Stop med at asfaltere kostierne – derfor bør procesanalyse og optimering gå forud for implementering af AI

I dag er der næppe mange bestyrelseslokaler, hvor spørgsmålet «Hvad er vores AI-strategi?» ikke bliver stillet. Presset for at handle er reelt, og frygten for at gå glip af noget er stor: Konkurrenterne annoncerer pilotprojekter og skaber overskrifter med AI, leverandørerne lover transformation, og ingen ønsker at være den virksomhed, der gik glip af bølgen. Under det pres opstår et velkendt mønster – organisationer behandler implementeringen af AI som selve projektet: De vælger først et værktøj og leder først bagefter efter et sted at bruge det.

Dokumentationen – fra økonomisk forskning, forskning i informationssystemer og et voksende antal efteranalyser af mislykkede AI-initiativer – peger i den modsatte retning. De organisationer, der høster værdi af kunstig intelligens, er ikke dem, der tager teknologien i brug hurtigst, men dem, der forbereder grunden: De gentænker deres forretning og kortlægger, analyserer og optimerer deres forretningsprocesser, før en eneste model sættes i produktion. Et fyndord, der ofte tilskrives Bill Gates, indfanger den underliggende logik: «(...) automatisering anvendt på en effektiv drift øger effektiviteten, mens automatisering anvendt på en ineffektiv drift øger ineffektiviteten.» Tilskrivningen er måske en vandrehistorie; som vi skal se, er mekanismen veldokumenteret.

Denne artikel argumenterer – med dokumentation – for en rækkefølge, som disciplinerede driftsledere altid har fulgt: Analysér først, optimér dernæst, og automatisér til sidst.

 

Den ubehagelige regning for AI i virksomheder

Lad os begynde med resultaterne. En undersøgelse fra RAND Corporation i 2024, baseret på interviews med erfarne dataforskere og ingeniører, anslog, at mere end 80 % af AI-projekter mislykkes – omtrent dobbelt så mange som IT-projekter uden AI [1]. Året efter fremlagde MIT’s Project NANDA et endnu mere opsigtsvækkende tal for den generative AI-æra: På trods af investeringer på flere titals milliarder dollars i virksomheder skabte omkring 95 % af GenAI-pilotprojekterne ingen målbar effekt på resultatopgørelsen, og kun omkring 5 % af de specialudviklede virksomhedsværktøjer nåede nogensinde i produktion i stor skala [2].

Undersøgelsesdata fortæller den samme historie fra en anden vinkel. S&P Global Market Intelligence fandt, at andelen af virksomheder, der opgav de fleste af deres AI-initiativer, steg til 42 % i 2025 fra 17 % året før, mens i gennemsnit 46 % af proof-of-concept-projekterne blev skrottet, før de nåede i produktion [3]. Gartner havde forudsagt netop denne oprydning og forventede, at mindst 30 % af generative AI-projekter ville blive opgivet efter proof of concept inden udgangen af 2025 [4]. Og dette er ikke noget, der kun gælder generativ AI: Allerede i 2019, før ChatGPT fandtes, viste en global undersøgelse fra MIT Sloan Management Review og Boston Consulting Group, at syv ud af ti virksomheder oplevede minimal eller slet ingen effekt af deres AI-investeringer indtil da [5].

Det vigtige resultat er dog ikke fejlprocenten, men årsagerne til fejlene. Da RAND’s forskere kategoriserede de grundlæggende årsager, havde de vigtigste næsten intet med algoritmer at gøre: Manglende enighed mellem virksomhedslederne og de tekniske teams om, hvilket problem AI skulle løse; mangel på de data, der var nødvendige for at træne tilstrækkelige modeller; fokus på at bruge den nyeste teknologi frem for at løse reelle brugerproblemer; samt utilstrækkelig infrastruktur og datastyring [1]. MIT’s rapport nåede frem til en supplerende konklusion: Pilotprojekter mislykkes, fordi værktøjerne ikke passer ind i de faktiske arbejdsgange og ikke lærer af arbejdets kontekst – et «læringsgab», der har rod i driften, ikke i modellens kvalitet [2].

Med andre ord: AI i virksomheder mislykkes for det meste på grund af forkert valg af problem, data og integration i processer. Det er præcis de tre ting, procesanalyse hjælper med at få styr på.

 

Vi har set den film før

Det bør ikke overraske nogen, der husker sidste gang, en generel teknologi fejede gennem erhvervslivet. I 1990, efter et årti med massive IT-investeringer i virksomheder, som havde givet skuffende produktivitetsresultater, diagnosticerede Michael Hammer årsagen i en af de mest indflydelsesrige ledelsesartikler, der nogensinde er udgivet: Virksomheder brugte teknologi til at mekanisere deres gamle måder at drive forretning på, lod ineffektive processer bestå og satte computere til at få dem til at gå hurtigere. «Det er tid til at holde op med at asfaltere kostierne», skrev han. I stedet for at indlejre forældede processer i silicium og software burde organisationer først gentænke selve arbejdet [6].

Økonomerne satte siden tal på Hammers intuition. Ved at undersøge data på virksomhedsniveau fra 1990’erne viste Erik Brynjolfsson og Lorin Hitt, at afkastet af IT-investeringer varierede betydeligt, og at forskellen skyldtes supplerende organisatoriske investeringer: Virksomheder, der gentænkte processer, decentraliserede beslutninger og investerede i kompetencer, opnåede store produktivitetsgevinster fra den samme teknologi, som gav virksomheder, der blot installerede den, meget lidt [7]. To årtier senere formaliserede den samme forskningstradition dette som «produktivitets-J-kurven»: Generelle teknologier – elektricitet, databehandling og nu AI – giver først udbytte efter en forsinkelse, fordi virksomhederne først må opbygge immaterielle forudsætninger såsom nye processer, nye kompetencer og omorganiserede arbejdsgange. Hvis man springer disse forudsætninger over, bliver teknologien ved med at præstere under sit potentiale [8].

AI er efterfølgeren til den film, blot med større budgetter og hurtigere hypecyklusser. Teknologien har ændret sig; økonomien bag komplementaritet har ikke.

Derfor er Mourinho Solutions den rette partner til at hjælpe dig med at frigøre effektivitet i din organisation og maksimere afkastet af din AI-investering. Vi står fast på, at forretningen kommer først – teknologien (og AI) bør følge efter. Og det er der fem gode grunde til.

 

Grund 1: Automatisering forstærker den proces, den anvendes på

En algoritme, der sættes ind i en proces, overtager processens logik – også dens problemer. Det var Hammers oprindelige advarsel om IT [6], og forskningsmiljøet kom med præcis den samme advarsel, da robotbaseret procesautomatisering (RPA) boomed i slutningen af 2010’erne. Fordi RPA-robotter efterligner den måde, arbejdet aktuelt udføres på – klikker sig gennem de samme skærmbilleder og følger de samme regler – risikerer man ved at automatisere uden først at undersøge processen at støbe digital beton over ineffektiviteten. En dårlig proces bliver hurtigere, mere rigid og sværere at ændre [9]. En systematisk gennemgang af RPA-litteraturen pegede ligeledes på udvælgelsen af processer og deres egnethed – regelbaserede, standardiserede og modne processer – som en af de vigtigste forudsætninger for succes, mens dårlig procesudvælgelse igen og igen fører til mislykkede initiativer [10].

Læringen kan overføres direkte til AI, og konsekvenserne er muligvis endnu større. En sprogmodel, der udarbejder svar i et ødelagt godkendelsesforløb, fylder blot flaskehalsens kø hurtigere. En ML-model, der forudsiger efterspørgslen i en planlægningsproces, som ingen følger, producerer forudsigelser, ingen bruger. Forstærkning er hele formålet med automatisering – og netop derfor bør man først undersøge det, der skal forstærkes.

 

Grund 2: Datakvalitet er et resultat af processerne – og den er værre, end du tror

Ethvert AI-system afhænger af data, og data afhænger af processer: De skabes, indtastes, transformeres og overdrages gennem virksomhedens daglige drift. Datatilstanden er nedslående. I en undersøgelse, hvor ledere vurderede stikprøver af deres egne organisationers registre, levede kun 3 % af virksomhedernes data op til grundlæggende kvalitetsstandarder, og næsten halvdelen af de nyoprettede registre indeholdt mindst én kritisk fejl med betydning for arbejdet [11]. RAND’s interviewpersoner rangerede manglen på tilstrækkelige, anvendelige data blandt de vigtigste årsager til, at AI-projekter mislykkes, og bemærkede, at organisationer kronisk undervurderer det dataforberedelsesarbejde, teknologien kræver [1].

Konsekvenserne af at ignorere dette er veldokumenterede blandt praktikere. En undersøgelse blandt AI-praktikere inden for højrisikoområder viste, at 92 % havde oplevet «datakaskader» – kædereaktioner af fejl længere nede i systemet, udløst af problemer med datakvaliteten tidligere i forløbet, typisk usynlige, indtil de sent viser sig som fejlbehæftede modeller og opgivne implementeringer [12]. Undersøgelsens titel alene diagnosticerer branchens problem med rækkefølgen: «Alle vil arbejde med modellerne, ikke med dataene.»

Her er det strategiske hovedpunkt: Datakvaliteten kan ikke forbedres med en enkelt oprydningsindsats, fordi processerne, der skaber dårlige data, hele tiden producerer dem igen. Procesanalyse viser, hvor data opstår, bliver duplikeret, indtastet på ny og forvansket; procesoptimering retter fejlen ved kilden. En organisation, der først optimerer sine processer, opbygger dermed samtidig – uden større ståhej – det datagrundlag, dens fremtidige AI skal bygge på.

 

Grund 3: Uden indsigt i processerne vælger du de forkerte anvendelsesområder

Beslutningen om, hvor AI hører hjemme, er en porteføljebeslutning, og den kan ikke træffes på fornuftig vis uden at vide, hvordan arbejdet faktisk foregår. Davenport og Ronanki [13] undersøgte 152 projekter inden for kognitive teknologier og fandt, at ambitiøse «månelandingsprojekter» ofte skuffede, mens de succesfulde brugere valgte en trinvis tilgang: De gennemgik processerne opgave for opgave og matchede konkrete AI-funktioner med konkrete flaskehalse i konkrete arbejdsgange.

Det detaljerede indblik i opgaverne er netop det, disciplinen business process management (BPM) giver, og det er en af vores kernekompetencer. Den almindelige BPM-livscyklus omfatter procesidentifikation, afdækning, analyse og redesign før implementering og automatisering – en rækkefølge, der bygger på årtiers erfaring og tager højde for, at automatisering af en proces, der ikke er undersøgt, er en kategorifejl [14]. Moderne procesmining styrker dette yderligere: Ved at rekonstruere processer ud fra hændelseslogge i eksisterende IT-systemer erstatter metoden holdningsbaserede proceskort med dokumentation. Den afdækker det reelle antal procesvarianter, omarbejdningssløjfer, afvigelser og flaskehalse, som interviews alene aldrig afslører [15]. Det er i praksis et røntgenbillede taget før operationen – og det viser ofte, at den proces, ledelsen beskriver, ikke er den proces, organisationen rent faktisk udfører.

De klassiske succeshistorier om automatisering byggede netop på denne disciplin i udvælgelsen. Hos Telefónica O2, hvor man gennemførte et af de tidligste og mest citerede RPA-projekter – som i sidste ende gav et investeringsafkast på flere hundrede procent – blev målene for automatisering udvalgt med omhu: Processer med stor volumen, standardiserede, regelbaserede processer, som blev stabiliseret, før softwarerobotterne blev taget i brug [16]. Succesen lå i udvælgelsen, ikke i softwaren.

 

Grund 4: Nogle gange er det bedste «AI-projekt» at fjerne et trin

Procesanalyse har en ubekvem vane: Den bliver ved med at finde problemer, der slet ikke kræver AI. En dobbelt godkendelse, en rapport, ingen læser, en overdragelse, der stadig findes på grund af et organisationsdiagram fra 2014, eller data, der indtastes manuelt igen mellem to systemer, som blot kunne integreres – klassisk industriel ingeniørkunst tilsiger, at man fjerner, kombinerer og forenkler, før man automatiserer, for automatisering af spild giver blot hurtigere spild. Det var kernen i Hammers argument om, at man skulle «holde op med at automatisere og i stedet afskaffe»: Meget af det, man bad teknologien om at få til at gå hurtigere, burde slet ikke have eksisteret fra begyndelsen [6].

Personligt holder jeg meget af mottoet, der ofte tilskrives Leonardo da Vinci: «Simplicitet er den ultimative raffinement.» Det kræver krævende arbejde at gøre en proces enkel: Det forudsætter stærke analytiske kompetencer, evnen til at sammenholde input fra forskellige organisatoriske områder og integration af viden fra forskellige fagområder. Det er netop det håndværk, vi har bygget Mourinho Solutions op omkring.

For en organisation, der står over for at finansiere et AI-program, er dette ikke en omvej; det er en besparelse og en reduktion af risikoen. Trin, der fjernes, koster intet at automatisere, kræver ingen vedligeholdelse af modeller, skaber ingen nye fejlkilder og begynder straks at give afkast. Procesarbejdet giver også et andet udbytte: et målt udgangspunkt. Et af hovedresultaterne i MIT NANDA-rapporten var, at de fleste GenAI-pilotprojekter ikke kunne påvise nogen målbar effekt på resultatopgørelsen [2] – men en effekt kan kun måles i forhold til et kendt udgangspunkt. En optimeret proces har dokumenterede cyklustider, fejlrater og omkostninger pr. transaktion; den efterfølgende AI-implementering får dermed gratis mulighed for at dokumentere sit eget investeringsafkast.

 

Grund 5: Værdien af AI realiseres gennem organisatoriske ændringer – den følger ikke med softwaren

Til sidst peger forskningen i, hvor værdien af AI faktisk kommer fra, på en ubehagelig sandhed for dem, der sætter værktøjet først: Værdien opstår i forretningsprocesserne, og kun når organisationen ændrer sig omkring teknologien. En systematisk litteraturgennemgang af AI og forretningsværdi viste, at de umiddelbare effekter viser sig som proceseffektivitet og bedre beslutninger i processerne – og at det kræver organisatoriske forudsætninger og en bevidst transformation af forretningsprocesserne at realisere dem, ikke en avanceret model [17]. Interviewundersøgelser blandt brugere af AI peger ligeledes på organisatorisk parathed – strategisk tilpasning, datakvalitet og datastyring, procesviden og kultur – som en forudsætning, der bør vurderes før beslutningen om at indføre AI, ikke først opdages bagefter [18].

Praktikernes forskning stemmer overens med dette. Ledere fra McKinsey skrev i Harvard Business Review, at de største hindringer for at udbrede AI ikke er tekniske, men kulturelle og organisatoriske, og at succes kræver nytænkning af arbejdsgange og AI-initiativer, der ledes af forretningen og drives som procesforandringer med tværfaglige teams – ikke som IT-installationer [19]. Og i den globale MIT Sloan/BCG-undersøgelse adskilte de virksomheder, der rent faktisk høstede værdi af AI, sig ved at kombinere strategi, organisatoriske ændringer og teknologi frem for at behandle teknologien som strategien [5].

Procesanalyse og optimering er netop dette organisatoriske arbejde, udført i den rigtige rækkefølge. Det skaber enighed blandt ledelsen om, hvilke problemer der betyder mest (og tackler dermed RAND’s vigtigste årsag til fejl [1]), opbygger den procesforståelse, der kræves for at gentænke arbejdsgange, og skaber en stabil, standardiseret drift, som AI kan indføres i med sikkerhed.

 

Mourinho Solutions giver dig «Processen først»

Ingen af de foregående grunde taler for årelange analyser, før nogen må røre ved en model. De taler for et kort, disciplineret forløb – i praksis den første halvdel af BPM-livscyklussen [14] – der gennemføres på uger, ikke kvartaler, og tilpasses ambitionsniveauet for det AI-program, der følger efter.

Mourinho Solutions har en skræddersyet konsulenttilgang, der bygger på den nyeste viden og mange års erfaring, og som systematisk fører din organisation gennem hele BPM-livscyklussen, så du får størst muligt afkast af din investering.

Der er også en kumulativ effekt, som er værd at fremhæve. Organisationerne i den succesfulde minoritet – MIT’s 5 %, «pionererne» i MIT Sloan/BCG-undersøgelserne – undgik ikke blot fiasko; de opbyggede organisatorisk kapacitet, som gør hver efterfølgende AI-implementering billigere og hurtigere end den foregående [5], [2]. Tydelige processer, rene dataflow og disciplineret måling er infrastruktur. Værdien vokser over tid.

 

Konklusion: AI-klar betyder procesklar

Kapløbet om at implementere AI behandler procesanalyse som en forsinkelse.  Dokumentationen viser det modsatte: Det er den mest effektive risikoreduktion, man kan opnå, fordi den angriber de dokumenterede grundårsager til, at AI-projekter mislykkes – det forkerte problem, utilstrækkelige data og arbejdsgange, der ikke er integreret – før de kan udvikle sig til et opgivet pilotprojekt. At lægge asfalt på ko-stier skaber stort set ingen værdi – og kan faktisk mindske den. 35 års forskning, fra business process reengineering [6] over komplementaritetens økonomi [7], [8] til den nuværende generation af efteranalyser af AI-projekter [1], [2], fortæller den samme historie: Teknologi mangedobler den organisation, den lander i. Optimér organisationen først, så mangedobler AI noget, der er værd at mangedoble.

Spørgsmålet for ledelsesteamene er derfor ikke »hvor hurtigt kan vi implementere AI?«, men »hvilke af vores processer vil AI reelt kunne transformere, når vi først har forstået og optimeret dem?« Det er rækkefølgen, der adskiller de 5 % fra de 95 %.

Mourinho Solutions sikrer, at jeres organisation hører til blandt de 5 %.

---

Hos Mourinho Solutions er denne rækkefølge vores arbejdsmetode. Vi hjælper organisationer med at kortlægge og analysere deres processer, optimere dem for at opnå målbare gevinster og først derefter designe og implementere AI, hvor det dokumenterbart kan betale sig. Hvis jeres virksomhed planlægger et AI-initiativ, så begynd med en samtale om jeres processer – kontakt os for en procesvurdering.

 

 

Referencer

[1] J. Ryseff, B. F. De Bruhl, and S. J. Newberry, The Root Causes of Failure for Artificial Intelligence Projects and How They Can Succeed: Avoiding the Anti-Patterns of AI. Santa Monica, CA, USA: RAND Corporation, 2024. [Online]. Available: https://www.rand.org/pubs/research_reports/RRA2680-1.html

[2] A. Challapally, C. Pease, R. Raskar, and P. Chari, “The GenAI divide: State of AI in business 2025,” MIT NANDA, Cambridge, MA, USA, 2025. [Online]. Available: https://mlq.ai/media/quarterly_decks/v0.1_State_of_AI_in_Business_2025_Report.pdf

[3] S&P Global Market Intelligence, “Voice of the Enterprise: AI & machine learning”-undersøgelse, 2025; resultater omtalt i “AI project failure rates are on the rise: Report,” CIO Dive, mar. 2025. [Online]. Available: https://www.ciodive.com/news/AI-project-fail-data-SPGlobal/742590/

[4] Gartner, “Gartner predicts 30% of generative AI projects will be abandoned after proof of concept by end of 2025,” pressemeddelelse, 29. jul. 2024. [Online]. Available: https://www.gartner.com/en/newsroom/press-releases/2024-07-29-gartner-predicts-30-percent-of-generative-ai-projects-will-be-abandoned-after-proof-of-concept-by-end-of-2025

[5] S. Ransbotham, S. Khodabandeh, R. Fehling, B. LaFountain, and D. Kiron, “Winning with AI,” MIT Sloan Management Review and Boston Consulting Group, Cambridge, MA, USA, forskningsrapport, 2019. [Online]. Available: https://sloanreview.mit.edu/projects/winning-with-ai/

[6] M. Hammer, “Reengineering work: Don’t automate, obliterate,” Harvard Business Review, vol. 68, nr. 4, s. 104–112, jul.–aug. 1990. [Online]. Available: https://hbr.org/1990/07/reengineering-work-dont-automate-obliterate

[7] E. Brynjolfsson and L. M. Hitt, “Beyond computation: Information technology, organizational transformation and business performance,” Journal of Economic Perspectives, vol. 14, nr. 4, s. 23–48, 2000, doi: 10.1257/jep.14.4.23.

[8] E. Brynjolfsson, D. Rock, and C. Syverson, “The productivity J-curve: How intangibles complement general purpose technologies,” American Economic Journal: Macroeconomics, vol. 13, nr. 1, s. 333–372, jan. 2021, doi: 10.1257/mac.20180386.

[9] W. M. P. van der Aalst, M. Bichler, and A. Heinzl, “Robotic process automation,” Business & Information Systems Engineering, vol. 60, nr. 4, s. 269–272, 2018, doi: 10.1007/s12599-018-0542-4.

[10] R. Syed et al., “Robotic process automation: Contemporary themes and challenges,” Computers in Industry, vol. 115, art.nr. 103162, feb. 2020, doi: 10.1016/j.compind.2019.103162.

[11] T. Nagle, T. C. Redman, and D. Sammon, “Only 3% of companies’ data meets basic quality standards,” Harvard Business Review, 11. sep. 2017. [Online]. Available: https://hbr.org/2017/09/only-3-of-companies-data-meets-basic-quality-standards

[12] N. Sambasivan, S. Kapania, H. Highfill, D. Akrong, P. Paritosh, and L. Aroyo, “‘Everyone wants to do the model work, not the data work’: Data cascades in high-stakes AI,” i Proc. 2021 CHI Conference on Human Factors in Computing Systems (CHI ’21), Yokohama, Japan, 2021, art.nr. 39, doi: 10.1145/3411764.3445518.

[13] T. H. Davenport and R. Ronanki, “Artificial intelligence for the real world,” Harvard Business Review, vol. 96, nr. 1, s. 108–116, jan.–feb. 2018. [Online]. Available: https://hbr.org/2018/01/artificial-intelligence-for-the-real-world

[14] M. Dumas, M. La Rosa, J. Mendling, and H. A. Reijers, Fundamentals of Business Process Management, 2. udg. Berlin, Germany: Springer, 2018, doi: 10.1007/978-3-662-56509-4.

[15] W. M. P. van der Aalst, Process Mining: Data Science in Action, 2. udg. Berlin, Germany: Springer, 2016, doi: 10.1007/978-3-662-49851-4.

[16] M. C. Lacity and L. P. Willcocks, “Robotic process automation at Telefónica O2,” MIS Quarterly Executive, vol. 15, nr. 1, s. 21–35, mar. 2016. [Online]. Available: https://aisel.aisnet.org/misqe/vol15/iss1/4/

[17] I. M. Enholm, E. Papagiannidis, P. Mikalef, and J. Krogstie, “Artificial intelligence and business value: A literature review,” Information Systems Frontiers, vol. 24, nr. 5, s. 1709–1734, 2022, doi: 10.1007/s10796-021-10186-w.

[18] J. Jöhnk, M. Weißert, and K. Wyrtki, “Ready or not, AI comes — An interview study of organizational AI readiness factors,” Business & Information Systems Engineering, vol. 63, nr. 1, s. 5–20, 2021, doi: 10.1007/s12599-020-00676-7.

[19] T. Fountaine, B. McCarthy, and T. Saleh, “Building the AI-powered organization,” Harvard Business Review, vol. 97, nr. 4, s. 62–73, jul.–aug. 2019. [Online]. Available: https://hbr.org/2019/07/building-the-ai-powered-organization