Hvad ændrer praktisk AI i en virksomhed?
Seks offentligt dokumenterede cases, fra et værksted med 30 medarbejdere i Jylland til nordiske virksomheder. Tallene er oplyst af virksomhederne og kilderne er linket under hver case.
Casene er dokumentation til dialog - ikke færdige standardpakker. Den rigtige løsning afhænger af jeres arbejde, data og ansvar.
Seks nordiske AI-cases
Åbn en case og se udfordring, løsning, virksomhedsoplyste resultater, læring om forandringsledelse og kilder.
DanmarkNovo NordiskNovoScribe udarbejder udkast til kliniske studierapporter på 300 sider på omkring 10 minutter - arbejde, der tidligere tog et hold på omkring 50 skribenter 12 til 15 uger.Læs hele casen
Udfordring
Kliniske studierapporter, ofte på op til 300 sider, krævede måneder med skrivning, gennemgang og godkendelse. Skribenterne lavede i gennemsnit 2,3 rapporter om året, og hver dags forsinkelse af markedsadgang kan koste op til 15 millioner dollars i potentiel omsætning.
Løsning
Novo Nordisk byggede NovoScribe på Claude-modeller via Amazon Bedrock. Løsningen kombinerer retrieval-augmented generation med tekst godkendt af domæneeksperter, efter tidligere forsøg med andre modeller gav for mange fejl til at være værd at rette.
Virksomhedsoplyste resultater
- Produktionstiden faldt fra mere end 12 uger til omkring 10 minutter, med 90% mindre skrivetid.
- Holdet, der skrev rapporter, gik fra omkring 50 personer til tre. De øvrige skribenter blev flyttet til andre opgaver, og ingen blev afskediget.
- Gennemgangsrunderne faldt med 50%, mens kvaliteten steg. NovoScribe hjælper med omkring 30% af rapporterne med et mål på 90%.
- Det årlige AI-forbrug er mindre end lønnen til én skribent. Platformen er også udvidet til protokoller for enheder, med 95% færre ressourcer, og patientmaterialer.
Læring om forandringsledelse
Novo Nordisk flyttede skribenter til andre opgaver frem for at afskedige dem, og flaskehalsen flyttede fra produktion til gennemgang og godkendelse. Når en opgave på 12 uger tager 10 minutter, skal organisation, kvalitetssikring og roller også gentænkes. Det er et organisatorisk projekt, ikke en IT-udrulning.
Kilder
Anthropic case study MongoDB case study Excitech via The Information og DR's Prompt
DanmarkVald. BirnEt traditionelt jernstøberi trænede en model på tre års prishistorik. Tilbud, der tog op til 1,5 time, tager nu minutter og matcher den manuelle beregning mindst 90% af gangene.Læs hele casen
Udfordring
Vald. Birn i Holstebro med omkring 750 medarbejdere globalt støber jernkomponenter til lastbiler og maskiner. Hver indkommende ordre krævede en manuel prisberegning, som kunne tage op til 1,5 time.
Løsning
En machine-learning-algoritme, der er trænet på tre års tidligere beregninger, råvarepriser og produktionsomkostninger, laver et første prisestimat til nye forespørgsler. Mennesker træffer den endelige beslutning.
Virksomhedsoplyste resultater
- Prisestimater faldt fra op til 1,5 time til få minutter.
- Modellen har en træfsikkerhed på mindst 90%: dens pris matcher som regel holdets manuelle beregning.
- Kunderne får hurtigt et brugbart første prisestimat, mens specialister kun laver fulde beregninger på seriøse ordrer.
Læring om forandringsledelse
Traditionel industri behøver ikke en AI-afdeling for at få værdi. Den skal identificere en gentagen og datarig beslutning, som bruger eksperternes tid. Her laver maskinen udkastet, mens mennesket fortsat har ansvaret for den endelige pris.
Kilder
DanmarkTorben Nielsen VærktøjsslibningEn værktøjsslibningsvirksomhed med 30 medarbejdere byggede en AI-chatbot på sin produktviden og forkortede oplæringen af nye salgsmedarbejdere med omkring en fjerdedel.Læs hele casen
Udfordring
I en lille specialiseret virksomhed ligger produktviden hos få erfarne personer. Nye medarbejdere i salg og kundeservice skulle bruge lang tid på tekniske kundespørgsmål, og spørgsmål til specialister afbrød deres arbejde.
Løsning
Virksomheden byggede en AI-chatbot og et AI-understøttet internt system, som giver salg og kundeservice svar på komplekse kundespørgsmål baseret på virksomhedens egen viden.
Virksomhedsoplyste resultater
- Oplæringstiden for nye salgsmedarbejdere faldt med omkring 25%.
- Medarbejdere med kundekontakt kan besvare komplicerede tekniske spørgsmål på sekunder i stedet for at sende dem videre.
- DI fremhævede virksomheden i initiativet AI for Alle blandt danske SMV'er med store produktivitetsforbedringer.
Læring om forandringsledelse
For SMV'er er et AI-projekt med høj værdi ofte internt: Fang specialistviden, så den ikke længere er en flaskehals. DI's konklusion efter mere end 40 SMV-interviews var, at vilje og struktureret viden, snarere end teknologi, skiller frontløberne fra resten.
Kilder
DanmarkLunarLunar lancerede Europas første stemmebaserede AI-assistent i banksektoren: Telefonsupport døgnet rundt uden kø, som over tid forventes at håndtere omkring 75% af kundeopkaldene.Læs hele casen
Udfordring
Med mere end 950.000 kunder i Danmark, Sverige og Norge og en slank organisation på omkring 450 medarbejdere stod Lunar med voksende supportbehov uden at ville øge omkostningerne tilsvarende, også for kunder der ringer klokken tre om natten.
Løsning
I oktober 2024 lancerede Lunar en stemmebaseret genAI-assistent, som kan håndtere afbrydelser og naturlig dialog uden en traditionel tale-til-tekst-til-tale-kæde. Medarbejdere bruger også LunarGPT, trænet på internt materiale, og udvikling bruger AI-kodeassistance.
Virksomhedsoplyste resultater
- Lunar beskriver sig selv som den første europæiske bank med stemmebaseret genAI-teknologi i kundeservice.
- Assistenten er tilgængelig 24/7/365 uden køtid og forventes over tid at håndtere omkring 75% af opkaldene.
- Lunar oplyser, at der ikke var afskedigelser. Virksomheden bremsede i stedet ansættelsestempoet, og kunder kan altid vælge et menneske.
Læring om forandringsledelse
Lunar parrede en kundeorienteret agent med intern anvendelse af LunarGPT for alle medarbejdere. Anvendelsen i virksomheden kom før automatiseringen ud mod kunderne, mens muligheden for et menneske blev fastholdt som et tillidsspørgsmål.
Kilder
Lunar pressemeddelelse Tech.eu om lanceringen Tech.eu om intern AI
NorgereMarkableDen norske vækstvirksomhed satte AI-supportagenten Mark i drift på tre uger. Den løser nu mere end en tredjedel af supportsagerne selvstændigt med samme kundetilfredshed som menneskelige agenter.Læs hele casen
Udfordring
Med mere end tre millioner solgte papirtablets, en omsætning på omkring 500 millioner dollars og store sæsonudsving var reMarkables support- og IT-hold pressede. Forældede vidensartikler gjorde samtidig svar svære at finde for både mennesker og maskiner.
Løsning
reMarkable byggede to Agentforce-agenter: Mark til kundesupport, funderet i kunde- og produktdata i realtid, og Saga, en intern IT-helpdeskagent i Slack til nulstilling af adgangskoder og rutinesager.
Virksomhedsoplyste resultater
- Den første agent gik i drift på tre uger og håndterede tusindvis af samtaler gennem virksomhedens travleste Black Friday.
- Den løser 35 til 37% af indgående supportsager selvstændigt, svarende til omtrent 20% af supportholdet på 115 personer.
- Kundetilfredsheden er på niveau med menneskelige agenter, og der er håndteret mere end 25.000 samtaler.
- Forberedelsen af agenten førte til oprydning i forældede vidensartikler, hvilket også forbedrede svarene til mennesker.
Læring om forandringsledelse
reMarkable behandlede agenten som en ny kollega: Træning, feedbacksløjfer og bedre ressourcer. Den afgørende, men mindre glamourøse forudsætning var videnhygiejne, som agenten gjorde umulig at ignorere.
Kilder
Salesforce kundehistorie Salesforce newsroom Agentforce metrics
SverigeIKEA / Ingka GroupIKEA-chatbotten Billie overtog 47% af kundeservicehenvendelserne. Ingka omskolede 8.500 callcentermedarbejdere til fjernbaserede indretningsrådgivere i stedet for at afskedige dem.Læs hele casen
Udfordring
Ingka Group, som driver de fleste IKEA-varehuse, håndterede millioner af henvendelser om året. Mange var nødvendige, men transaktionelle henvendelser om ordrer, levering og returneringer.
Løsning
Chatbotten Billie, der blev lanceret i 2021, overtog rutinehenvendelser. Ingka analyserede de resterende kontakter og fandt efterspørgsel efter indretningsrådgivning, som medarbejderne ikke tidligere havde kapacitet til, og lancerede derefter et struktureret omskolingsprogram.
Virksomhedsoplyste resultater
- Billie håndterede omkring 47% af henvendelserne, eller 3,2 millioner samtaler fra 2021 til 2023, og steg senere mod 57%.
- Ingka oplyser om driftsbesparelser på omkring 13 millioner euro fra automatisering.
- Omkring 8.500 callcentermedarbejdere blev omskolet til fjernbaserede indretningsrådgivere, uden afskedigelser.
- Den fjernbaserede indretningskanal omsatte for omkring 1,3 milliarder euro i regnskabsåret 2022, omkring 3,3% af salget, med et udtalt mål på 10% i 2028. Det er hele kanalens omsætning, ikke omsætning, der alene kan tilskrives chatbotten.
Læring om forandringsledelse
Chatbottens større bidrag var at vise, hvad kunder ønskede fra mennesker. Ingka spurgte, hvad medarbejderne kunne gøre, som en bot ikke kan, frem for hvor mange virksomheden kunne fjerne.
Kilder
Hvad casene har til fælles
- Størrelsen afgør ikke ROI. En værktøjssliber med 30 medarbejdere og et støberi med 750 viser samme type gevinst som Novo Nordisk: En afgrænset arbejdsgang med målbar tidsbesparelse.
- Ingen starter med afskedigelser. Novo Nordisk flyttede skribenter, Lunar sænkede ansættelsestempoet, og IKEA omskolede 8.500 mennesker. I disse eksempler er AI kapacitet frem for reduktion af medarbejderantal.
- Videnhygiejne kommer først. reMarkable omskrev sin vidensbase, og Torben Nielsen strukturerede specialistviden. En agent er kun så god som det, organisationen har skrevet ned.
- Hastigheden er reel. reMarkable satte en agent i drift på tre uger, mens Vald. Birn forkortede tilbudsgivning fra op til 1,5 time til minutter. Organisatorisk parathed er den lange stang.
- Der findes mere lokal dokumentation. DI's AI-casearkiv dokumenterer flere danske SMV-eksempler og vokser løbende.