kommuniverset

I år rundede dansk erhvervsliv et vendepunkt: 59 procent af virksomhederne bruger nu AI-værktøjer mod 42 procent året før, opgjort af Danmarks Statistik og beskrevet af Version2. Samtidig har Computerworld beskrevet, hvordan Lenovo har bygget en beregning på svarene fra over 3.000 it-beslutningstagere om deres forventede afkast af AI-udgifterne. Og mens forventningerne skrives ind i planerne, kan Nationalbanken ikke spore nogen effekt af AI på beskæftigelsen. Sæt de tre signaler sammen, og mønsteret er ubehageligt læsbart: Danmark har gennemført adoptionen hurtigere end evnen til at måle den. Regningen for den forskel præsenteres ved næste budgetronde.

Det store billede: Adoption uden effektregnskab

Foto: Logan Voss på Unsplash

Hver af de tre tal fortæller noget for sig. Sammen fortæller de noget, ingen af dem kan alene.

Adoption er ikke længere en konkurrencefordel. En stigning fra 42 til 59 procent på tolv måneder er usædvanligt hurtig diffusion, trods landets traditionelt afventende tilgang til ny teknologi. Men når et flertal bruger noget, er det ikke længere et differentierende parameter at bruge det. “Vi bruger AI” er ved at være lige så oplysende som “vi bruger e-mail”. Konkurrencefordelen flytter sig fra adgang til anvendelse og derfra til indfangning af værdi. De fleste danske virksomheder står stadig ved første trin og kalder det strategi.

Kvantificerede forventninger er et signal i sig selv. Lenovos tal handler ikke om realiseret afkast, men om forventet afkast. Bemærk hvem der sætter dagsordenen: når en leverandør offentliggør ROI-forventningsbenchmarks beregnet på tusindvis af it-beslutningstagere, er det som regel fordi køberne er begyndt at stille sværere spørgsmål. Forventningstallene fungerer som forsvarsværk, der skal holde budgetterne flydende mens bevisførelsen mangler. Behandl dem som markedsføring, ikke som analyse. Det præcise tal er mindre interessant end det faktum, at forventningerne nu er eksplicitte og dermed mulige at skrive ned.

De målbare effekter udebliver på det niveau, man har kigget efter. Nationalbanken kan ikke spore jobdestruktion, og det er fristende at læse det som “AI virker ikke”. Den læsning holder ikke i en dansk kontekst. Danmark digitaliserede og automatiserede rutinearbejdet for en generation siden. Det nederste lag af manuelt arbejde, som amerikanske AI-fortolkninger forudsiger vil forsvinde, findes stort set ikke i danske virksomheder i forvejen. AI’s marginale gevinst i Danmark ligger derfor ikke i at fjerne manuelle jobs, men i hastighed, kvalitet og kapacitet i vidensarbejdet. Den slags viser sig ikke i beskæftigelsesstatistikken. Den viser sig slet ikke på makroniveau, fordi den skabtes use case for use case.

Deri ligger mønsteret: målevakuummet er strukturelt. Makrostatistikken måler det forkerte lag. CIO-forventningerne målder håb. Det eneste sted, en AI-effekt reelt kan dokumenteres, er i den enkelte proces, og det er præcis dér, næsten ingen har bygget måling. Det er ikke et bevis på, at AI ikke virker. Det er et bevis på, at ingen fører regnskab.

Historikken understreger timing-problemet. Produktivitetseffekten af elektrificering viste sig først årtier efter, da fabrikkerne blev omorganiseret omkring den. Cloud gav samme mønster i dansk regi: hurtig adoption, og først mange år senere et ærligt svar på, hvad det sparede. Forskellen er tempoet i forventningsregnskabet. Dengang fik man fred til at omstille sig, fordi ingen havde kvantificeret afkastet på forhånd. I dag står forventningerne allerede i leverandørbenchmarks og bestyrelsespræsentationer. Nedskrivningen kommer hurtigere.

Hvorfor det betyder noget for marketing

Marketing er typisk virksomhedens største AI-forbruger. Contentproduktion, media, personalisering og i stigende grad agenter. Når CFO’en spørger om AI-afkast, er marketings poster de største på listen og de letteste at finde. IT-afdelingens AI-projekter kan gemme sig i infrastructurens tåge. Marketingens kan ikke.

Budgetsamtalen skifter karakter. 2025 og 2026 blev legitimeret med “strategisk vigtigt, vi må ikke sakke ag”. 2027 Bliver “vis mig”. Når kvantificerede forventninger møder manglende dokumentation, giver noget efter, og det er normalt ikke forventningerne, der justeres først. Det er budgetterne.

Anden ordens-konsekvensen er kontrolflytning. Hvis marketing ikke kan dokumentere effekt, sker der ikke bare en besparelse. Beslutningerne centraliseres: fælles AI-budgetter og rammeaftaler lægges hos IT og finans, og marketing bliver forbruger af andres værktøjer i stedet for ejer af egne workflows. Det er en længerevarende organisatorisk skade end et reduceret budget.

Nationalbankens nul-resultat er faktisk en mulighed. Hvis effekten ikke viser sig i stillingstal, må den vises i gennemløb og kvalitet: content-hastighed, konvertering, CAC, fejrater. Og marketing er den eneste funktion med en moden målingstradition til at dokumentere den slags, med A/B-tests, attribution og incrementality-eksperimenter. IT-afdelingen kan ikke dokumentere AI-afkast. Marketing kan. Det er en ledelsesposition at tage, ikke et problem at forsvare sig imod.

Hvad du skal gøre før budget 2027

1. Sæt baselines nu, ikke i januar. Retroaktiv dokumentation findes ikke. Vælg de tre til fem AI-use cases I skalerer, typisk contentproduktion, campaign ops og personalisering, og mål dagens niveau: omkostning pr. Asset, gennemløbstid fra brief til publiceret, CAC pr. Kanal, fejlrate. Uden baseline er enhver fremtidig effekt et anslag.
2. Før et use case-regnskab. Én linje pr. Use case med hypotese (hvilken metrik, hvilket forventet delta), ejer, målemetode og månedlig aflæsning. Use cases der ikke kan formulere en hypotese, skal stoppes. De forbruger både penge og troværdighed.
3. Adskil tre effekttyper. Tid, kvalitet og omsætning. Og vær ærlig om tiden: sparet tid bliver først til penge, når timerne faktisk omprioriteres eller bemandingsplanen justeres. Dokumentér, hvad der reelt sker med de frigjorte timer, ellers bliver tidsbesparelsen en antagelse på et slide.
4. Mål enhedsøkonomi, ikke totaler. AI sætter prisen pr. Content-asset i bund, og Jevons-paradokset slår til: billigere produktion betyder mere produktion. Det samlede content-budget kan stige, selvom omkostningen pr. Asset falder. På budgetlinjen læses det som “ingen ROI”, selvom værdien er reel. Mål cost pr. Asset, cost pr. Kampagne og CAC, ikke den samlede udgift.
5. Lov ikke stillingsreduktioner. De danske data siger, at effekten ikke lander der. Lover man det alligevel, ejer man en forventning, som hverken Nationalbanken eller jeres egen HR kan indfri. Lov gennemløb, kvalitet og CAC, og mål det.
6. Kom før CFO’en. Én side pr. Use case med dokumenteret delta, afleveret før nogen spørger. Vi har tidligere argumenteret for ingen annoncekroner til AI-platforme uden en målingskontrakt. Logikken gælder i højere grad jeres interne AI-projekter, for der er I selv both leverandør og kontrollant, og troværdigheden er jeres egen.

Regnskabets time

AI-vinteren, hvis den kommer, kommer ikke fra teknologi der fejler. Den kommer fra CFO’er, der tredje budgetronde i træk får “det er strategisk” som svar på et regnskabsspørgsmål. Danmark har bevist adoptionen. De næste tolv måneder handler om, hvem der kan bevise afkastet, og de funktioner der kan, får både budgetterne og råderetten over deres egen stack. Spørgsmålet til din marketingfunktion er derfor helt konkret: Når Danmarks Statistik næste gang tæller AI-brugere, er I så blandt de 59 procent, der har antaget AI, eller blandt de få, der kan svare på, hvad den returnerede?

Læs også

• Walled gardens er ikke jeres største tracking problem – jeres eget setup er
• Ingen annoncekroner til AI-platforme uden en målingskontrakt
• Stop med at give AI mere magt før i har styr på jeres data