Alle klager over, at AI er upålidelig. Nogle gange er den fantastisk, andre gange er den ubrugelig. Men de fleste kigger det forkerte sted.
Problemet er sjældent modellen. Det er en kombination af forkerte forventninger, manglende kontekst og opgaver, der simpelthen ikke passer til teknologien. AI er ikke en universalløsning — den er et specialiseret værktøj med meget klare styrker og lige så klare begrænsninger.
Denne artikel er en ærlig guide. Ingen buzzwords, ingen overhyped løfter. Bare en pragmatisk oversigt over, hvad AI rent faktisk kan — og hvad I bør holde jer fra.
Hvor AI er overraskende stærk
Lad os starte med det positive. Inden for bestemte domæner leverer AI resultater, der ville have krævet et helt team for få år siden:
- • Tekstbehandling og opsummering: AI er exceptionelt god til at læse store mængder tekst, trække hovedpointerne ud og omstrukturere indhold. Mødereferater, rapportopsummeringer, e-mail-udkast — her sparer AI timer, ikke minutter.
- • Dataanalyse og mønstergenkendelse: Giv AI en CSV-fil med salgsdata, og den finder mønstre, I ikke vidste eksisterede. Excel-analyse, der tager en analytiker en dag, kan AI gøre på sekunder — og ofte bedre.
- • Kodning og teknisk problemløsning: AI-kodningsassistenter som Claude Code og GitHub Copilot accelererer softwareudvikling markant. De er særligt stærke til at forklare eksisterende kode, finde fejl og generere boilerplate.
- • Klassificering og sortering: Kundehenvendelser, e-mails, dokumenter — AI kan kategorisere med høj præcision, når den har klare kategorier og eksempler at arbejde ud fra.
- • Sprogforståelse og oversættelse: AI forstår nuancer i sprog bedre end de fleste forventer. Den kan tilpasse tone, formalitet og målgruppe, og oversætte med en kvalitet, der ofte overgår traditionelle værktøjer.
Hvor AI fejler — og hvorfor
Her er de områder, hvor AI konsekvent skuffer. Ikke fordi teknologien er dårlig, men fordi opgaverne rammer fundamentale begrænsninger i, hvordan sprogmodeller fungerer:
- • Faktuelt korrekte svar uden kilde: AI-modeller 'ved' ikke noget — de genererer sandsynlige svar baseret på mønstre. Uden adgang til verificerede kilder hallucinerer de overbevisende. Det er ikke en bug, det er en arkitektonisk egenskab.
- • Originalitet og kreativ nytænkning: AI kan remixe og rekombinere eksisterende idéer imponerende godt. Men ægte originale idéer — det uventede, det provokerende, det menneskelige — det leverer den ikke. Den er en dygtig assistent, ikke en visionær.
- • Kompleks matematik og logisk ræsonnering: Trods forbedringer kæmper AI stadig med multi-step logik, avanceret matematik og opgaver, der kræver præcis trin-for-trin ræsonnering. Den lyder selvsikker, men tager ofte fejl.
- • Langsigtet konsistens: I længere samtaler eller projekter mister AI tråden. Den glemmer instrukser fra starten, modsiger sig selv og producerer output, der afviger fra det aftalte. Det er 'lost in the middle'-problemet i praksis.
- • Vurderinger med konsekvens: Juridiske, medicinske og finansielle vurderinger kræver ansvarlighed, som AI ikke kan bære. Den kan assistere, men aldrig erstatte menneskelig dømmekraft i beslutninger med reelle konsekvenser.
Den misforståelse, der koster virksomheder mest
Den dyreste fejl, vi ser, er virksomheder, der behandler AI som en sort boks: man stiller et spørgsmål og forventer et perfekt svar. Når svaret er skrald, konkluderer de, at AI er overhypet.
Men AI-modeller har ingen intern viden, ingen hukommelse og ingen forståelse af jeres kontekst — medmindre I giver dem den. Teknisk set er alt, hvad modellen ser, den tekst, der sendes ind: jeres prompt plus den kontekst, I inkluderer. Ikke mere.
Det er derfor, den samme model kan være fantastisk i ét system og ubrugelig i et andet. Forskellen er ikke modellen — det er den kontekst og data, der omgiver den. Vi går i dybden med dette i vores artikel om data-readiness og kontekstengineering.
Når flydende sprog ligner forståelse
En del af problemet er grænsefladen. Når et system svarer i flydende, menneskeligt sprog og viser en 'thinking' eller 'reasoning'-proces, begynder brugeren intuitivt at tilskrive det forståelse, intention og dømmekraft.
Men det, der ligner refleksion, er ofte bare mere behandling: modellen bryder opgaven ned i flere statistiske gæt og producerer en mere overbevisende forklaring. Det kan forbedre outputtet, men det er ikke det samme som dybere forståelse af jeres forretning, jeres data eller konsekvenserne af en fejl.
Det er netop derfor, virksomheder let kommer til at stole for meget på de mest velformulerede modeller. En sikker tone og en flot ræsonneringskæde kan skjule, at svaret stadig hviler på usikre antagelser. Konklusionen bør ikke være mistillid til AI, men et designprincip: jo mere menneskeligt systemet lyder, desto vigtigere er det at bygge arbejdsgange med verifikation, sporbarhed og menneskelig kontrol.
Kontekst slår prompt — hver gang
AI-branchen bevæger sig fra 'prompt engineering' til 'kontekstengineering'. Forskellen er fundamental:
Prompt engineering handler om at formulere det perfekte spørgsmål. Kontekstengineering handler om at sikre, at AI har adgang til de rigtige dokumenter, den rigtige historik, de rigtige forretningsregler og den rigtige kontekst — før den overhovedet ser jeres spørgsmål.
Et kundeservice-system, der kun ser brugerens spørgsmål, giver generiske svar. Giv det ordrehistorik, kundesegment, tidligere henvendelser og relevante FAQ-artikler, og det giver svar, der virker magisk præcise. Modellen er den samme — konteksten er anderledes.
For virksomheder er implikationen klar: I bør investere mindst lige så meget i jeres data-infrastruktur som i jeres AI-model. Det bedste prompt i verden redder ikke en model, der ikke har adgang til de rigtige data.
En praktisk beslutningsramme: Brug AI her — undgå det der
Baseret på vores erfaringer med danske virksomheder har vi udviklet en simpel tommelfingerregel:
- • Brug AI når: Opgaven handler om at behandle, sortere, opsummere eller transformere eksisterende information. Her er AI typisk hurtigere og ofte bedre end mennesker.
- • Vær forsigtig når: Opgaven kræver faktuelt korrekte svar uden verificerbare kilder. Her skal AI assistere, ikke beslutte — og altid med en menneskelig kvalitetskontrol.
- • Undgå AI når: Opgaven kræver original kreativitet, kompleks etisk vurdering eller ansvarlige beslutninger med juridiske eller finansielle konsekvenser. Her er AI en sparringspartner, ikke en beslutningstager.
Konklusion: Kend teknologiens grænser — og udnyt dens styrker
AI er ikke magi, og den er ikke hype. Den er et ekstraordinært stærkt værktøj inden for bestemte domæner — og overraskende skrøbeligt uden for dem.
De virksomheder, der lykkes med AI, er dem, der forstår denne forskel. De bruger AI til det, den er god til, sikrer den rigtige kontekst og data, og holder mennesker i loopet, hvor det tæller. Det er præcis den tilgang, vi bygger hos Vertex Solutions — AI med governance, kontrol og menneskelig forankring.
- • Match AI til opgavetypen — ikke omvendt
- • Investér i data og kontekst, ikke kun i modeller og prompts
- • Hold mennesker i beslutningsloopet for opgaver med konsekvens
- • Test AI på jeres faktiske use cases — ikke på demoer
- • Forstå begrænsningerne, og byg systemer, der kompenserer for dem