Hvor har SMV'er haft succes med AI?

Især fem typer use cases kan skabe værdi — enten gennem besparelser, hurtigere resultater eller bedre kvalitet.

Opsummering:

• Mange virksomheder begynder nu at skabe reel værdi med konkrete værktøjer og løsninger.
• Virksomheder, der starter med at spørge hvor AI kan skabe forretningsværdi, opnår typisk resultater hurtigere end virksomheder med en ren “tech-first”-tilgang.

AI er blevet relevant for SMV’er

Generativ AI og agentic AI har for alvor gjort deres indtog  –  også i SMV-segmentet i Danmark. Nogle taler stadig om teknologien i overordnede vendinger, men stadig flere virksomheder begynder nu at skabe reel værdi med konkrete værktøjer og løsninger.

Værdi skabes på tværs af værdikæden

Vores erfaring er, at virksomheder, der starter med at spørge, hvor AI kan skabe forretningsværdi, typisk opnår resultater hurtigere end virksomheder med en ren “tech-first”-tilgang. Samtidig ser vi ofte, at gevinsterne kan realiseres på tværs af flere dele af værdikæden.

Vi ser især fem typer use cases, hvor virksomheder skaber værdi enten gennem besparelser, hurtigere resultater eller bedre kvalitet.

1. Kunderettede Q&A-bots

Kunderettede Q&A-løsninger er en naturlig videreudvikling af de tidligere chatbots, som ofte krævede meget specifikke spørgsmål og formuleringer for at fungere. Det gav en ujævn kundeoplevelse og førte ofte til skuffelse.

I dag ser vi især to typer løsninger skabe værdi:

• Q&A-chatbots med adgang til information, dokumentation og retningslinjer, som via sprogmodeller kan besvare kundespørgsmål enten på websites eller via IVR i kundeservice.
• Agentic bots, der ud over generel Q&A også kan hente kundespecifik information fra operationelle systemer og i nogle tilfælde opdatere den.

Den sidstnævnte løsning er naturligt mere krævende at implementere. Den forudsætter høj datakvalitet, robuste processer og velfungerende systemintegration. Når det lykkes, kan gevinsten være både lavere driftsomkostninger og en bedre kundeoplevelse.

2. Interne copilots

Interne copilots er blevet udbredte i danske virksomheder. Microsoft Copilot står stærkt, mens mindre virksomheder ofte også benytter løsninger fra OpenAI eller Anthropic  –  særligt når kravene til dataopbevaring og governance er mindre stramme.

Fælles for løsningerne er, at de bruges til at finde viden, understøtte udarbejdelse af salgs- og dokumentationstekster, kvalitetssikre output og analysere dokumenter, viden eller data. Den største effekt og ROI opstår typisk, når virksomheder arbejder systematisk med use case-ideation sammen med forretningen for at identificere, hvor AI skaber mest værdi, og hvor datagrundlaget er stærkt nok til at understøtte det.

3. Produktinnovation

AI kan være en stærk sparringspartner i produktudvikling. En kunde formulerede det sådan: “Vi har brugt tre uger på at nå frem til ni af de ti forslag, AI kom med til produktforbedringer på få minutter.” AI kan ikke stå alene, men kan give et nyt og mere kvalificeret udgangspunkt for dialoger om produkt-backlog, forbedringer og prioriteringer.

I praksis bruges AI blandt andet til markedsresearch, analyse af kundeinput, forbedring af dokumentation og performanceanalyser på tværs af segmenter. Det gør teknologien relevant gennem store dele af produktets livscyklus – fra idé og koncept til justering og videreudvikling.

Værktøjer som Lovable og Replit gør det desuden muligt at bygge prototyper hurtigt, som kan bruges i konkrete dialoger om produktretning. Det skaber særlig værdi for forretningsbrugere, der har stærke idéer, men som ikke selv udvikler og derfor har brug for et mere håndgribeligt grundlag i samarbejdet med tekniske teams.

Inden for marketing har AI også fået godt fat. Teknologien bruges bl.a. til kampagneinspiration, copywriting, grafisk design og opfølgning på kampagner. Også her er værdien størst, når teknologien bruges som en integreret del af arbejdsprocessen frem for som et isoleret værktøj.

4. Softwareudvikling

AI-assistenter er i dag en fast del af softwareudvikling mange steder. Værktøjer som GitHub Copilot, OpenAI Codex, Claude Code, Cursor og Factory.ai er blot et udsnit af AI-værkøjer, som understøtter udviklere i alt fra kodning og fejlsøgning til dokumentation og prototypearbejde.

Når prototyper skabes hurtigt, fx med Lovable, kan de bruges som input til en mere struktureret, AI-understøttet kravspecificering. Herfra kan man gå videre til en funktionel prototype eller endda et Minimum Viable Product (MVP). Det gør det muligt at komme hurtigere frem til et brugbart resultat og arbejde mere iterativt med slutbrugerne i stedet for at bruge uger eller måneder på traditionel kravspecificering.