Den skjulte udfordring bag virksomheders AI-investeringer

AI-investeringer kræver mere end ét mål for succes

Forestil dig en virksomhed, der vurderer tre forslag til AI-projekter: et kundeserviceprodukt, et forskningssamarbejde og et internt værktøj til at løse fakturatvister. Hvert forslag søger finansiering og lover værdi. Men den dokumentation, der begrunder, at man satser på det ene, fortæller måske ledelsen meget lidt om de andre.

Et produkt har brug for kunder og pålidelig levering. Et samarbejde kræver, at parterne samarbejder effektivt. Et internt værktøj skal løse et konkret driftsproblem. Hvis alle tre vurderes efter den samme tjekliste, kan det belønne projekter, der leverer overbevisende prognoser, mens projekter, der kræver eksperimenter, overses.

En undersøgelse i Technovation, »Tilrettelæggelse af praksisser for styring af innovationsporteføljer i en tid med fremspirende digitale teknologier«, giver en ramme for at forstå denne uoverensstemmelse.¹ Undersøgelsens implikationer rækker ud over projektledelse: Investorer, der vurderer virksomheders AI-forbrug, bør undersøge, hvordan virksomheder beslutter, hvad der fortjener yderligere kapital.

Hvad undersøgelsen af digital innovation viste

Forskerne Kristian Hilmar Mikkelsen Wegener og Karl Joachim Breunig interviewede 26 personer i syv skandinaviske organisationer. Interviewene fandt sted i 2023, og supplerende dokumenter blev brugt til at styrke analysen. Artiklen blev tilgængelig online i oktober 2026 og indgår i tidsskriftets årgang for 2027.

Organisationerne dækkede telekommunikation, forsikring og risikostyring, transportløsninger, bryggeri, rådgivning, sundhedsprodukter og offentlig forskningsfinansiering. Forskningen omfattede fremspirende digitale teknologier bredt, herunder AI, maskinlæring og tingenes internet.

Hovedresultatet handler om forskelle i selve typen af aktiviteter. To projekter kan have forskellige budgetter eller risici og stadig passe ind i den samme ledelsesproces. Andre aktiviteter skaber værdi på grundlæggende forskellige måder, så fælles vurderingskriterier ikke er hensigtsmæssige.

Forfatterne identificerede tre tilbagevendende konfigurationer. Der er tale om mønstre i ledelsespraksis, som kan eksistere side om side i en organisation, ikke permanente etiketter, der sættes på hele virksomheder.

Sådan skaber forskellige AI-projekter værdi

Anvendes denne ramme på AI, bliver forskellene lettere at forstå. De følgende eksempler illustrerer, hvordan den kan bruges; de er ikke yderligere resultater fra forskningen.

AI-produkter kræver gentagelig levering

Forestil dig en softwarevirksomhed, der udvikler en AI-assistent til betalende kunder. Arbejdet omfatter produktdesign, test, implementering og support. Strukturerede gennemgange kan vurdere, om assistenten lever op til kvalitetskravene, tiltrækker brugere og kan leveres på en økonomisk bæredygtig måde.

Her kan ledelsen med rimelighed kræve milepæle og sammenlignelig dokumentation for den kommercielle værdi. Det centrale spørgsmål er, om virksomheden gentagne gange kan levere noget, som kunderne vil betale for.

AI-samarbejder kræver koordinering

Forestil dig nu en producent, der samarbejder med et universitet og specialiserede leverandører om maskinlæring til vedligeholdelse af udstyr. Fremskridtene afhænger af adgang til data, komplementær ekspertise og enighed om, hvordan opdagelserne skal anvendes.

Et kvartalsmål for salg siger måske meget lidt om, hvorvidt samarbejdet skaber værdi. Bedre indledende spørgsmål handler om adgang til data, fælles tekniske fremskridt, og om deltagerne kan kombinere deres bidrag til en brugbar løsning.

Det tydeliggør også, hvordan undersøgelsen bruger ordet »platform«. Det beskriver facilitering af udveksling mellem deltagerne og behøver ikke at betyde salg af en softwareplatform.

Interne AI-værktøjer kræver dokumentation for driftsmæssig effekt

En assistent til fakturatvister stiller en anden udfordring. De medarbejdere, der kender processen bedst, forstår undtagelserne, de manglende dokumenter og årsagerne til, at tilsyneladende enkle sager bliver komplicerede. Det kan være mere nyttigt at give disse specialister mulighed for at præge værktøjet end at håndhæve specifikationer, der blev skrevet, før man forstod disse komplikationer.

Succes kan betyde færre genåbnede sager eller hurtigere sagsbehandling uden flere fejl. Relevant markedskontekst omfatter Securities.io’s dækning af virksomhedssøgning og vidensopdagelse samt integration af virksomhedssystemer og automatisering af arbejdsgange. Begge områder forbinder AI-ambitioner med de oplysninger og processer, virksomheder allerede bruger.

Mål fremskridtene inden for AI, før afkastet sammenlignes

En nyttig konsekvens er, at virksomheder har brug for to lag af evaluering. Først skal man spørge, om et initiativ gør fremskridt på sine egne præmisser. Dernæst skal man vurdere, om fortsatte investeringer stadig er berettigede sammenlignet med andre anvendelser af kapitalen.

Det undgår et falsk valg mellem at kræve øjeblikkelig omsætning fra hvert eneste eksperiment og at lade eksperimenterne fortsætte på ubestemt tid. Forskellige typer evidens kan danne grundlag for finansieringsbeslutninger uden at gå på kompromis med den økonomiske disciplin.

Et tidligt forskningssamarbejde kan for eksempel få endnu en finansieringsrunde ved at vise, at et datasæt, som hidtil ikke har været tilgængeligt, kan bruges til at lave en nyttig forudsigelse. Senere bør det resulterende produkt underkastes strengere prøver af pålidelighed, udbredelse og økonomi.

Ledere kan tydeliggøre denne overgang ved at stille tre spørgsmål:

• Hvilken usikkerhed skal næste finansieringstrin afklare?
• Hvilken evidens vil berettige, at arbejdet udvides, ændres eller stoppes?
• Hvem har den nødvendige viden og bemyndigelse til at træffe beslutningen?

Disse spørgsmål er en anvendelse af rammeværket, ikke en afprøvet formel fra artiklen. Fordelen ved dem er praktisk: De forbinder investeringer med læring og efterfølgende handling.

Fælles AI-infrastruktur kan forvride projekternes økonomi

En anden konsekvens handler om fælles omkostninger. Antag, at flere AI-værktøjer er afhængige af de samme funktioner til datarensning, adgangstilladelser og overvågning. Hvis hele etableringsomkostningen henføres til det første projekt, kan det komme til at se uattraktivt ud. Hvis omkostningen ignoreres på tværs af alle projekter, overvurderes rentabiliteten.

En tydeligere tilgang skiller genanvendelig infrastruktur fra de ekstra omkostninger ved hver enkelt applikation, samtidig med at begge dele stadig medregnes på virksomhedsniveau. Så kan investorer skelne mellem et dyrt fundament og en applikation, der fortsat ikke er rentabel, selv efter at fundamentet er etableret.

Sikkerhed hører også med i denne beregning. Den seneste omtale af investeringer i AI-datasikkerhed fremhæver den kommercielle interesse for agenters adgang og følsomme oplysninger. Den analytiske lære for ledere er at afsætte midler til sikkerhedsforanstaltninger sammen med de funktioner, de muliggør.

At decentralisere beslutninger om projekter kræver heller ikke, at alle regler decentraliseres. Teams kan vælge arbejdsgange, der passer til deres behov, mens de overholder fælles krav til adgangskontrol, forbrugsgrænser og ansvarlighed.

Microsoft giver eksponering mod AI på tværs af virksomheder

Disse ledelsesmæssige udfordringer skaber efterspørgsel efter teknologi, der understøtter både eksperimenter og gentagelig implementering. Microsoft giver børsnoteret eksponering gennem virksomhedssoftware, cloudinfrastruktur, udviklerværktøjer og AI-tjenester.

I sin årsrapport for 2026 beskriver Microsoft et AI-udbud, der omfatter applikationer, modeller, infrastruktur og virksomhedskontrol. Udbuddets relevans for denne diskussion ligger i bredden: Kunder kan bruge virksomhedens teknologi til kommercielle produkter, samarbejdsbaseret udvikling og interne arbejdsgange.

Microsofts annoncering i september af Copilot-funktioner og kontrol af AI-forbrug knytter sig også direkte til problemstillingen. Ud over nye funktioner beskrev virksomheden værktøjer, der skal hjælpe organisationer med at styre brugen af AI og politikker for forbrug.

Investeringsargumentet er betinget. Hvis kunder omsætter eksperimenter til vedvarende arbejdsbelastninger, kan Microsoft drage fordel af tilbagevendende efterspørgsel efter software og forbrug af infrastruktur. Hvis implementeringerne fortsat er dyre eller skuffer driftsmæssigt, er det ikke sikkert, at en udvidelse af de tekniske muligheder alene fører til en attraktiv økonomi for kunderne.

Undersøgelsen evaluerer ikke Microsoft, identificerer ikke virksomheden som deltager og fastslår ikke, at dens produkter forbedrer innovationsledelsen. Virksomheden er et illustrativt eksempel på en investeringsmæssig forbindelse. En vurdering af aktien kræver fortsat, at man undersøger værdiansættelse, konkurrence, infrastrukturudgifter og vækstens rentabilitet.

Seneste nyheder og udvikling om Microsoft (MSFT)

Hvad investorer bør holde øje med i AI-forbruget

Artiklens begrænsninger er vigtige. Resultaterne bygger på rapporterede praksisser hos en lille gruppe skandinaviske organisationer. Den påviser ikke højere afkast, måler ikke fejlrater for AI-projekter og beviser ikke, at anvendelsen af rammeværket forbedrer resultaterne.

Alligevel giver artiklen en nyttig linse til at vurdere virksomheders AI-strategier. Antallet af pilotprojekter, partnerskaber eller implementerede værktøjer viser aktivitet. Mere oplysende redegørelser forklarer, hvilke problemer man forsøger at løse, hvilken evidens der kræves for at udvide indsatsen, og hvordan forbruget ændres, når resultaterne skuffer.

En virksomhed, der stopper et pilotprojekt, som ikke giver resultater, kan være effektiv til at allokere kapital. En virksomhed med mange pilotprojekter har stadig ikke nødvendigvis en vej til implementering. Forskellen afhænger af kvaliteten af beslutningerne og den operationelle dokumentation.

Efterhånden som AI vinder indpas i flere forretningsområder, kan evnen til at finansiere forskellige former for innovation på en sammenhængende måde blive en vigtig konkurrencefordel. Bedre modeller udvider, hvad virksomheder kan forsøge sig med. Bedre ledelse er med til at afgøre, hvilke forsøg der udvikler sig til levedygtige virksomheder på lang sigt.

Referencer:

¹ Wegener, K. H. M. og Breunig, K. J. (2027). Tilrettelæggelse af praksisser for styring af innovationsporteføljer i en æra med fremspirende digitale teknologier. Technovation, 159, 103752. https://doi.org/10.1016/j.technovation.2026.103752