Offentligt dokumenterede eksempler

Seks nordiske eksempler på AI i praksis

Se, hvordan nordiske virksomheder bruger AI til at forkorte arbejdstid, gøre specialistviden tilgængelig og håndtere flere kundehenvendelser – med resultater, kilder og forbehold samlet ét sted.

Sammenligningsoversigt

Seks forskellige arbejdsgange

  1. Danmark · stor life-science-virksomhed

    Novo Nordisk

    Arbejdsgang
    Kliniske studierapporter
    AI-type
    Generativ AI med RAG
    Resultat
    Ca. 12 uger til ca. 10 minutter
    Virksomhedsoplyst resultat

  2. Danmark · støberikoncern

    Vald. Birn

    Arbejdsgang
    Priskalkulation
    AI-type
    Machine learning
    Resultat
    Knap 90 % mindre tidsforbrug
    Virksomhedsoplyst resultat

  3. Danmark · værktøjsslibning

    TN Værktøjsslibning

    Arbejdsgang
    Find teknisk information
    AI-type
    AI-understøttet ERP-søgning
    Resultat
    Ca. 20 minutter til ca. 20 sekunder
    Virksomhedsoplyst resultat

  4. Danmark · digital bank

    Lunar

    Arbejdsgang
    Kundeserviceopkald
    AI-type
    GenAI-stemmeassistent
    Status
    Beta for udvalgte kunder
    Mål eller forventning

  5. Norge · forbrugerteknologi

    reMarkable

    Arbejdsgang
    Supportsager og IT-hjælp
    AI-type
    Kundeserviceagent
    Resultat
    37 % selvstændigt løste supportsager
    Leverandørkilde

  6. Global · Ingka Group

    IKEA / Ingka Group

    Arbejdsgang
    Fjernbaseret kundeservice
    AI-type
    Chatbot og remote selling
    Resultat
    Ca. 47 % af henvendelserne
    Dokumenteret resultat

Detaljerede eksempler

Læs kilderne i den rette sammenhæng

Se DI’s AI-casearkiv Ekstern ressource · kontrolleret 3. august 2026

01Novo NordiskDanmark · generativ AI og RAG12 uger → 10 minutter Virksomhedsoplyst

NovoScribe bruges til udkast til kliniske studierapporter. Kilderne beskriver en højt reguleret dokumentationsarbejdsgang, hvor faglig gennemgang og godkendelse fortsat er nødvendig.

Udfordring

Kliniske studierapporter kan være omfattende og kræver bidrag fra statistikere, forskere og tekniske skribenter over en længere proces.

Løsning

NovoScribe kombinerer generativ AI med retrieval-augmented generation og domænegodkendt indhold. Anthropic og MongoDB beskriver løsningen som kundeeksempler.

Virksomhedsoplyste resultater

  • MongoDB oplyser, at fremstilling af en klinisk studierapport gik fra cirka 12 uger til cirka 10 minutter.
  • Anthropic oplyser, at skrivetiden for rapporter blev reduceret med 90 %. Det er en særskilt måling - ikke det samme som den samlede gennemløbstid.

Mål og forventninger

MongoDB skriver, at NovoScribe på kildetidspunktet håndterede omkring 30 % af rapporterne, med forventning om over 90 % inden årets udgang.

Hvad casen viser

En afgrænset, dokumenttung arbejdsgang kan ændres markant, når data, review og ansvar indgår i løsningen.

Begrænsninger i dokumentationen

Oplysningen om 50 til 3 skribenter og omplacering kommer fra en sekundær artikel. Den bruges ikke som et primært dokumenteret resultat her. Vi medtager heller ikke en påstand om årligt AI-forbrug sammenlignet med en skribentløn.

Kilder

02Vald. BirnDanmark · machine learning-baseret priskalkulationKnap 90 % kortere tid Virksomhedsoplyst

Vald. Birn bruger machine learning til at generere prisudkast. Den endelige kommercielle beslutning ligger fortsat hos mennesker.

Udfordring

Manuel priskalkulation på forespørgsler tog tid og skulle udføres med ensartet kvalitet.

Løsning

Virksomheden implementerede en algoritme til machine learning-baseret priskalkulation, som bruger historiske beregninger til at foreslå et prisudkast.

Virksomhedsoplyste resultater

  • Tidsforbruget pr. beregning faldt med knap 90 %.
  • Test viste en hitrate på mindst 90 %, forstået som at modellens pris ofte stemte med virksomhedens egen beregning.
  • På kildetidspunktet genererede løsningen prisudkast til cirka 20 % af forespørgslerne.

Hvad casen viser

AI-resultatet er et prisudkast. Strukturerede historiske data kan accelerere forberedelsen, mens et menneske beholder den endelige kommercielle vurdering.

Begrænsninger i dokumentationen

DI gengiver virksomhedens egne oplysninger. Kilden oplyser ikke samlet økonomisk effekt eller fejlfordeling uden for den beskrevne hitrate.

Kilder

03TN VærktøjsslibningDanmark · AI-understøttet ERP-søgning20 minutter → 20 sekunder Virksomhedsoplyst

Løsningen er en AI-understøttet søgeløsning integreret med virksomhedens ERP-system - ikke en almindelig chatbot.

Udfordring

Medarbejdere skulle finde oplysninger i komplekse ERP-data, og det tog omkring 20 minutter at besvare visse forespørgsler.

Løsning

Virksomheden lagde en brugerflade oven på en AI-integration med ERP-systemet, så relevant information blev lettere at finde i det daglige arbejde.

Virksomhedsoplyste resultater

  • Responstiden beskrives som cirka 20 minutter til cirka 20 sekunder.
  • DI citerer, at den første løsning, virksomheden kunne arbejde med, blev bygget på omkring halvanden måned.

Mål og forventninger

DI gengiver en forventning om, at medarbejdere kan blive oplært på cirka tre måneder frem for op mod to år. Det er ikke et målt resultat.

Hvad casen viser

ERP-data bliver først nyttige i en AI-løsning, når brugere kan finde, forstå og redigere den relevante information i deres egen arbejdsgang.

Begrænsninger i dokumentationen

Kilden er et branchecasearkiv med virksomhedsudsagn. Den dokumenterer ikke en sammenlignelig ROI eller effekten over længere tid.

Kilder

04LunarDanmark · GenAI-stemmeassistentBeta og 75 % ambition Mål eller forventning

Denne case er en implementerings- og ambitionscase. Den beskriver primært lanceringsstatus og ønsket driftsmodel, ikke et realiseret resultat.

Udfordring

Kundeservice skulle være tilgængelig også uden for normal åbningstid og kunne håndtere både enkle og mere komplekse spørgsmål.

Løsning

Lunar lancerede en GenAI-baseret stemmeassistent i beta for udvalgte kunder for at indsamle feedback og forfine servicen. 24/7-tilgængelighed og mulighed for menneskelig overdragelse beskrives som designede egenskaber.

Status og mål

  • Lunar positionerede selv lanceringen som “a first in European banking”.
  • Lunar forventede over tid, at assistenten ville håndtere cirka 75 % af kundernes opkald. Det var ikke et målt resultat på kildetidspunktet.
  • Tech.eu skrev 24. oktober 2024, at Lunar ikke ansatte så hurtigt efter introduktionen, og at det ikke havde medført jobnedskæringer på det tidspunkt.

Hvad casen viser

En agentlancering kan begynde som kontrolleret beta. Tilgængelighed, eskalering og ansvar bør beskrives før man vurderer effekten.

Begrænsninger i dokumentationen

75 % er en virksomhedsforventning. Udsagnet om ansættelser og ingen jobnedskæringer er dateret 2024 og bør ikke læses som en tidløs effekt.

Kilder

05reMarkableNorge · kundeserviceagent37 % selvstændigt løst Leverandørkilde

reMarkable lancerede Mark som AI-kundeserviceagent og Saga til intern IT-support. Tallene nedenfor kommer fra Salesforce-kundeeksempler.

Udfordring

Supportteamet håndterede voksende kundebehov. Vidensbaseartiklerne var lange og manglede resuméer og metadata, som gjorde informationen lettere for agenten at finde.

Løsning

Mark bruger en struktureret Salesforce-vidensbase til kundeservice og kan overdrage samtalehistorik, relaterede artikler og forsøgte løsninger til et menneske.

Virksomhedsoplyste resultater

  • 37 % selvstændigt løste supportsager.
  • 32.000 kundesamtaler siden lanceringen.
  • 21 % af kunderne valgte frivilligt Mark frem for et menneske.
  • NPS på niveau med menneskelige agenter.

Hvad casen viser

En agent afhænger af en vidensbase, der kan findes og bruges. Feedbacksløjfer og menneskelig overdragelse er en del af driften.

Begrænsninger i dokumentationen

Salesforce er leverandør og udgiver begge kundeeksempler. Vi medtager ikke en sammenligning med 20 % af et supporthold på 115 personer, da den ikke dokumenteres i de angivne kilder.

Kilder

06IKEA / Ingka GroupGlobal · chatbot og remote sellingCa. 47 % af henvendelserne Dokumenteret

Ingka Group beskriver, hvordan chatbotten Billie og kompetenceudvikling i remote selling indgår i samme kundeservicekanal.

Udfordring

Kundeservice skulle være tilgængelig på tværs af tidszoner, mens medarbejdere skulle bruge mere tid på samtaler med højere værdi.

Løsning

Billie håndterer enklere henvendelser døgnet rundt. Ingka Group beskriver, at medarbejdere er omskolet til blandt andet fjernbaseret indretningsrådgivning og digitalt salg.

Dokumenterede resultater

  • Fra 2021 til 2023 løste Billie cirka 47 % af de kundehenvendelser, den modtog.
  • Det svarer ifølge Ingka til 3,2 millioner løste interaktioner og knap 13 millioner euro i besparelser.
  • 8.500 callcenter-medarbejdere var omskolet.
  • Salg gennem Ingka Groups samlede fjernbaserede kundemødepunkter nåede 1,3 milliarder euro ved udgangen af FY22.

Mål og forventninger

Ingka skrev, at målet var at øge remote selling-kanalens andel af samlet salg til 10 % over de følgende år.

Hvad casen viser

Automatisering og kompetenceudvikling kan indgå i samme driftsmodel. Den menneskelige rolle flyttes mod kompleks problemløsning og rådgivning.

Begrænsninger i dokumentationen

1,3 milliarder euro er hele den fjernbaserede salgskanals omsætning, ikke omsætning der kan tilskrives chatbotten. Vi medtager ikke 57 %, et absolut udsagn om “uden afskedigelser” eller en fortælling om analyse af de resterende 53 %, fordi den angivne primærkilde ikke dokumenterer dem.

Kilder