Mange mellemstore virksomheder står over for det samme spørgsmål, når det gælder kunstig intelligens: hvor begynder man egentlig? Netop det handlede den første Rheinland Day i Siegburg om, et arrangement afholdt af organisationen Just Forward, som samlede omkring 300 mellemstore virksomheder, forskere og unge teknologivirksomheder. Podcasten “Markt und Mittelstand” talte dér med flere gæster – og billedet, der tegner sig, er glædeligt nøgternt: mindre hype, mere struktur. Jeg har sammenfattet de praktisk anvendelige indsigter for SMV-beslutningstagere.
- AI-projekter begynder ikke med programmering, men med forståelse og en klar problemdefinition – først derefter følger udførelsen.
- Før hvert projekt kommer arbejdet med datagrundlaget: gennemgå, kontrollere, forberede. SMV’er sidder ofte på en undervurderet dataskat.
- I stedet for et rent gennemførlighedsbevis (POC) tæller proof of value: hvilket problem bliver løst, hvilken nytte opstår der?
- Virkelige anvendelsestilfælde rækker fra teknisk support over styring af robotter til lokalt kørende modeller, der holder firmahemmeligheder i huset.
- I SMV’er erstatter AI ofte ingen job, men aflaster overbelastede fagfolk og sikrer viden, som ellers ville gå tabt ved pensionering.
Udgangspunktet: god forskning, svag oversættelse til produkter
En af dagens kerneobservationer handler om en strukturel svaghed ved landet. Tyskland har fremragende forskning, men formår ikke i tilstrækkelig grad at omsætte resultaterne til markedsklare produkter. Mellem forskningsresultat og anvendelse går der jævnligt knowhow tabt – ikke sjældent griber udenlandske virksomheder resultaterne og skaber værdien dér. Det klassiske eksempel er stadig MP3-afspilleren.
Innovationsaktiviteten i landet falder, mens det på verdensplan især er teknologivirksomheder, der vinder værdi og betydning – virksomheder, som for sjældent opstår og for sjældent bliver store nok dér. For SMV’er kan man udlede en konkret anbefaling: innovation kan aktivt høstes fra forskningen. Samarbejdet mellem erhvervsliv og videnskab var engang stærkere og har været faldende i årevis. Selv små virksomheder kan sætte ind her – i det nævnte tilfælde oprettede en virksomhed med omkring 20 ansatte et donationsprofessorat på det lokale universitet.
Sådan bør AI-projekter starte: tre faser i stedet for en hurtig skudsalve
Det måske mest nyttige bidrag til hverdagen er en enkel fremgangsmåde. Den hyppigste fejl: virksomheder begynder direkte med programmeringen. Det er det trin, der bør komme sidst. I stedet anbefales et forløb i tre faser:
- Discover: sikre, at ledere og medarbejdere forstår, hvad AI overhovedet er, og hvad der sker lige nu.
- Define: konkret definere, hvor AI løser et reelt problem eller skaber en målbar merværdi – ikke bruge AI bare for at bruge AI.
- Deploy: først nu den tekniske udførelse. Sådan ender man ikke med en “fed løsning” for dens egen skyld, men med en, der påviseligt gør nytte.
Først dataene, så projektet
Supplerende understregede flere samtalepartnere datagrundlagets betydning. Før man går i gang, betaler en ærlig analyse sig: hvilke data findes der, som man kan bygge videre på? Den gennemgang sker fornuftigvis sammen med en data scientist. Først derefter går det strategisk videre – med spørgsmålet om de rigtige use cases, visionen og frem for alt proof of value.
Forskellen er afgørende: mange initiativer løber ud i sandet, fordi et proof of concept nok fungerer teknisk, men ingen har undersøgt, om det løser et reelt problem. Ledespørgsmålene før enhver investering lyder derfor: sparer vi tid? Bliver vi mere effektive? Hvilket ROI giver det? Og hvilke rammebetingelser – databeskyttelse inklusive – skal der tages højde for?
Konkrete anvendelsestilfælde fra SMV’er
Abstrakt strategi hjælper lidt uden eksempler. Følgende felter blev præsenteret på arrangementet med praksistilknytning.
Teknisk support og sikring af viden
Ved højkomplekse anlæg, som der ofte kun findes ét eksemplar af, løber dokumentationen hurtigt op i hundredtusindvis af sider. Fagfolk i after sales-support bruger ifølge beskrivelserne let omkring 25 procent af deres tid alene på at søge i de dokumenter. AI-understøttede systemer kan her levere det rette svar med det samme – forudsat at den centrale risiko beherskes: hallucinationer. Et svar lyder altid plausibelt, men er nogle gange ganske enkelt forkert. I sikkerhedskritiske miljøer er det uacceptabelt, og derfor skal dataene forberedes sådan, at sprogmodellen kan læse dem pålideligt.
Bemærkelsesværdig er reaktionen fra de berørte fagfolk: i overbelastede supportteams er der praktisk talt ingen jobangst. Tværtimod – AI lukker det hul, der opstår, når erfarne medarbejdere går på pension med hele deres virksomhedsviden, og manglen på faglært arbejdskraft gør genbesættelsen vanskelig. Det handler ikke om at automatisere job væk, men om at holde teams handlekraftige.
AI og robotteknologi i produktionen
For mange mellemstore virksomheder er det en stor hurdle at idriftsætte og omprogrammere robotter eller maskiner fra forskellige producenter – den nødvendige knowhow mangler internt, og eksterne integratorer er dyre. Sprogmodeller muliggør her en dialogbaseret styring: maskiner kan indstilles uden dyb programmeringsviden, og robotter styres via foundation-modeller.
To punkter er centrale her. For det første kontrollen: mellemstore virksomheder har ringe interesse i, at kamerabilleder fra deres produktion flyder ud i skyen eller til amerikanske virksomheder, fordi der ligger firmahemmeligheder i dem. Lokalt kørende systemer adresserer netop det – inklusive gennemsigtighed om, hvilke opgaver der aktuelt løses, og hvor det går trægt. For det andet dataskatten: mens amerikanske anvendelser i høj grad sigter mod vidensarbejde, ligger det største greb for tyske SMV’er i produktionshallen. Virksomheder med megen baggrundsviden kan fodre modeller med den – en fordel, amerikanske udbydere ikke har uden de data.
Markedsføring: lokationsdata og geofencing
Inden for markedsføring blev geofencing nævnt som eksempel. Her defineres steder – f.eks. ens egen butik eller en konkurrents – for at tale kontekstuelt til målgruppen. Den, der opholder sig 30 minutter til 2 timer hos en konkurrerende bilforhandler, er med høj sandsynlighed en købsklar interesseret i “lower funnel”. Lignende logikker gælder for køkkenforretninger eller det sæsonbetonede dækskifte hos autoværksteder. Forudsætningen er overskuelig: intet omfattende AI-strategipapir, men klarhed om målet og den direkte konkurrence.
Talebaserede AI-agenter til aftaler og tilgængelighed
Et andet eksempel var telefoniske AI-agenter på en færdig, GDPR-konform platform, styret via prompting og koblet til en automatiseringsplatform. Før, under og efter en samtale kan der udløses handlinger – f.eks. sende en SMS med LinkedIn-profilen eller aftale en tid direkte i kalenderen. Den praktiske værdi ligger i skaleringen: sådanne systemer arbejder døgnet rundt, kan føre mange telefonsamtaler parallelt og egner sig til restaurantreservationer, frisøraftaler eller den proaktive påmindelse om dækskifte om efteråret.
Hvorfor den personlige udveksling tæller
Trods al teknikken blev ét punkt understreget flere gange: vi er omgivet af kunstig intelligens, men reelle fremskridt skabes i sidste ende af menneskelig intelligens. Den særlige værdi ved sådanne arrangementer ligger i kombinationen af to verdener – etablerede industrivirksomheders årtiers erfaring og unge tech-startups mere digitale tankegang. Rheinland Day fandt bevidst ikke sted i en storby, men dér, hvor SMV’erne faktisk sidder: i regionen.
Konklusion
Budskabet fra Rheinland Day er behageligt jordnært: AI i SMV’er lykkes ikke via den hurtige kode, men via forståelse, et rent datagrundlag og klart definerede use cases med påviselig nytte. Den, der begynder med proof of value i stedet for det rene gennemførlighedsbevis, undgår de projekter, der løber ud i sandet. De mest overbevisende anvendelser aflaster fagfolk, sikrer værdifuld viden og holder følsomme data i huset. For SMV-beslutningstagere betyder det: først problemet, så dataene, så teknologien – i den rækkefølge.
Kilde: KI-Lösungen für den Mittelstand – Markt und Mittelstand: Der Podcast (YouTube), på tysk