Organisationer skal træffe AI-valg uden facit
juni 23, 2026
Accelerationen i AI gør fremtiden sværere at læse og samtidig vigtigere at forholde sig aktivt til. Tingene er ikke, som de plejer, og det stiller krav om en mere undersøgende ledelse, hvor signaler, scenarier og strategiske valg tænkes sammen.
Usikkerheden er blevet et vilkår
Mange organisationer venter stadig på det punkt, hvor AI-landskabet falder til ro og bliver til at overskue. Men det punkt kommer ikke foreløbig.
Udviklingen trækker i flere retninger samtidig. Nogle ser et plateau, hvor modellerne bliver billigere og mere stabile, men ikke fundamentalt klogere. Andre regner med jævn forbedring år for år – en stabil forbedring. Og så er der de mere dramatiske – og hypede – bud, hvor AI rykker i spring og ændrer vidensarbejdet grundlæggende. Ingen af delene er udelukket, og ingen af delene er sikre.
For en ledelse betyder det, at opgaven har skiftet karakter. Det nytter ikke at lede efter den ene rigtige prognose. Du kan bruge oceaner af tid på at argumentere for, at dette eller hint er rigtigt, men det fører ingen vegne. Pointen er, at du skal træffe fornuftige valg, mens flere fremtider stadig er sandsynlige – valg, der så vidt muligt holder, uanset hvilken af dem der bliver til virkelighed.
Fra fremskrivning til futures thinking
Klassisk strategiarbejde hviler tit på fremskrivning: man analyserer fortiden, forlænger de tendenser man kan se, og optimerer mod det mest sandsynlige udfald. Det fungerer rimeligt, så længe omgivelserne er nogenlunde stabile. Men når teknologi, regulering, arbejdsliv og kundeadfærd flytter sig på én gang, holder metoden ikke.
Futures thinking er en anden måde at arbejde på. Man undersøger flere mulige fremtider, hvad de hver især vil føre med sig, og hvilke valg der giver robusthed, uanset hvad der ender med at ske. Horizon scanning er kernen i det: en systematisk søgen efter tegn på forandring uden for det, organisationen normalt holder øje med – i teknologi, marked, regulering, arbejdsformer og kompetencer. Se bredere på dit marked: se på dem, du ikke plejer at se på, og se lidt længere frem, end du plejer. Look across, look beyond, look ahead.
Det er en disciplin, der er værd at udleve og opbygge i de fleste organisationer, fordi den skærper dømmekraften, før behovet for at handle bliver dødsens aktuelt.
Signaler kommer før strategier
Et signal er i denne sammenhæng mere end “bare” en interessant observation, man gør sig i hverdagen. Et signal kan være startet sådan – men det er tegn på noget større. Et signal er noget, der kan pege på et større skifte, hvis man kobler det til andre signaler og sætter dem i en sammenhæng. Et signal er i sin essens værdineutralt – altså ikke godt eller skidt i sig selv. Altså kan de betyde både muligheder og udfordringer for en organisation – nogle gange begge dele på samme tid.
Det kan være små ting. At kunder begynder at forvente hurtigere førsteudkast eller en prototype allerede på opstartsmødet. At medarbejdere taler om tokenforbrug, når de lægger budget på et projekt. At nye konkurrenter blander analyse, software og AI på måder, man ikke har set før. At nyansatte tager AI-værktøjer for givet som en del af arbejdet.
Hver observation siger ikke meget per se. Men lagt sammen kan de afsløre, at værdikæder, prislogik, roller og kvalitetsforventninger er ved at forskyde sig. Derfor er ledelsesopgaven at gøre det til en vane at spørge: Hvad ser vi? Hvad kan det være tegn på? Hvad ændrer sig, hvis det her tager fart? Og særligt: Hvad kan vi gøre? Fokus skubbes fra “at forstå, hvad der rammer os,” til “hvad der vil være en robust måde at håndtere det på, uanset hvad der rammer os”.
Modellerne afgør ikke det hele
Debatten om AI handler påfaldende ofte om kapabilitet. Hvor intelligente bliver modellerne, hvor hurtigt forbedres de, hvornår kommer næste gennembrud, hvilke benchmarks er nu overgået? Alt sammen interessant, og krydret med tech-industriens “better than last”-lanceringer er det ofte det primære narrativ om AI’s udvikling.
Men effekten af AI afhænger lige så meget af, hvordan teknologien bliver taget i brug. En bedre model giver ikke automatisk en bedre organisation. Gevinsten kommer først, når teknologien bliver oversat til konkrete produkter, arbejdsgange, beslutninger, kvalitetskrav og styring.
Og her bliver det for alvor interessant set med futures-briller. Den samme model, den samme virkelighed, kan bruges godt og skidt. Den kan løfte en organisation, og den kan trække den ned – afhængigt af, hvordan den omsættes. Et team kan bruge en bedre model til at levere flere slides, længere notater og hurtigere opsummeringer, og så ser produktiviteten højere ud. Men skal modtageren bagefter fortolke, rydde op og skrive om, er arbejdet bare skubbet videre – det, Kate Niederhoffer og hendes medforfattere kalder ”AI-workslop” – produktivitetne falder. Den samme model kan altså lige så godt trække produktiviteten ned som op.
Det er ikke kun usikkert, hvor hurtigt modellerne udvikler sig; det er i lige så høj grad usikkert, hvad vi selv får ud af dem: én og samme teknologi kan ende i både plus og minus. Og netop derfor er det de strategiske valg, der holder på tværs af udfaldene, der bliver afgørende – ikke det at satse på ét bestemt scenarie.
Ledelsesmæssigt er det derfor interessant at udforske, hvad vi som organisation bliver i stand til at gøre med AI, som vi ikke kan i dag – og hvordan vi skal ændre vores organisationer, så de er rustede til forskellige mulige fremtider med AI.
Derfor bliver organisationsdesign afgørende
Når AI flytter ind i hverdagen, skal du altså hurtigt afgøre, hvilke opgaver der egner sig til AI-understøttelse, hvor mennesker skal validere, hvordan kvalitet måles, hvem der står på mål for fejl og fortolkning, og hvordan workflows skal bygges om, så gevinsterne ikke forsvinder i oprydning. Det er den slags valg, der afgør, om den samme virkelighed lander i plus eller minus.
Når adgangen til de bedste modeller bliver mere udbredt, flytter konkurrencefordelen sig væk fra selve teknologien og over mod evnen til at omsætte den til troværdige leverancer, gode processer og et bedre beslutningsgrundlag. Det er her, du som ledelse og organisation skal tage stilling.
Det gælder på tværs af brancher. Nogle steder slår det igennem i kundeservice, andre steder i analyse, produktudvikling, drift, undervisning eller administration. Samme mønster går igen: teknologien i sig selv skaber begrænset værdi, og det er den organisatoriske omsætning og tilpasning, der gør forskellen.
Epinion som eksempel på en bredere bevægelse
I Epinions eget arbejde bruges den her logik som en ramme for at forbinde signaler i omverdenen med spørgsmål om rådgivning, kompetencer, organisering og forretningsmodel. Vi arbejder med AI i processer, der går fra assistenter i eksisterende workflows mod redesignede analyseflows og menneskeligt superviserede AI-agentforløb. AI i leverancer, der bevæger sig fra, at AI kan accelerere en ydelse, til at det er selve kernen i at kunne levere nye indsigter. Og AI i rådgivning, der går fra vejledning om AI-brug og prompting mod bedre rådgivning om governance, beslutningsstøtte og samspillet mellem mennesker og maskine i vidensorganisationer.
De tre lag – processer, leverencer og rådgivning – er et brugbart greb langt ud over vores egen næsetip. Mange organisationer kan med fordel tænke deres egen udvikling i netop den opdeling.
Hvad man bør gøre nu
Tre ting giver mening at gå i gang med allerede.
- For det første at gøre horizon scanning til fast praksis i ledelsen. Følg signaler i teknologi, kunder, konkurrenter, regulering, arbejdsformer og talentmarked. Det kræver ikke et stort futures-kontor, men det kræver en rytme, en ansvarsfordeling og et fælles sprog for, hvad et strategisk relevant signal egentlig er.
- For det andet at arbejde med flere mulige AI-fremtider på én gang. Test antagelserne mod forskellige baner – plateau, jævn vækst, hurtigere acceleration, mere radikale spring. Formålet er ikke at “gætte på en vinder”, men at gøre strategien mindre sårbar.
- Og for det tredje at investere i de kapabiliteter, der holder uanset hvilken fremtid der indfinder sig. Det gælder metode, kvalitetssikring, governance, workflow-design, domæneforståelse, et ordentligt datagrundlag og ikke mindst evnen til at omsætte nye værktøjer til reel værdi.
Det vigtigste
Du kan ikke vente dig til klarhed. Usikkerheden om AI forsvinder ikke lige med det første – og den sidder ikke kun i modellerne, men i lige så høj grad i, hvad vi selv vælger at gøre med dem. Den samme virkelighed kan ende i plus eller minus. Derfor er den vigtigste evne ikke at gætte den rigtige fremtid, men at træffe valg, der holder på tværs af dem. Futures thinking giver et sprog for usikkerheden, horizon scanning en metode til at opdage bevægelse tidligt, og strategiske valg en retning, før omgivelserne presser én til den. Det er en disciplin, der kommer til at gøre en forskel i de kommende år.
…………………………….
Relevant litteratur
UK Government Office for Science (2025): A Brief Guide to Futures Thinking and Foresight. UK Government Office for Science (2024): The Futures Toolkit. Institute of Risk Management: Horizon Scanning: A Practitioner’s Guide. Mollick, Ethan (2024): Confronting Impossible Futures.
Narayanan, Arvind & Kapoor, Sayash (2025): AI as Normal Technology.
Niederhoffer, Kate et al. (2025): AI-Generated “Workslop” Is Destroying Productivity. Harvard Business Review.
Suleyman, Mustafa (2024): The Coming Wave: AI, Power and Our Future
Mollick, Ethan (2024): Co-intelligence: Living and working with AI
