AI redder ikke din organisation. Det gør forståelse af problemet den skal løse - men nu kan AI hjælpe dig med det hurtigere end nogensinde
Jeg kan ikke kode. I sidste uge byggede og lancerede jeg et webbaseret værktøj til efterspørgselsanalyse — komplet med dashboard — på under to dage. Med hjælp fra AI.
Den sætning ville have været absurd for tre år siden. I dag er det virkelighed.
Men denne artikel handler egentlig ikke om AI. Den handler om, hvad der sker, når man kombinerer AI med noget langt vigtigere: viden om det reelle problem, din organisation har brug for at løse.
Udvikleren, der holdt op med at ansætte juniorer
Jeg talte for nylig med en seniorudvikler hos et af de mest fremsynede teknologiselskaber, jeg kender. Han fortalte mig noget, der fik mig til at stoppe op: “Vi ansætter ikke længere juniorudviklere. Vi har ikke brug for dem. AI gør det bedre og hurtigere.”
Tænk over det et øjeblik. En hel entry-level-rolle inden for softwareudvikling — væk. Ikke om ti år. Nu.
Som vidensarbejder kan du lære AI, hvordan du arbejder. Du kan vise den dine metoder, dine mønstre, din domæneviden — og opnå produktivitetsforbedringer på to, tre, fire gange eller mere. Den er intuitiv. Den lærer med dig undervejs. Hvis du ved, hvordan man arbejder med den.
Men her bliver det interessant — og her er de fleste organisationer ved at begå en meget dyr fejl.
Det reelle problem er ikke teknologien. Det er at vide, hvad man skal bygge.
Vi har altid argumenteret for, at man fra et systemperspektiv har brug for viden om arbejdet set fra kundens perspektiv. Og den viden bor der, hvor arbejdet foregår — oftest hos frontlinjemedarbejderne, de mennesker der håndterer virkelige kunder og deres virkelige problemer hver eneste dag.
I dag berører en stigende del af arbejdet kun IT-systemer. Det foregår i mørket, uden indsigt. Processer kører automatisk, beslutninger træffes af algoritmer, og kunder interagerer med digitale grænseflader designet af mennesker, der aldrig har mødt en kunde. Organisationer vender ofte det blinde øje til, hvad der foregår i disse mørke processer — indtil konsekvenserne bliver umulige at ignorere.
I forsikringsbranchen kan disse konsekvenser være dårlig risiko i porteføljen. Eller massive mængder af ikke-værdiskabende efterspørgsel (failure demand), som ingen forbinder med årsagen. En kunde, der tre gange forsøgte at navigere en selvbetjeningsportal, kan ende med det forkerte produkt, den forkerte fakturering, eller — værst af alt — den forkerte dækning, når der rent faktisk sker en ulykke. Organisationen opdager det måske aldrig. Det gør kunden helt sikkert.
I Riv Servicefabrikkerne ned beskriver Kristian og jeg, hvordan digitale løsninger typisk udvikles med udgangspunkt i, hvad IT-systemet kan, frem for hvad kunden faktisk har brug for. Udgangspunktet bør være det, vi kalder de værdiskabende arbejdstrin i processen — at forstå kundens behov, indhente relevant information, foretage en korrekt vurdering, vælge den rigtige løsning og levere den. I stedet tager organisationer udgangspunkt i IT-systemets muligheder og skubber løsningen ud til alle kunder med den antagelse, at alle kunder kan forstå, oversætte og korrekt indtaste deres behov i systemet.
Konsekvenserne er forudsigelige og ødelæggende. Da en kommune undersøgte sin digitale byggeansøgning, opdagede de, at omkring 50% af ansøgningerne manglede oplysninger — præcis den samme andel som den gamle papirformular. Den digitale løsning havde blot overført problemerne til et digitalt format. Den var mere effektiv til at indsamle information, ja — men problemet var, at den ikke indsamlede de rigtige oplysninger. Processen, fra start til slut, blev mindre effektiv, fordi den havde gjort tingene sværere for borgerne.
Professor Søren Lauesen fra IT-Universitetet i København peger på præcis det samme. Efter at have analyseret flere store danske offentlige digitaliseringsprojekter er hans konklusion klar: de fejler, fordi de ikke identificerer brugerens reelle behov — og bygger løsninger ud fra, hvad systemet kan, frem for hvad kunden har brug for.
Faren: at bruge AI til at gøre de forkerte ting hurtigere
Her er det, der bekymrer mig ved den nuværende AI-begejstring.
AI er ekstraordinært god til at gøre ting hurtigt. Den kan automatisere processer, generere kode, håndtere kundehenvendelser, producere rapporter og optimere arbejdsgange med en hastighed, der ville have virket som science fiction for fem år siden. Og organisationer vil bruge den til præcis det. De vil skære omkostninger på kort sigt. De vil fejre effektivitetsgevinsterne.
Men hvis du bruger AI til at automatisere en proces der ikke tjener sit formål, får du bare en hurtigere proces der ikke tjener sit formål.
Hvis din selvbetjeningsportal genererer ikke-værdiskabende efterspørgsel, fordi den ikke hjælper kunder med at udtrykke, hvad de faktisk har brug for — så løser det ikke problemet at tilføje en AI-chatbot til portalen. Det hjælper bare flere mennesker med at nå det forkerte resultat hurtigere. Hvis din klagebehandlingsproces eksisterer, fordi kunder rutinemæssigt får det forkerte produkt, så behandler du symptomet ved at bruge AI til at fremskynde klagebehandlingen — ikke sygdommen.
“There is a fundamental difference between doing the wrong thing righter and doing the right thing.” — Russell Ackoff
I vores bog beskriver vi, hvordan servicefabrikkens digitale fokus primært er drevet af én antagelse: at digitalisering reducerer transaktionsomkostninger. Organisationen antager, at det er billigere, hvis kunder kontakter dem via digitale kanaler, så de gør alt, hvad de kan, for at skubbe kunderne den vej. Ledelsen ser digitale løsninger som ideelle, fordi de fremmer drømmen om fuld standardisering, centralisering og automatiseret sagsbehandling. Forestil dig, hvor billigt det ville være, hvis man automatiserede alt og ikke havde brug for menneskelig involvering overhovedet?
Tag Klarna som eksempel. De meddelte i 2024, at deres AI-chatbot havde overtaget arbejde svarende til 700 kundeservicemedarbejdere — og fejrede det som en revolution. Hurtigere svartider, lavere omkostninger per sag. Men kvaliteten fulgte ikke med. Klarna er nu begyndt at ansætte kundeservicefolk igen. Klarnas CEO Sebastian Siemiatkowski indrømmede det åbent: “Cost unfortunately seems to have been a too predominant evaluation factor when organising this — what you end up having is lower quality.” (Sifted, maj 2025)
Klarna har ikke droppet AI — de supplerer den med mennesker. Men pointen står: når omkostninger er den dominerende evalueringsfaktor, ender kvaliteten med at betale prisen.
Problemet er, at dette perspektiv ignorerer variation. Det ignorerer det faktum, at kunder er forskellige, at deres behov varierer, og at en standardiseret digital løsning simpelthen ikke kan håndtere denne variation. Resultatet? Lavere transaktionsomkostninger per interaktion — men flere interaktioner, mere ikke-værdiskabende efterspørgsel, mere omarbejde og højere totalomkostninger.
AI, med sin ekstraordinære hastighed og kapabilitet, er ved at supercharge denne dynamik. Medmindre vi er omhyggelige med, hvordan vi bruger den.
Tænkningen er problemet
Her er det, der ligger under alt dette — noget der går dybere end ethvert teknologivalg.
Den måde, ledere tænker på, hvordan man designer og leder arbejdet, bestemmer systemets performance. Og i de fleste organisationer starter den tænkning med et fokus på omkostninger: reducer transaktionsomkostninger, automatisér for at spare hoveder, skub kunderne til billigere kanaler. Det føles rationelt. Det føles ansvarligt.
Men der er et paradoks, som vi ser udspille sig igen og igen: når du fokuserer på omkostninger, stiger de. Transaktionsomkostningen per digital interaktion kan falde, men det samlede antal transaktioner stiger, fordi den digitale løsning faktisk ikke løser kundernes problemer. Ikke-værdiskabende efterspørgsel strømmer ind. Omarbejde multipliceres. IT-afdelingen vokser for at vedligeholde og lappe systemet. Man fyrer sagsbehandlere og ansætter udviklere. De samlede omkostninger stiger, ikke falder — og servicen bliver dårligere.
Når du fokuserer på værdi — på virkelig at forstå og levere det, kunden har brug for — falder omkostningerne som en naturlig konsekvens. Der er mindre ikke-værdiskabende efterspørgsel, mindre omarbejde, færre transaktioner, mindre spild. Du behøver ikke styre omkostningerne ned, fordi systemet simpelthen udfører mindre unødvendigt arbejde. Men det forudsætter, at du forstår omkostningerne — og vigtigst af alt: deres årsager.
Dette er ikke kun et digitaliseringsproblem. Det er et ledelsestænkningsproblem. Og det er grunden til, at AI, så kraftfuld den end er, ikke redder din organisation alene. Hvis den fremherskende tænkning er “brug AI til at reducere omkostninger”, får du de samme resultater, som du fik fra enhver anden omkostningsfokuseret indsats: kortsigtede besparelser, langsigtet dysfunktion. Hvis tænkningen er “brug AI til at hjælpe os med at levere bedre værdi til kunderne”, starter du fra et helt andet sted — og resultaterne vil være helt anderledes.
Den reelle mulighed: at sammenbringe viden og teknologi
Så her er det, jeg egentlig gerne vil sige.
I dag kan vi for første gang sætte de mennesker, der forstår det reelle problem — frontlinjemedarbejderne, de mennesker der ved, hvad kunderne faktisk har brug for — sammen med AI-drevet teknisk kapabilitet til at skabe og teste løsninger på timer i stedet for år.
Dette er genuint nyt.
Tidligere, når et frontlinjeteam gennem studiet af deres system opdagede, at kunderne havde brug for en fundamentalt anderledes digital løsning, døde idéen ofte i en backlog. IT-afdelingen havde en to-årig kø. Alene specifikationsprocessen tog måneder. Budgettet skulle godkendes. En leverandør skulle vælges. Inden noget blev bygget, var den oprindelige indsigt blevet udvandet gennem så mange lag af oversættelse, at løsningen knap lignede det, der var brug for.
I dag kan en person, der forstår problemet — en der har studeret efterspørgslen, der har fulgt arbejdet end-to-end, der ved, hvad det værdiskabende arbejde faktisk er — sætte sig ned med AI og bygge en fungerende prototype. Nogle gange uden selv at skrive en eneste linje kode. Jeg ved det, fordi jeg har gjort det.
Det værktøj, jeg byggede i sidste uge, var ikke et legetøj. Det var et funktionelt efterspørgselsanalyseværktøj, som et team kan bruge til at studere, hvad der kommer ind i deres system — til at forstå efterspørgslens natur, til at skelne værdiskabende efterspørgsel fra ikke-værdiskabende efterspørgsel, og til at se mønstre, der ellers ville forblive usynlige. Tidligere ville det at bygge noget som dette have krævet ugers udviklingstid, specifikationsdokumenter og IT-afdelingens involvering. I stedet tog det mig og en AI mindre end to dage.
Dette ændrer eksperimenteringens økonomi fuldstændigt. Idéer, der tidligere ville være blevet lukket ned på grund af kapacitetsbegrænsninger, teknisk kompleksitet eller manglende viden i IT, kan nu prototypes og testes hurtigt. Barrieren mellem “at forstå problemet” og “at bygge en løsning” har aldrig været lavere.
Men kun hvis du starter det rigtige sted
Muligheden er ikke “brug AI til at bygge ting hurtigere.” Muligheden er: forstå hvad det reelle problem er, og brug så AI til at hjælpe dig med at løse det bedre.
Rækkefølgen betyder enormt meget.
“It is not enough to do your best; you must know what to do, and then do your best.” — W. Edwards Deming
Det er kernen i dette. AI hjælper dig med at gøre dit bedste med ekstraordinær hastighed. Men den kan ikke fortælle dig, hvad du skal gøre. Det kræver forståelse.
Og her er noget, der er værd at anerkende: nogle gange, når du studerer dit system fra kundens perspektiv, vil du opdage, at de største muligheder slet ikke handler om AI. Måske er det reelle problem en politik, der skaber unødvendigt arbejde. Måske er det en overdragelse mellem afdelinger, hvor information går tabt. Måske er den digitale løsning fin, men processen omkring den er brudt. Ikke enhver systemforbedring kræver AI — og at være ærlig om det er en del af at gøre dette rigtigt. De organisationer, der vil få mest gavn af AI, er dem, der forstår, hvor den passer, og hvor den ikke gør.
Før du lader AI komme i nærheden af en løsning, skal du forstå dit system fra kundens perspektiv. Du skal vide: Hvad betyder noget for kunderne? Hvad er den reelle værdiskabende efterspørgsel? Hvor stor en del af efterspørgslen er ikke-værdiskabende efterspørgsel — efterspørgsel forårsaget af, at noget ikke er gjort eller ikke er gjort rigtigt fra kundens perspektiv? Hvad er de værdiskabende arbejdstrin, og hvor godt udfører vi dem?
Når du har den viden, bliver AI en bemærkelsesværdigt kraftfuld allieret. Ikke til automatisering — men til autonomering: automatisering med det menneskelige touch og den menneskelige dømmekraft intakt. Det er formentlig også den retning, Klarna bevæger sig i — fra ren automatisering tilbage mod en kombination, hvor AI og mennesker supplerer hinanden. AI kan hjælpe dig med at bygge, teste og iterere løsninger, der er designet omkring det, der faktisk betyder noget.
Her er, hvad du ikke skal gøre: bruge AI til at optimere fejlhåndtering, fremskynde klagebehandling eller få kunder til at gøre det, du vil have dem til at gøre.
Her er, hvad du skal gøre i stedet: forstå årsagerne til spild og ikke-værdiskabende efterspørgsel. Spørg, hvad det fortæller dig om, hvad der betyder noget for kunderne, og hvordan det forholder sig til jeres kerneopgave. Vær så nysgerrig på, hvordan et bedre system kunne se ud — og hvordan du ville måle, om det faktisk performer bedre. Så spørg, hvordan AI kan hjælpe dig med at forbedre din organisations evne til at løse det rigtige problem.
En simpel øvelse, du kan prøve i denne uge
Hvis dette har vakt din nysgerrighed, er her noget konkret, du kan gøre:
Vælg én digital proces i din organisation — en ansøgningsformular, en selvbetjeningsportal, et automatiseret workflow. Stil så disse spørgsmål:
Hvad er formålet med denne proces set fra kundens perspektiv? Ikke fra organisationens perspektiv. Fra kundens. Hvad har de faktisk brug for?
Hvad sker der, når kunder interagerer med den? Følg en håndfuld rigtige sager end-to-end. Ikke data. De faktiske sager. Hvad skete der egentlig?
Hvor ofte får kunden det, de har brug for, rigtigt første gang? Ikke hvor ofte formularen indsendes. Hvor ofte kundens faktiske problem bliver løst.
Hvor stor en andel af efterspørgslen på din organisation er forårsaget af, at noget ikke er gjort eller ikke er gjort rigtigt fra kundens perspektiv? Det er ikke-værdiskabende efterspørgsel. I de fleste organisationer, vi arbejder med, er den overraskende høj.
Hvilken rolle spiller den digitale løsning i at skabe eller forhindre den ikke-værdiskabende efterspørgsel?
Svarene kan overraske dig. Og de vil give dig et langt bedre udgangspunkt for at tænke over, hvor AI genuint kan hjælpe — og hvor den bare ville gøre tingene værre, hurtigere.
Hvis du er nysgerrig på denne måde at tænke på — om at forstå organisationer som systemer, om digitalisering udefra og ind, eller om hvordan AI og systemtænkning arbejder sammen — vil jeg meget gerne høre fra dig. Du kan kontakte mig på jonas@vanguard-consult.dk eller connecte med mig på LinkedIn.
Vil du gå dybere, dækker min bog “Riv Servicefabrikkerne ned” (skrevet sammen med Kristian Astrup Nielsen) hele metoden — hvordan man studerer og redesigner systemer, forstår efterspørgsel og bygger organisationer, der fungerer for kunderne.
Denne artikel er skrevet med hjælp fra AI — hvilket føles passende, givet emnet.