No products added!
AI-ambitioner bliver hurtigt til støj, hvis man ikke kan svare klart på to spørgsmål: Hvor står vi i dag, og hvad er det næste fornuftige skridt? En AI-modenhedsmodel er et praktisk svar på begge.
Den gør AI konkret. Ikke som en “stor strategi” i et dokument, men som et fælles sprog for data, teknologi, kompetencer, governance og den måde, arbejdet faktisk udføres på.
Hvad betyder AI-modenhed egentlig?
AI-modenhed handler ikke om, hvor mange modeller man kan træne, eller hvor flot en demo ser ud. Det handler om evnen til at skabe stabil, gentagelig værdi med AI, uden at risici vokser hurtigere end gevinsterne.
I praksis kan to organisationer have samme værktøjskasse, men meget forskellig modenhed. Den ene kører et par chatbots som sideprojekter. Den anden har klare ansvarslinjer, data i orden, målinger på effekt og en drift, der kan bære AI-løsninger uge efter uge.
De dimensioner, der går igen i de stærkeste modeller
Uanset om man kigger mod Gartners fem trin, MIT CISR’s fire stadier, Accenture’s ramme eller DNV’s mere compliance-tunge tilgang, dukker de samme kerneområder op.
Man kan samle dem i fire spor, som også passer godt til nordiske organisationer med fokus på kvalitet, samarbejde og ansvarlighed:
| Dimension | Hvad I vurderer | Tidlige tegn (lav modenhed) | Sene tegn (høj modenhed) |
|---|---|---|---|
| Strategi og værdi | Kobling til mål, prioritering, business case | Idéer styres af hype og enkeltsager | Portefølje styres af mål, effekt og kapacitet |
| Data og teknologi | Datakvalitet, platforme, integration, sikkerhed | Data findes, men er fragmenteret og svær at bruge | Data er produktgjort, tilgængeligt og styret |
| Processer og governance | Metoder, standarder, risikostyring, drift | Projekter er ad hoc, drift er skrøbelig | MLOps-lignende rutiner, auditspor, genbrug |
| Mennesker og kultur | Kompetencer, roller, samarbejde, ledelsesopbakning | Få specialister, mange tilskuere | Mange kan anvende AI i arbejdet, klare roller |
Et enkelt, men vigtigt princip: Hvis I kun scorer højt på teknologi, men lavt på governance og kompetencer, føles AI hurtigt utrygt. Hvis I kun scorer højt på kultur, men lavt på data, bliver AI let til gode intentioner uden effekt.
Hvilken modenhedsmodel skal I vælge?
Det er fristende at lede efter “den rigtige” model. Det bedre spørgsmål er, hvilken model der giver jer beslutningskraft.
Gartner-lignende trinmodeller er ofte nemme at kommunikere: fra opmærksomhed og eksperimenter til systemisk og transformativ anvendelse. MIT CISR’s stadier er ligeledes lette at bruge til at tale om skiftet fra pilot til industrialisering. Accenture skelner tydeligt mellem fundament (data, platform, governance) og differentiering (strategi, ledelse, kultur), hvilket kan være en nyttig prioriteringslinse. DNV-tilgange kan være oplagte, hvis I er reguleret og skal kunne dokumentere kontroller og standarder.
Valget afhænger typisk af tre forhold:
- Hvor reguleret I er, og hvor stærk dokumentation der kræves
- Hvor mange teams der skal koordineres på tværs
- Hvor hurtigt I skal fra proof-of-concept til drift
Sådan vurderer I jeres niveau i praksis, uden at drukne i analyse
En modenhedsvurdering behøver ikke tage måneder. En robust første version kan laves på 2-3 uger, hvis I accepterer, at den primært skal drive handling, ikke perfektion.
Start med en lille kernegruppe: en forretningsansvarlig, en data/IT-repræsentant, en fra risikostyring/compliance (hvis relevant) og en, der kender driften tæt.
Aftal dernæst jeres skala. 1-5 er ofte nok, hvor 1 er “sporadisk og personbåret”, og 5 er “standardiseret, målt og gentageligt”.
Efter den ramme kan I arbejde i tre trin.
Først: Indsaml indikationer, ikke holdninger.
I kan bruge en blanding af kilder, så vurderingen står på mere end mavefornemmelse:
- Interviews: ledelse, nøglebrugere, drift, IT-sikkerhed
- Spørgeskema: kompetencer, værktøjsbrug, barrierer
- Systemspor: antal løsninger i drift, supporttickets, oppetid, release-frekvens
- Porteføljedata: hvor mange pilotprojekter, hvor mange der bliver skaleret, hvorfor stopper de
Dernæst: Score pr. dimension og skriv begrundelsen i 3-5 linjer. Hvis I ikke kan begrunde scoren kort, er den ikke skarp nok.
Til sidst: Find “flaskehalse”, ikke bare gennemsnit. Mange ender med et pænt midtertal. Det er sjældent sandheden. Ét svagt led, typisk dataadgang, risikoproces eller kompetencer i linjen, kan afgøre hele jeres tempo.
Et hurtigt pejlemærke: Hvad kendetegner niveauerne?
Når man oversætter de kendte rammer til et jordnært sprog, ligner udviklingsbanen ofte dette:
Niveau 1: AI er noget, man taler om, og enkelte bruger generative værktøjer uden fælles retningslinjer.
Niveau 2: Pilotprojekter opstår, ofte drevet af ildsjæle. Der er læring, men også gentagelse og mange stopklodser.
Niveau 3: Der er et fælles sæt metoder, data begynder at blive gjort tilgængelige, og løsninger kan sættes i drift med nogen stabilitet.
Niveau 4: AI er en del af kerneprocesser. Målinger på effekt og risici er indbygget, og teams genbruger komponenter.
Niveau 5: AI ændrer måden, organisationen arbejder og konkurrerer på, fordi læring, beslutninger og drift er tæt koblet.
Det lyder lineært, men virkeligheden er ujævn. Mange organisationer er niveau 3 på kultur, niveau 2 på data og niveau 4 på enkelte use cases.
Fra modenhed til roadmap: næste skridt, der faktisk rykker
En modenhedsscore er kun nyttig, hvis den ender som prioriteringer, budget og konkrete leverancer. Et godt roadmap har både hurtige gevinster og fundament.
Hold jer til få indsatsområder ad gangen. AI-organisationer går ofte i stå, fordi de åbner for mange spor uden at lukke nogen.
Efter jeres scoring kan I omsætte fundene til et 90-dages program og et 12-måneders program. Her er en struktur, der virker i mange organisationer:
- Vælg 1-2 processer: hvor der både er datagrundlag og tydelig værdikæde
- Definér effekten: tid sparet, kvalitet, risiko, omsætning, service
- Byg fundamentet: dataadgang, rettigheder, logning, standard for prompts/modeller
- Sæt drift på fra dag 1: ejerskab, support, opdateringsrytme, fallback-procedure
- Indfør læringssløjfe: målinger, feedback fra brugere, månedlig prioritering
Bemærk, at “byg fundamentet” sjældent betyder “byg en stor platform først”. Det betyder, at I fjerner de 2-3 konkrete hindringer, der blokerer den næste driftssatte løsning.
KPI’er, der gør modenhed målelig
Hvis I vil undgå, at AI bliver en række engangsprojekter, skal I måle på både leveringsevne og forretningseffekt.
I kan tænke i tre niveauer:
Levering: Hvor hurtigt kan vi gå fra idé til drift, og hvor stabilt kan vi operere?
Kvalitet: Hvor præcis, robust og sikker er løsningen, set fra både bruger og risikostyring?
Effekt: Flytter det et forretningsmål, eller føles det bare smart?
Gode målinger er ofte simple i starten: release-frekvens, adoption (aktive brugere), fejlrate, tid sparet, kvalitetsløft i sagsbehandling, færre afvigelser, bedre prognoser. Det afgørende er, at de er knyttet til en proces, en ejer og et beslutningsmøde.
Governance, der hjælper frem for at bremse
Mange forbinder governance med tunge komitéer. I AI-arbejde bør governance opleves som en genvej til ansvarlig fremdrift: klare grænser, tydelige valg, mindre usikkerhed.
Et letvægts-setup kan bestå af tre elementer:
- En godkendelsessti for nye use cases, baseret på risikoniveau
- Standarder for data, logning, evaluering og dokumentation
- En fast rytme for review, hvor drift, forretning og risiko sidder sammen
Én sætning kan styre meget: “Ingen model i drift uden en ejer, en måling og en plan for ændringer.”
Kompetencer som multiplikator, ikke som kursuskatalog
AI-modenhed løftes sjældent af flere værktøjer alene. Den løftes, når flere medarbejdere kan arbejde sikkert og effektivt med AI i deres faglighed.
Det kræver et bevidst mix: grundforståelse til mange, dybde til nogle, og et fælles sprog, der binder det sammen på tværs af funktioner.
Et praktisk greb er at definere 3 kompetenceniveauer, knyttet til roller: bruger, superbruger og ansvarlig. Så bliver læring en del af driften, ikke en engangsaktivitet.
Nordisk Business Academy arbejder netop med praksisnære, online forløb, hvor AI indgår som rød tråd på tværs af fagområder, og hvor certificering gør det lettere at dokumentere niveau og progression internt.
Typiske faldgruber, når man bruger modenhedsmodeller
Modenhedsmodeller kan skabe fremdrift, men de kan også skabe selvbedrag. Det sker især, når vurderingen bliver et imageprojekt.
De klassiske faldgruber er få, men dyre:
- Man scorer ambitionen i stedet for praksis
- Man måler antal pilots, men ikke hvor mange der kommer i drift
- Man undervurderer dataejerskab og adgangsrettigheder
- Man tror, at “etisk AI” er et dokument, ikke en arbejdsgang
En modenhedsvurdering skal være ærlig nok til at ændre prioriteringer. Hvis den ikke får jer til at sige nej til noget, er den sjældent skarp.
Når AI bliver hverdag, ændrer spørgsmålene sig
På de højere modenhedsniveauer handler det mindre om “kan vi bygge en model?” og mere om “kan vi styre en portefølje af beslutninger, der løbende lærer?”
Det er her, organisationer for alvor får tempo. Ikke fordi de løber hurtigere, men fordi de gentager det, der virker, og stopper det, der ikke gør.
Og det starter ofte med en simpel, disciplineret vane: at vurdere jeres modenhed regelmæssigt, koble den til et konkret roadmap og træne de kompetencer, der gør AI anvendeligt i praksis.
