Du har prøvet det. Du lagde en eksport i en AI-assistent og spurgte, hvilke kunder der købte mindst sidste kvartal. Svaret så rigtigt ud. Så tjekkede du ét tal, og det passede ikke.
Siden har du ikke brugt det. Det er en skam, for dataanalyse med AI virker. Det kræver bare, at du kan se forskel på, om AI’en har regnet eller gættet. Den forskel handler denne artikel om.
Det er anden del af vores serie om vejen fra BI til AI-drevne apps. Første del handlede om AI og BI, og om hvilke rapporter en virksomhed skal beholde. Den her handler om det, du selv kan gøre i dag med en eksport fra CRM, ERP eller dit fagsystem. Uden en BI-afdeling.
Dataanalyse med AI: regner den, eller gætter den?
En AI-assistent kan svare på et spørgsmål om dine data på to måder.
- Den gætter. Sprogmodellen læser noget af filen og skriver et svar, der lyder sandsynligt. Tallene kan være rigtige. De kan også være opfundet, og du kan ikke se forskel
- Den regner. Assistenten skriver et lille program, kører det på hele filen og giver dig resultatet. Tallet kommer fra en beregning, ikke fra en formulering
De store assistenter kan i dag regne. ChatGPT og Claude skriver og kører kode på en CSV- eller Excel-fil, du uploader. Gemini kan analysere et regneark og lave grafer ud fra det. Men de gør det ikke altid af sig selv. Nogle gange svarer de bare.
OpenAI skriver selv i sin vejledning om dataanalyse, at man skal gennemgå koden, resultatet og antagelserne, før man stoler på resultatet (september 2026). Det er det bedste råd om emnet, og det kommer fra producenten.
Skriv det her i din første besked, hver gang: Beregn svaret med kode på hele filen. Vis mig koden, hvor mange rækker du har indlæst, og hvilke filtre du har brugt.
Så kan du se, hvad der er sket. Du behøver ikke kunne programmere for at læse det. Du skal kunne se, om den har talt de rigtige rækker med.
Før du uploader: fjern det, analysen ikke skal bruge
Den første indvending er næsten altid den samme: vi må ikke lægge kundedata i en AI. Den er rimelig. Og den har et svar.
- Brug en erhvervsplan. På ChatGPT Business og Enterprise og på Claude Team og Enterprise bliver det, du uploader, som udgangspunkt ikke brugt til at træne modellerne (september 2026). Har din arbejdsplads en af dem, så brug den
- Fjern kolonner, før du uploader. Navne, mails, telefonnumre og CPR-numre er sjældent en del af spørgsmålet. Erstat kundenavnet med kundenummeret. Analysen af, hvem der køber mindst, virker lige så godt, uden at AI’en ved, hvem kunden er
- Upload ikke kundedata fra en privat konto. Heller ikke selv om du har slået træning fra. Det handler om, hvem der har ansvaret for data, og ikke kun om træning
Har din arbejdsplads regler for brug af AI, gælder de selvfølgelig først.
Tre eksempler, du kan prøve i morgen
Alle tre bruger en almindelig eksport. Alle tre slutter med et tjek, du selv kan lave på to minutter.
1. Hvorfor faldt salget? En afvigelse forklaret
Du har en eksport af ordrelinjer med dato, kunde, produkt, region og beløb. Salget i august var lavere end i juli, og nogen vil vide hvorfor.
Prompt: Sammenlign august med juli. Bryd forskellen ned på region og produktgruppe, og vis de fem største bidrag til faldet. Beregn det med kode på filen.
Tjekket: Læg de fem bidrag sammen. Ligger summen langt fra den samlede forskel, har den enten overset noget eller talt noget to gange. Spørg den, hvad resten består af.
Afvigelser i budgettet er et beslægtet emne, som vi har gennemgået i AI til budgetopfølgning. Metoden her virker på alt, hvor et tal har ændret sig, og nogen vil vide hvorfor.
2. Hvem er ved at glide væk? En segmentering
Du har en eksport fra CRM med én række pr. kunde: antal ordrer, samlet omsætning og dato for seneste køb. Du vil vide, hvem der er ved at glide væk.
Prompt: Del kunderne i fire grupper efter, hvor ofte de køber, hvor meget de køber, og hvor længe siden det seneste køb er. Vis reglerne for hver gruppe og antallet af kunder i hver.
Tjekket: Antallet i de fire grupper skal give det samlede antal kunder i filen. Og reglerne skal give mening for dig. Kan du ikke forklare en kollega, hvorfor en kunde står i en gruppe, er det AI’ens segmentering og ikke din.
3. Vis mig det: en graf på to minutter
Du har en eksport fra fagsystemet med sager eller henvendelser: dato, kategori og status. Til mandagsmødet skal du vise, hvordan det har udviklet sig.
Prompt: Lav en søjlegraf over antal sager pr. uge i det seneste kvartal, opdelt på kategori. Skriv totalen for hver uge over søjlen.
Tjekket: Find én uge i dit eget system, og sammenlign med totalen i grafen. Grafen er et udkast til et møde. Skal den laves hver uge, er det et dashboard, og så er det en anden snak.
Hvad der går galt, og hvordan du fanger det
Når tallene er forkerte, er det sjældent, fordi AI’en er dum. Det er næsten altid én af fire ting.
- Den regnede ikke. Svaret kom som tekst uden en beregning. Det fanger du ved at bede om koden hver gang
- Den læste danske tal forkert. Danske eksporter bruger ofte semikolon mellem kolonnerne og komma som decimaltegn. Læses filen med engelske indstillinger, bliver 1.234,50 til noget helt andet. Bed den vise de første fem rækker, som den har læst dem, og sammenlign med filen
- Den koblede to filer forkert. Kobler du kunder og ordrer, og står en kunde to gange i kundefilen, bliver ordrerne talt dobbelt. Spørg, hvor mange rækker der var før og efter koblingen
- Den så ikke hele filen. Spørg, hvor mange rækker den har indlæst, og sammenlign med Excel. Er tallet lavere, har den kun arbejdet med en del af filen
AI’en er hurtig til at regne. Den er også hurtig til at lyde sikker. Én sum, du selv kender, er det, der skiller de to ad.
Når en eksport ikke er nok længere
Rodede data er den tredje indvending. AI er faktisk god til at rydde op i én fil: dubletter, stavemåder og tomme felter. Men den kan ikke vide, hvad I mener med en aktiv kunde, hvis tre systemer mener tre forskellige ting. Det handler om jeres grunddata, og det vender vi tilbage til senere i serien.
En eksport og en chat holder længe. Men I får brug for en rigtig datamodel, når:
- det samme spørgsmål skal stilles hver måned af flere personer og give det samme svar
- data skal hentes fra flere systemer hver gang
- en vigtig beslutning hviler på tallet
Er I der, er det et andet stykke arbejde. Det er det, vores data- og BI-rådgivning handler om.
Sådan kommer du i gang med dataanalyse med AI
- Vælg én eksport og ét spørgsmål, du kender svaret på. For eksempel omsætningen sidste måned
- Stil det med beregningen. Bed om kode, antal rækker og filtre
- Tjek svaret mod det, du ved. Passer det, så stil det spørgsmål, du ikke kender svaret på
Første gang tager det en halv time. Anden gang tager det fem minutter. Vil du have en underviser ved siden af første gang, er dataanalyse en del af vores AI-kurser.
Lær det på en dag
På ChatGPT- og Gemini-kurset er dataanalyse på programmet. Du uploader et datasæt og får analyser, grafer og konklusioner tilbage, med en underviser ved siden af. 1 dag, max 8 deltagere, i København, Aarhus og Odense.
Er det jeres datamodel, der skal på plads, så book en gratis og uforpligtende snak.
Paw Lundin
Stifter af Digital Forlomme. 15+ års erfaring med digitalisering, først som intern leder, nu som rådgiver. Underviser, implementerer og rådgiver.
Ofte stillede spørgsmål om dataanalyse med AI
Kan man bruge ChatGPT til dataanalyse?
Ja. ChatGPT kan læse en CSV- eller Excel-fil og skrive og køre Python-kode på den. Bed om at se koden og antallet af rækker, den har indlæst, og tjek ét tal selv. OpenAI anbefaler selv at gennemgå kode, resultat og antagelser, før man bruger resultatet.
Er det sikkert at uploade firmadata til en AI-assistent?
På erhvervsplanerne ChatGPT Business og Enterprise samt Claude Team og Enterprise bliver input som udgangspunkt ikke brugt til træning, pr. september 2026. Fjern alligevel navne, mails og CPR-numre, som analysen ikke skal bruge, og upload ikke kundedata fra en privat konto.
Hvordan ved jeg, om tallene er rigtige?
Bed assistenten om at regne med kode på hele filen og vise beregningen. Tjek derefter en sum, du kender fra systemet, og antallet af rækker. Passer de, er resten sandsynligvis også rigtigt. Passer de ikke, ligger fejlen ofte i indlæsningen af datoer eller decimaler.
Hvorfor bliver danske tal forkerte?
Danske eksporter bruger ofte semikolon mellem kolonnerne og komma som decimaltegn. Læses filen med engelske indstillinger, kan 1.234,50 blive til et helt andet tal. Bed assistenten vise de første rækker, som den har læst dem, og sammenlign med filen.
Skal jeg kunne programmere?
Nej. Assistenten skriver koden. Du skal kunne se, hvad den har gjort: hvilke kolonner den har brugt, hvilke filtre den har sat, og hvor mange rækker den har talt med. Det kan læres på en dag.
Hvornår har vi brug for en rigtig datamodel?
Når det samme spørgsmål skal stilles hver måned af flere personer og give det samme svar, når data skal hentes fra flere systemer hver gang, eller når en vigtig beslutning hviler på tallet. Så er en eksport og en chat ikke nok længere.