I har begge AI. Hvorfor vinder konkurrenten?

Et gæsteindlæg af Jesper Boeg, som jeg laver uddannelsen AI-produktleder sammen med. Jesper har skrevet en føljeton i tre dele om, hvorfor to virksomheder med de samme AI-værktøjer får så forskelligt udbytte. Det her er første del. Martin

Forestil dig, at en konkurrent lancerer noget, jeres kunder har bedt om: muligheden for at købe og aktivere en ekstra service online uden at booke en demo, vente på et tilbud eller gå gennem en account manager.

Jeres virksomhed tilbyder allerede servicen. I har allerede priserne, faktureringen og leveringen på plads. Kunderne kan bare ikke gennemføre købet selv.

Mandag morgen klokken ni er et lille produktteam i gang med at undersøge det. De bruger AI til at analysere noter fra tabte salg, supportsamtaler og købsdata. De taler med tre kunder, der for nylig forsøgte at købe servicen, tester et forslag til købsrejsen med dem og skærer opgaven ned til én eksisterende pakke til en lille gruppe kunder, der kan købe den.

Det er discovery nok til, at et afgrænset eksperiment er værd at køre. De ubesvarede spørgsmål bliver til noget, man måler på.

I løbet af eftermiddagen bruger teamet agenter til at bygge rejsen gennem de eksisterende grænseflader, forberede produktteksten og bekræftelsesmailen og køre test af funktion, sikkerhed og tilgængelighed. De tjekker, at den rigtige konto får den rigtige service til den eksisterende pris, også når noget fejler, eller den samme bestilling kommer to gange. De sætter overvågning op, forbereder en vejledning til support og tjekker, hvordan den nye købsvej kan slås fra uden at forstyrre eksisterende kunder.

Klokken fire har de gennemført discovery og implementering til en kontrolleret udgivelse. De ved, hvad de vil lære, hvad der kan gå galt, og hvordan de vil reagere.

Så bliver organisationen involveret.

Den senior udvikler, der oprindelig byggede faktureringsintegrationen, skal selv gennemgå koden. Hun er bundet til et andet program indtil torsdag. Teamet har brugt den eksisterende grænseflade, men ingen andre er trygge ved at godkende den.

Marketing vil have teksten på hjemmesiden gennemgået af produktmarketing, bekræftelsesmailen tjekket af CRM og den endelige ordlyd godkendt for tone of voice. De har hver sin kø.

Design vil have sin mest erfarne interaktionsdesigner til at gennemgå købsrejsen. Komponenterne er godkendt, men kombinationen af dem er ny. Han kan se på det i næste uge.

Arkitektur spørger, om selvbetjent køb bør blive en fælles kapabilitet. Et fornuftigt spørgsmål, som nu er blevet en forudsætning for at udgive ét afgrænset eksperiment. Arkitekturrådet mødes hver fjortende dag.

Central QA skal gentage købstestene i sit eget miljø. QA kan booke en tid, når gennemgangen af kode og design er færdig. Eventuelle ændringer kan udløse endnu en testrunde.

Support beder om formel overdragelse, træning og driftsaccept før lancering. Teamet har forberedt vejledningen og tilbudt at overvåge udgivelsen og håndtere undtagelser, men det er ikke den etablerede proces.

Ingen er imod at gå hurtigere. Alle vil have den bedste person til deres del af opgaven.

Teamet brugte under en dag på at forberede et testet svar. Organisationen har ingen pålidelig dato for, hvornår en kunde må bruge det.

Imens lærer konkurrenten af rigtige køb.

Når AI gør eksekvering hurtigere og billigere, bliver det sværere at overse, hvad vores måde at organisere, beslutte og kontrollere arbejdet på koster. Den knappe ressource bliver organisationens evne til at handle på arbejde, der er klar.

AI skalerer den organisation, I allerede har

AI vil skalere vores dysfunktioner lige så begejstret som vores styrker.

Rene data, klart ejerskab og hurtig feedback giver agenter et nyttigt miljø at handle i. Modstridende definitioner, opsplittet ejerskab og tæt koblede systemer giver dem uklarhed og afhængigheder at arbejde udenom. Den hurtigere produktion fodrer så den næste kø.

DORAs forskning fra 2025 beskriver eksplicit denne forstærkende effekt: det organisatoriske system har enorm betydning for, hvad man får ud af AI.

Det betyder ikke, at vi skal ordne alt, før vi bruger det. AI kan hjælpe med at rydde op i data, forbedre arkitekturen og fjerne unødvendigt arbejde. Men de forbedringer skal være en del af ambitionen. At købe abonnementer og samtidig bevare hver eneste overdragelse er en fremragende måde at producere mere arbejde på, som ingen kan gøre færdigt.

En menneskelig underskrift er ved at blive en dyr kontrol

Teamet med købsflowet er stødt på en velkendt grænse: AI er velkommen, så længe arbejdet kaldes et eksperiment. Produktion kræver, at organisationen bliver tryg ved, hvordan det er lavet.

Hvis agenter kan forberede ændringer meget hurtigere, end mennesker kan gennemgå dem, bliver menneskelig godkendelse af alt en grænse for produktionen. Vi kan blive ved med at tilføje flere, der skal godkende, eller genoverveje, hvad der faktisk gør en ændring sikker nok til at gå videre.

En kosmetisk ændring af en tjekboks bør ikke få samme opmærksomhed som en ændring af, hvordan betalingsmotoren flytter penge. De relevante spørgsmål handler om konsekvenser, usikkerhed, rækkevidde og om ændringen kan rulles tilbage. En lille ændring kan være farlig; en stor ændring kan være godt afgrænset.

Kontrollerne bør afspejle den forskel. Arbejde med lav risiko kan gå videre inden for eksplicitte rammer. Arbejde med større konsekvenser kræver stærkere beviser, en smallere udrulning og passende menneskelig dømmekraft. Beløbsgrænser, trinvise udgivelser, overvågning og afprøvede måder at genoprette på gør det praktisk muligt.

Det ubehagelige er, at mange godkendelsesprocesser også tjener et andet formål: de giver os et menneske at give skylden.

Det bliver dyrt at holde fast i den menneskelige underskrift på hver handling. Når nogen godkender arbejde, de ikke har tid eller kontekst til at gennemgå, skaber underskriften et indtryk af kontrol. Den beviser bemærkelsesværdigt lidt om, at resultatet fortjener tillid.

Ansvaret ligger stadig hos dem, der sætter systemet i drift, bestemmer dets beføjelser og ejer konsekvenserne. Deres ansvar er at fastlægge standarder, sikre et meningsfuldt tilsyn og reagere, når noget fejler. At gennemgå hver handling personligt er kun én mulig kontrol, og ofte en dårlig én i stor skala.

Jeres AI-strategi slutter, hvor produktionen begynder

“AI er fint til prototyper, men nogen skal lave det ordentligt, før det går live.”

Den holdning kan være rimelig, når arbejdet mangler beviser, kontrollerne er utilstrækkelige, eller konsekvenserne er større, end systemet sikkert kan håndtere. Den bliver en fælde, når ingen mængde beviser kan ændre svaret.

I så fald skaber hvert vellykket AI-eksperiment en opgave, som et menneske skal gentage. Organisationen godkender teknologiens potentiale og forhindrer den samtidig i at ændre, hvordan arbejdet bliver udført.

Spørg, hvad der skal til for at udgive købsrejsen til en afgrænset gruppe kunder. Hvilke test, kontroller og observationer viser, at den er klar? Hvilke tilbageværende risici kræver en specialists vurdering? Hvem kan beslutte, at betingelserne er opfyldt?

Hvis de spørgsmål ikke har klare svar, løser flere piloter ikke problemet. Organisationen skal definere en troværdig vej fra eksperiment til drift, man har tillid til.

Jesper er en af de tre bag AI-produktleder, som starter 15. januar 2027. Vil du høre, om forløbet passer til dig, så book en samtale med Martin på siden.