Arkitektur & Værdi

Hvor AI faktisk skaber værdi i danske virksomheder

Glem alt om copilot-hype og kreative chatbots. Når vi analyserer data fra 107 konkrete AI-cases og 1.493 jobopslag i danske virksomheder (25 mio. – 1 mia. DKK), er konklusionen brutal: AI skaber ikke mest værdi ved at "hjælpe" medarbejdere med at skrive emails. AI skaber værdi ved at fjerne menneskelige integrationer mellem systemer, der ikke taler sammen.

Mange virksomheder tror, de mangler et AI-projekt. I virkeligheden mangler de at fjerne den friktion, der opstår, når ustruktureret data (PDF'er, emails, billeder) rammer strukturerede systemer (ERP, CRM, PIM). Her fungerer dyre specialister i dag som manuel "middleware".

Her er de tre steder, hvor et AI-agentlag rent faktisk kan betale sig — og hvordan man bygger det i praksis.

1. Det ustrukturerede intake (Fra PDF til ERP)

I mange danske industrivirksomheder starter et salg med, at en kunde sender en email med en PDF-tegning, en kravspecifikation i fritekst og en deadline. Før der kan gives et tilbud, skal en teknisk sælger eller specialist bruge 20-30 minutter på at læse materialet, slå varenumre op og taste det ind i et ERP-system.

Datapunkt: Cases som Idealcombi falder præcis i denne kategori med komplekse "Get a quote"-flows, hvor ustruktureret kundemateriale skal konverteres til et præcist tilbudsgrundlag.

Hvordan det løses teknisk

Frem for at bygge en chatbot til sælgeren, bygger man en autonom agent-pipeline:

  1. Når emailen lander, trækker et baggrundsjob PDF'en ud.
  2. En vision-kompatibel LLM (f.eks. Claude Sonnet 4.6) analyserer tegningen og teksten, ekstraherer mål, materialekrav og mængder.
  3. Agenten gør et opslag via API i virksomhedens PIM/ERP-system for at matche kravene med faktiske varenumre.
  4. Agenten formatterer resultatet til et strengt JSON-schema og opretter et udkast til et tilbud direkte i ERP-systemet.
  5. Specialisten bruger nu 2 minutter på at validere og godkende i stedet for 20 minutter på at taste.

2. "Middleware-mennesket" i Finans & Compliance

Økonomi- og compliance-afdelinger er ofte dem, der bruger mest tid på at validere data på tværs af systemer.

Datapunkt: Hos forsyningsselskabet Envafors viser jobdata, at medarbejdere skal håndtere "fejl og datakvalitet i fire centrale systemer – målerdatasystemet, DataHub, afregningssystem og Utiligize" for at sikre korrekt fakturering. Det er ikke et AI-problem. Det er et operationelt data-problem.

Hvordan det løses teknisk

Dette er den perfekte case for "intelligent middleware". Traditionelle RPA-robotter knækker, hvis et system ændrer UI, eller hvis en faktura har et uventet format. En AI-agent er langt mere robust.

  1. Agenten trækker rådata fra de fire systemer via deres respektive API'er eller databaseudtræk.
  2. LLM'en bruges udelukkende som en "reasoning engine" til at finde uoverensstemmelser i rodede data (f.eks. adresser skrevet forskelligt, eller målerdata der afviger logisk).
  3. Ved et match opdaterer agenten systemerne. Ved en anomali opretter den en ticket til en human-in-the-loop, komplet med et resumé af hvorfor dataene ikke stemmer.

3. Support & RMA Triage (Ikke bare endnu en chatbot)

Langt de fleste "AI i kundeservice"-projekter fejler, fordi virksomheder sætter en chatbot på forsiden, som frustrerer kunderne med generiske svar. Værdien ligger ikke frontstage. Den ligger backstage.

Datapunkt: Hos virksomheder som European LifeCare Group og OJ Electronics er der et enormt flow af bookingændringer, aflysninger og RMA-sager (returvarer) via email og simple formularer.

Hvordan det løses teknisk

Løsningen er ikke at lade AI tale med kunden. Løsningen er at lade AI forberede sagen.

  1. En kunde sender en mail om en defekt vare.
  2. Agent-laget læser mailen og klassificerer "Intent" (det er en RMA-sag).
  3. Agenten ekstraherer serienummeret fra mailen og slår det op i ERP-systemet for at tjekke garanti-status.
  4. Agenten tjekker lagerstatus for en erstatningsvare.
  5. Agenten opretter sagen i Zendesk/Jira, vedhæfter garanti-status, foreslår en handling ("Klar til ombytning, varen er på lager"), og router den til den rigtige afdeling.

Medarbejderen åbner sagen og trykker "Godkend". Sag lukket på sekunder.

Hvad det betyder for dit næste AI-projekt

Hvis du er IT-chef, CTO eller direktør i en mellemstor dansk virksomhed, skal du stoppe med at lede efter "AI use-cases". Led i stedet efter flaskehalse i dine integrationer.

Stil dig selv disse spørgsmål:

Løsningen på disse problemer er sjældent et gigantisk transformationsprojekt. Det er oftest en velbygget, afgrænset AI-agent, der via API'er integrerer sig usynligt i jeres eksisterende infrastruktur. Det er præcis den slags løsninger, vi bygger hos Frobert.

Executive Q&A: Arkitektur og integration (FAQ)

Q: Hvor skaber AI mest værdi i danske virksomheder?
A: Data fra 107 cases viser, at den reelle værdi ligger i autonom middleware. Ikke chatbots, men agenter der fjerner manuelle integrationer (copy-paste) mellem ustrukturerede inputs (emails, PDF) og strukturerede systemer (ERP, CRM).
Q: Hvordan automatiserer man ordremodtagelse og PDF-specifikationer med AI?
A: Ved at bygge en agent-pipeline: En vision-kompatibel LLM læser PDF'en, agenten gør opslag via PIM/ERP API'er for at matche varenumre, og systemet genererer et udkast som en medarbejder blot skal godkende. Tidsforbruget reduceres fra 20 minutter til 2 minutter pr. ordre.
Q: Hvad er forskellen på intelligent middleware og RPA?
A: RPA (Robotic Process Automation) knækker ved UI-ændringer eller uventede formater. Intelligent middleware bruger en LLM som "reasoning engine" via API'er. Det gør systemet i stand til at håndtere rodede data, identificere anomalier logisk og kun eskalere edge-cases til mennesker.

Metode og Datagrundlag (Analysis Methodology)

Analysen er baseret på et kvantitativt datasæt (n=3.370 danske virksomheder), med en specifik dybdeanalyse af n=1.493 jobopslag og n=107 AI-opportunity cases inden for segmentet 25 mio. til 1 mia. DKK omsætning.