet
Jeg begynder med at finde ud af, hvad der faktisk foregår — ikke hvad politikken siger. Derefter laves rammer, der gør det trygt at spørge. Så længe et spørgsmål kan koste én retten til at arbejde, som man plejer, bliver der ikke spurgt.
Microsoft & LinkedIn, Work Trend Index 2024
MIT Media Lab gennemgik i 2025 300 offentlige AI-implementeringer. Konklusionen: omkring 95 % af pilotprojekterne kunne ikke påvise målbar effekt på bundlinjen.
Det afgørende er deres forklaring. Problemet var ikke modellernes kvalitet, men det de kalder et læringsgab: værktøjerne blev aldrig koblet til de faktiske arbejdsgange, og organisationen lærte ikke undervejs. Generiske værktøjer virker fint for den enkelte og går i stå i en organisation, fordi de ikke tilpasser sig arbejdet. Det er det, der andre steder kaldes AI'ens Death Valley — masser af aktivitet, men værdien når aldrig frem.
Hvad jeg gør i stedet
Jeg starter aldrig i et værktøj. Jeg starter i en konkret arbejdsgang, som nogen allerede sloges med, og bliver der, til det kører i drift. Et pilotprojekt uden en arbejdsgang er en demonstration, ikke en implementering.
MIT Media Lab, The GenAI Divide, 2025. Brancherapport — tallet er en indikation, ikke en præcis måling.
Harvard Business School og BCG gennemførte et feltforsøg med 758 konsulenter fordelt på 18 realistiske opgaver. På opgaver inden for AI'ens styrker blev arbejdet både hurtigere og bedre — i BCG's egen opgørelse steg kvaliteten med op til 40 %, når model og opgave passede sammen. Men på opgaver udenfor — det forskerne kalder den takkede grænse — præsterede de, der brugte AI, 19 procentpoint dårligere end dem, der ikke gjorde.
Pointen er ikke, at AI er farlig. Pointen er, at grænsen er uforudsigelig og usynlig. Man kan ikke se på et svar, hvilken side af den man er på. Det kræver faglighed at afgøre — og hvis den faglighed ikke er der, bliver et forkert svar sendt videre med samme selvsikkerhed som et rigtigt.
Hvad jeg gør i stedet
Jeg underviser ikke i værktøjet, men i dømmekraft: hvornår man kan læne sig på det, og hvornår man skal forvente grove fejl. Det kan kun læres i folks eget fag, med deres egne opgaver — en generisk øvelse lærer ingen, hvor grænsen går i netop deres arbejde.
Dell'Acqua m.fl., Harvard Business School / BCG, 2023. Udgivet i Organization Science, 2026. 40 %-tallet er BCG's egen afrapportering af samme forsøg.
Microsoft Research og Carnegie Mellon spurgte 319 videnarbejdere om deres faktiske brug og fik 936 konkrete eksempler. 62 % angav, at de tænkte mindre kritisk, når de brugte AI — især på rutineopgaver og opgaver med lav risiko.
Det mest brugbare fund var sammenhængen med tillid. Jo mere tillid til værktøjet, desto mindre kritisk vurdering af svaret. Jo mere tillid til sin egen faglighed, desto mere kritisk vurdering. Fagligheden er altså ikke noget, AI erstatter. Den er det, der afgør, om man opdager fejlen.
Derfor er jeg varsom med ordet effektivisering. Den tid, der spares på at skrive, skal et sted hen — og går den ikke til at vurdere, er der ikke sparet noget. Der er flyttet risiko.
Hvad jeg gør i stedet
Jeg bygger kontrollen ind i arbejdsgangen frem for at håbe på den. Og jeg måler ikke, hvad folk siger, de kan — jeg ser på, hvad de rent faktisk laver. Afstanden mellem de to er som regel hele pointen.
Lee m.fl., Microsoft Research & Carnegie Mellon, 2025. Selvrapporterede data — en reel begrænsning.
To store studier peger samme vej. I et forsøg med 453 fagfolk faldt tidsforbruget 40 % og kvaliteten steg 18 % — og forskellen mellem de stærkeste og de svageste blev mindre. I en undersøgelse af 5.172 supportmedarbejdere var den samlede produktivitetsstigning 14 %, men 34 % blandt de mindst erfarne.
Det er den gode nyhed, og den er værd at tage alvorligt: AI er en udjævner i bunden. Det matcher, hvad jeg selv har set — de mindst tekniske og fagligt mest isolerede fik det største løft, fordi de pludselig havde noget, der lignede en højtuddannet kollega ved siden af sig.
Men udjævning i bunden er ikke det samme som lighed. De, der i forvejen var skarpe, trækker fra på en anden måde, fordi de kan bruge værktøjet på svære opgaver, hvor de andre ikke tør. Nettoeffekten er ikke givet på forhånd — den afhænger af, hvem der får træning.
Hvad jeg gør i stedet
Jeg prioriterer træningen dér, hvor løftet er størst, frem for dér hvor interessen er størst. Ellers går indsatsen automatisk til dem, der havde klaret sig alligevel — og forskellen i organisationen vokser i stedet for at falde.
Noy & Zhang, Science 2023 · Brynjolfsson, Li & Raymond, NBER 2023
Når folk falder fra, er det næsten aldrig teknologien. Det er tidspres og driftsbelastning: der er ikke luft til at lære noget nyt, mens man passer sit arbejde. Dertil kommer et lag, der sjældent bliver talt om — AI-brug kan opleves som den nemme udvej, og nogle holder den skjult for ikke at fremstå dovne eller for at undgå, at et velskrevet stykke arbejde bliver afsløret som maskinskrevet.
Der er også en positiv overraskelse i mine egne data. Fortællingen om, at AI isolerer folk, holdt ikke. I praksis blev det ofte et socialt samlingspunkt: man sad sammen og prøvede ting, brugte det åbent i afdelingsmøder og skrev referater i fællesskab.
Og vendepunktet er altid konkret. Skeptikere skifter ikke mening, fordi de bliver overbevist om, at AI er fremtiden. De skifter mening den dag, systemet løser én bestemt opgave, de har frygtet — dagevis læsning bliver til et overblik, eller den prosa, de aldrig har kunnet lide at skrive, bliver pludselig overkommelig.
Hvad jeg gør i stedet
Jeg leder efter den frygtede opgave frem for at demonstrere muligheder. Og jeg beder om reel tid til det — uden afsat tid sker der ingenting, uanset hvor godt oplægget var.
Observationer fra egne forløb, anonymiseret.
En sprogmodel giver ingen feedback på kvaliteten af sine egne svar. Et dårligt svar ser lige så flydende ud som et godt, og modellen er tilbøjelig til at give ret frem for modspil. Derfor vokser selvsikkerheden med brugen — mens kompetencen kan stå stille. Det gælder alle, ledelsen inklusive.
Det, der forudsiger kvaliteten af svaret, er kvaliteten af spørgsmålet — og den kommer af at forstå værktøjet, ikke af at bruge det meget. Mængden af brug forudsiger altså ikke kvaliteten; det gør måden, man spørger på. Og mønsteret har en ubehagelig kerne: overvurderingen er størst i midtergruppen — hos dem, der ved lidt, men tror de ved nok.
Hvad jeg gør i stedet
Jeg måler måden, ikke mængden. Og selvrapport er ikke nok — hos nogen, heller ikke mig. Derfor triangulerer målingen: hvad folk siger, hvad de genkender, og hvad de rent faktisk gør.
Knoth m.fl. (2024) — kvaliteten af prompten forudsiger kvaliteten af svaret (OBS: studerende, GPT-3.5) · Kruger & Dunning (1999) · Horowitz & Kahn (2024): automation bias topper ved moderat AI-viden.
Danske data fra 18.000 medarbejdere i de mest AI-eksponerede erhverv: de to hyppigste grunde til ikke at bruge AI er, at arbejdsgiveren begrænser brugen (36 %), og at man mener at mangle træning (42 %). Barriererne ligger ikke i teknologien — de ligger i rammerne omkring den.
Samme forskere har fulgt effekten i de danske registre: to år efter ChatGPT's gennembrud kan der ikke måles nogen effekt på hverken løn eller arbejdstimer. Adgang alene skaber ingen værdi. Værdien skal organiseres frem — gennem rammer, træning og arbejdsgange.
Hvad jeg gør i stedet
Jeg beder ledelsen forpligte sig på det, kun den kan: rammer der gør brugen legitim, og reel tid til at lære. Uden de to sker der ingenting — uanset hvor godt undervisningen rammer.
Humlum & Vestergaard, PNAS 2025 — 18.000 medarbejdere i 11 erhverv, koblet til danske registre · Humlum & Vestergaard, NBER WP 33777 (rev. 2026) — nul-effekt på løn og timer; effekter over 2 % kan udelukkes.
BCG spurgte 1.000 topledere i 59 lande. Kun 26 % skaber værdi med AI i skala — og det, de gør anderledes, er ikke bedre teknologi. De lægger omkring 70 % af indsatsen i mennesker og processer, 20 % i teknologi og data, og kun 10 % i selve algoritmerne.
Hvad jeg gør i stedet
Min fordeling følger deres: hovedparten af et forløb ligger i arbejdsgange, træning og ledelsens egen praksis — ikke i licenser og værktøjsvalg.
BCG, Where's the Value in AI? (2024). Survey — selvrapporteret værdi; jeg bruger tallet som pejling, ikke som facit.
Mønstret
Brugen er udbredt og usynlig. Værdien udebliver. Kvaliteten kan falde dér, hvor man ikke kan se det. Den kritiske sans svækkes, netop hvor tilliden er størst. Løftet fordeler sig skævt. Modstanden handler om tid, tryghed og status frem for teknik. Selvsikkerheden vokser hurtigere end kompetencen. Barriererne ligger i rammerne, ikke i teknologien. Og de, der lykkes, investerer i mennesker før teknologi.
Intet af det er et teknologisk problem. Det er spørgsmål om læring, arbejdsgange, tilladelser og faglig stolthed. Det er organisationssociologi — og det er derfor, jeg arbejder med det som sociolog frem for som it-konsulent.
I Rødovre Kommune designede og ledte jeg forløbet "AI i hverdagen" på tværs af hele organisationen. 93 blev undervist — først 15 i en pilot, derefter 78 i hovedforløbet — fordelt på 20 fagområder fra frontmedarbejder til direktør. Bagefter gennemførte jeg 68 dybdeinterviews for at finde ud af, hvad der faktisk var sket.
Tre ting gik igen. Det, der satte sig, var dér hvor AI løste noget, folk allerede sloges med. Tryghed og faglig stolthed betød mere for, om folk kom i gang, end deres tekniske forudsætninger gjorde. Og de, der blev dygtige, blev organisationens egne ambassadører frem for at forblive afhængige af mig.
97 % tog det i brug efter forløbet, og godt halvdelen brugte det dagligt. Jeg tror ikke, det skyldtes undervisningens kvalitet. Det skyldtes, at vi startede i den enkeltes eget arbejde i stedet for i et kursuskatalog. Og formatet bar: flere gange over tid, med øvetid i eget arbejde mellem undervisningsgangene — det var dér, det satte sig. Enkeltstående oplæg gjorde det ikke.
Egne data fra forløbet. Se hele casen.
Jeg opdaterer siden, når der kommer nyt af betydning. Finder du noget, der er forældet eller forkert, hører jeg gerne om det.
En uforpligtende samtale. Giver det ikke mening for jer, siger jeg det.
Book en samtale