# Hvorfor AI-projekter fejler, og hvorfor det sjældent skyldes AI'en

> To samtaler fra den offentlige forvaltning og et mønster fra erhvervslivet, som eksempler på fire års rådgivning. Branchens mest citerede tal holder ikke ved nærmere eftersyn, og det tal, der virkelig tæller, står to spørgsmål længere henne hos Bitkom: 59 procent af virksomhederne udnytter slet intet af deres AI's potentiale.

*Published: 2026-10-16*

*Source: https://vellmerk.ai/da/blog/warum-ki-projekte-scheitern*

Jeg har rådgivet om kunstig intelligens siden 2022, altså i godt fire år nu. To samtaler fra den tid har især sat sig fast i min hukommelse, og jeg fortæller dem som eksempler på mange. Begge kommer fra den offentlige forvaltning.

I den første lød opgaven nogenlunde sådan, at man nu også havde brug for noget med AI. Nabokommunen havde sådan en chatbot på sin hjemmeside, og den ville man gerne have også. Et problem, der skulle løses, blev slet ikke nævnt i samtalen.

> Jeg har endnu ikke set en virksomhed, der er blevet bedre af en chatbot på forsiden. Men jeg har oplevet flere organisationer, der bagefter troede, at AI-spørgsmålet dermed var klaret. Thorsten Vellmerk

I den anden havde vi talt om modeller, arkitekturer og automatiserede arbejdsgange, med og uden AI. Så kom indvendingen, at man jo endnu ikke vidste, hvilken model der ville vinde til sidst. Hellere vente, til det var afklaret om cirka tre år.

Det tredje mønster ser jeg sjældnere i forvaltninger og oftere i virksomheder. Her går betydelige midler til en anvendelse, hvor et overslag allerede fra starten ville have vist, at den ikke kan betale sig. Heller ikke, hvis alt fungerer præcis som planlagt.

Ved første øjekast har de tre tilfælde ikke meget med hinanden at gøre. I ingen af dem var teknikken problemet.

Det, der manglede hver gang, var arbejdet før. Der var ingen ordentligt defineret business case, og der var ingen prioritering efter, hvilken anvendelse der giver den største gevinst. Til netop den prioritering bruger jeg et enkelt landkort, [Vellmerk-matricen](/da/blog/vellmerk-matrix), som sorterer projekter efter effekt og indsats.

Det står jeg ikke alene med. Det stemmer med det, jeg hører fra andre rådgivere og fra kunder, der tidligere har arbejdet med en anden. Også derfra kommer historier, der peger i samme retning. En pilot, der aldrig kom i drift. En model, der blev trænet på data, som ingen vedligeholdt. En løsning, der virkede teknisk og sad det sted i processen, hvor den ikke hjalp nogen.

Det er anekdotisk, og jeg vil ikke give det ud for mere. Da jeg læste op på, hvad forskningen siger, blev jeg overrasket på to punkter, og i begge tilfælde ikke i den retning, jeg havde ventet.

## Branchens mest citerede tal holder ikke

Siden sommeren 2025 har ét tal spøgt i hver eneste præsentation: 95 procent af alle GenAI-piloter skulle ikke give noget afkast. Det stammer fra et [papir fra MIT-projektet NANDA](https://mlq.ai/media/quarterly_decks/v0.1_State_of_AI_in_Business_2025_Report.pdf) fra juli 2025, 26 sider, undertitel »Preliminary Findings«. Bag det står 153 udfyldte spørgeskemaer, 52 interviews og en gennemgang af offentligt dokumenterede initiativer, indsamlet på fire branchekonferencer inden for seks måneder.

Kevin Werbach fra Wharton School har offentligt [indrømmet](https://www.futuriom.com/articles/news/why-we-dont-believe-mit-nandas-werid-ai-study/2025/08), at han ikke kan finde tallet i dokumentet: »I've read through the document multiple times, and I still can't understand where it comes from.« Rapporten er ikke fagfællebedømt, og den tæller hver pilot, der ikke går i fuld drift inden for seks måneder, som en fiasko. En del af dem var aldrig tænkt til produktion, det var læringsøvelser og leverandørsammenligninger.

Jeg siger det ikke for at skønmale branchen. Jeg siger det, fordi en artikel om fejl ved indførelse af AI dårligt kan begynde med selv at give et ukontrolleret tal videre.

## Tallet, der tæller i stedet

I september 2026 spurgte [Bitkom](https://www.bitkom.org/Presse/Presseinformation/Erstmals-nutzt-die-Mehrheit-der-Unternehmen-KI), den tyske digitalbrancheforening, telefonisk 603 virksomheder med mindst 20 ansatte. 57 procent bruger AI, for første gang altså et flertal. 45 procent af brugerne melder om et målbart bidrag til virksomhedens resultat. Påstanden om, at AI fejler over hele linjen, halter efter data.

Det bliver interessant to spørgsmål senere i samme undersøgelse. Adspurgt, hvor meget af AI's potentiale de udnytter i egen organisation, svarer ikke en eneste virksomhed fuldt ud. 59 procent svarer slet ikke, og der er næsten ingen forskel mellem størrelsesklasserne.

Værktøjerne er der altså, og alligevel flytter de næsten ingenting. Måske fordi det er de forkerte, måske fordi de bliver brugt forkert.

## Den enkelte bliver hurtigere, organisationen står stille

McKinsey når frem til samme billede i større skala og spurgte til det formål i maj og juni 2026 1.719 ledere i 97 lande. 80 procent fortæller, at deres egen produktivitet er steget. [37 procent ser et bidrag til driftsresultatet](https://www.mckinsey.com/capabilities/quantumblack/our-insights/the-state-of-ai), uændret i forhold til året før.

Det hårdeste belæg kommer fra en dansk undersøgelse, og den er hård, fordi den ikke bygger på selvrapportering. Til et [arbejdspapir fra NBER](https://ideas.repec.org/p/nbr/nberwo/33777.html) fra maj 2025 har Humlum og Vestergaard analyseret registerdata for omkring 25.000 ansatte fra 7.000 arbejdssteder i elleve erhverv. AI-chatbots havde ingen signifikant effekt på indtjening eller arbejdstid. Effekter over to procent efter to år udelukker forfatterne.

Resultatet bliver gerne læst som bevis på, at AI ikke virker. Sådan står det ikke i papiret. Der blev målt to størrelser fra registrene, indtjening og registreret arbejdstid, og ingen af dem flytter sig efter to år. Forfatterne skriver selv, at arbejdsgiverne opfanger teknologien ved at omfordele opgaver, og at teknologisk forandring ændrer arbejdet længe før, den bliver synlig i lønninger eller timer.

For denne artikel er det det mere interessante udsagn. På lønsedlen viser virkningen sig til sidst. Før den ligger alt det, denne artikel handler om: hvem der overtager hvilken opgave, hvilke data der duer til det, hvem der kontrollerer resultatet. Belagt er dermed kun, at intet af det efter to år var nået frem til indtjeningen.

## Det er ikke AI'en, der fejler

I 2024 spurgte [RAND Corporation](https://www.rand.org/pubs/research_reports/RRA2680-1.html) femogtres data scientists og ingeniører med mindst fem års erfaring, hvorfor AI-projekter fejler. Den hyppigste årsag er ikke teknisk: »stakeholders often misunderstand or miscommunicate the problem that AI needs to solve«. Længere nede på listen står manglende data, en fiksering på den nyeste teknologi i stedet for brugernes problem, og en infrastruktur, der ikke kan bære driften.

Det er de samme grunde, som også et lagerstyringsprojekt eller en indførelse af dokumenthåndtering fejler af. Min erfaring stemmer ret præcist overens med det.

> Et AI-projekt fejler på de samme ting som andre projekter: uklare mål, dårlige data, manglende forberedelse eller manglende information og uafklarede ansvarsområder. Det særlige ved AI er kun, at man kan tage fiaskoen for et teknisk problem, selvom det ikke er et. Thorsten Vellmerk

## De fire mønstre, jeg oftest ser

### Værktøjet bliver valgt før problemet

Chatbotten er refleksløsningen, fordi den er synlig. Ifølge en [undersøgelse fra Bitkom](https://www.bitkom.org/sites/main/files/2026-02/bitkom-studienbericht-ki.pdf) bruger 88 procent af AI-brugerne teknologien i kundekontakten. Intern vidensstyring, hvor gevinsten ofte er større, ligger på 11 procent. I gennemsnit har en virksomhed præcis to AI-anvendelser, en fjerdedel har præcis én.

Det samme NANDA-papir, som indeholder de tvivlsomme 95 procent, har et andet sted et fund, som jeg anser for det mest nyttige i hele dokumentet. Mellem 50 og 70 procent af GenAI-budgetterne går til marketing og salg, selvom [automatisering i backoffice som regel giver det bedre afkast](https://mlq.ai/media/quarterly_decks/v0.1_State_of_AI_in_Business_2025_Report.pdf). Forfatternes forklaring: Det afspejler ikke værdien, men hvor let nøgletal kan henføres.

### Data kan ikke bære

Gartner spurgte i juli 2024 1.203 ansvarlige for datahåndtering. 63 procent havde ingen eller ingen sikre praksisser for AI-egnede data. [Prognosen deraf](https://www.gartner.com/en/newsroom/press-releases/2025-02-26-lack-of-ai-ready-data-puts-ai-projects-at-risk): 60 procent af projekterne uden sådanne data bliver opgivet inden udgangen af 2026. En undersøgelse blandt omkring 600 dataansvarlige i januar 2026 når frem til samme konklusion, her nævner [91 procent datapålidelighed som en bremse](https://www.informatica.com/about-us/news/news-releases.html) på vejen fra pilot til drift.

Hos Bitkom nævner 50 procent af virksomhederne dataforberedelse som en stor omkostningspost, lige så mange som infrastrukturen. Hvorfor det er sådan, og hvad der burde afklares først, har jeg beskrevet mere udførligt i [Data er ikke den nye olie](/da/blog/daten-als-fundament) og i [De tre sandhedens øer](/da/blog/drei-inseln-der-wahrheit).

### Piloten kommer aldrig i drift

Deloitte spurgte i slutningen af 2024 2.773 ledere i 14 lande. [68 procent havde højst bragt 30 procent af deres GenAI-eksperimenter i produktion](https://www.deloitte.com/us/en/what-we-do/capabilities/applied-artificial-intelligence/content/state-of-generative-ai-in-enterprise.html), kun 5 procent mere end 70 procent. I opfølgningen fra januar 2026 angiver 25 procent at have nået mindst 40 procent. Tallene spreder sig meget, fordi pilot, eksperiment og proof of concept betyder noget forskelligt i hver undersøgelse.

Retningen er alligevel entydig, og den er gammel. McKinsey beskrev fænomenet allerede i 2018 for Industri 4.0 og kaldte det »pilot purgatory«. Dengang følte 92 procent af de adspurgte sig på højde med konkurrenterne, skaleret havde 30 procent.

### Organisationen lærer ikke med

Dette mønster anser jeg for det mest vidtrækkende. I Deloitte-undersøgelsen fra januar 2026 angiver [84 procent, at de ikke har omlagt en eneste rolle efter indførelsen af AI](https://www.deloitte.com/us/en/what-we-do/capabilities/applied-artificial-intelligence/content/state-of-generative-ai-in-enterprise.html). Af dem, der har adgang til AI-værktøjer, bruger færre end 60 procent dem i hverdagen. Hos McKinsey havde omkring tre fjerdedele af de få virksomheder med et nævneværdigt resultatbidrag bygget deres arbejdsgange grundlæggende om, hos alle øvrige var det omkring en fjerdedel.

Det er punktet, hvor et værktøjskøb bliver til en forandring, eller netop ikke gør. En model, der sættes ind i en uændret proces, gør denne proces hurtigere og intet andet.

## Hvorfor absorptionsevne er vigtigere end teknik

For det, der mangler her, findes et ældre og ret præcist begreb. Wesley Cohen og Daniel Levinthal beskrev i 1990 i Administrative Science Quarterly absorptive capacity, en organisations evne til at vurdere, optage og anvende ekstern viden. Deres fund: Denne evne afhænger af den viden, der allerede er til stede, den er kumulativ og stiafhængig. Man kan ikke købe den og ikke springe den over.

Heraf følger direkte, hvorfor en god leverandør alene ikke er nok. Leverandøren bringer ekstern viden. Om organisationen kan optage den, afgøres i organisationen. Og det forklarer, hvorfor springet fra nul til hundrede sjældent lykkes: De første, enkle anvendelser er ikke kun gevinst, de er forudsætningen for at kunne vurdere de næste.

Peter Senge beskrev i 1990, samme år, den lærende organisation og kaldte systemtænkning for den integrerende disciplin. Af hans [fem discipliner](https://en.wikipedia.org/wiki/The_Fifth_Discipline) er det især denne ene, der bærer vores problem, og den bærer det meget godt: lokal optimering ved global stagnation er præcis den figur, tallene ovenfor beskriver. Man bør tilføje, at Senges model er normativ og aldrig er blevet prøvet empirisk. Holdbar bliver tanken først via nabokoncepterne.

> Vidensstyring blev længe og med urette betragtet som et blødt emne. Med kunstig intelligens bliver det for alvor en forudsætning for at skabe merværdi og sikre konkurrencefordele. Thorsten Vellmerk

## Hvad der taler imod min tese

Tre fund fra samme research går imod det, jeg skriver her, og jeg anser dem for vigtige nok til at nævne dem.

Eksterne leverandører leverer tilsyneladende bedre end egenudvikling. I NANDA-undersøgelsen kom 67 procent af de vellykkede løsninger udefra og 33 procent fra egen udvikling, og projekter fra partnerskaber kom dobbelt så ofte i produktion. Det overrasker mig ikke, og ærligt talt bør det være sådan. Jeg tjener mine penge på netop det, og det ville være et dårligt tegn, hvis erfarne leverandører i gennemsnit leverede dårligere resultater end en organisation, der for første gang sætter et AI-projekt i gang. Tallet siger dog ikke, at den interne viden dermed bliver overflødig. En virksomhed, der kun køber ind, står til sidst med en løsning, den hverken kan vurdere eller videreudvikle.

Heller ikke chatbotten er forkert i sig selv. Brynjolfsson, Li og Raymond analyserede i Quarterly Journal of Economics i 2025 arbejdet hos 5.172 supportmedarbejdere og målte 15 procent flere løste sager i timen, hos nyansatte endda 34 procent. Som assistent i arbejdsgangen bærer den altså fint. Som erstatning for mennesker, eller som et rent udstillingsvindue på forsiden, som regel ikke.

Og rådgivningshuse fejler lige så meget. Ifølge en undersøgelse fra General Assembly i marts 2026 har 73 procent af de adspurgte rådgivningsfirmaer afbrudt egne AI-projekter, overvejende på grund af manglende kompetencer. Jeg ville dog drage en anden konklusion end den nærliggende, for ved en ny teknologi er et afbrudt projekt ikke i sig selv en fiasko. At erkende tidligt, at målet ikke kan nås i den ønskede kvalitet, og derefter bruge midlerne anderledes, er korrekt arbejde. [Det er præcis sådan, jeg lægger mine egne projekter an](/da/about). Vi når hurtigt frem til et proof of concept, og hvis det viser sig, at vi sandsynligvis ikke når det ønskede, selv med meget mere indsats, fordeler vi ressourcerne på ny. Dyr bliver fiaskoen først, når den kommer sent.

## Sådan genkender I et bæredygtigt projekt

Tre spørgsmål har vist sig at være det mest brugbare filter for mig. Tilsammen koster de en halv time og sparer af og til et halvt år. Jeg forklarer dem ud fra et eksempel, som findes i forvaltninger og virksomheder i samme grad: Indgående fakturaer skal forhåndskontrolleres med AI.

### For det første: Hvad bliver bedre, og hvordan ville man mærke det?

Det svage svar lyder, at fakturakontrollen bliver mere effektiv. Det brugbare lyder, at en faktura i dag i gennemsnit ligger fire dage, før den bliver godkendt, og fremover skal være igennem på én dag. Først med dagens værdi kan man senere fastslå, om projektet har haft en effekt. Den har overraskende få: Hos McKinsey havde kun omkring en femtedel af virksomhederne overhovedet en fastlagt måde at måle effekten af AI på.

### For det andet: Hvem arbejder anderledes bagefter?

I eksemplet ville det være sagsbehandleren i bogholderiet, der fremover kun kontrollerer de fakturaer, som systemet markerer som påfaldende, og som står inde for godkendelsen af resten. Kan man ikke pege på sådan en person med en ændret opgave, bliver der ikke ændret en proces, men købt et værktøj. Det er det hyppigste tilfælde. I Deloitte-undersøgelsen fra januar 2026 havde 84 procent af virksomhederne ikke omlagt en eneste rolle efter indførelsen af AI. Folk fik et nyt værktøj, deres opgaver og ansvarsområder forblev de samme.

### For det tredje: Hvilke data kræver det, og hvem ejer dem?

For at kontrollere en faktura har systemet brug for tre ting: selve fakturaen, den ordre, den hører til, og de aftalte priser. Ordrerne ligger som regel pænt i ERP-systemet. De aftalte priser står derimod ofte i PDF-kontrakter, i gamle e-mails eller i hovedet på en enkelt indkøber. Så ender projektet, før den første linje kode er skrevet. Og hvis der ikke er nogen, der løbende vedligeholder disse data, leverer selv et system, der var godt i starten, forkerte resultater efter nogle måneder. Derfor afklarer dette spørgsmål så hurtigt, om et projekt er realistisk i år. Man skal bare for hver af de tre ting spørge, hvor den ligger, og hvem der er ansvarlig for den.

Til at bestemme rækkefølgen af sådanne projekter hjælper [Vellmerk-matricen](/da/blog/vellmerk-matrix), der sorterer dem efter effekt og indsats. Og før I sætter en model ind, er det umagen værd at tjekke, om det [overhovedet kræver AI](/da/blog/automatisierung-ki-richtig-einsetzen), eller om en simpel regel løser problemet billigere.

## Når I har brug for en second opinion

Meget af det kan afklares internt. Nogle gange mangler erfaringen med AI-projekter simpelthen, fordi det er de første, og netop dér er en second opinion udefra umagen værd.

Vi bygger ikke kun løsninger selv, vi arbejder også som sparringspartner. Selve udviklingen kan så blive i jeres team eller hos jeres nuværende leverandør, og vi står for kvalitetssikringen. Vi hjælper med planlægningen, med forankringen i jeres strategi og med de faktorer, man let overser i den daglige drift.

Hvordan det ser ud, kan skræddersys på mange måder. I kan hente os ind alene til strategien. I kan få os til at vurdere et tilbud eller et koncept fra en leverandør, før I skriver under, eller få et igangværende projekt gennemgået for målklarhed, datagrundlag og driftsparathed. I kan stille en sparringspartner ved siden af jeres egne udviklere, som de kan drøfte designbeslutninger med, eller overlade projektstyringen til os.

Vores kvalitetsstyring er certificeret efter ISO 9001, og vi driver den [selv med AI-understøttelse](/da/blog/iso-9001-ki-agenten). Det er ikke et kvalitetsstempel for AI-projekter, men det betyder, at vi er vant til revisorens perspektiv. Hvis I har brug for nogen på et af disse punkter, [så tag fat i mig](/da/contact). Allerede i den første samtale kan man som regel sige, om indsatsen kan betale sig.

## Kilder og videre læsning

[MIT Project NANDA: The GenAI Divide, State of AI in Business 2025, juli 2025](https://mlq.ai/media/quarterly_decks/v0.1_State_of_AI_in_Business_2025_Report.pdf)

[Futuriom: kritik af NANDA-undersøgelsen, 26. august 2025](https://www.futuriom.com/articles/news/why-we-dont-believe-mit-nandas-werid-ai-study/2025/08)

[Bitkom: Erstmals nutzt die Mehrheit der Unternehmen KI (pressemeddelelse), 14. september 2026](https://www.bitkom.org/Presse/Presseinformation/Erstmals-nutzt-die-Mehrheit-der-Unternehmen-KI)

[Bitkom Studienbericht Künstliche Intelligenz, februar 2026](https://www.bitkom.org/sites/main/files/2026-02/bitkom-studienbericht-ki.pdf)

[Humlum og Vestergaard: Large Language Models, Small Labor Market Effects, NBER Working Paper 33777](https://ideas.repec.org/p/nbr/nberwo/33777.html)

[RAND: The Root Causes of Failure for Artificial Intelligence Projects, august 2024](https://www.rand.org/pubs/research_reports/RRA2680-1.html)

[Gartner: Lack of AI-Ready Data Puts AI Projects at Risk, 26. februar 2025](https://www.gartner.com/en/newsroom/press-releases/2025-02-26-lack-of-ai-ready-data-puts-ai-projects-at-risk)

[Brynjolfsson, Li og Raymond: Generative AI at Work, NBER Working Paper 31161](https://www.nber.org/papers/w31161)

[Cohen og Levinthal: Absorptive Capacity, Administrative Science Quarterly 35(1), 1990](https://www.jstor.org/stable/2393553)

[Den østrigske rigsrevision (Rechnungshof Österreich): KI in der Bundesverwaltung, Reihe Bund 2025/20](https://rechnungshof.gv.at/rh/home/home/2025_20_KI_Bundesverwaltung.pdf)

## Ofte stillede spørgsmål

### Mislykkes 95 procent af alle AI-projekter?

Det tal holder ikke for en nærmere undersøgelse. Det stammer fra et papir fra MIT-projektet NANDA fra juli 2025, som selv betegner sig som foreløbigt og bygger på 153 spørgeskemaer og 52 interviews indsamlet på fire brancheknferencer. Kevin Werbach fra Wharton School har offentligt sagt, at han ikke kan finde ud af, hvor tallet kommer fra i dokumentet. Rapporten tæller desuden hver pilot som en fiasko, hvis den ikke når i fuld drift inden for seks måneder, selv om en del var tænkt som læringsøvelser eller leverandørsammenligninger.

### Hvad er de hyppigste årsager til, at AI-projekter mislykkes?

RAND Corporation interviewede i 2024 femogtres erfarne data scientists og ingeniører. Den hyppigste årsag er ikke teknisk: interessenter misforstår eller beskriver uklart det problem, AI skal løse. Derefter følger manglende eller utilstrækkelige data, en fiksering på den nyeste teknologi frem for brugernes problem, og en infrastruktur, der ikke kan bære driften. Det er de samme grunde, som får andre IT-projekter til at mislykkes.

### Er en chatbot et godt første AI-anvendelsesområde?

Som assistent for medarbejderne ja, som erstatning for mennesker som regel ikke. Brynjolfsson, Li og Raymond analyserede i Quarterly Journal of Economics i 2025 arbejdet hos 5.172 supportmedarbejdere og målte 15 procent flere løste sager i timen, for nyansatte 34 procent. En dansk registerundersøgelse af omkring 25.000 beskæftigede fandt derimod ingen målbar effekt af chatbots på arbejdstid eller indtjening. Bitkom-tal viser, at 88 procent af AI-brugerne anvender teknologien i kundekontakten, mod 11 procent til intern videndeling, hvor gevinsten ofte er større.

### Hvordan genkender jeg en AI-leverandør, der leverer mere end et værktøj?

Tre spørgsmål rækker som regel. For det første: Hvad bliver præcist bedre, og hvordan måles det? Et brugbart svar giver et tal, for eksempel at en faktura i dag tager fire dage til godkendelse og fremover skal tage én. Uden dagens tal kan man ikke senere afgøre, om projektet har virket. For det andet: Hvem arbejder anderledes bagefter? Kan man ikke nævne en person med en ændret opgave, købes der kun et værktøj. Ifølge Deloitte har 84 procent af virksomhederne ikke omlagt en eneste rolle efter indførelsen af AI. For det tredje: Hvilke data kræver løsningen, og hvem vedligeholder dem? Ligger en del af dem kun i PDF-kontrakter eller i hovedet på enkelte medarbejdere, mislykkes projektet, før det begynder.