- \n
- AI-projekter begynder ikke med programmering, men med forst\u00e5else og en klar problemdefinition \u2013 f\u00f8rst derefter f\u00f8lger udf\u00f8relsen.<\/li>\n
- F\u00f8r hvert projekt kommer arbejdet med datagrundlaget: gennemg\u00e5, kontrollere, forberede. SMV’er sidder ofte p\u00e5 en undervurderet dataskat.<\/li>\n
- I stedet for et rent gennemf\u00f8rlighedsbevis (POC) t\u00e6ller proof of value: hvilket problem bliver l\u00f8st, hvilken nytte opst\u00e5r der?<\/li>\n
- Virkelige anvendelsestilf\u00e6lde r\u00e6kker fra teknisk support over styring af robotter til lokalt k\u00f8rende modeller, der holder firmahemmeligheder i huset.<\/li>\n
- I SMV’er erstatter AI ofte ingen job, men aflaster overbelastede fagfolk og sikrer viden, som ellers ville g\u00e5 tabt ved pensionering.<\/li>\n<\/ul>\n<\/div>\n
![\"Tre](\"https:\/\/pletzenauer.com\/wp-content\/uploads\/2026\/06\/1490-1.png\")
Den fremgangsm\u00e5de, der blev anbefalet p\u00e5 Rheinland Day: programmering kommer sidst, ikke f\u00f8rst.<\/figcaption><\/figure>\n Udgangspunktet: god forskning, svag overs\u00e6ttelse til produkter<\/h2>\n
En af dagens kerneobservationer handler om en strukturel svaghed ved landet. Tyskland har fremragende forskning, men form\u00e5r ikke i tilstr\u00e6kkelig grad at oms\u00e6tte resultaterne til markedsklare produkter. Mellem forskningsresultat og anvendelse g\u00e5r der j\u00e6vnligt knowhow tabt \u2013 ikke sj\u00e6ldent griber udenlandske virksomheder resultaterne og skaber v\u00e6rdien d\u00e9r. Det klassiske eksempel er stadig MP3-afspilleren.<\/p>\n
Innovationsaktiviteten i landet falder, mens det p\u00e5 verdensplan is\u00e6r er teknologivirksomheder, der vinder v\u00e6rdi og betydning \u2013 virksomheder, som for sj\u00e6ldent opst\u00e5r og for sj\u00e6ldent bliver store nok d\u00e9r. For SMV’er kan man udlede en konkret anbefaling: innovation kan aktivt h\u00f8stes fra forskningen. Samarbejdet mellem erhvervsliv og videnskab var engang st\u00e6rkere og har v\u00e6ret faldende i \u00e5revis. Selv sm\u00e5 virksomheder kan s\u00e6tte ind her \u2013 i det n\u00e6vnte tilf\u00e6lde oprettede en virksomhed med omkring 20 ansatte et donationsprofessorat p\u00e5 det lokale universitet.<\/p>\n
S\u00e5dan b\u00f8r AI-projekter starte: tre faser i stedet for en hurtig skudsalve<\/h2>\n
Det m\u00e5ske mest nyttige bidrag til hverdagen er en enkel fremgangsm\u00e5de. Den hyppigste fejl: virksomheder begynder direkte med programmeringen. Det er det trin, der b\u00f8r komme sidst. I stedet anbefales et forl\u00f8b i tre faser:<\/p>\n
- \n
- Discover:<\/strong> sikre, at ledere og medarbejdere forst\u00e5r, hvad AI overhovedet er, og hvad der sker lige nu.<\/li>\n
- Define:<\/strong> konkret definere, hvor AI l\u00f8ser et reelt problem eller skaber en m\u00e5lbar merv\u00e6rdi \u2013 ikke bruge AI bare for at bruge AI.<\/li>\n
- Deploy:<\/strong> f\u00f8rst nu den tekniske udf\u00f8relse. S\u00e5dan ender man ikke med en “fed l\u00f8sning” for dens egen skyld, men med en, der p\u00e5viseligt g\u00f8r nytte.<\/li>\n<\/ul>\n
F\u00f8rst dataene, s\u00e5 projektet<\/h3>\n
Supplerende understregede flere samtalepartnere datagrundlagets betydning. F\u00f8r man g\u00e5r i gang, betaler en \u00e6rlig analyse sig: hvilke data findes der, som man kan bygge videre p\u00e5? Den gennemgang sker fornuftigvis sammen med en data scientist. F\u00f8rst derefter g\u00e5r det strategisk videre \u2013 med sp\u00f8rgsm\u00e5let om de rigtige use cases, visionen og frem for alt proof of value<\/strong>.<\/p>\n
Forskellen er afg\u00f8rende: mange initiativer l\u00f8ber ud i sandet, fordi et proof of concept nok fungerer teknisk, men ingen har unders\u00f8gt, om det l\u00f8ser et reelt problem. Ledesp\u00f8rgsm\u00e5lene f\u00f8r enhver investering lyder derfor: sparer vi tid? Bliver vi mere effektive? Hvilket ROI giver det? Og hvilke rammebetingelser \u2013 databeskyttelse inklusive \u2013 skal der tages h\u00f8jde for?<\/p>\n
Konkrete anvendelsestilf\u00e6lde fra SMV’er<\/h2>\n
Abstrakt strategi hj\u00e6lper lidt uden eksempler. F\u00f8lgende felter blev pr\u00e6senteret p\u00e5 arrangementet med praksistilknytning.<\/p>\n
Teknisk support og sikring af viden<\/h3>\n
Ved h\u00f8jkomplekse anl\u00e6g, som der ofte kun findes \u00e9t eksemplar af, l\u00f8ber dokumentationen hurtigt op i hundredtusindvis af sider. Fagfolk i after sales-support bruger if\u00f8lge beskrivelserne let omkring 25 procent af deres tid alene p\u00e5 at s\u00f8ge i de dokumenter. AI-underst\u00f8ttede systemer kan her levere det rette svar med det samme \u2013 forudsat at den centrale risiko beherskes: hallucinationer<\/strong>. Et svar lyder altid plausibelt, men er nogle gange ganske enkelt forkert. I sikkerhedskritiske milj\u00f8er er det uacceptabelt, og derfor skal dataene forberedes s\u00e5dan, at sprogmodellen kan l\u00e6se dem p\u00e5lideligt.<\/p>\n
Bem\u00e6rkelsesv\u00e6rdig er reaktionen fra de ber\u00f8rte fagfolk: i overbelastede supportteams er der praktisk talt ingen jobangst. Tv\u00e6rtimod \u2013 AI lukker det hul, der opst\u00e5r, n\u00e5r erfarne medarbejdere g\u00e5r p\u00e5 pension med hele deres virksomhedsviden, og manglen p\u00e5 fagl\u00e6rt arbejdskraft g\u00f8r genbes\u00e6ttelsen vanskelig. Det handler ikke om at automatisere job v\u00e6k, men om at holde teams handlekraftige.<\/p>\n
AI og robotteknologi i produktionen<\/h3>\n
For mange mellemstore virksomheder er det en stor hurdle at idrifts\u00e6tte og omprogrammere robotter eller maskiner fra forskellige producenter \u2013 den n\u00f8dvendige knowhow mangler internt, og eksterne integratorer er dyre. Sprogmodeller muligg\u00f8r her en dialogbaseret styring: maskiner kan indstilles uden dyb programmeringsviden, og robotter styres via foundation-modeller.<\/p>\n
To punkter er centrale her. For det f\u00f8rste kontrollen<\/strong>: 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 k\u00f8rende systemer adresserer netop det \u2013 inklusive gennemsigtighed om, hvilke opgaver der aktuelt l\u00f8ses, og hvor det g\u00e5r tr\u00e6gt. For det andet dataskatten<\/strong>: mens amerikanske anvendelser i h\u00f8j grad sigter mod vidensarbejde, ligger det st\u00f8rste greb for tyske SMV’er i produktionshallen. Virksomheder med megen baggrundsviden kan fodre modeller med den \u2013 en fordel, amerikanske udbydere ikke har uden de data.<\/p>\n
Markedsf\u00f8ring: lokationsdata og geofencing<\/h3>\n
Inden for markedsf\u00f8ring blev geofencing n\u00e6vnt som eksempel. Her defineres steder \u2013 f.eks. ens egen butik eller en konkurrents \u2013 for at tale kontekstuelt til m\u00e5lgruppen. Den, der opholder sig 30 minutter til 2 timer hos en konkurrerende bilforhandler, er med h\u00f8j sandsynlighed en k\u00f8bsklar interesseret i “lower funnel”. Lignende logikker g\u00e6lder for k\u00f8kkenforretninger eller det s\u00e6sonbetonede d\u00e6kskifte hos autov\u00e6rksteder. Foruds\u00e6tningen er overskuelig: intet omfattende AI-strategipapir, men klarhed om m\u00e5let og den direkte konkurrence.<\/p>\n
Talebaserede AI-agenter til aftaler og tilg\u00e6ngelighed<\/h3>\n
Et andet eksempel var telefoniske AI-agenter p\u00e5 en f\u00e6rdig, GDPR-konform platform, styret via prompting og koblet til en automatiseringsplatform. F\u00f8r, under og efter en samtale kan der udl\u00f8ses handlinger \u2013 f.eks. sende en SMS med LinkedIn-profilen eller aftale en tid direkte i kalenderen. Den praktiske v\u00e6rdi ligger i skaleringen: s\u00e5danne systemer arbejder d\u00f8gnet rundt, kan f\u00f8re mange telefonsamtaler parallelt og egner sig til restaurantreservationer, fris\u00f8raftaler eller den proaktive p\u00e5mindelse om d\u00e6kskifte om efter\u00e5ret.<\/p>\n
Hvorfor den personlige udveksling t\u00e6ller<\/h2>\n
Trods al teknikken blev \u00e9t punkt understreget flere gange: vi er omgivet af kunstig intelligens, men reelle fremskridt skabes i sidste ende af menneskelig intelligens. Den s\u00e6rlige v\u00e6rdi ved s\u00e5danne arrangementer ligger i kombinationen af to verdener \u2013 etablerede industrivirksomheders \u00e5rtiers erfaring og unge tech-startups mere digitale tankegang. Rheinland Day fandt bevidst ikke sted i en storby, men d\u00e9r, hvor SMV’erne faktisk sidder: i regionen.<\/p>\n
Konklusion<\/h2>\n
Budskabet fra Rheinland Day er behageligt jordn\u00e6rt: AI i SMV’er lykkes ikke via den hurtige kode, men via forst\u00e5else, et rent datagrundlag og klart definerede use cases med p\u00e5viselig nytte. Den, der begynder med proof of value i stedet for det rene gennemf\u00f8rlighedsbevis, undg\u00e5r de projekter, der l\u00f8ber ud i sandet. De mest overbevisende anvendelser aflaster fagfolk, sikrer v\u00e6rdifuld viden og holder f\u00f8lsomme data i huset. For SMV-beslutningstagere betyder det: f\u00f8rst problemet, s\u00e5 dataene, s\u00e5 teknologien \u2013 i den r\u00e6kkef\u00f8lge.<\/p>\n
- Define:<\/strong> konkret definere, hvor AI l\u00f8ser et reelt problem eller skaber en m\u00e5lbar merv\u00e6rdi \u2013 ikke bruge AI bare for at bruge AI.<\/li>\n
- Discover:<\/strong> sikre, at ledere og medarbejdere forst\u00e5r, hvad AI overhovedet er, og hvad der sker lige nu.<\/li>\n