Når en ny teknologi opstår, er mønsteret næsten altid det samme. De tidlige brugere investerer tid, penge og tro på teknologien, ofte mens de kæmper for at retfærdiggøre investeringen, mens resten ser til fra sidelinjen. Så ændrer dynamikken sig: frygten for at gå glip af noget tager over, og pludselig skynder alle sig med på bølgen, ofte uden en klar forståelse af, hvor den er på vej hen, eller hvorfor de følger med.
I dag er den bølge AI.
Alle bygger AI, sælger AI, investerer i AI og hævder at være drevet af AI. Begejstringen er ikke til at tage fejl af, og mulighederne er reelle. Men midt i al støjen er det værd at stille et enkelt spørgsmål:
Er nutidens AI-teknologi svaret på alt?
Det ærlige svar er nej.
Jeg skriver denne artikel med hjælp fra Claude, og det er præcis den type opgave, hvor værktøjet er stærkt: at udarbejde udkast, strukturere og skærpe et argument. Men ikke alle problemer bør overlades til AI, og i mange tilfælde er AI ikke det rette værktøj. Hvorfor?
Lad os starte med økonomien. Hyperscalerne gav os den blå pille for et stykke tid siden: værsgo, billig AI. Gør alting for en brøkdel af, hvad det ville koste i menneskelige arbejdstimer. Problemet er, at den blå pille aldrig ville vare ved. De funktioner, vi bruger mest, bliver stille og roligt flyttet til premium-abonnementer, og det er en tendens, der kun tager til.
Et par eksempler, som allerede er her:
Intet af det er tilfældigt. Presset fra markedet og investorerne hober sig op. De store spillere har brugt svimlende beløb i omegnen af hundreder af milliarder af dollars om året på at bygge AI-datacentre verden over, og den kapital skal tjenes hjem igen. Følgevirkningerne går igen i hele it-branchen, ikke mindst de stigende omkostninger til hardware, når alle konkurrerer om de samme chips, den samme hukommelse og den samme strøm.
Så hvor er den værdi, som næsten ingen ser? I stigende grad er det ikke i AI i sig selv, men i de teknologier, som AI fremskynder.
Kvantecomputere er det klareste eksempel. AI bruges nu til at angribe et af kvantecomputerens sværeste problemer, nemlig fejlkorrektion, og de to områder konvergerer hurtigt. I slutningen af 2025 demonstrerede Google en verificerbar kvantefordel, en fysiksimulering, der kørte tusindvis af gange hurtigere end verdens førende klassiske supercomputer. De brancher, der er mest udsatte for denne konvergens, er netop dem, hvor de sværeste problemer findes: materialevidenskab, energi, klima- og vejrmodellering og logistik.
Robotteknologi og autonome laboratorier er en anden. Forskere bygger nu closed loop-systemer, der kombinerer AI-drevet planlægning med robotbaseret udførelse. Maskiner, der designer et eksperiment, gennemfører det, aflæser resultaterne og designer det næste med begrænset menneskelig involvering. Kombiner det med den hurtige udvikling inden for humanoide robotter, og du har en kategori, der vil forandre produktion, logistik og selve laboratoriet.
Oile og gas er et klassisk eksempel, selv om det sjældent skaber overskrifter (jeg mener... det gør det, men af de forkerte grunde). AI tygger sig gennem seismiske undersøgelser, brønddata og satellitdata, som geologer tidligere brugte uger på at fortolke. Det gør det muligt at lokalisere reservoirer hurtigere og reducere antallet af tørre og meget dyre brønde.
Power and renewables er måske hvor AI får størst betydning. Hele udfordringen med vinden og solen er, at man ikke kan tænde og slukke for den efter behov. Det gør et elnet med en høj andel af vedvarende energi svært at drive. AI er ved at blive den realtidskoordinator, der kan forudsige produktionen fra vedvarende energi flere timer frem, vurdere hvornår batterier skal oplades eller aflades i forhold til behov og markedspriser, og balancere udbud og efterspørgsel langt hurtigere, end en menneskelig operatør kan.
Pointen er: AI's største indvirkning på lang sigt er måske ikke chatbotten på din skærm. Det kan være alt det, den åbner op for nedenunder.
Misforstå mig ikke, AI er kommet for at blive, det vil ændre den måde, vi arbejder på (det gør det allerede), og der er en enorm værdi at skabe på dette område. Men den kan ikke skabes for enhver pris.
Vi er nødt til at identificere de use cases, der kan måles og forankres i stærke KPI’er. Det skal være det første mål, ikke en eftertanke. Start småt, kør en reel pilot, og bind den op på resultater, du kan kvantificere: sparede timer, færre fejl, kortere gennemløbstider, påvirket omsætning. Den disciplin er vigtigere end nogensinde, fordi AI-omkostninger ikke opfører sig som traditionel software. Tokenforbrug, abonnementsgrænser og opgraderinger midt i kontraktperioden kan stille og roligt forvandle et beskedent budget til en katastrofe.
Så her er min ærlige test. Hvis du har svært ved at identificere gode use cases, hvis du ikke kan kvantificere det, hvis du ikke kan måle før og efter og pege på et tal, der har flyttet sig, så er mit svar enkelt: Det er nok ikke noget for AI.
Hos Cegal har vi fundet en gennemprøvet formel til at omsætte AI-ambitioner til forretningsværdi. Det starter med at bringe de rigtige mennesker sammen: domæneeksperter, AI-specialister og virksomhedsledere i samme rum.
Ved at kombinere dyb branchekendskab, teknisk ekspertise og forretningsindsigt kan vi identificere de mest værdifulde use cases, prioritere dem baseret på potentiel effekt og investeringsafkast og opbygge en køreplan for succes. Hele processen er drevet af et kritisk fundament: data af høj kvalitet.
Og resultatet? AI-initiativer, der ikke kun er innovative, men også praktiske, målbare og i overensstemmelse med dine forretningsmål.
Er du klar til at komme i gang? Vi vil meget gerne hjælpe dig med at frigøre potentialet i AI. Kontakt os, og lad os udforske mulighederne sammen.