<?xml version="1.0" encoding="UTF-8"?><rss version="2.0"
	xmlns:content="http://purl.org/rss/1.0/modules/content/"
	xmlns:wfw="http://wellformedweb.org/CommentAPI/"
	xmlns:dc="http://purl.org/dc/elements/1.1/"
	xmlns:atom="http://www.w3.org/2005/Atom"
	xmlns:sy="http://purl.org/rss/1.0/modules/syndication/"
	xmlns:slash="http://purl.org/rss/1.0/modules/slash/"
	>

<channel>
	<title>Digital forlomme</title>
	<atom:link href="https://digitalforlomme.dk/feed/" rel="self" type="application/rss+xml" />
	<link>https://digitalforlomme.dk</link>
	<description>AI-kurser, implementering og rådgivning til danske virksomheder</description>
	<lastBuildDate>Thu, 27 Aug 2026 08:15:54 +0000</lastBuildDate>
	<language>da-DK</language>
	<sy:updatePeriod>
	hourly	</sy:updatePeriod>
	<sy:updateFrequency>
	1	</sy:updateFrequency>
	

<image>
	<url>https://digitalforlomme.dk/wp-content/uploads/2025/07/Favicon-150x150.png</url>
	<title>Digital forlomme</title>
	<link>https://digitalforlomme.dk</link>
	<width>32</width>
	<height>32</height>
</image> 
	<item>
		<title>AI-kompetencer: hvorfor ikke alle skal kunne det samme</title>
		<link>https://digitalforlomme.dk/ai-kompetencer/</link>
					<comments>https://digitalforlomme.dk/ai-kompetencer/#respond</comments>
		
		<dc:creator><![CDATA[Paw de Sparra Lundin]]></dc:creator>
		<pubDate>Thu, 27 Aug 2026 06:00:00 +0000</pubDate>
				<category><![CDATA[AI-værktøjer]]></category>
		<guid isPermaLink="false">https://digitalforlomme.dk/?p=2043</guid>

					<description><![CDATA[Beslutningen kom oppefra: AI-kompetencerne i huset skal op. Det første tilbud der lander på bordet, er en kursusdag for alle 400. Det er nemt at sige ja til, og det er præcis derfor, det sjældent sætter sig.]]></description>
										<content:encoded><![CDATA[<style>/* Blog 23 (/ai-kompetencer/) i .dfa-designsproget. Bruger temaets globale :root-tokens (wordpress/themes/forlomme/style.css) med hex-fallback, saa filen ogsaa ser rigtig ud i lokalt preview uden temaet. Fonte (Fraunces + DM Sans) loades globalt af temaet -- ingen @font-face her (RCB/GDPR ren). */ .dfa-art { font-family: 'DM Sans', system-ui, -apple-system, 'Segoe UI', sans-serif; max-width: 760px; margin: 0 auto; padding: 0 24px 8px; color: #0e1310; color: var(--df-text, #0e1310); font-size: 17px; line-height: 1.7; } .dfa-art__meta { color: #868c88; color: var(--df-text-3, #868c88); font-size: 0.9em; margin: 0 0 32px; } .dfa-art__lead { font-size: 1.2em; font-weight: 500; line-height: 1.5; margin: 0 0 32px; } .dfa-art p { margin: 0 0 20px; } .dfa-art h2 { font-family: 'Fraunces', Georgia, serif; color: #0e1310; color: var(--df-text, #0e1310); font-size: clamp(1.5rem, 3.2vw, 1.9rem); font-weight: 600; letter-spacing: -0.01em; line-height: 1.15; margin: 48px 0 16px; } .dfa-art h3 { font-family: 'Fraunces', Georgia, serif; color: #0e1310; color: var(--df-text, #0e1310); font-size: 1.25rem; font-weight: 600; line-height: 1.2; margin: 32px 0 10px; } .dfa-art a { color: #185b37; color: var(--df-primary, #185b37); font-weight: 600; text-decoration: none; } .dfa-art a:hover { text-decoration: underline; } .dfa-art strong { color: #0e1310; color: var(--df-text, #0e1310); font-weight: 700; } /* Checklister med groen flueben-markoer */ .dfa-art ul { list-style: none !important; list-style-type: none !important; padding: 0 !important; margin: 0 0 24px; } .dfa-art ul li { list-style: none !important; margin-left: 0 !important; position: relative; padding: 9px 0 9px 30px; color: #59635d; color: var(--df-text-2, #59635d); border-bottom: 1px solid #d2dad4; border-bottom: 1px solid var(--df-border, #d2dad4); } .dfa-art ul li:last-child { border-bottom: none; } .dfa-art ul li::marker { content: "" !important; font-size: 0 !important; } .dfa-art ul li::before { content: "\2713"; position: absolute; left: 0; top: 9px; color: #185b37; color: var(--df-primary, #185b37); font-weight: 700; } .dfa-art ul li strong { color: #0e1310; color: var(--df-text, #0e1310); } /* Neutral note (groen venstrekant) */ .dfa-art__note { background: #eef3ef; background: var(--df-surface-alt, #eef3ef); border-left: 4px solid #185b37; border-left: 4px solid var(--df-primary, #185b37); border-radius: 0 12px 12px 0; padding: 18px 24px; margin: 32px 0; } .dfa-art__note p { margin: 0; } /* Indsigt / key takeaway (terracotta -- reserveret til indsigt) */ .dfa-art__insight { background: #ffe2dc; background: var(--df-accent-light, #ffe2dc); border: 1px solid #f0c9c1; border: 1px solid var(--df-accent-border, #f0c9c1); border-radius: 16px; padding: 24px 28px; margin: 36px 0; } .dfa-art__insight .dfa-art__label { color: #de4f44; color: var(--df-accent, #de4f44); } .dfa-art__insight p { margin: 8px 0 0; } .dfa-art__label { font-size: 12px; font-weight: 600; letter-spacing: 0.12em; text-transform: uppercase; color: #185b37; color: var(--df-primary, #185b37); } /* Tabel */ .dfa-art__tablewrap { overflow-x: auto; margin: 32px 0; -webkit-overflow-scrolling: touch; } /* Mobil-scroll af brede tabeller haandteres sitewide i MU-pluginet df-mobile-layout-fixes.php (min-width:min-content paa wrappede tabeller), ikke med et per-post min-width. Roer ikke reglen her. */ .dfa-art table { width: 100%; border-collapse: collapse; font-size: 0.96em; } .dfa-art th, .dfa-art td { text-align: left; padding: 12px 14px; vertical-align: top; border-bottom: 1px solid #d2dad4; border-bottom: 1px solid var(--df-border, #d2dad4); } .dfa-art th { font-family: 'Fraunces', Georgia, serif; font-weight: 600; color: #0e1310; color: var(--df-text, #0e1310); border-bottom: 2px solid #185b37; border-bottom: 2px solid var(--df-primary, #185b37); } .dfa-art td:first-child { font-weight: 600; color: #0e1310; color: var(--df-text, #0e1310); } /* CTA-band (groent, afrundet) */ .dfa-art__cta { background: #185b37; background: var(--df-primary, #185b37); color: #f7fbf8; color: var(--df-on-dark, #f7fbf8); border-radius: 16px; padding: 36px 32px; text-align: center; margin: 48px 0; } .dfa-art__cta h3 { font-family: 'Fraunces', Georgia, serif; color: #f7fbf8; color: var(--df-on-dark, #f7fbf8); font-size: 1.5rem; font-weight: 600; margin: 0 0 12px; } .dfa-art__cta p { color: #bcd4c4; color: var(--df-on-dark-2, #bcd4c4); margin: 0 0 24px; } .dfa-art__cta p:last-child { margin: 20px 0 0; } .dfa-art__cta a.dfa-art__ctalink { color: #f7fbf8; color: var(--df-on-dark, #f7fbf8); text-decoration: underline; font-weight: 600; } .dfa-art a.dfa-art__btn { display: inline-block; font-weight: 600; text-decoration: none; background: #e78100; background: var(--df-cta, #e78100); color: #34260f; color: var(--df-cta-text, #34260f); padding: 14px 28px; border-radius: 999px; } .dfa-art a.dfa-art__btn:hover { background: #cf7300; background: var(--df-cta-hover, #cf7300); color: #34260f; color: var(--df-cta-text, #34260f); text-decoration: none; } /* Forfatterboks */ .dfa-art__author { display: flex; align-items: center; gap: 20px; background: #eef3ef; background: var(--df-surface-alt, #eef3ef); border: 1px solid #d2dad4; border: 1px solid var(--df-border, #d2dad4); border-radius: 16px; padding: 24px; margin: 48px 0; } .dfa-art__author img { width: 64px; height: 64px; border-radius: 50%; object-fit: cover; flex-shrink: 0; } .dfa-art__author h4 { font-family: 'Fraunces', Georgia, serif; margin: 0 0 4px; color: #0e1310; color: var(--df-text, #0e1310); font-size: 1.1rem; } .dfa-art__author p { margin: 0; color: #59635d; color: var(--df-text-2, #59635d); font-size: 0.95em; } /* FAQ -- native </p>
<details>, ingen JS */ .dfa-art__faq { border-top: 1px solid #d2dad4; border-top: 1px solid var(--df-border, #d2dad4); margin-top: 16px; } .dfa-art__faq details { border-bottom: 1px solid #d2dad4; border-bottom: 1px solid var(--df-border, #d2dad4); } .dfa-art__faq summary { list-style: none; cursor: pointer; padding: 18px 0; font-weight: 600; color: #0e1310; color: var(--df-text, #0e1310); display: flex; justify-content: space-between; gap: 16px; } .dfa-art__faq summary::-webkit-details-marker { display: none; } .dfa-art__faq summary::after { content: "+"; color: #185b37; color: var(--df-primary, #185b37); font-size: 22px; line-height: 1; flex-shrink: 0; transition: transform 0.2s ease; } .dfa-art__faq details[open] summary::after { transform: rotate(45deg); } .dfa-art__faq details p { margin: 0 0 18px; color: #59635d; color: var(--df-text-2, #59635d); } @media (max-width: 560px) { .dfa-art { font-size: 16px; } .dfa-art__author { flex-direction: column; text-align: center; } .dfa-art__cta { padding: 28px 22px; } }</style>
<div class="dfa-art">
<div class="dfa-art__meta">August 2026 &bull; 9 minutters læsning</div>
<p class="dfa-art__lead">Beslutningen kom oppefra: AI-kompetencerne i huset skal op. Nu ligger opgaven hos dig, og det første tilbud der lander på bordet, er en kursusdag for alle 400.</p>
<p>Det tilbud er nemt at sige ja til. Det er retfærdigt, det kan planlægges på en formiddag, og det kan meldes ud i én mail. Det er også præcis derfor, det sjældent sætter sig.</p>
<p>AI-kompetencer er ikke én ting, man har eller ikke har. Det er en håndfuld forskellige færdigheder, og de er ikke lige relevante for en bogholder, en kommunikationsmedarbejder og en lagerchef. Deler I ikke op, betaler I for at kede halvdelen af salen, mens den anden halvdel står af inden frokost.</p>
<h2>Derfor sætter fælleskurset sig sjældent</h2>
<p>Vi har stået i lokalet mange gange. Fire ting går igen, og de har alle sammen samme rod: dagen er tilrettelagt efter hvem der har fri, ikke efter hvem der skal bruge hvad.</p>
<ul>
<li><strong>En tredjedel er i gang i forvejen.</strong> De har brugt værktøjet i et halvt år og sidder og venter på at komme til noget, de ikke vidste. De kommer ikke til det, for dagen skal også kunne rumme dem der aldrig har åbnet det.</li>
<li><strong>En tredjedel står af ved første eksempel.</strong> Eksemplet på skærmen er en salgsmail, og de sidder i bogholderiet. Konklusionen bliver ikke &#8220;det kan jeg bruge anderledes&#8221;, den bliver &#8220;det er ikke til mit arbejde&#8221;.</li>
<li><strong>Ingen har en rigtig opgave med.</strong> Man øver på en case i stedet for på noget der skal afleveres på fredag. Så snart kursusdagen er slut, er der ikke noget at vende tilbage til.</li>
<li><strong>Ingen ejer noget bagefter.</strong> Alle har været på kursus, og ingen har fået en ny rutine. Det ser ud som en indsats i et regneark og som ingenting i arbejdet.</li>
</ul>
<div class="dfa-art__insight">
<div class="dfa-art__label">Indsigt</div>
<p>Fælleskurset måler tilstedeværelse. Det eneste der tæller, er om nogen laver deres arbejde anderledes ugen efter.</p>
</div>
<h2>Fordel AI-kompetencer efter hvad folk rører ved, ikke efter afdeling</h2>
<p>Den første reflekshandling er at dele op efter afdeling. Det ligner en plan, og det er nemt at lægge i en kalender. Problemet er at afdelinger ikke er ensartede. I økonomifunktionen sidder der én der skriver notater og indstillinger hele dagen, og én der stort set aldrig rører fritekst. De to har ikke brug for det samme.</p>
<p>Der er kun tre spørgsmål, der reelt afgør hvad en person skal kunne:</p>
<ul>
<li><strong>Producerer de tekst, som andre skal læse?</strong> Notater, indstillinger, mails til kunder, opslag, referater, tilbud.</li>
<li><strong>Rører de ved personoplysninger eller fortrolige kundedata?</strong> Ansøgninger, sygefravær, kontrakter, sagsakter, betalingsoplysninger.</li>
<li><strong>Ejer de en arbejdsgang, de selv kan lave om?</strong> Kan de beslutte at en tilbagevendende opgave laves på en anden måde fra på mandag, uden at spørge nogen.</li>
</ul>
<p>Svarene fordeler sig sjældent pænt efter organisationsdiagrammet, og det er hele pointen. Kør spørgsmålene igennem på navneniveau, og I har jeres opdeling på en eftermiddag.</p>
<h2>Bundniveauet: de to AI-kompetencer alle skal have</h2>
<p>Der er to færdigheder, som ingen kommer udenom, uanset hvad de svarede på de tre spørgsmål. De er også de eneste to, hvor det er billigere at træne alle end at finde ud af hvem der slap.</p>
<div class="dfa-art__tablewrap">
<table>
<thead>
<tr>
<th>Færdighed</th>
<th>Hvad den betyder i praksis</th>
<th>Derfor kan den ikke springes over</th>
</tr>
</thead>
<tbody>
<tr>
<td>Kildekritik</td>
<td>At vide at modellen skriver lige overbevisende, uanset om den har ret, og at have vænnet sig til at tjekke det ene tal eller den ene henvisning, der bærer konklusionen</td>
<td>Fejlen er ikke synlig i teksten. Den ser ud som resten, og den bliver derfor sendt videre af en der ikke havde grund til at tvivle</td>
</tr>
<tr>
<td>Datahygiejne</td>
<td>At kunne svare i én omgang på hvilke oplysninger der må lægges i hvilket værktøj hos jer. Ikke på paragrafniveau, men konkret nok til at man ikke gætter</td>
<td>Det er den eneste af færdighederne, hvor et fejltrin ikke kan trækkes tilbage. En ansøgning eller en kontrakt, der er lagt i et forkert vindue, er lagt der</td>
</tr>
</tbody>
</table>
</div>
<p>Begge kan læres på en times tid, og det er dén time, der er værd at give til alle 400. Bemærk at ingen af dem handler om at betjene et værktøj. De handler om dømmekraft, og det er derfor de holder, når værktøjet skiftes ud næste år.</p>
<div class="dfa-art__note">
<p>Juraen fylder mindre, end mange tror. Kravet i EU&#8217;s AI-forordning er en indsatsforpligtelse, ikke en dokumentationsøvelse, og det blev lempet i sommeren 2026. Vi har skrevet hele billedet op i <a href="https://digitalforlomme.dk/ai-act-artikel-4/">AI Act artikel 4 og kravet om AI-kompetencer</a>. Brug det som ramme, ikke som argument. Frygt har aldrig fået nogen til at ændre en arbejdsgang.</p>
</div>
<h2>De tre spor oven på bundniveauet</h2>
<p>Oven på den fælles time ligger tre spor. De fleste medarbejdere hører til i ét af dem. Nogle få hører til i to, og det er dem, I skal have med begge gange.</p>
<h3>Spor 1: dem der skriver</h3>
<p>Det største spor, og typisk halvdelen af huset. Den ene færdighed der betyder noget her, er at føre én opgave helt igennem i stedet for at stille et spørgsmål og se hvad der sker. Værdien ligger sjældent i første svar, den ligger i tredje eller fjerde, og det opdager man kun ved at blive siddende.</p>
<p>Selve håndværket i at stille opgaven ordentligt har vi skrevet grundigt om i <a href="https://digitalforlomme.dk/prompt-engineering-i-praksis/">prompt engineering i praksis</a>, og det er den del, folk selv kan læse sig til. Det de ikke kan læse sig til, er tålmodigheden med deres egen opgave.</p>
<p>Hvad de roligt kan lade ligge: modelvalg, automatiseringer, agenter og alt hvad der ligner opsætning. Det hører til hos nogle få, ikke hos de 200.</p>
<h3>Spor 2: dem der rører ved personoplysninger og kundedata</h3>
<p>Det mindste spor og det dyreste at springe over. HR, løn, sagsbehandling, kundeservice, dele af økonomi. Færdigheden er ikke juridisk, den er praktisk: at kende de tre-fire felter i jeres egne systemer, der aldrig må ind i et åbent værktøj, og at vide hvem man spørger, når man er i tvivl.</p>
<p>Her nytter en generel gennemgang ikke. Den skal køres på jeres egne skabeloner og jeres egne systemnavne, ellers oversætter ingen den til deres eget skrivebord.</p>
<h3>Spor 3: dem der ejer en arbejdsgang</h3>
<p>Teamledere, koordinatorer, faglige ankermænd. Det er det spor, der henter effekten hjem, og det bliver oftest glemt, fordi de sjældent er dem, der råber højest om at komme på kursus.</p>
<p>Færdigheden er at kunne genkende hvilke opgaver, der egner sig: tekst der findes i forvejen, arbejde der gentages, noget der skal gøres sammenligneligt. Og så at turde ændre rutinen bagefter. Uden det sidste bliver de andre to spor til privat effektivitet, som ingen kan se i tallene.</p>
<div class="dfa-art__tablewrap">
<table>
<thead>
<tr>
<th>Spor</th>
<th>Hvem</th>
<th>Den ene færdighed</th>
<th>Hvad de kan lade ligge</th>
</tr>
</thead>
<tbody>
<tr>
<td>Alle</td>
<td>Hele huset</td>
<td>Kildekritik og datahygiejne</td>
<td>Alt der handler om at betjene et værktøj</td>
</tr>
<tr>
<td>Spor 1</td>
<td>Dem der skriver til andre</td>
<td>Føre én rigtig opgave helt igennem</td>
<td>Modelvalg, automatiseringer, opsætning</td>
</tr>
<tr>
<td>Spor 2</td>
<td>Dem med personoplysninger og kundedata</td>
<td>Kende de felter der aldrig må ind</td>
<td>Paragraffer og forordningstekst</td>
</tr>
<tr>
<td>Spor 3</td>
<td>Dem der ejer en arbejdsgang</td>
<td>Genkende opgaver der egner sig, og ændre rutinen</td>
<td>Selv at skulle være husets bedste til værktøjet</td>
</tr>
</tbody>
</table>
</div>
<div class="dfa-art__note">
<p>Ledelsen har sit eget niveau, og det ligger ved siden af denne inddeling frem for oven på den. Vi har skrevet det ud i <a href="https://digitalforlomme.dk/ai-til-ledelse/">AI til ledelse</a>, hvor pointen er at ledergruppen skal have prøvet det selv, før de kan stille kvalificerede krav til resten.</p>
</div>
<h2>Hvem der ikke skal på kursus</h2>
<p>Den her del er der ingen der siger højt, og den er det billigste sted at spare. Svarer en gruppe nej til alle tre spørgsmål, skal de have den fælles time og intet andet.</p>
<p>Det gælder typisk produktion, lager, en del af driften og de funktioner, der er vagtplanlagt fra morgen til fyraften. Det er ikke en nedvurdering af deres arbejde. Det er en erkendelse af, at deres dag ikke indeholder de opgaver, værktøjet er godt til, og at en kursusdag derfor er tid taget fra noget, der skulle laves.</p>
<p>Den anden gruppe, der ikke skal på det almindelige hold, er dem der allerede er i gang. De skal ikke sidde på et begynderhold, de skal have lov at være med til at køre spor 1 for deres egen funktion. Det er både billigere og mere overbevisende end en ekstern, der aldrig har set jeres skabeloner.</p>
<h2>Sådan finder I ud af, hvem der er hvor</h2>
<p>Det oplagte er at sende et spørgeskema ud og spørge folk om deres niveau. Lad være. Selvvurdering er systematisk skæv i begge retninger: de begejstrede overvurderer sig selv, og de forsigtige undervurderer sig selv, og I ender med at planlægge efter temperament frem for efter arbejde.</p>
<p>Tre skridt over to uger giver et brugbart billede:</p>
<ul>
<li><strong>Kig på det, der faktisk bliver produceret.</strong> Tag en uges output fra en funktion. Hvor mange af de dokumenter er tekst, der skal læses af andre? Det svarer på spørgsmål ét uden at spørge nogen.</li>
<li><strong>Spørg om én konkret opgave, ikke om et niveau.</strong> &#8220;Hvad var det sidste, du skrev, som tog mere end en time?&#8221; Det spørgsmål kan ingen svare forkert på, og svarene fortæller jer både hvem der hører til i spor 1, og hvilke opgaver kurset skal handle om.</li>
<li><strong>Find dem, der allerede er i gang.</strong> Der er altid nogen, og de siger det sjældent af sig selv, fordi de ikke er sikre på, om det er i orden. Spørg lederne, ikke systemet. Licensstatistik viser hvem der har åbnet et vindue, ikke hvem der har fået en bedre arbejdsdag.</li>
</ul>
<p>Er I i tvivl om, hvilket format sporene skal køres i, har vi skrevet om afvejningen mellem en dag og et længere forløb i <a href="https://digitalforlomme.dk/ai-kursus-for-virksomheder/">AI-kursus for virksomheder</a>. Skal sporene køres på jeres egne opgaver frem for på eksempler, er formatet et <a href="https://digitalforlomme.dk/ai-firmakurser/">AI-firmakursus</a>.</p>
<p>Den ærlige advarsel til sidst: opdelingen føles som en omvej, fordi fælleskurset kan bookes i dag, og opdelingen tager fjorten dage. De fjorten dage er forskellen på en indsats, der kan ses i et regneark, og en der kan ses i arbejdet.</p>
<div class="dfa-art__cta">
<h3>Skal jeres AI-kompetencer deles op?</h3>
<p>Vi kommer ikke med et standardprogram til hele huset. Vi ser på hvad folk faktisk laver om dagen, deler op efter det, og kører sporene på jeres egne opgaver. Også dem der viser sig ikke at egne sig.</p>
<p><a href="https://digitalforlomme.dk/ai-firmakurser/" class="dfa-art__btn">Se vores AI-firmakurser</a></p>
<p>Eller <a href="https://digitalforlomme.dk/book-gratis-konsultation/?kilde=blog-ai-kompetencer" class="dfa-art__ctalink">book en gratis og uforpligtende snak</a>.</p>
</div>
<div class="dfa-art__author"><img decoding="async" src="https://digitalforlomme.dk/wp-content/uploads/2026/06/0395_Paw-de-Sparra-Lundin_PDL_avatar.jpg" alt="Paw Lundin"></p>
<div>
<h4>Paw Lundin</h4>
<p>Stifter af Digital Forlomme. 15+ års erfaring med digitalisering, først som intern leder, nu som rådgiver. Underviser, implementerer og rådgiver.</p>
</div>
</div>
<h2>Ofte stillede spørgsmål om AI-kompetencer</h2>
<div class="dfa-art__faq">
<details>
<summary>Skal alle medarbejdere have de samme AI-kompetencer?</summary>
<p>Nej, og det er den dyreste antagelse i hele feltet. To færdigheder skal alle have: kildekritik og datahygiejne. De kan læres på en times tid og handler om dømmekraft frem for om at betjene et værktøj. Oven på dem ligger tre spor, som fordeler sig efter om folk skriver tekst til andre, rører ved personoplysninger, eller ejer en arbejdsgang de selv kan ændre. De fleste hører til i ét spor, nogle få i to.</p>
</details>
<details>
<summary>Hvorfor virker det ikke at sende hele huset på samme kursus?</summary>
<p>Fordi salen ikke er ensartet. En tredjedel er i gang i forvejen og venter på noget, de ikke vidste. En tredjedel står af ved første eksempel, fordi det er hentet fra en anden funktion end deres. Og næsten ingen har en rigtig opgave med, så der er ikke noget at vende tilbage til dagen efter. Fælleskurset måler tilstedeværelse, ikke om nogen laver deres arbejde anderledes ugen efter.</p>
</details>
<details>
<summary>Hvordan finder vi ud af, hvilket niveau medarbejderne er på?</summary>
<p>Ikke ved at spørge dem. Selvvurdering er skæv i begge retninger: de begejstrede overvurderer sig selv, og de forsigtige undervurderer sig selv. Kig i stedet på en uges faktiske output fra en funktion, spørg om én konkret opgave frem for om et niveau, og find via lederne dem der allerede er i gang på egen hånd. Licensstatistik hjælper ikke, den viser hvem der har åbnet et vindue.</p>
</details>
<details>
<summary>Er der medarbejdere, der slet ikke skal på AI-kursus?</summary>
<p>Ja. Svarer en gruppe nej til alle tre spørgsmål, altså at de hverken skriver tekst til andre, rører ved fortrolige data eller ejer en arbejdsgang, skal de have den fælles time om kildekritik og datahygiejne og intet andet. Det gælder typisk produktion, lager og vagtplanlagte funktioner. Det er ikke en nedvurdering, det er en erkendelse af at deres dag ikke indeholder de opgaver, værktøjet er godt til.</p>
</details>
<details>
<summary>Kræver AI-forordningen, at vi kan dokumentere medarbejdernes AI-kompetencer?</summary>
<p>Nej. Kravet er en indsatsforpligtelse, ikke en dokumentationsøvelse, og det blev lempet i sommeren 2026. Der er ingen sanktion knyttet til kravet, og der er ingen skabelon I skal udfylde. Brug reglen som ramme for hvorfor arbejdet skal gøres ordentligt, ikke som argument over for medarbejderne. Frygt har aldrig fået nogen til at ændre en arbejdsgang.</p>
</details>
<details>
<summary>Hvor lang tid tager det at bygge AI-kompetencer op i en større organisation?</summary>
<p>Regn med fjorten dage til at kortlægge, hvem der hører til hvor, og derefter et spor ad gangen frem for hele huset på én gang. Den fælles time kan køres bredt med det samme. Sporene giver mest, hvis de køres på deltagernes egne opgaver, og hvis der går højst et par uger fra kursusdagen til den første rigtige opgave skal laves på den nye måde. Går der længere, er man tilbage ved udgangspunktet.</p>
</details>
</div>
<p><script type="application/ld+json">{ "@context": "https://schema.org", "@type": "FAQPage", "mainEntity": [{ "@type": "Question", "name": "Skal alle medarbejdere have de samme AI-kompetencer?", "acceptedAnswer": { "@type": "Answer", "text": "Nej, og det er den dyreste antagelse i hele feltet. To færdigheder skal alle have: kildekritik og datahygiejne. De kan læres på en times tid og handler om dømmekraft frem for om at betjene et værktøj. Oven på dem ligger tre spor, som fordeler sig efter om folk skriver tekst til andre, rører ved personoplysninger, eller ejer en arbejdsgang de selv kan ændre. De fleste hører til i ét spor, nogle få i to." } }, { "@type": "Question", "name": "Hvorfor virker det ikke at sende hele huset på samme kursus?", "acceptedAnswer": { "@type": "Answer", "text": "Fordi salen ikke er ensartet. En tredjedel er i gang i forvejen og venter på noget, de ikke vidste. En tredjedel står af ved første eksempel, fordi det er hentet fra en anden funktion end deres. Og næsten ingen har en rigtig opgave med, så der er ikke noget at vende tilbage til dagen efter. Fælleskurset måler tilstedeværelse, ikke om nogen laver deres arbejde anderledes ugen efter." } }, { "@type": "Question", "name": "Hvordan finder vi ud af, hvilket niveau medarbejderne er på?", "acceptedAnswer": { "@type": "Answer", "text": "Ikke ved at spørge dem. Selvvurdering er skæv i begge retninger: de begejstrede overvurderer sig selv, og de forsigtige undervurderer sig selv. Kig i stedet på en uges faktiske output fra en funktion, spørg om én konkret opgave frem for om et niveau, og find via lederne dem der allerede er i gang på egen hånd. Licensstatistik hjælper ikke, den viser hvem der har åbnet et vindue." } }, { "@type": "Question", "name": "Er der medarbejdere, der slet ikke skal på AI-kursus?", "acceptedAnswer": { "@type": "Answer", "text": "Ja. Svarer en gruppe nej til alle tre spørgsmål, altså at de hverken skriver tekst til andre, rører ved fortrolige data eller ejer en arbejdsgang, skal de have den fælles time om kildekritik og datahygiejne og intet andet. Det gælder typisk produktion, lager og vagtplanlagte funktioner. Det er ikke en nedvurdering, det er en erkendelse af at deres dag ikke indeholder de opgaver, værktøjet er godt til." } }, { "@type": "Question", "name": "Kræver AI-forordningen, at vi kan dokumentere medarbejdernes AI-kompetencer?", "acceptedAnswer": { "@type": "Answer", "text": "Nej. Kravet er en indsatsforpligtelse, ikke en dokumentationsøvelse, og det blev lempet i sommeren 2026. Der er ingen sanktion knyttet til kravet, og der er ingen skabelon I skal udfylde. Brug reglen som ramme for hvorfor arbejdet skal gøres ordentligt, ikke som argument over for medarbejderne. Frygt har aldrig fået nogen til at ændre en arbejdsgang." } }, { "@type": "Question", "name": "Hvor lang tid tager det at bygge AI-kompetencer op i en større organisation?", "acceptedAnswer": { "@type": "Answer", "text": "Regn med fjorten dage til at kortlægge, hvem der hører til hvor, og derefter et spor ad gangen frem for hele huset på én gang. Den fælles time kan køres bredt med det samme. Sporene giver mest, hvis de køres på deltagernes egne opgaver, og hvis der går højst et par uger fra kursusdagen til den første rigtige opgave skal laves på den nye måde. Går der længere, er man tilbage ved udgangspunktet." } }] }</script></div>
]]></content:encoded>
					
					<wfw:commentRss>https://digitalforlomme.dk/ai-kompetencer/feed/</wfw:commentRss>
			<slash:comments>0</slash:comments>
		
		
			</item>
		<item>
		<title>Prompt engineering i praksis: Få bedre svar uden prompt-teater</title>
		<link>https://digitalforlomme.dk/prompt-engineering-i-praksis/</link>
					<comments>https://digitalforlomme.dk/prompt-engineering-i-praksis/#respond</comments>
		
		<dc:creator><![CDATA[Paw de Sparra Lundin]]></dc:creator>
		<pubDate>Mon, 24 Aug 2026 06:00:00 +0000</pubDate>
				<category><![CDATA[AI-værktøjer]]></category>
		<guid isPermaLink="false">https://digitalforlomme.dk/?p=2040</guid>

					<description><![CDATA[Der findes en hel genre af opslag med 20 prompts der vil ændre dit arbejdsliv. De begynder næsten alle med at fortælle værktøjet at det er en verdensklasse-ekspert. Det er ikke dét der afgør om svaret rammer.]]></description>
										<content:encoded><![CDATA[<style>/* Blogindlaeg i .dfa-designsproget. Bruger temaets globale :root-tokens (wordpress/themes/forlomme/style.css) med hex-fallback, saa filen ogsaa ser rigtig ud i lokalt preview uden temaet. Fonte (Fraunces + DM Sans) loades globalt af temaet -- ingen @font-face her (RCB/GDPR ren). */ .dfa-art { font-family: 'DM Sans', system-ui, -apple-system, 'Segoe UI', sans-serif; max-width: 760px; margin: 0 auto; padding: 0 24px 8px; color: #0e1310; color: var(--df-text, #0e1310); font-size: 17px; line-height: 1.7; } .dfa-art__meta { color: #868c88; color: var(--df-text-3, #868c88); font-size: 0.9em; margin: 0 0 32px; } .dfa-art__lead { font-size: 1.2em; font-weight: 500; line-height: 1.5; margin: 0 0 32px; } .dfa-art p { margin: 0 0 20px; } .dfa-art h2 { font-family: 'Fraunces', Georgia, serif; color: #0e1310; color: var(--df-text, #0e1310); font-size: clamp(1.5rem, 3.2vw, 1.9rem); font-weight: 600; letter-spacing: -0.01em; line-height: 1.15; margin: 48px 0 16px; } .dfa-art h3 { font-family: 'Fraunces', Georgia, serif; color: #0e1310; color: var(--df-text, #0e1310); font-size: 1.25rem; font-weight: 600; line-height: 1.2; margin: 32px 0 10px; } .dfa-art a { color: #185b37; color: var(--df-primary, #185b37); font-weight: 600; text-decoration: none; } .dfa-art a:hover { text-decoration: underline; } .dfa-art strong { color: #0e1310; color: var(--df-text, #0e1310); font-weight: 700; } /* Checklister med groen flueben-markoer */ .dfa-art ul { list-style: none !important; list-style-type: none !important; padding: 0 !important; margin: 0 0 24px; } .dfa-art ul li { list-style: none !important; margin-left: 0 !important; position: relative; padding: 9px 0 9px 30px; color: #59635d; color: var(--df-text-2, #59635d); border-bottom: 1px solid #d2dad4; border-bottom: 1px solid var(--df-border, #d2dad4); } .dfa-art ul li:last-child { border-bottom: none; } .dfa-art ul li::marker { content: "" !important; font-size: 0 !important; } .dfa-art ul li::before { content: "\2713"; position: absolute; left: 0; top: 9px; color: #185b37; color: var(--df-primary, #185b37); font-weight: 700; } .dfa-art ul li strong { color: #0e1310; color: var(--df-text, #0e1310); } /* Neutral note (groen venstrekant) */ .dfa-art__note { background: #eef3ef; background: var(--df-surface-alt, #eef3ef); border-left: 4px solid #185b37; border-left: 4px solid var(--df-primary, #185b37); border-radius: 0 12px 12px 0; padding: 18px 24px; margin: 32px 0; } .dfa-art__note p { margin: 0; } /* Indsigt / key takeaway (terracotta -- reserveret til indsigt) */ .dfa-art__insight { background: #ffe2dc; background: var(--df-accent-light, #ffe2dc); border: 1px solid #f0c9c1; border: 1px solid var(--df-accent-border, #f0c9c1); border-radius: 16px; padding: 24px 28px; margin: 36px 0; } .dfa-art__insight .dfa-art__label { color: #de4f44; color: var(--df-accent, #de4f44); } .dfa-art__insight p { margin: 8px 0 0; } .dfa-art__label { font-size: 12px; font-weight: 600; letter-spacing: 0.12em; text-transform: uppercase; color: #185b37; color: var(--df-primary, #185b37); } /* Tabel */ .dfa-art__tablewrap { overflow-x: auto; margin: 32px 0; -webkit-overflow-scrolling: touch; } /* Mobil-scroll af brede tabeller haandteres sitewide i MU-pluginet df-mobile-layout-fixes.php (min-width:min-content paa wrappede tabeller), ikke med et per-post min-width. Roer ikke reglen her. */ .dfa-art table { width: 100%; border-collapse: collapse; font-size: 0.96em; } .dfa-art th, .dfa-art td { text-align: left; padding: 12px 14px; vertical-align: top; border-bottom: 1px solid #d2dad4; border-bottom: 1px solid var(--df-border, #d2dad4); } .dfa-art th { font-family: 'Fraunces', Georgia, serif; font-weight: 600; color: #0e1310; color: var(--df-text, #0e1310); border-bottom: 2px solid #185b37; border-bottom: 2px solid var(--df-primary, #185b37); } .dfa-art td:first-child { font-weight: 600; color: #0e1310; color: var(--df-text, #0e1310); } /* CTA-band (groent, afrundet) */ .dfa-art__cta { background: #185b37; background: var(--df-primary, #185b37); color: #f7fbf8; color: var(--df-on-dark, #f7fbf8); border-radius: 16px; padding: 36px 32px; text-align: center; margin: 48px 0; } .dfa-art__cta h3 { font-family: 'Fraunces', Georgia, serif; color: #f7fbf8; color: var(--df-on-dark, #f7fbf8); font-size: 1.5rem; font-weight: 600; margin: 0 0 12px; } .dfa-art__cta p { color: #bcd4c4; color: var(--df-on-dark-2, #bcd4c4); margin: 0 0 24px; } .dfa-art__cta p:last-child { margin: 20px 0 0; } .dfa-art__cta a.dfa-art__ctalink { color: #f7fbf8; color: var(--df-on-dark, #f7fbf8); text-decoration: underline; font-weight: 600; } .dfa-art a.dfa-art__btn { display: inline-block; font-weight: 600; text-decoration: none; background: #e78100; background: var(--df-cta, #e78100); color: #34260f; color: var(--df-cta-text, #34260f); padding: 14px 28px; border-radius: 999px; } .dfa-art a.dfa-art__btn:hover { background: #cf7300; background: var(--df-cta-hover, #cf7300); color: #34260f; color: var(--df-cta-text, #34260f); text-decoration: none; } /* Forfatterboks */ .dfa-art__author { display: flex; align-items: center; gap: 20px; background: #eef3ef; background: var(--df-surface-alt, #eef3ef); border: 1px solid #d2dad4; border: 1px solid var(--df-border, #d2dad4); border-radius: 16px; padding: 24px; margin: 48px 0; } .dfa-art__author img { width: 64px; height: 64px; border-radius: 50%; object-fit: cover; flex-shrink: 0; } .dfa-art__author h4 { font-family: 'Fraunces', Georgia, serif; margin: 0 0 4px; color: #0e1310; color: var(--df-text, #0e1310); font-size: 1.1rem; } .dfa-art__author p { margin: 0; color: #59635d; color: var(--df-text-2, #59635d); font-size: 0.95em; } /* FAQ -- native </p>
<details>, ingen JS */ .dfa-art__faq { border-top: 1px solid #d2dad4; border-top: 1px solid var(--df-border, #d2dad4); margin-top: 16px; } .dfa-art__faq details { border-bottom: 1px solid #d2dad4; border-bottom: 1px solid var(--df-border, #d2dad4); } .dfa-art__faq summary { list-style: none; cursor: pointer; padding: 18px 0; font-weight: 600; color: #0e1310; color: var(--df-text, #0e1310); display: flex; justify-content: space-between; gap: 16px; } .dfa-art__faq summary::-webkit-details-marker { display: none; } .dfa-art__faq summary::after { content: "+"; color: #185b37; color: var(--df-primary, #185b37); font-size: 22px; line-height: 1; flex-shrink: 0; transition: transform 0.2s ease; } .dfa-art__faq details[open] summary::after { transform: rotate(45deg); } .dfa-art__faq details p { margin: 0 0 18px; color: #59635d; color: var(--df-text-2, #59635d); } /* Prompt-eksempel. Verbatim input, derfor mono. Systemfont-stak, saa der hentes ingen ekstern font (Real Cookie Banner / GDPR-ren). */ .dfa-art__prompt { background: #eef3ef; background: var(--df-surface-alt, #eef3ef); border: 1px solid #d2dad4; border: 1px solid var(--df-border, #d2dad4); border-radius: 12px; padding: 20px 22px; margin: 28px 0; } .dfa-art__prompt .dfa-art__label { display: block; } .dfa-art__prompt p { font-family: ui-monospace, SFMono-Regular, Menlo, Consolas, monospace; font-size: 0.88em; line-height: 1.65; color: #0e1310; color: var(--df-text, #0e1310); margin: 8px 0 0; } .dfa-art__prompt p + .dfa-art__label { margin-top: 18px; } @media (max-width: 560px) { .dfa-art { font-size: 16px; } .dfa-art__author { flex-direction: column; text-align: center; } .dfa-art__cta { padding: 28px 22px; } }</style>
<div class="dfa-art">
<div class="dfa-art__meta">August 2026 &bull; 8 minutters læsning</div>
<p class="dfa-art__lead">Der findes en hel genre af opslag med 20 prompts der vil ændre dit arbejdsliv. De begynder næsten alle med at fortælle værktøjet at det er en verdensklasse-ekspert. Svarene bliver ikke mærkbart bedre af det.</p>
<p>Det er ikke fordi folk lyver. De fleste af de tricks stammer fra 2023, hvor modellerne var svagere og reelt skulle overtales. Det behøver de ikke længere. Alligevel bliver rådene kopieret videre, og resultatet er at prompt engineering i mange hoveder er blevet et spørgsmål om formuleringskunst.</p>
<p>Det er det ikke. Det handler om at give værktøjet den information opgaven kræver, og om at kunne se på svaret om der mangler noget. Mindre poetisk, betydeligt mere effektivt.</p>
<h2>De fire ting der ligner prompt engineering, men ikke er det</h2>
<p>Vi ser de samme fire vaner på næsten alle kurser. De har det til fælles at de føles som teknik.</p>
<ul>
<li><strong>Rollebesværgelsen.</strong> &#8220;Du er en verdensklasse-ekspert i kommunikation.&#8221; En rolle hjælper kun når den faktisk indsnævrer noget. &#8220;Skriv det som en revisor der skal kunne stå på mål for tallene bagefter&#8221; ændrer svaret. &#8220;Verdensklasse&#8221; gør ikke, for der findes ikke en dårligere indstilling den kunne skifte fra.</li>
<li><strong>Høfligheden og truslerne.</strong> Tak, venlig hilsen, det er meget vigtigt for min karriere, tag en dyb indånding. Det koster ingenting at skrive, og det er derfor det er svært at slippe. Men det er ikke dét der afgør om svaret rammer.</li>
<li><strong>Mega-prompten.</strong> 400 ord instruktion der forsøger at forudse alt. Har du brugt tyve minutter på at beskrive en opgave du kunne have løst på tyve minutter, har du ikke sparet tid. Du har flyttet den.</li>
<li><strong>Samlingen du aldrig åbner.</strong> 200 gemte prompts, tre der bliver brugt. En prompt bliver ikke et aktiv fordi den er gemt. Den bliver det når nogen bruger den anden gang.</li>
</ul>
<div class="dfa-art__insight">
<div class="dfa-art__label">Indsigt</div>
<p>De fire vaner handler alle om at formulere sig anderledes. Ingen af dem tilføjer information værktøjet ikke havde. Det er derfor de ikke flytter svaret.</p>
</div>
<h2>Hvad er prompt engineering, når teatret er skrællet af?</h2>
<p>En brugbar definition: at stille opgaven så præcist at der kun er ét rimeligt svar tilbage. Fire ting afgør det, og de er ikke lige svære.</p>
<div class="dfa-art__tablewrap">
<table>
<thead>
<tr>
<th>Element</th>
<th>Spørgsmålet det svarer på</th>
<th>Hvor tit det bliver glemt</th>
</tr>
</thead>
<tbody>
<tr>
<td>Opgaven</td>
<td>Hvad skal der komme ud af det?</td>
<td>Sjældent</td>
</tr>
<tr>
<td>Materialet</td>
<td>Hvilke tal, noter og dokumenter bygger det på?</td>
<td>Næsten altid</td>
</tr>
<tr>
<td>Modtageren</td>
<td>Hvem læser det, og hvad skal de gøre bagefter?</td>
<td>Ofte</td>
</tr>
<tr>
<td>Formen</td>
<td>Hvor langt, hvilket format, hvilken tone?</td>
<td>Ofte</td>
</tr>
</tbody>
</table>
</div>
<p>Materialet er den store. Et værktøj der ikke kender jeres tal, jeres kunder eller jeres sidste tre møder kan kun skrive noget der passer på alle. Det er præcis derfor generiske svar føles generiske: de er det. Ingen omformulering kan lave manglende information om til viden.</p>
<p>Den anden misforståelse er at en prompt skal ramme i første forsøg. Det skal den ikke. Værdien ligger typisk i tredje forsøg, hvor du har set to svar og ved hvad du egentlig ville have. Det er ikke tegn på at du gør det forkert. Det er sådan arbejdet ser ud.</p>
<h2>Fem mønstre der flytter svaret</h2>
<p>De fem nedenfor er det prompt engineering reelt består af i hverdagen. Ingen af dem er smarte. De virker.</p>
<h3>1. Læg materialet ved</h3>
<p>Det enkleste og mest oversete. Forskellen mellem de to nedenfor er ikke ordvalg, det er input.</p>
<div class="dfa-art__prompt">
<div class="dfa-art__label">I stedet for</div>
<p>Skriv en projektstatus til ledelsen.</p>
<div class="dfa-art__label">Prøv</div>
<p>Her er mine noter fra de sidste tre uger og budgettallene pr. 1. august. Skriv en projektstatus på maks en halv side til vores direktion. De skal beslutte om vi kører videre i Q4.</p>
</div>
<h3>2. Sig hvem der læser det, og hvad de skal gøre</h3>
<p>&#8220;Professionelt&#8221; betyder ingenting. En bestyrelse der skal træffe en beslutning, en kunde der er utilfreds og en ny kollega der skal læres op har brug for tre vidt forskellige tekster om det samme.</p>
<h3>3. Vis et eksempel i stedet for at beskrive det</h3>
<p>To sætningers eksempel slår ti sætningers beskrivelse af en tone. Læg to referater du selv har skrevet ved, og bed om det tredje i samme form. Det er den hurtigste vej til at slippe for den glatte AI-klang.</p>
<h3>4. Bed om arbejdet, ikke kun om resultatet</h3>
<p>Det mønster der overrasker folk mest på kurserne.</p>
<div class="dfa-art__prompt">
<div class="dfa-art__label">Prøv</div>
<p>Stil mig de fem spørgsmål du har brug for svar på, før du skriver noget.</p>
<div class="dfa-art__label">Eller</div>
<p>Find de tre svageste led i argumentet nedenfor, før du foreslår rettelser.</p>
</div>
<p>Du får hullerne i din egen opgavebeskrivelse gratis, i stedet for at opdage dem i et svar der lyder rigtigt.</p>
<h3>5. Sæt grænserne eksplicit</h3>
<p>Den vigtigste af de fem, og den der oftest mangler.</p>
<div class="dfa-art__prompt">
<div class="dfa-art__label">Prøv</div>
<p>Brug kun tal fra det vedhæftede. Skriv &#8220;det står ikke i materialet&#8221; hvis noget mangler, i stedet for at udfylde det selv. Maks en side.</p>
</div>
<p>Den midterste sætning er den bedste enkeltstående beskyttelse mod opdigtede oplysninger vi kender. Den fjerner dem ikke, men den giver værktøjet et alternativ til at gætte, og den gør det synligt hvor du selv skal ind.</p>
<h2>Sådan ser du at problemet ikke er prompten</h2>
<p>Halvdelen af de svar folk kalder dårlige, bliver ikke bedre af en bedre formulering. De skal have noget andet.</p>
<div class="dfa-art__tablewrap">
<table>
<thead>
<tr>
<th>Det du ser</th>
<th>Hvad der reelt mangler</th>
<th>Hvad du gør</th>
</tr>
</thead>
<tbody>
<tr>
<td>Svaret kunne handle om enhver virksomhed</td>
<td>Materiale</td>
<td>Læg noterne, tallene eller dokumentet ved</td>
</tr>
<tr>
<td>Pænt sprog, men faktuelt forkert</td>
<td>Adgang til kilden</td>
<td>Giv kilden, eller lad opgaven være</td>
</tr>
<tr>
<td>Rigtigt indhold, forkert form</td>
<td>Modtager og format</td>
<td>En linje om hvem og hvor langt</td>
</tr>
<tr>
<td>Svaret er nyt hver gang</td>
<td>Afgrænsning</td>
<td>Stram opgaven, eller accepter at der ikke er ét rigtigt svar</td>
</tr>
<tr>
<td>Du retter længere end du ville have skrevet</td>
<td>Ingenting</td>
<td>Det er den forkerte opgave at bruge AI til</td>
</tr>
</tbody>
</table>
</div>
<p>Den nederste linje er den sværeste at sige højt. Nogle opgaver bliver ikke hurtigere. Den vurdering er en del af håndværket, og den er værd at træne lige så meget som teknikkerne.</p>
<h2>Prompt engineering i praksis: kvalitetssikringen hører med</h2>
<p>Her stopper de fleste guides, og det er her det bliver alvorligt. Et svar du ikke kan bedømme, kan du ikke bruge. Fire vaner er nok.</p>
<ul>
<li><strong>Spørg om mindst én ting du selv kender svaret på.</strong> Gratis kalibrering af hvor meget du kan stole på resten.</li>
<li><strong>Tjek alle tal mod kilden.</strong> Ikke stikprøve. Tal er dét der bliver videresendt uden at nogen ser efter, og dét der koster mest når det er galt.</li>
<li><strong>Bed om henvisning til hvor det står,</strong> når du har vedhæftet materiale. Så kan du kontrollere i stedet for at tro.</li>
<li><strong>Send ikke noget videre du ikke selv kunne have skrevet.</strong> Ikke fordi du skal kunne det hurtigere, men fordi du skal kunne stå ved det.</li>
</ul>
<div class="dfa-art__note">
<p>Reglen på vores kurser: den der sender teksten, ejer teksten. Værktøjet er ikke en medforfatter man kan henvise til bagefter.</p>
</div>
<h2>Når prompten skal virke for otte andre end dig</h2>
<p>En prompt der virker for dig, er en personlig vane. Den bliver først noget værd for en afdeling når den kan bruges af nogen der ikke sad ved siden af dig da den blev skrevet. Det kræver ikke et system, men det kræver fire ting.</p>
<ul>
<li><strong>Gem kun det der løser en tilbagevendende opgave.</strong> Ikke gode ideer. Kommer opgaven en gang om året, er der ingen grund til at standardisere den.</li>
<li><strong>Sæt et navn på hver.</strong> En prompt uden ejer bliver ikke rettet når værktøjet ændrer sig, og det gør værktøjerne ofte.</li>
<li><strong>Skriv hvad den ikke kan.</strong> To linjer om hvor den er prøvet af og hvor den fejler, sparer den næste for at finde ud af det på en kundeleverance.</li>
<li><strong>Hold jer til ti.</strong> Ti prompts alle kender slår hundrede ingen kan finde. Et bibliotek der vokser hurtigere end brugen, er en kirkegård.</li>
</ul>
<p>Skal I have et startsted frem for et blankt dokument, kan I hente vores <a href="https://digitalforlomme.dk/7-ai-prompts/">syv færdige AI-prompts til rigtigt kontorarbejde</a> og bygge videre derfra. De er skrevet til rapporter, referater, regneark og ledelsesresuméer, altså den slags opgaver der findes i alle huse.</p>
<p>Prompt engineering er svært at læse sig til. Man kan lære mønstrene på tyve minutter, og alligevel tager det nogle uger at få dem ind i fingrene, fordi de skal bruges på egne opgaver før de betyder noget. Det er også derfor vores undervisning er bygget som <a href="https://digitalforlomme.dk/ai-hands-on-kursus/">hands-on arbejde frem for teori</a>, og hvorfor et <a href="https://digitalforlomme.dk/ai-firmakurser/">AI-firmakursus</a> arbejder i virksomhedens egne opgaver i stedet for opfundne eksempler.</p>
<div class="dfa-art__cta">
<h3>Vil I lære at prompte på jeres eget arbejde?</h3>
<p>Vi underviser ikke i tricks. Vi tager de opgaver der ligger på jeres borde, og arbejder i dem på dagen. Også dem der viser sig ikke at egne sig til det.</p>
<p><a href="https://digitalforlomme.dk/ai-kurser/" class="dfa-art__btn">Se vores AI-kurser</a></p>
<p>Eller <a href="https://digitalforlomme.dk/book-gratis-konsultation/?kilde=blog-prompt-engineering-i-praksis" class="dfa-art__ctalink">book en gratis og uforpligtende snak</a>.</p>
</div>
<div class="dfa-art__author"><img decoding="async" src="https://digitalforlomme.dk/wp-content/uploads/2026/06/0395_Paw-de-Sparra-Lundin_PDL_avatar.jpg" alt="Paw Lundin"></p>
<div>
<h4>Paw Lundin</h4>
<p>Stifter af Digital Forlomme. 15+ års erfaring med digitalisering, først som intern leder, nu som rådgiver. Underviser, implementerer og rådgiver.</p>
</div>
</div>
<h2>Ofte stillede spørgsmål</h2>
<div class="dfa-art__faq">
<details>
<summary>Hvad er prompt engineering egentlig?</summary>
<p>Det er at stille en opgave til et AI-værktøj så præcist at der kun er ét rimeligt svar tilbage. I praksis består det af fire ting: hvad der skal komme ud af det, hvilket materiale det bygger på, hvem der skal læse det, og hvilken form det skal have. Materialet er det der oftest mangler, og det er derfor svarene bliver generiske. Det er ikke en teknisk disciplin, og det kræver ingen programmering.</p>
</details>
<details>
<summary>Skal jeg skrive mine prompts på engelsk?</summary>
<p>Nej. De store modeller håndterer dansk fint i dag, og du skriver mere præcist på det sprog du tænker på. Præcision betyder mere end sprogvalg. Der er én undtagelse værd at nævne: skal svaret bruge en fast faglig term der kun findes på engelsk, så skriv den term på engelsk midt i den danske prompt i stedet for at oversætte den.</p>
</details>
<details>
<summary>Virker det at give værktøjet en rolle?</summary>
<p>Kun når rollen faktisk indsnævrer noget. At bede om en tekst skrevet af en revisor der skal kunne stå på mål for tallene bagefter, ændrer svaret, fordi det siger noget om hvilken standard der gælder. At kalde værktøjet verdensklasse ændrer ingenting, for der findes ikke en dårligere indstilling det kunne skifte fra. Rollen skal bære information, ellers er den pynt.</p>
</details>
<details>
<summary>Hvor lang skal en god prompt være?</summary>
<p>Lang nok til at rumme opgaven, materialet, modtageren og formen. Det er typisk tre til fem linjer plus det vedhæftede. Bliver den meget længere, er det som regel fordi man forsøger at forudse alt på forhånd i stedet for at se på det første svar og rette derfra. Regn med at bruge tre forsøg. Det er ikke spild, det er sådan arbejdet ser ud.</p>
</details>
<details>
<summary>Hvordan lærer jeg at prompte uden at læse 40 guides?</summary>
<p>Tag en opgave du alligevel skal lave i denne uge, og lav den med værktøjet i stedet for uden. Gør det tre gange med den samme type opgave. Mønstrene kan læres på tyve minutter, men de sætter sig først når de er brugt på noget der betyder noget, og hvor du selv kan bedømme om svaret er godt. Det er derfor undervisning i det her giver mest mening som hands-on arbejde i egne opgaver.</p>
</details>
<details>
<summary>Hvordan laver vi gode prompts til ChatGPT som hele teamet kan bruge?</summary>
<p>Gem kun dem der løser en opgave I har igen og igen, sæt et navn på hvem der ejer hver enkelt, skriv to linjer om hvor den fejler, og hold jer til omkring ti i alt. Ti prompts alle kender slår hundrede ingen kan finde. Et bibliotek der vokser hurtigere end brugen, bliver ikke brugt.</p>
</details>
</div>
<p><script type="application/ld+json">{ "@context": "https://schema.org", "@type": "FAQPage", "mainEntity": [{ "@type": "Question", "name": "Hvad er prompt engineering egentlig?", "acceptedAnswer": { "@type": "Answer", "text": "Det er at stille en opgave til et AI-værktøj så præcist at der kun er ét rimeligt svar tilbage. I praksis består det af fire ting: hvad der skal komme ud af det, hvilket materiale det bygger på, hvem der skal læse det, og hvilken form det skal have. Materialet er det der oftest mangler, og det er derfor svarene bliver generiske. Det er ikke en teknisk disciplin, og det kræver ingen programmering." } }, { "@type": "Question", "name": "Skal jeg skrive mine prompts på engelsk?", "acceptedAnswer": { "@type": "Answer", "text": "Nej. De store modeller håndterer dansk fint i dag, og du skriver mere præcist på det sprog du tænker på. Præcision betyder mere end sprogvalg. Der er én undtagelse værd at nævne: skal svaret bruge en fast faglig term der kun findes på engelsk, så skriv den term på engelsk midt i den danske prompt i stedet for at oversætte den." } }, { "@type": "Question", "name": "Virker det at give værktøjet en rolle?", "acceptedAnswer": { "@type": "Answer", "text": "Kun når rollen faktisk indsnævrer noget. At bede om en tekst skrevet af en revisor der skal kunne stå på mål for tallene bagefter, ændrer svaret, fordi det siger noget om hvilken standard der gælder. At kalde værktøjet verdensklasse ændrer ingenting, for der findes ikke en dårligere indstilling det kunne skifte fra. Rollen skal bære information, ellers er den pynt." } }, { "@type": "Question", "name": "Hvor lang skal en god prompt være?", "acceptedAnswer": { "@type": "Answer", "text": "Lang nok til at rumme opgaven, materialet, modtageren og formen. Det er typisk tre til fem linjer plus det vedhæftede. Bliver den meget længere, er det som regel fordi man forsøger at forudse alt på forhånd i stedet for at se på det første svar og rette derfra. Regn med at bruge tre forsøg. Det er ikke spild, det er sådan arbejdet ser ud." } }, { "@type": "Question", "name": "Hvordan lærer jeg at prompte uden at læse 40 guides?", "acceptedAnswer": { "@type": "Answer", "text": "Tag en opgave du alligevel skal lave i denne uge, og lav den med værktøjet i stedet for uden. Gør det tre gange med den samme type opgave. Mønstrene kan læres på tyve minutter, men de sætter sig først når de er brugt på noget der betyder noget, og hvor du selv kan bedømme om svaret er godt. Det er derfor undervisning i det her giver mest mening som hands-on arbejde i egne opgaver." } }, { "@type": "Question", "name": "Hvordan laver vi gode prompts til ChatGPT som hele teamet kan bruge?", "acceptedAnswer": { "@type": "Answer", "text": "Gem kun dem der løser en opgave I har igen og igen, sæt et navn på hvem der ejer hver enkelt, skriv to linjer om hvor den fejler, og hold jer til omkring ti i alt. Ti prompts alle kender slår hundrede ingen kan finde. Et bibliotek der vokser hurtigere end brugen, bliver ikke brugt." } }] }</script></div>
]]></content:encoded>
					
					<wfw:commentRss>https://digitalforlomme.dk/prompt-engineering-i-praksis/feed/</wfw:commentRss>
			<slash:comments>0</slash:comments>
		
		
			</item>
		<item>
		<title>AI til ledelse: hvad skal ledere kunne, før resten følger med?</title>
		<link>https://digitalforlomme.dk/ai-til-ledelse/</link>
					<comments>https://digitalforlomme.dk/ai-til-ledelse/#respond</comments>
		
		<dc:creator><![CDATA[Paw de Sparra Lundin]]></dc:creator>
		<pubDate>Thu, 20 Aug 2026 05:23:26 +0000</pubDate>
				<category><![CDATA[AI-værktøjer]]></category>
		<guid isPermaLink="false">https://digitalforlomme.dk/?p=2038</guid>

					<description><![CDATA[Der blev købt licenser til hele huset i foråret. Et halvt år senere bruger tolv mennesker det, og de tolv brugte det også før. Problemet er ikke værktøjet. Det er at ledelsen aldrig selv satte sig med det.]]></description>
										<content:encoded><![CDATA[<style>/* Blogindlaeg i .dfa-designsproget. Bruger temaets globale :root-tokens (wordpress/themes/forlomme/style.css) med hex-fallback, saa filen ogsaa ser rigtig ud i lokalt preview uden temaet. Fonte (Fraunces + DM Sans) loades globalt af temaet -- ingen @font-face her (RCB/GDPR ren). */ .dfa-art { font-family: 'DM Sans', system-ui, -apple-system, 'Segoe UI', sans-serif; max-width: 760px; margin: 0 auto; padding: 0 24px 8px; color: #0e1310; color: var(--df-text, #0e1310); font-size: 17px; line-height: 1.7; } .dfa-art__meta { color: #868c88; color: var(--df-text-3, #868c88); font-size: 0.9em; margin: 0 0 32px; } .dfa-art__lead { font-size: 1.2em; font-weight: 500; line-height: 1.5; margin: 0 0 32px; } .dfa-art p { margin: 0 0 20px; } .dfa-art h2 { font-family: 'Fraunces', Georgia, serif; color: #0e1310; color: var(--df-text, #0e1310); font-size: clamp(1.5rem, 3.2vw, 1.9rem); font-weight: 600; letter-spacing: -0.01em; line-height: 1.15; margin: 48px 0 16px; } .dfa-art h3 { font-family: 'Fraunces', Georgia, serif; color: #0e1310; color: var(--df-text, #0e1310); font-size: 1.25rem; font-weight: 600; line-height: 1.2; margin: 32px 0 10px; } .dfa-art a { color: #185b37; color: var(--df-primary, #185b37); font-weight: 600; text-decoration: none; } .dfa-art a:hover { text-decoration: underline; } .dfa-art strong { color: #0e1310; color: var(--df-text, #0e1310); font-weight: 700; } /* Checklister med groen flueben-markoer */ .dfa-art ul { list-style: none !important; list-style-type: none !important; padding: 0 !important; margin: 0 0 24px; } .dfa-art ul li { list-style: none !important; margin-left: 0 !important; position: relative; padding: 9px 0 9px 30px; color: #59635d; color: var(--df-text-2, #59635d); border-bottom: 1px solid #d2dad4; border-bottom: 1px solid var(--df-border, #d2dad4); } .dfa-art ul li:last-child { border-bottom: none; } .dfa-art ul li::marker { content: "" !important; font-size: 0 !important; } .dfa-art ul li::before { content: "\2713"; position: absolute; left: 0; top: 9px; color: #185b37; color: var(--df-primary, #185b37); font-weight: 700; } .dfa-art ul li strong { color: #0e1310; color: var(--df-text, #0e1310); } /* Neutral note (groen venstrekant) */ .dfa-art__note { background: #eef3ef; background: var(--df-surface-alt, #eef3ef); border-left: 4px solid #185b37; border-left: 4px solid var(--df-primary, #185b37); border-radius: 0 12px 12px 0; padding: 18px 24px; margin: 32px 0; } .dfa-art__note p { margin: 0; } /* Indsigt / key takeaway (terracotta -- reserveret til indsigt) */ .dfa-art__insight { background: #ffe2dc; background: var(--df-accent-light, #ffe2dc); border: 1px solid #f0c9c1; border: 1px solid var(--df-accent-border, #f0c9c1); border-radius: 16px; padding: 24px 28px; margin: 36px 0; } .dfa-art__insight .dfa-art__label { color: #de4f44; color: var(--df-accent, #de4f44); } .dfa-art__insight p { margin: 8px 0 0; } .dfa-art__label { font-size: 12px; font-weight: 600; letter-spacing: 0.12em; text-transform: uppercase; color: #185b37; color: var(--df-primary, #185b37); } /* Tabel */ .dfa-art__tablewrap { overflow-x: auto; margin: 32px 0; -webkit-overflow-scrolling: touch; } /* Mobil-scroll af brede tabeller haandteres sitewide i MU-pluginet df-mobile-layout-fixes.php (min-width:min-content paa wrappede tabeller), ikke med et per-post min-width. Roer ikke reglen her. */ .dfa-art table { width: 100%; border-collapse: collapse; font-size: 0.96em; } .dfa-art th, .dfa-art td { text-align: left; padding: 12px 14px; vertical-align: top; border-bottom: 1px solid #d2dad4; border-bottom: 1px solid var(--df-border, #d2dad4); } .dfa-art th { font-family: 'Fraunces', Georgia, serif; font-weight: 600; color: #0e1310; color: var(--df-text, #0e1310); border-bottom: 2px solid #185b37; border-bottom: 2px solid var(--df-primary, #185b37); } .dfa-art td:first-child { font-weight: 600; color: #0e1310; color: var(--df-text, #0e1310); } /* CTA-band (groent, afrundet) */ .dfa-art__cta { background: #185b37; background: var(--df-primary, #185b37); color: #f7fbf8; color: var(--df-on-dark, #f7fbf8); border-radius: 16px; padding: 36px 32px; text-align: center; margin: 48px 0; } .dfa-art__cta h3 { font-family: 'Fraunces', Georgia, serif; color: #f7fbf8; color: var(--df-on-dark, #f7fbf8); font-size: 1.5rem; font-weight: 600; margin: 0 0 12px; } .dfa-art__cta p { color: #bcd4c4; color: var(--df-on-dark-2, #bcd4c4); margin: 0 0 24px; } .dfa-art__cta p:last-child { margin: 20px 0 0; } .dfa-art__cta a.dfa-art__ctalink { color: #f7fbf8; color: var(--df-on-dark, #f7fbf8); text-decoration: underline; font-weight: 600; } .dfa-art a.dfa-art__btn { display: inline-block; font-weight: 600; text-decoration: none; background: #e78100; background: var(--df-cta, #e78100); color: #34260f; color: var(--df-cta-text, #34260f); padding: 14px 28px; border-radius: 999px; } .dfa-art a.dfa-art__btn:hover { background: #cf7300; background: var(--df-cta-hover, #cf7300); color: #34260f; color: var(--df-cta-text, #34260f); text-decoration: none; } /* Forfatterboks */ .dfa-art__author { display: flex; align-items: center; gap: 20px; background: #eef3ef; background: var(--df-surface-alt, #eef3ef); border: 1px solid #d2dad4; border: 1px solid var(--df-border, #d2dad4); border-radius: 16px; padding: 24px; margin: 48px 0; } .dfa-art__author img { width: 64px; height: 64px; border-radius: 50%; object-fit: cover; flex-shrink: 0; } .dfa-art__author h4 { font-family: 'Fraunces', Georgia, serif; margin: 0 0 4px; color: #0e1310; color: var(--df-text, #0e1310); font-size: 1.1rem; } .dfa-art__author p { margin: 0; color: #59635d; color: var(--df-text-2, #59635d); font-size: 0.95em; } /* FAQ -- native </p>
<details>, ingen JS */ .dfa-art__faq { border-top: 1px solid #d2dad4; border-top: 1px solid var(--df-border, #d2dad4); margin-top: 16px; } .dfa-art__faq details { border-bottom: 1px solid #d2dad4; border-bottom: 1px solid var(--df-border, #d2dad4); } .dfa-art__faq summary { list-style: none; cursor: pointer; padding: 18px 0; font-weight: 600; color: #0e1310; color: var(--df-text, #0e1310); display: flex; justify-content: space-between; gap: 16px; } .dfa-art__faq summary::-webkit-details-marker { display: none; } .dfa-art__faq summary::after { content: "+"; color: #185b37; color: var(--df-primary, #185b37); font-size: 22px; line-height: 1; flex-shrink: 0; transition: transform 0.2s ease; } .dfa-art__faq details[open] summary::after { transform: rotate(45deg); } .dfa-art__faq details p { margin: 0 0 18px; color: #59635d; color: var(--df-text-2, #59635d); } @media (max-width: 560px) { .dfa-art { font-size: 16px; } .dfa-art__author { flex-direction: column; text-align: center; } .dfa-art__cta { padding: 28px 22px; } }</style>
<div class="dfa-art">
<div class="dfa-art__meta">August 2026 &bull; 8 minutters læsning</div>
<p class="dfa-art__lead">Der blev købt licenser til hele huset i foråret. Et halvt år senere bruger tolv mennesker det, og de tolv brugte det også før. På ledermødet lyder konklusionen at AI måske er lidt overvurderet.</p>
<p>Den konklusion er forkert, men den er ikke urimelig. Der blev jo gjort noget. Der blev bevilget penge, sagt ja, og sendt en mail ud om at nu var værktøjet der.</p>
<p>Problemet er at ingen af de ting er en indsats. De er en indkøbsordre. Og AI til ledelse handler ikke om hvad ledelsen køber, men om hvad ledelsen selv gør bagefter.</p>
<h2>De fire ting ledelsen gør i stedet for at bruge AI</h2>
<p>Vi ser de samme fire mønstre igen og igen, og de har det til fælles at de alle sammen føles som handling.</p>
<ul>
<li><strong>Licenser bliver forvekslet med adoption.</strong> Adgang er en forudsætning, ikke en indsats. Ingen har nogensinde ændret arbejdsgang fordi der kom en ny genvej i menulinjen.</li>
<li><strong>Strategien skrives før nogen har prøvet en opgave.</strong> Et dokument om ambitioner, principper og pejlemærker, skrevet af folk der ikke selv har siddet med værktøjet. Det bliver uundgåeligt abstrakt, fordi der ikke er nogen konkret erfaring at skrive ud fra.</li>
<li><strong>Det bliver delegeret til IT.</strong> IT kan svare på om det må, hvor data ligger og hvad det koster. IT kan ikke svare på om det er værd at bruge en time på i en økonomifunktion. Det spørgsmål hører til i faget.</li>
<li><strong>Der måles på licensforbrug.</strong> Aktive brugere er en tilfredsstillende graf, der stiger uanset om nogen har fået en bedre arbejdsdag. Den fortæller hvem der har åbnet et vindue, ikke hvilket arbejde der er blevet lettere.</li>
</ul>
<div class="dfa-art__insight">
<div class="dfa-art__label">Indsigt</div>
<p>Alle fire mønstre flytter beslutningen væk fra ledelsen. Det er dét de har til fælles, og det er derfor de ikke virker.</p>
</div>
<h2>Det stærkeste signal er om I selv bruger det</h2>
<p>Hele diskussionen om AI til ledelse kan koges ned til ét forhold, der forudsiger mere end noget andet om en organisation reelt tager AI i brug: om ledergruppen selv gør det. Ikke om de har en holdning til det, ikke om de har talt om det på et personalemøde, men om de sidder med det i deres eget arbejde.</p>
<p>Grunden er ikke moralsk, den er praktisk. En medarbejder der overvejer at bruge tyve minutter på at prøve noget nyt af, skal bruge et signal om at det er i orden. Det signal kommer ikke fra en politik. Det kommer fra at chefen siger at hun fik lavet det udkast på et kvarter, og at det ikke var særlig godt første gang.</p>
<p>Den anden halvdel af signalet er lige så vigtig: en leder der aldrig selv har prøvet det, kan ikke stille kvalificerede krav. Hun kan ikke vurdere om tre uger er realistisk, hun kan ikke se når nogen lover for meget, og hun kan ikke skelne mellem en medarbejder der er forsigtig og en der bare ikke gider.</p>
<h2>AI til ledelse: det niveau lederen selv skal have</h2>
<p>Her bliver folk typisk nervøse, fordi de forestiller sig at der venter et teknisk kursus. Det gør der ikke. Kravet til lederen er lavere end frygtet og mere konkret end forventet.</p>
<div class="dfa-art__tablewrap">
<table>
<thead>
<tr>
<th>Det I skal kunne</th>
<th>Hvad det betyder i praksis</th>
</tr>
</thead>
<tbody>
<tr>
<td>Føre én opgave helt igennem</td>
<td>Ikke stille et spørgsmål og se hvad der sker, men tage en rigtig opgave fra jeres eget bord og arbejde med den til den er brugbar. Det er typisk tredje eller fjerde forsøg der er værdien, og det opdager man kun ved at blive siddende</td>
</tr>
<tr>
<td>Se når svaret er forkert</td>
<td>Modellen skriver lige overbevisende uanset om den har ret. Jeres fagkundskab er dét der afgør om resultatet kan bruges, og den kan ikke uddelegeres til den der er bedst til værktøjet</td>
</tr>
<tr>
<td>Vide hvad der må lægges ind</td>
<td>Hvilke data må ind i hvilket værktøj hos jer. Ikke på paragrafniveau, men klart nok til at kunne svare i en gang uden at skulle spørge nogen</td>
</tr>
<tr>
<td>Genkende en opgave der egner sig</td>
<td>Tekst der findes i forvejen, arbejde der gentages, noget der skal gøres sammenligneligt. Kan I høre forskel på den slags og de opgaver hvor det ikke nytter, kan I prioritere. Ellers prioriterer I efter hvem der er mest begejstret</td>
</tr>
</tbody>
</table>
</div>
<p>Ingen af de fire kræver teknisk baggrund. De kræver at have siddet med det, og det er præcis derfor de ikke kan læses sig til.</p>
<h2>Hvad lederen ikke behøver kunne</h2>
<p>Lige så vigtigt er afgrænsningen, for den er dét der gør kravet overkommeligt. AI til ledelse er ikke et teknisk fag, og listen over hvad I roligt kan lade ligge, er længere end listen ovenfor.</p>
<ul>
<li><strong>I skal ikke kunne bygge automatiseringer.</strong> Der findes en verden af agenter, integrationer og workflows. Den er interessant, og den er ikke lederens indgang.</li>
<li><strong>I skal ikke forstå hvordan modellerne fungerer indeni.</strong> Det er ikke nødvendigt for at bruge dem godt, lige som I ikke kender regnskabssystemets datamodel.</li>
<li><strong>I skal ikke være husets bedste til det.</strong> Målet er at kunne følge med i samtalen og stille kvalificerede krav, ikke at vinde.</li>
<li><strong>I skal ikke have en færdig AI-strategi.</strong> Den skriver sig selv bagefter, når I har erfaring at skrive den ud fra. Omvendt rækkefølge koster typisk et halvt år.</li>
</ul>
<h2>De fem beslutninger der ikke kan uddelegeres</h2>
<p>Når niveauet er på plads, er der fem beslutninger tilbage. De hører til i ledelsen, uanset hvor dygtig en projektleder I sætter på.</p>
<ul>
<li><strong>Hvilket arbejde starter vi med.</strong> Én funktion, ikke hele huset. Helst et sted hvor der findes en fast tilbagevendende opgave og en leder der gider.</li>
<li><strong>Hvem ejer det.</strong> Et navn, ikke en arbejdsgruppe. Personen skal have mandat til at ændre en arbejdsgang, ellers bliver det til møder.</li>
<li><strong>Hvad må lægges ind hvor.</strong> En halv side om hvilke data der må i hvilke værktøjer. Den skal kunne læses på to minutter, ellers bliver den ikke læst.</li>
<li><strong>Hvad måler vi på.</strong> Vælg noget der handler om arbejdet: tid på en bestemt opgave, gennemløb, hvor mange der får svar til tiden. Aldrig antal aktive brugere.</li>
<li><strong>Hvad gør vi ikke.</strong> Den sværeste og den mest værdifulde. Skriv ned hvad I bevidst lader ligge i denne omgang, så det ikke kommer snigende ind ad bagdøren som et sideprojekt.</li>
</ul>
<p>Beslutning tre har fået et ekstra lag, efter EU&#8217;s AI-forordning stillede krav om at medarbejdere der bruger AI, har et tilstrækkeligt kendskab til det. Vi har skrevet om hvad kravet reelt indebærer i <a href="https://digitalforlomme.dk/ai-act-artikel-4/">AI Act artikel 4 og kravet om AI-kompetencer</a>. Det korte af det er at ansvaret ligger hos ledelsen, og at det er en indsatsforpligtelse, ikke en dokumentationsøvelse.</p>
<div class="dfa-art__note">
<p><strong>Bemærk:</strong> Rækkefølgen betyder mere end tempoet. En ledergruppe der bruger to uger på at prøve det selv og derefter beslutter, kommer længere på et kvartal end en der beslutter først og prøver bagefter.</p>
</div>
<h2>Sådan ser de første 90 dage med AI til ledelse ud</h2>
<p>Der er ikke noget program her, og der skal ikke nedsættes noget. Der er tre faser, og den første er den der bliver sprunget over.</p>
<ul>
<li><strong>De første 30 dage: ledergruppen selv.</strong> Hver leder tager to opgaver fra sit eget bord. Ikke demoer, ikke eksempler, jeres egne. På det næste ledermøde bruger I tyve minutter på at fortælle hvad der virkede og hvad der ikke gjorde, med det åbent på skærmen.</li>
<li><strong>Dag 30 til 60: én funktion.</strong> Vælg det sted hvor I så mest, og lad den funktion arbejde i deres egne opgaver med nogen der har prøvet det før. Her hører hele holdet med, ikke de tre nysgerrige.</li>
<li><strong>Dag 60 til 90: beslut ud fra det I har set.</strong> Nu har I grundlaget for de fem beslutninger, og nu kan strategien skrives på en side der handler om noget.</li>
</ul>
<p>Skal fase to køres ordentligt, er formatet et <a href="https://digitalforlomme.dk/ai-firmakurser/">AI-firmakursus</a> hvor holdet arbejder i jeres egne opgaver i stedet for i eksempler. Er I mere i tvivl om rækkefølgen end om formatet, er det <a href="https://digitalforlomme.dk/ai-raadgivning/">AI-rådgivning</a> I skal bruge, og den samtale starter samme sted som denne artikel: hvad laver I faktisk om dagen.</p>
<p>Den ærlige advarsel til sidst: de første 30 dage føles som spild af ledelsestid, fordi der ikke kommer noget ud af dem der kan vises frem. Det er dér de fleste falder tilbage til at købe noget i stedet. Bliver I siddende, er resten billigere end I tror.</p>
<div class="dfa-art__cta">
<h3>Skal ledergruppen i gang selv?</h3>
<p>Vi kommer ikke med et standardprogram. Vi tager de opgaver der faktisk ligger på jeres borde, og arbejder i dem på dagen. Også dem der viser sig ikke at egne sig.</p>
<p><a href="https://digitalforlomme.dk/ai-raadgivning/" class="dfa-art__btn">Se vores AI-rådgivning</a></p>
<p>Eller <a href="https://digitalforlomme.dk/book-gratis-konsultation/?kilde=blog-ai-til-ledelse" class="dfa-art__ctalink">book en gratis og uforpligtende snak</a>.</p>
</div>
<div class="dfa-art__author"><img decoding="async" src="https://digitalforlomme.dk/wp-content/uploads/2026/06/0395_Paw-de-Sparra-Lundin_PDL_avatar.jpg" alt="Paw Lundin"></p>
<div>
<h4>Paw Lundin</h4>
<p>Stifter af Digital Forlomme. 15+ års erfaring med digitalisering, først som intern leder, nu som rådgiver. Underviser, implementerer og rådgiver.</p>
</div>
</div>
<h2>Ofte stillede spørgsmål</h2>
<div class="dfa-art__faq">
<details>
<summary>Skal ledelsen selv kunne bruge AI, eller rækker det at forstå det?</summary>
<p>Ledelsen skal kunne bruge det. AI til ledelse handler ikke om ekspertniveau, men om at have ført et par rigtige opgaver helt igennem. Der er to grunde. Den ene er signalet: medarbejdere der oplever at deres nærmeste leder selv bruger det, prøver det i langt højere grad. Den anden er dømmekraften. En leder der aldrig har siddet med det, kan ikke vurdere om et løfte er realistisk, og kan derfor ikke stille kvalificerede krav.</p>
</details>
<details>
<summary>Hvor lang tid tager det for en leder at nå det niveau?</summary>
<p>Regn med to opgaver om ugen i en måned. Det er ikke et kursusforløb, det er at tage noget der alligevel skal laves, og lave det med værktøjet i stedet for uden. Værdien ligger typisk i tredje eller fjerde forsøg med den samme type opgave, så det afgørende er ikke timerne, men at man bliver ved længe nok til at komme forbi det første middelmådige svar.</p>
</details>
<details>
<summary>Vi har købt licenser til alle, men næsten ingen bruger dem. Hvad gør vi?</summary>
<p>Stop med at måle på aktive brugere, og start et andet sted. Licenser giver adgang, ikke adfærd. Vælg én funktion hvor der findes en fast tilbagevendende opgave, sæt et navn på hvem der ejer det, og lad ledelsen selv arbejde i værktøjet først. Bredden kommer bagefter. En udrulning til hele huset uden et sted at starte ender næsten altid som den situation I står i nu.</p>
</details>
<details>
<summary>Skal vi lave en AI-strategi først?</summary>
<p>Nej, og det er den hyppigste omvej. En strategi skrevet af folk uden praktisk erfaring med værktøjerne bliver abstrakt, fordi der ikke er noget konkret at skrive den ud fra. Vend rækkefølgen om: prøv i et kvartal, og skriv så strategien på én side ud fra det I har set. Den bliver kortere, mere præcis og betydeligt lettere at få nogen til at følge.</p>
</details>
<details>
<summary>Hvad skal vi måle på i stedet for antal brugere?</summary>
<p>Vælg noget der handler om arbejdet frem for om værktøjet. Tid brugt på en bestemt tilbagevendende opgave, gennemløbstid fra en sag lander til den er besvaret, eller hvor stor en andel der får svar inden for fristen. Mål det før I starter, ellers har I ingen baseline. Antal aktive brugere stiger uanset om nogen har fået en bedre arbejdsdag, og det er derfor tallet føles godt uden at betyde noget.</p>
</details>
<details>
<summary>Bør ansvaret ligge hos IT eller hos forretningen?</summary>
<p>Hos forretningen, med IT som forudsætning. IT skal svare på hvad der må bruges, hvor data ligger, og hvordan det sættes op forsvarligt. Men spørgsmålet om hvorvidt en opgave er værd at gøre anderledes, kan kun besvares af dem der kender faget. Lander ejerskabet i IT alene, bliver resultatet typisk en teknisk korrekt udrulning som ingen har bedt om.</p>
</details>
</div>
<p><script type="application/ld+json">{ "@context": "https://schema.org", "@type": "FAQPage", "mainEntity": [{ "@type": "Question", "name": "Skal ledelsen selv kunne bruge AI, eller rækker det at forstå det?", "acceptedAnswer": { "@type": "Answer", "text": "Ledelsen skal kunne bruge det. AI til ledelse handler ikke om ekspertniveau, men om at have ført et par rigtige opgaver helt igennem. Der er to grunde. Den ene er signalet: medarbejdere der oplever at deres nærmeste leder selv bruger det, prøver det i langt højere grad. Den anden er dømmekraften. En leder der aldrig har siddet med det, kan ikke vurdere om et løfte er realistisk, og kan derfor ikke stille kvalificerede krav." } }, { "@type": "Question", "name": "Hvor lang tid tager det for en leder at nå det niveau?", "acceptedAnswer": { "@type": "Answer", "text": "Regn med to opgaver om ugen i en måned. Det er ikke et kursusforløb, det er at tage noget der alligevel skal laves, og lave det med værktøjet i stedet for uden. Værdien ligger typisk i tredje eller fjerde forsøg med den samme type opgave, så det afgørende er ikke timerne, men at man bliver ved længe nok til at komme forbi det første middelmådige svar." } }, { "@type": "Question", "name": "Vi har købt licenser til alle, men næsten ingen bruger dem. Hvad gør vi?", "acceptedAnswer": { "@type": "Answer", "text": "Stop med at måle på aktive brugere, og start et andet sted. Licenser giver adgang, ikke adfærd. Vælg én funktion hvor der findes en fast tilbagevendende opgave, sæt et navn på hvem der ejer det, og lad ledelsen selv arbejde i værktøjet først. Bredden kommer bagefter. En udrulning til hele huset uden et sted at starte ender næsten altid som den situation I står i nu." } }, { "@type": "Question", "name": "Skal vi lave en AI-strategi først?", "acceptedAnswer": { "@type": "Answer", "text": "Nej, og det er den hyppigste omvej. En strategi skrevet af folk uden praktisk erfaring med værktøjerne bliver abstrakt, fordi der ikke er noget konkret at skrive den ud fra. Vend rækkefølgen om: prøv i et kvartal, og skriv så strategien på én side ud fra det I har set. Den bliver kortere, mere præcis og betydeligt lettere at få nogen til at følge." } }, { "@type": "Question", "name": "Hvad skal vi måle på i stedet for antal brugere?", "acceptedAnswer": { "@type": "Answer", "text": "Vælg noget der handler om arbejdet frem for om værktøjet. Tid brugt på en bestemt tilbagevendende opgave, gennemløbstid fra en sag lander til den er besvaret, eller hvor stor en andel der får svar inden for fristen. Mål det før I starter, ellers har I ingen baseline. Antal aktive brugere stiger uanset om nogen har fået en bedre arbejdsdag, og det er derfor tallet føles godt uden at betyde noget." } }, { "@type": "Question", "name": "Bør ansvaret ligge hos IT eller hos forretningen?", "acceptedAnswer": { "@type": "Answer", "text": "Hos forretningen, med IT som forudsætning. IT skal svare på hvad der må bruges, hvor data ligger, og hvordan det sættes op forsvarligt. Men spørgsmålet om hvorvidt en opgave er værd at gøre anderledes, kan kun besvares af dem der kender faget. Lander ejerskabet i IT alene, bliver resultatet typisk en teknisk korrekt udrulning som ingen har bedt om." } }] }</script></div>
]]></content:encoded>
					
					<wfw:commentRss>https://digitalforlomme.dk/ai-til-ledelse/feed/</wfw:commentRss>
			<slash:comments>0</slash:comments>
		
		
			</item>
		<item>
		<title>CV-screening med AI: I må mere end I tror</title>
		<link>https://digitalforlomme.dk/cv-screening-med-ai/</link>
					<comments>https://digitalforlomme.dk/cv-screening-med-ai/#respond</comments>
		
		<dc:creator><![CDATA[Paw de Sparra Lundin]]></dc:creator>
		<pubDate>Mon, 17 Aug 2026 06:00:00 +0000</pubDate>
				<category><![CDATA[AI-værktøjer]]></category>
		<guid isPermaLink="false">https://digitalforlomme.dk/?p=2035</guid>

					<description><![CDATA[Nogen hørte at rekruttering er høj-risiko under EU's AI Act, og så blev der sagt stop. Men de regler gælder først fra december 2027. Her er de fire grænser for CV-screening med AI, der faktisk gælder i dag.]]></description>
										<content:encoded><![CDATA[<style>/* Blogindlaeg i .dfa-designsproget. Bruger temaets globale :root-tokens (wordpress/themes/forlomme/style.css) med hex-fallback, saa filen ogsaa ser rigtig ud i lokalt preview uden temaet. Fonte (Fraunces + DM Sans) loades globalt af temaet -- ingen @font-face her (RCB/GDPR ren). */ .dfa-art { font-family: 'DM Sans', system-ui, -apple-system, 'Segoe UI', sans-serif; max-width: 760px; margin: 0 auto; padding: 0 24px 8px; color: #0e1310; color: var(--df-text, #0e1310); font-size: 17px; line-height: 1.7; } .dfa-art__meta { color: #868c88; color: var(--df-text-3, #868c88); font-size: 0.9em; margin: 0 0 32px; } .dfa-art__lead { font-size: 1.2em; font-weight: 500; line-height: 1.5; margin: 0 0 32px; } .dfa-art p { margin: 0 0 20px; } .dfa-art h2 { font-family: 'Fraunces', Georgia, serif; color: #0e1310; color: var(--df-text, #0e1310); font-size: clamp(1.5rem, 3.2vw, 1.9rem); font-weight: 600; letter-spacing: -0.01em; line-height: 1.15; margin: 48px 0 16px; } .dfa-art h3 { font-family: 'Fraunces', Georgia, serif; color: #0e1310; color: var(--df-text, #0e1310); font-size: 1.25rem; font-weight: 600; line-height: 1.2; margin: 32px 0 10px; } .dfa-art a { color: #185b37; color: var(--df-primary, #185b37); font-weight: 600; text-decoration: none; } .dfa-art a:hover { text-decoration: underline; } .dfa-art strong { color: #0e1310; color: var(--df-text, #0e1310); font-weight: 700; } /* Checklister med groen flueben-markoer */ .dfa-art ul { list-style: none !important; list-style-type: none !important; padding: 0 !important; margin: 0 0 24px; } .dfa-art ul li { list-style: none !important; margin-left: 0 !important; position: relative; padding: 9px 0 9px 30px; color: #59635d; color: var(--df-text-2, #59635d); border-bottom: 1px solid #d2dad4; border-bottom: 1px solid var(--df-border, #d2dad4); } .dfa-art ul li:last-child { border-bottom: none; } .dfa-art ul li::marker { content: "" !important; font-size: 0 !important; } .dfa-art ul li::before { content: "\2713"; position: absolute; left: 0; top: 9px; color: #185b37; color: var(--df-primary, #185b37); font-weight: 700; } .dfa-art ul li strong { color: #0e1310; color: var(--df-text, #0e1310); } /* Neutral note (groen venstrekant) */ .dfa-art__note { background: #eef3ef; background: var(--df-surface-alt, #eef3ef); border-left: 4px solid #185b37; border-left: 4px solid var(--df-primary, #185b37); border-radius: 0 12px 12px 0; padding: 18px 24px; margin: 32px 0; } .dfa-art__note p { margin: 0; } /* Indsigt / key takeaway (terracotta -- reserveret til indsigt) */ .dfa-art__insight { background: #ffe2dc; background: var(--df-accent-light, #ffe2dc); border: 1px solid #f0c9c1; border: 1px solid var(--df-accent-border, #f0c9c1); border-radius: 16px; padding: 24px 28px; margin: 36px 0; } .dfa-art__insight .dfa-art__label { color: #de4f44; color: var(--df-accent, #de4f44); } .dfa-art__insight p { margin: 8px 0 0; } .dfa-art__label { font-size: 12px; font-weight: 600; letter-spacing: 0.12em; text-transform: uppercase; color: #185b37; color: var(--df-primary, #185b37); } /* Tabel */ .dfa-art__tablewrap { overflow-x: auto; margin: 32px 0; -webkit-overflow-scrolling: touch; } /* Mobil-scroll af brede tabeller haandteres sitewide i MU-pluginet df-mobile-layout-fixes.php (min-width:min-content paa wrappede tabeller), ikke med et per-post min-width. Roer ikke reglen her. */ .dfa-art table { width: 100%; border-collapse: collapse; font-size: 0.96em; } .dfa-art th, .dfa-art td { text-align: left; padding: 12px 14px; vertical-align: top; border-bottom: 1px solid #d2dad4; border-bottom: 1px solid var(--df-border, #d2dad4); } .dfa-art th { font-family: 'Fraunces', Georgia, serif; font-weight: 600; color: #0e1310; color: var(--df-text, #0e1310); border-bottom: 2px solid #185b37; border-bottom: 2px solid var(--df-primary, #185b37); } .dfa-art td:first-child { font-weight: 600; color: #0e1310; color: var(--df-text, #0e1310); } /* CTA-band (groent, afrundet) */ .dfa-art__cta { background: #185b37; background: var(--df-primary, #185b37); color: #f7fbf8; color: var(--df-on-dark, #f7fbf8); border-radius: 16px; padding: 36px 32px; text-align: center; margin: 48px 0; } .dfa-art__cta h3 { font-family: 'Fraunces', Georgia, serif; color: #f7fbf8; color: var(--df-on-dark, #f7fbf8); font-size: 1.5rem; font-weight: 600; margin: 0 0 12px; } .dfa-art__cta p { color: #bcd4c4; color: var(--df-on-dark-2, #bcd4c4); margin: 0 0 24px; } .dfa-art__cta p:last-child { margin: 20px 0 0; } .dfa-art__cta a.dfa-art__ctalink { color: #f7fbf8; color: var(--df-on-dark, #f7fbf8); text-decoration: underline; font-weight: 600; } .dfa-art a.dfa-art__btn { display: inline-block; font-weight: 600; text-decoration: none; background: #e78100; background: var(--df-cta, #e78100); color: #34260f; color: var(--df-cta-text, #34260f); padding: 14px 28px; border-radius: 999px; } .dfa-art a.dfa-art__btn:hover { background: #cf7300; background: var(--df-cta-hover, #cf7300); color: #34260f; color: var(--df-cta-text, #34260f); text-decoration: none; } /* Forfatterboks */ .dfa-art__author { display: flex; align-items: center; gap: 20px; background: #eef3ef; background: var(--df-surface-alt, #eef3ef); border: 1px solid #d2dad4; border: 1px solid var(--df-border, #d2dad4); border-radius: 16px; padding: 24px; margin: 48px 0; } .dfa-art__author img { width: 64px; height: 64px; border-radius: 50%; object-fit: cover; flex-shrink: 0; } .dfa-art__author h4 { font-family: 'Fraunces', Georgia, serif; margin: 0 0 4px; color: #0e1310; color: var(--df-text, #0e1310); font-size: 1.1rem; } .dfa-art__author p { margin: 0; color: #59635d; color: var(--df-text-2, #59635d); font-size: 0.95em; } /* FAQ -- native </p>
<details>, ingen JS */ .dfa-art__faq { border-top: 1px solid #d2dad4; border-top: 1px solid var(--df-border, #d2dad4); margin-top: 16px; } .dfa-art__faq details { border-bottom: 1px solid #d2dad4; border-bottom: 1px solid var(--df-border, #d2dad4); } .dfa-art__faq summary { list-style: none; cursor: pointer; padding: 18px 0; font-weight: 600; color: #0e1310; color: var(--df-text, #0e1310); display: flex; justify-content: space-between; gap: 16px; } .dfa-art__faq summary::-webkit-details-marker { display: none; } .dfa-art__faq summary::after { content: "+"; color: #185b37; color: var(--df-primary, #185b37); font-size: 22px; line-height: 1; flex-shrink: 0; transition: transform 0.2s ease; } .dfa-art__faq details[open] summary::after { transform: rotate(45deg); } .dfa-art__faq details p { margin: 0 0 18px; color: #59635d; color: var(--df-text-2, #59635d); } @media (max-width: 560px) { .dfa-art { font-size: 16px; } .dfa-art__author { flex-direction: column; text-align: center; } .dfa-art__cta { padding: 28px 22px; } }</style>
<div class="dfa-art">
<div class="dfa-art__meta">August 2026 &bull; 8 minutters læsning</div>
<p class="dfa-art__lead">Et sted i huset ligger der en beslutning om at vente. Nogen har hørt at rekruttering er høj-risiko under EU&#8217;s AI Act, og så er der sagt stop indtil vi ved mere. Imens screener konkurrenten videre, og jeres egen HR-medarbejder læser 300 ansøgninger i hånden.</p>
<p>Beslutningen var fornuftig med den viden der var. Den er bare truffet på et grundlag der ikke længere passer. Her er hvad der faktisk gælder for CV-screening med AI i dag, og hvor grænsen reelt går.</p>
<p>Den korte version: I må mere end I tror. Til gengæld er den grænse der findes, ufravigelig, og den handler ikke om værktøjet. Den handler om hvem der træffer beslutningen.</p>
<h2>Reglen I satte det på pause for, gælder ikke endnu</h2>
<p>Det er rigtigt at rekruttering er klassificeret som høj-risiko. Systemer til at screene ansøgninger og udvælge kandidater står i AI-forordningens bilag III, og det er ikke til diskussion.</p>
<p>Men klassifikationen og forpligtelserne er to forskellige ting, og det er dér de fleste danske gengivelser stopper for tidligt. Digital Omnibus-pakken, der blev underskrevet 8. juli 2026, udskød reglerne for høj-risiko-systemer efter bilag III fra 2. august 2026 til <strong>2. december 2027</strong>. For AI indlejret i regulerede produkter er datoen 2. august 2028.</p>
<p>Sætter I rekrutteringen på pause i august 2026 med henvisning til høj-risiko-reglerne, beskytter I jer altså mod noget der ikke er trådt i kraft. I har halvandet år til at lære det ordentligt, og det er præcis den periode hvor det er billigt at lave fejl.</p>
<div class="dfa-art__insight">
<div class="dfa-art__label">Indsigt</div>
<p>Høj-risiko betyder ikke forbudt. Det betyder dokumenteret, gennemsigtigt og med et menneske på beslutningen. Og forpligtelserne gælder først fra 2. december 2027.</p>
</div>
<p>Vi har skrevet den fulde gennemgang af hvad der reelt trådte i kraft, og hvad der blev overdrevet, i <a href="https://digitalforlomme.dk/ai-act-artikel-4/">AI Act artikel 4 og kravet om AI-kompetencer</a>.</p>
<h2>Det der faktisk gælder i dag, hedder GDPR</h2>
<p>Her er pointen der er værd at tage med til næste ledermøde: den regel der binder jer lige nu, er ikke ny, og den er ikke fra AI-forordningen. Det er databeskyttelsesforordningens artikel 22, og den har stået der siden 2018.</p>
<p>Den siger, kort fortalt, at en person ikke skal kunne gøres til genstand for en afgørelse der alene bygger på automatisk behandling, når afgørelsen har betydelig virkning for vedkommende. Et afslag på et job er sådan en afgørelse.</p>
<p>Bemærk ordet <strong>alene</strong>. Reglen forbyder ikke at bruge maskinen. Den forbyder at maskinen får det sidste ord. Det er en helt anden ting, og det er hele forskellen mellem et lovligt og et ulovligt setup. Det er også derfor CV-screening med AI kan sættes lovligt op i dag, uden at vente på noget som helst.</p>
<p>Der er også et krav om åbenhed: ansøgerne skal kunne få at vide at der indgår automatisk behandling, og hvad der lægges vægt på. Det er sværere end det lyder, men det er en oplysningsopgave, ikke en forhindring.</p>
<div class="dfa-art__note">
<p><strong>Bemærk:</strong> Vi er ikke advokater, og det her er ikke juridisk rådgivning. Det er den praktiske udlægning vi arbejder ud fra, når vi hjælper HR-funktioner i gang. Skal jeres opsætning kunne holde i en tilsynssag, så få den vurderet af en der har papir på det.</p>
</div>
<h2>De fire grænser for CV-screening med AI</h2>
<p>Al den jura kan koges ned til fire beslutninger. De tager en formiddag at træffe, og de holder resten af vejen.</p>
<div class="dfa-art__tablewrap">
<table>
<thead>
<tr>
<th>Grænsen</th>
<th>Hvad det betyder i praksis</th>
</tr>
</thead>
<tbody>
<tr>
<td>Maskinen sorterer aldrig nogen fra</td>
<td>AI må rangere, opsummere og gøre bunken sammenlignelig. Den må ikke afvise. Et menneske ser hver eneste ansøgning der bliver fravalgt, også dem der ligger nederst</td>
</tr>
<tr>
<td>Beslutningen skal kunne begrundes</td>
<td>Den der siger nej, skal kunne sige hvorfor uden at henvise til at systemet gjorde det. Kan I ikke det, er beslutningen reelt automatisk uanset hvem der klikkede</td>
</tr>
<tr>
<td>Kriterierne skrives ned før bunken åbnes</td>
<td>Hvad skal personen kunne den første måned, hvad kan læres, hvad er reelt et krav. Fastlagt inden I ser navnene, ikke bagefter</td>
</tr>
<tr>
<td>Ansøgerne får det at vide</td>
<td>En sætning i opslaget om at der indgår automatisk behandling i den indledende gennemgang, og at et menneske vurderer. Det koster intet og fjerner det meste af risikoen</td>
</tr>
</tbody>
</table>
</div>
<p>Læg mærke til at ingen af de fire handler om hvilket værktøj I bruger. De handler om processen omkring det. Det er også derfor de er til at leve op til uden at købe noget.</p>
<h2>Det farligste er ikke modellen. Det er kriteriet ingen har skrevet ned.</h2>
<p>Diskussionen om bias i rekruttering bliver næsten altid ført som om problemet opstår når AI kommer ind i lokalet. Det passer ikke. Den usaglige forskelsbehandling var der i forvejen, den var bare fordelt på tolv forskellige mennesker der hver især havde en fornemmelse.</p>
<p>Det AI gør, er at gøre den systematisk. Det skærer begge veje. En model der vægter forkert, gør det på alle 300 ansøgninger i stedet for på de fyrre en enkelt medarbejder nåede. Til gengæld kan et skævt kriterium der er skrevet ned, faktisk findes og rettes. En fornemmelse kan ikke.</p>
<p>De typiske skævheder er ikke dem folk forventer. Det er sjældent noget så åbenlyst som køn eller alder. Det er:</p>
<ul>
<li><strong>Sproglig sikkerhed forveksles med faglighed.</strong> En velskrevet ansøgning rangeres højere, også når stillingen ikke kræver at man skriver. Det rammer alle der ikke har dansk som modersmål, uanset hvor gode de er til jobbet.</li>
<li><strong>Huller i cv&#8217;et vægtes negativt uden at nogen har bedt om det.</strong> Barsel, sygdom og videreuddannelse ser ens ud i en tidslinje.</li>
<li><strong>Genkendelige arbejdsgivere slår ukendte.</strong> Modellen har set de store navne før, og lighed med det den har set, ligner kvalitet.</li>
<li><strong>Jeres eget kriterium, spejlet tilbage.</strong> Beder I om nogen der ligner dem der klarer sig godt hos jer i dag, får I præcis det. Inklusive de træk der ikke har med arbejdet at gøre.</li>
</ul>
<p>Modgiften mod alle fire er den samme, og den er billigere end at droppe CV-screening med AI igen: skriv kriterierne ned først, hold dem op mod hvad jobbet faktisk kræver, og bed eksplicit modellen om at se bort fra alt der ikke står på listen.</p>
<h2>Anonymisering løser mindre end I tror</h2>
<p>Det oplagte svar er at fjerne navn, alder og billede før ansøgningen går ind. Det er ikke en dårlig idé, og det er nemt at gøre. Men det er en delvis løsning, og det er værd at vide hvorfor, inden I sætter alt på det ene kort.</p>
<p>Signalerne bliver nemlig hængende i teksten. Uddannelsesinstitutionens navn, årstal der afslører alder, en formulering der røber at dansk er andetsproget, foreningsarbejde der peger på baggrund. En sprogmodel er god til at samle den slags op, også når den ikke bliver bedt om det.</p>
<p>Anonymisering fjerner de nemme signaler, og den er stadig værd at gøre. Den erstatter bare ikke arbejdet med kriterierne. Har I kun tid til det ene, så vælg kriterierne.</p>
<h2>Hvad CV-screening med AI faktisk kan, når rammen er på plads</h2>
<p>Når de fire grænser står fast, er der reel tid at hente. Ikke i at afgøre hvem der skal ind, men i alt det omkring.</p>
<ul>
<li><strong>Bunken gøres sammenlignelig.</strong> Hver ansøgning stillet op mod den samme kravprofil i den samme skabelon, så I læser det samme sted hver gang i stedet for at lede.</li>
<li><strong>Det der mangler, bliver synligt.</strong> En liste over hvilke krav ansøgningen ikke siger noget om, i stedet for at I selv skal holde styr på det.</li>
<li><strong>Samtalen forberedes.</strong> Spørgsmål til den enkelte ud fra det de rent faktisk har skrevet, i stedet for det samme sæt til alle.</li>
<li><strong>Alle får svar.</strong> Ordentlige afslag i jeres egen tone, også til dem der ikke kom videre. Det er tit dét der ryger når der er travlt, og det er dét ansøgerne fortæller andre om.</li>
</ul>
<p>Bredere end rekrutteringen, altså onboarding, personalepolitikker, referater og MUS, har vi samlet under <a href="https://digitalforlomme.dk/ai-til-hr/">AI til HR-afdelinger</a>.</p>
<h2>Sådan starter I igen efter en pause</h2>
<p>CV-screening med AI kræver ikke et projekt for at komme i gang. Det kræver fem skridt, og de to første kan tages i denne uge.</p>
<ul>
<li><strong>Skriv de fire grænser ned som en halv side.</strong> Ikke en politik på fyrre sider. En halv side som HR og ledelsen er enige om, og som kan vises frem.</li>
<li><strong>Vælg én stilling, ikke hele processen.</strong> Helst en I rekrutterer til jævnligt, så I kan se forskellen anden gang.</li>
<li><strong>Kør den parallelt første gang.</strong> Screen som I plejer, og lad modellen gøre det ved siden af. Sammenlign hvem der ryger ud hvor. Det er den eneste måde at finde ud af hvad modellen faktisk vægter.</li>
<li><strong>Sæt sætningen i jobopslaget med det samme.</strong> Den om at der indgår automatisk behandling, og at et menneske vurderer. Vent ikke til processen er færdigtænkt.</li>
<li><strong>Lad den der rekrutterer bygge det.</strong> Ikke IT, og ikke en arbejdsgruppe. Det er detaljerne i faget der afgør om kriterierne er rigtige.</li>
</ul>
<p>Skal hele afdelingen med, og ikke kun rekrutteringen, er <a href="https://digitalforlomme.dk/ai-firmakurser/">et AI-firmakursus</a> formatet. Der arbejder vi i jeres egne opslag og jeres egne ansøgninger i stedet for i eksempler.</p>
<div class="dfa-art__cta">
<h3>Skal I i gang igen?</h3>
<p>Vi kommer ikke med et standardprogram. Vi tager jeres egen rekrutteringsproces, jeres egne kravprofiler og de ansøgninger I sidder med, og arbejder i dem på dagen.</p>
<p><a href="https://digitalforlomme.dk/ai-til-hr/" class="dfa-art__btn">Se AI til HR-afdelinger</a></p>
<p>Eller <a href="https://digitalforlomme.dk/book-gratis-konsultation/?kilde=blog-cv-screening-med-ai" class="dfa-art__ctalink">book en gratis og uforpligtende snak</a>.</p>
</div>
<div class="dfa-art__author"><img decoding="async" src="https://digitalforlomme.dk/wp-content/uploads/2026/06/0395_Paw-de-Sparra-Lundin_PDL_avatar.jpg" alt="Paw Lundin"></p>
<div>
<h4>Paw Lundin</h4>
<p>Stifter af Digital Forlomme. 15+ års erfaring med digitalisering, først som intern leder, nu som rådgiver. Underviser, implementerer og rådgiver.</p>
</div>
</div>
<h2>Ofte stillede spørgsmål</h2>
<div class="dfa-art__faq">
<details>
<summary>Er det lovligt at bruge AI til at screene ansøgninger?</summary>
<p>Ja, når mennesket træffer beslutningen. Databeskyttelsesforordningens artikel 22 forbyder afgørelser med betydelig virkning der alene bygger på automatisk behandling, og et afslag på et job er sådan en afgørelse. Ordet alene er det afgørende: AI må gerne rangere, opsummere og gøre bunken sammenlignelig, men den må ikke afvise nogen af sig selv. Ansøgerne skal desuden oplyses om at der indgår automatisk behandling.</p>
</details>
<details>
<summary>Rekruttering er høj-risiko under AI Act. Betyder det at vi skal vente?</summary>
<p>Nej. Rekruttering står i bilag III og er klassificeret som høj-risiko, men forpligtelserne for de systemer blev udskudt med Digital Omnibus-pakken fra 2. august 2026 til 2. december 2027. Klassifikationen gælder, kravene gør ikke endnu. Perioden frem til december 2027 er den billigste tid at lære det i, fordi I kan nå at finde ud af hvad der virker hos jer, inden dokumentationskravene lander.</p>
</details>
<details>
<summary>Hvad er den vigtigste ene ting vi skal have styr på?</summary>
<p>At maskinen aldrig sorterer nogen fra. AI må rangere og forberede, men et menneske skal se hver eneste ansøgning der bliver fravalgt, og skal kunne begrunde afslaget uden at henvise til systemet. Kan man ikke det, er beslutningen reelt automatisk, uanset hvem der trykkede på knappen. De øvrige tre grænser er nemmere at leve op til end den her.</p>
</details>
<details>
<summary>Fjerner anonymisering af ansøgninger problemet med bias?</summary>
<p>Kun delvist. At tage navn, alder og billede ud fjerner de nemme signaler og er værd at gøre. Men uddannelsessted, årstal, sprogtone og foreningsarbejde ligger stadig i teksten, og en sprogmodel samler den slags op uden at blive bedt om det. Det der virker bedre, er at skrive kriterierne ned før bunken åbnes og bede modellen se bort fra alt der ikke står på listen. Har I kun tid til det ene, så vælg kriterierne.</p>
</details>
<details>
<summary>Bliver bias værre af at bruge AI i rekrutteringen?</summary>
<p>Det bliver systematisk, og det er både problemet og muligheden. Usaglig forskelsbehandling fandtes i forvejen, den var bare fordelt på flere mennesker med hver sin fornemmelse. En model der vægter forkert, gør det på hele bunken. Til gengæld kan et nedskrevet kriterium findes og rettes, og det kan en fornemmelse ikke. Afgørende er at kriterierne er skrevet ned, holdt op mod hvad jobbet kræver, og testet ved at køre parallelt med den manuelle screening første gang.</p>
</details>
<details>
<summary>Skal vi købe et særligt rekrutteringssystem for at gøre det her?</summary>
<p>Nej, ikke for at komme i gang. De fire grænser handler om processen, ikke om værktøjet, og de kan lige så godt holdes med det I allerede har licens til. Et dedikeret system kan give mening når volumen er høj, men det er en beslutning der bør komme efter I har fundet ud af hvilke kriterier der virker hos jer. Køber I systemet først, køber I typisk en andens kriterier.</p>
</details>
</div>
<p><script type="application/ld+json">{ "@context": "https://schema.org", "@type": "FAQPage", "mainEntity": [{ "@type": "Question", "name": "Er det lovligt at bruge AI til at screene ansøgninger?", "acceptedAnswer": { "@type": "Answer", "text": "Ja, når mennesket træffer beslutningen. Databeskyttelsesforordningens artikel 22 forbyder afgørelser med betydelig virkning der alene bygger på automatisk behandling, og et afslag på et job er sådan en afgørelse. Ordet alene er det afgørende: AI må gerne rangere, opsummere og gøre bunken sammenlignelig, men den må ikke afvise nogen af sig selv. Ansøgerne skal desuden oplyses om at der indgår automatisk behandling." } }, { "@type": "Question", "name": "Rekruttering er høj-risiko under AI Act. Betyder det at vi skal vente?", "acceptedAnswer": { "@type": "Answer", "text": "Nej. Rekruttering står i bilag III og er klassificeret som høj-risiko, men forpligtelserne for de systemer blev udskudt med Digital Omnibus-pakken fra 2. august 2026 til 2. december 2027. Klassifikationen gælder, kravene gør ikke endnu. Perioden frem til december 2027 er den billigste tid at lære det i, fordi I kan nå at finde ud af hvad der virker hos jer, inden dokumentationskravene lander." } }, { "@type": "Question", "name": "Hvad er den vigtigste ene ting vi skal have styr på?", "acceptedAnswer": { "@type": "Answer", "text": "At maskinen aldrig sorterer nogen fra. AI må rangere og forberede, men et menneske skal se hver eneste ansøgning der bliver fravalgt, og skal kunne begrunde afslaget uden at henvise til systemet. Kan man ikke det, er beslutningen reelt automatisk, uanset hvem der trykkede på knappen. De øvrige tre grænser er nemmere at leve op til end den her." } }, { "@type": "Question", "name": "Fjerner anonymisering af ansøgninger problemet med bias?", "acceptedAnswer": { "@type": "Answer", "text": "Kun delvist. At tage navn, alder og billede ud fjerner de nemme signaler og er værd at gøre. Men uddannelsessted, årstal, sprogtone og foreningsarbejde ligger stadig i teksten, og en sprogmodel samler den slags op uden at blive bedt om det. Det der virker bedre, er at skrive kriterierne ned før bunken åbnes og bede modellen se bort fra alt der ikke står på listen. Har I kun tid til det ene, så vælg kriterierne." } }, { "@type": "Question", "name": "Bliver bias værre af at bruge AI i rekrutteringen?", "acceptedAnswer": { "@type": "Answer", "text": "Det bliver systematisk, og det er både problemet og muligheden. Usaglig forskelsbehandling fandtes i forvejen, den var bare fordelt på flere mennesker med hver sin fornemmelse. En model der vægter forkert, gør det på hele bunken. Til gengæld kan et nedskrevet kriterium findes og rettes, og det kan en fornemmelse ikke. Afgørende er at kriterierne er skrevet ned, holdt op mod hvad jobbet kræver, og testet ved at køre parallelt med den manuelle screening første gang." } }, { "@type": "Question", "name": "Skal vi købe et særligt rekrutteringssystem for at gøre det her?", "acceptedAnswer": { "@type": "Answer", "text": "Nej, ikke for at komme i gang. De fire grænser handler om processen, ikke om værktøjet, og de kan lige så godt holdes med det I allerede har licens til. Et dedikeret system kan give mening når volumen er høj, men det er en beslutning der bør komme efter I har fundet ud af hvilke kriterier der virker hos jer. Køber I systemet først, køber I typisk en andens kriterier." } }] }</script></div>
]]></content:encoded>
					
					<wfw:commentRss>https://digitalforlomme.dk/cv-screening-med-ai/feed/</wfw:commentRss>
			<slash:comments>0</slash:comments>
		
		
			</item>
		<item>
		<title>AI til budgetopfølgning: tiden ligger i forklaringen, ikke i tallene</title>
		<link>https://digitalforlomme.dk/ai-til-budgetopfoelgning/</link>
					<comments>https://digitalforlomme.dk/ai-til-budgetopfoelgning/#respond</comments>
		
		<dc:creator><![CDATA[Paw de Sparra Lundin]]></dc:creator>
		<pubDate>Thu, 13 Aug 2026 06:00:00 +0000</pubDate>
				<category><![CDATA[AI-værktøjer]]></category>
		<guid isPermaLink="false">https://digitalforlomme.dk/?p=2033</guid>

					<description><![CDATA[Tallene er klar tirsdag morgen, rapporten skal afsted torsdag, og de to dage går ikke med at regne. De går med at skrive hvad tallene betyder. Her er hvad AI kan overtage i budgetopfølgningen, og hvad den aldrig skal røre.]]></description>
										<content:encoded><![CDATA[<style>/* Blogindlaeg i .dfa-designsproget. Bruger temaets globale :root-tokens (wordpress/themes/forlomme/style.css) med hex-fallback, saa filen ogsaa ser rigtig ud i lokalt preview uden temaet. Fonte (Fraunces + DM Sans) loades globalt af temaet -- ingen @font-face her (RCB/GDPR ren). */ .dfa-art { font-family: 'DM Sans', system-ui, -apple-system, 'Segoe UI', sans-serif; max-width: 760px; margin: 0 auto; padding: 0 24px 8px; color: #0e1310; color: var(--df-text, #0e1310); font-size: 17px; line-height: 1.7; } .dfa-art__meta { color: #868c88; color: var(--df-text-3, #868c88); font-size: 0.9em; margin: 0 0 32px; } .dfa-art__lead { font-size: 1.2em; font-weight: 500; line-height: 1.5; margin: 0 0 32px; } .dfa-art p { margin: 0 0 20px; } .dfa-art h2 { font-family: 'Fraunces', Georgia, serif; color: #0e1310; color: var(--df-text, #0e1310); font-size: clamp(1.5rem, 3.2vw, 1.9rem); font-weight: 600; letter-spacing: -0.01em; line-height: 1.15; margin: 48px 0 16px; } .dfa-art h3 { font-family: 'Fraunces', Georgia, serif; color: #0e1310; color: var(--df-text, #0e1310); font-size: 1.25rem; font-weight: 600; line-height: 1.2; margin: 32px 0 10px; } .dfa-art a { color: #185b37; color: var(--df-primary, #185b37); font-weight: 600; text-decoration: none; } .dfa-art a:hover { text-decoration: underline; } .dfa-art strong { color: #0e1310; color: var(--df-text, #0e1310); font-weight: 700; } /* Checklister med groen flueben-markoer */ .dfa-art ul { list-style: none !important; list-style-type: none !important; padding: 0 !important; margin: 0 0 24px; } .dfa-art ul li { list-style: none !important; margin-left: 0 !important; position: relative; padding: 9px 0 9px 30px; color: #59635d; color: var(--df-text-2, #59635d); border-bottom: 1px solid #d2dad4; border-bottom: 1px solid var(--df-border, #d2dad4); } .dfa-art ul li:last-child { border-bottom: none; } .dfa-art ul li::marker { content: "" !important; font-size: 0 !important; } .dfa-art ul li::before { content: "\2713"; position: absolute; left: 0; top: 9px; color: #185b37; color: var(--df-primary, #185b37); font-weight: 700; } .dfa-art ul li strong { color: #0e1310; color: var(--df-text, #0e1310); } /* Neutral note (groen venstrekant) */ .dfa-art__note { background: #eef3ef; background: var(--df-surface-alt, #eef3ef); border-left: 4px solid #185b37; border-left: 4px solid var(--df-primary, #185b37); border-radius: 0 12px 12px 0; padding: 18px 24px; margin: 32px 0; } .dfa-art__note p { margin: 0; } /* Indsigt / key takeaway (terracotta -- reserveret til indsigt) */ .dfa-art__insight { background: #ffe2dc; background: var(--df-accent-light, #ffe2dc); border: 1px solid #f0c9c1; border: 1px solid var(--df-accent-border, #f0c9c1); border-radius: 16px; padding: 24px 28px; margin: 36px 0; } .dfa-art__insight .dfa-art__label { color: #de4f44; color: var(--df-accent, #de4f44); } .dfa-art__insight p { margin: 8px 0 0; } .dfa-art__label { font-size: 12px; font-weight: 600; letter-spacing: 0.12em; text-transform: uppercase; color: #185b37; color: var(--df-primary, #185b37); } /* Tabel */ .dfa-art__tablewrap { overflow-x: auto; margin: 32px 0; -webkit-overflow-scrolling: touch; } /* Mobil-scroll af brede tabeller haandteres sitewide i MU-pluginet df-mobile-layout-fixes.php (min-width:min-content paa wrappede tabeller), ikke med et per-post min-width. Roer ikke reglen her. */ .dfa-art table { width: 100%; border-collapse: collapse; font-size: 0.96em; } .dfa-art th, .dfa-art td { text-align: left; padding: 12px 14px; vertical-align: top; border-bottom: 1px solid #d2dad4; border-bottom: 1px solid var(--df-border, #d2dad4); } .dfa-art th { font-family: 'Fraunces', Georgia, serif; font-weight: 600; color: #0e1310; color: var(--df-text, #0e1310); border-bottom: 2px solid #185b37; border-bottom: 2px solid var(--df-primary, #185b37); } .dfa-art td:first-child { font-weight: 600; color: #0e1310; color: var(--df-text, #0e1310); } /* CTA-band (groent, afrundet) */ .dfa-art__cta { background: #185b37; background: var(--df-primary, #185b37); color: #f7fbf8; color: var(--df-on-dark, #f7fbf8); border-radius: 16px; padding: 36px 32px; text-align: center; margin: 48px 0; } .dfa-art__cta h3 { font-family: 'Fraunces', Georgia, serif; color: #f7fbf8; color: var(--df-on-dark, #f7fbf8); font-size: 1.5rem; font-weight: 600; margin: 0 0 12px; } .dfa-art__cta p { color: #bcd4c4; color: var(--df-on-dark-2, #bcd4c4); margin: 0 0 24px; } .dfa-art__cta p:last-child { margin: 20px 0 0; } .dfa-art__cta a.dfa-art__ctalink { color: #f7fbf8; color: var(--df-on-dark, #f7fbf8); text-decoration: underline; font-weight: 600; } .dfa-art a.dfa-art__btn { display: inline-block; font-weight: 600; text-decoration: none; background: #e78100; background: var(--df-cta, #e78100); color: #34260f; color: var(--df-cta-text, #34260f); padding: 14px 28px; border-radius: 999px; } .dfa-art a.dfa-art__btn:hover { background: #cf7300; background: var(--df-cta-hover, #cf7300); color: #34260f; color: var(--df-cta-text, #34260f); text-decoration: none; } /* Forfatterboks */ .dfa-art__author { display: flex; align-items: center; gap: 20px; background: #eef3ef; background: var(--df-surface-alt, #eef3ef); border: 1px solid #d2dad4; border: 1px solid var(--df-border, #d2dad4); border-radius: 16px; padding: 24px; margin: 48px 0; } .dfa-art__author img { width: 64px; height: 64px; border-radius: 50%; object-fit: cover; flex-shrink: 0; } .dfa-art__author h4 { font-family: 'Fraunces', Georgia, serif; margin: 0 0 4px; color: #0e1310; color: var(--df-text, #0e1310); font-size: 1.1rem; } .dfa-art__author p { margin: 0; color: #59635d; color: var(--df-text-2, #59635d); font-size: 0.95em; } /* FAQ -- native </p>
<details>, ingen JS */ .dfa-art__faq { border-top: 1px solid #d2dad4; border-top: 1px solid var(--df-border, #d2dad4); margin-top: 16px; } .dfa-art__faq details { border-bottom: 1px solid #d2dad4; border-bottom: 1px solid var(--df-border, #d2dad4); } .dfa-art__faq summary { list-style: none; cursor: pointer; padding: 18px 0; font-weight: 600; color: #0e1310; color: var(--df-text, #0e1310); display: flex; justify-content: space-between; gap: 16px; } .dfa-art__faq summary::-webkit-details-marker { display: none; } .dfa-art__faq summary::after { content: "+"; color: #185b37; color: var(--df-primary, #185b37); font-size: 22px; line-height: 1; flex-shrink: 0; transition: transform 0.2s ease; } .dfa-art__faq details[open] summary::after { transform: rotate(45deg); } .dfa-art__faq details p { margin: 0 0 18px; color: #59635d; color: var(--df-text-2, #59635d); } @media (max-width: 560px) { .dfa-art { font-size: 16px; } .dfa-art__author { flex-direction: column; text-align: center; } .dfa-art__cta { padding: 28px 22px; } }</style>
<div class="dfa-art">
<div class="dfa-art__meta">August 2026 &bull; 8 minutters læsning</div>
<p class="dfa-art__lead">Tallene er klar tirsdag morgen. Rapporten skal afsted torsdag. De to dage midtimellem går ikke med at regne, for regnestykket er lavet. De går med at skrive hvad tallene betyder, rykke fire afdelinger for forklaringer, og formulere det hele så ledelsen kan læse det på tyve minutter.</p>
<p>Det er dér AI til budgetopfølgning hører hjemme. Ikke i tallene, men i teksten omkring dem.</p>
<p>Det er en vigtig skelnen, fordi de fleste går den modsatte vej. De prøver at få en sprogmodel til at regne, opdager at den tager fejl, og konkluderer at AI ikke kan bruges til økonomi. Konklusionen er forkert, men eksperimentet var også det.</p>
<h2>Hvor de to dage faktisk går</h2>
<p>De sidste ti år er gået med at automatisere fremskaffelsen af tallet. Integrationer, ERP-opsætning, dashboards, natlige opdateringer. Det har virket. Tallet er klar tidligere end det var i 2016.</p>
<p>Den anden halvdel af arbejdet har ikke flyttet sig en centimeter. Forklaringen skrives stadig i hånden hver måned, ofte forfra, og som regel af den i afdelingen der har mindst tid i forvejen.</p>
<p>En brugbar afvigelsesforklaring består af tre ting: hvad der afveg, hvorfor det afveg, og hvad der sker med det nu. Den midterste er den svære. Årsagen står ikke i tallene, den ligger hos den der bestilte, solgte eller udskød. Den kan hverken et regneark eller en sprogmodel finde.</p>
<p>Til gengæld er den første og den tredje mekaniske. At oversætte &#8220;konto 4210, budget 480.000, forbrug 611.400&#8221; til en sætning et menneske kan læse, er ikke analyse. Det er oversættelse. Og det er præcis dét en sprogmodel er bygget til.</p>
<h2>Hvad AI til budgetopfølgning kan overtage, og hvad den ikke må</h2>
<p>Fordelingen er ikke et smagsspørgsmål. Den følger af hvad værktøjerne faktisk kan.</p>
<div class="dfa-art__tablewrap">
<table>
<thead>
<tr>
<th>Opgave</th>
<th>Hvem</th>
<th>Hvorfor</th>
</tr>
</thead>
<tbody>
<tr>
<td>Regne</td>
<td>Arket</td>
<td>En sprogmodel forudsiger tekst. Et tal den selv har lavet, er en sætning der ligner et regnestykke</td>
</tr>
<tr>
<td>Beskrive afvigelsen i ord</td>
<td>AI</td>
<td>Ren oversættelse fra tal til sætning, og den er ens hver måned</td>
</tr>
<tr>
<td>Finde årsagen</td>
<td>Mennesket</td>
<td>Årsagen står ikke i materialet. Den ligger hos den der traf beslutningen</td>
</tr>
<tr>
<td>Formulere konsekvensen</td>
<td>AI, du retter</td>
<td>Udkastet tager sekunder. Vurderingen bag er stadig din</td>
</tr>
<tr>
<td>Ensarte sproget på tværs af afdelinger</td>
<td>AI</td>
<td>Samme struktur, samme detaljeringsgrad, hver måned. Det er modellens stærkeste side</td>
</tr>
<tr>
<td>Godkende inden det sendes</td>
<td>Mennesket</td>
<td>Der skal stå et navn på det der går til ledelsen</td>
</tr>
</tbody>
</table>
</div>
<h2>Modellen regner ikke. Arket regner.</h2>
<p>Det er den ene regel der afgør om AI til budgetopfølgning bliver en tidsbesparelse eller en fejlkilde.</p>
<p>Beder du en sprogmodel om at lægge en kolonne sammen, får du et tal der ser rigtigt ud. Nogle gange er det rigtigt. Det er værre end hvis det altid var forkert, for så havde I opdaget det med det samme.</p>
<p>Løsningen er ikke at holde AI væk fra økonomiarbejdet. Den er at give modellen tal der allerede er regnet. Summen laves i arket, resultatet indsættes, og modellen bliver bedt om teksten. Skal I bruge en formel I ikke kan huske, så bed om formlen og lad arket køre den. Så står regnestykket ét sted, og det er et sted der kan efterprøves.</p>
<div class="dfa-art__insight">
<div class="dfa-art__label">Indsigt</div>
<p>Beder du modellen om at regne, får du et tal der ser rigtigt ud. Beder du den om at forklare et tal du selv har regnet, får du en forklaring du kan bruge. Forskellen er hvem der har lavet regnestykket.</p>
</div>
<h2>Fire steder i budgetopfølgningen hvor AI sparer reel tid</h2>
<h3>Afvigelsesforklaringen</h3>
<p>Indsæt de afvigende linjer med budget, forbrug og forskel, og skriv de årsager I allerede kender. Bed om en forklaring på tre til fem linjer pr. konto, i samme struktur hver gang. Det I får tilbage, er et udkast der kan rettes, ikke en analyse der kan sendes. Men det er et udkast der tager to minutter i stedet for fyrre.</p>
<h3>Budgetkommentaren til ledelsen</h3>
<p>Den lange forklaring findes allerede, den skal bare skæres til et andet publikum. Bed om en version på maks fem punkter til en direktion der har tyve minutter, hvor kun afvigelser over en grænse I selv sætter, kommer med. Nedskalering af tekst er noget af det mest pålidelige en model laver, fordi den ikke skal tilføje noget.</p>
<h3>Oprydningen i eksporten</h3>
<p>Rå udtræk fra økonomisystemet kommer sjældent i den form man skal bruge. Datoer som tekst, kontonavne med skiftende stavemåde, beløb med tusindtalsseparator systemet ikke selv kan læse igen. Beskriv hvordan kolonnen ser ud og hvad den skal blive til, og bed om formlen. Ikke om det rensede datasæt, kun om formlen. Så bliver oprydningen noget arket gør, og noget I kan køre igen næste måned.</p>
<h3>Udkastet til månedsrapporten</h3>
<p>Rapporten har samme afsnit hver måned. Sidste måneds rapport plus denne måneds tal og noter giver et første udkast der rammer strukturen, tonen og længden. Det sparer sjældent al tiden, men det fjerner den værste del, som er at sidde med et tomt dokument klokken halv fem.</p>
<div class="dfa-art__note">
<p><strong>Prøv det på sidste måned.</strong> Tag den budgetopfølgning I allerede har afleveret, og lad modellen skrive afvigelsesforklaringen forfra på de samme tal. Sammenlign med det I selv skrev. Det tager tyve minutter og svarer på spørgsmålet bedre end nogen demo kan.</p>
</div>
<h2>Giv modellen nok til at forklaringen holder</h2>
<p>Langt de fleste ubrugelige svar skyldes en prompt der mangler det halve. Modellen ved ikke hvilken periode det er, hvad der sammenlignes med, eller hvem der skal læse det. Så gætter den, og gæt lyder desværre lige så sikre som fakta.</p>
<ul>
<li><strong>Perioden og sammenligningsgrundlaget.</strong> Juli mod budget, eller juli mod juli sidste år. Det ændrer hele forklaringen.</li>
<li><strong>Det I allerede ved.</strong> &#8220;Stigningen på konto 4210 skyldes en fremrykket vedligeholdelse&#8221; er guld. Så skriver modellen det ordentligt i stedet for at opfinde en årsag.</li>
<li><strong>Modtageren.</strong> En bestyrelse, en afdelingsleder og en revisor skal have tre forskellige tekster ud af de samme tal.</li>
<li><strong>Længden.</strong> Sig det i antal linjer eller punkter. Ellers får I altid for meget.</li>
<li><strong>Forbuddet mod at gætte.</strong> Skriv eksplicit: angiv ingen årsag der ikke står i mit materiale, marker i stedet linjen som uforklaret. Det er den vigtigste sætning i hele prompten.</li>
</ul>
<p>Den sidste er værd at holde fast i. Uden den skriver modellen gerne &#8220;stigningen skyldes sæsonudsving&#8221;, fordi det er en sætning der plejer at stå der. Med den får I i stedet en liste over hvad I mangler at få svar på, og den liste er faktisk brugbar.</p>
<h2>Kontrollen der skal ligge fast</h2>
<p>Der skal ikke skrives en politik på fyrre sider, men fire ting skal være besluttet inden nogen begynder.</p>
<ul>
<li><strong>Hvilket værktøj der er godkendt.</strong> Ét sted, valgt af jer, med en aftale der siger at jeres data ikke bruges til træning. Ikke det den enkelte tilfældigvis har oprettet.</li>
<li><strong>Hvad der aldrig indsættes.</strong> Løndata på personniveau, cpr, og tal der ikke er offentliggjort endnu. Aggregerede kontotal er noget andet end en lønliste.</li>
<li><strong>At et menneske godkender.</strong> Intet udkast forlader afdelingen uden at nogen har læst det igennem og sat sit navn på.</li>
<li><strong>At tallet stammer fra systemet.</strong> Kilden er økonomisystemet og arket. Teksten kan komme fra en model. Tallet kan ikke.</li>
</ul>
<p>De to første punkter hænger sammen med den bredere afklaring af hvad økonomidata må bruges til, og den er beskrevet under <a href="https://digitalforlomme.dk/ai-til-oekonomi/">AI til regnskab og økonomi</a>. Er I flere funktioner om det samme spørgsmål, ligger den generelle version under <a href="https://digitalforlomme.dk/ai-til-administration/">AI til administrative opgaver</a>.</p>
<h2>Sådan kommer I i gang med AI til budgetopfølgning</h2>
<ul>
<li><strong>Vælg én rapport, ikke hele processen.</strong> Månedsrapporten til ledelsen er et godt sted, fordi den har fast form og en deadline der gør besparelsen synlig.</li>
<li><strong>Byg prompten som en skabelon.</strong> Samme opbygning hver måned, hvor kun tal og noter skiftes ud. Første gang tager en time, herefter tager det minutter.</li>
<li><strong>Kør den parallelt i to måneder.</strong> Skriv som I plejer, og lad modellen skrive sit udkast ved siden af. Det er den eneste måde at finde ud af hvor den er god og hvor den er upålidelig.</li>
<li><strong>Mål på gennemløbstid, ikke på antal prompts.</strong> Spørgsmålet er om rapporten er klar onsdag i stedet for torsdag.</li>
<li><strong>Lad den der skriver rapporten bygge det.</strong> Ikke IT, og ikke en projektgruppe. Det er detaljerne i arbejdet der afgør om det virker, og dem kender kun den der laver det.</li>
</ul>
<p>Skal hele funktionen med, og ikke kun budgetopfølgningen, er det <a href="https://digitalforlomme.dk/ai-firmakurser/">et AI-firmakursus</a> der er formatet, hvor vi arbejder med jeres egne rapporter i stedet for eksempler. Handler det mere om selve rapporteringen og de tal ledelsen kigger på, ligger den diskussion i <a href="https://digitalforlomme.dk/power-bi-dashboard-der-bliver-brugt/">Power BI dashboards der bliver brugt</a>.</p>
<div class="dfa-art__cta">
<h3>Skal jeres økonomifunktion i gang?</h3>
<p>Vi kommer ikke med et standardprogram. Vi tager jeres egen månedsrapport, jeres egne afvigelser og jeres egne kontoplaner, og arbejder i dem på dagen.</p>
<p><a href="https://digitalforlomme.dk/ai-til-oekonomi/" class="dfa-art__btn">Se AI til regnskab og økonomi</a></p>
<p>Eller <a href="https://digitalforlomme.dk/book-gratis-konsultation/?kilde=blog-ai-til-budgetopfoelgning" class="dfa-art__ctalink">book en gratis og uforpligtende snak</a>.</p>
</div>
<div class="dfa-art__author"><img decoding="async" src="https://digitalforlomme.dk/wp-content/uploads/2026/06/0395_Paw-de-Sparra-Lundin_PDL_avatar.jpg" alt="Paw Lundin"></p>
<div>
<h4>Paw Lundin</h4>
<p>Stifter af Digital Forlomme. 15+ års erfaring med digitalisering, først som intern leder, nu som rådgiver. Underviser, implementerer og rådgiver.</p>
</div>
</div>
<h2>Ofte stillede spørgsmål</h2>
<div class="dfa-art__faq">
<details>
<summary>Hvad kan AI til budgetopfølgning konkret overtage?</summary>
<p>Beskrivelsen af afvigelsen, udkastet til budgetkommentaren, nedskaleringen til ledelsen, formlerne til oprydning i eksporten og førsteudkastet til månedsrapporten. Den kan ikke finde årsagen til en afvigelse, for den står ikke i tallene, og den skal ikke regne. Fordelingen er enkel: arket regner, modellen skriver, og et menneske godkender inden det sendes.</p>
</details>
<details>
<summary>Kan man stole på at AI regner rigtigt på økonomital?</summary>
<p>Nej, og det er heller ikke opgaven. En sprogmodel forudsiger tekst, så et tal den selv har udregnet, er reelt en sætning der ligner et regnestykke. Nogle gange rammer den rigtigt, hvilket er værre end hvis den altid tog fejl. Lav beregningen i regnearket, indsæt resultatet, og bed kun om teksten omkring det. Skal I bruge en formel, så bed om formlen og lad arket køre den.</p>
</details>
<details>
<summary>Må vi lægge økonomital ind i ChatGPT eller Copilot?</summary>
<p>Det afhænger af hvilken aftale I har, og hvilke tal det er. Brug et værktøj virksomheden har godkendt, med en aftale om at jeres data ikke bruges til træning. Aggregerede kontotal er noget andet end løndata på personniveau, cpr eller tal der endnu ikke er offentliggjort, og de sidste hører ikke hjemme i en prompt uanset aftalen. Afklar det som en beslutning i afdelingen, ikke fra sag til sag.</p>
</details>
<details>
<summary>Hvor meget tid sparer man reelt?</summary>
<p>Det interessante tal er ikke hvor hurtigt et afsnit bliver skrevet, men hvornår rapporten er klar. Det tunge er sjældent selve skrivningen. Det er at vente på forklaringer fra andre afdelinger, og dét flytter AI ikke på. Til gengæld fjerner den det tomme dokument og den sidste finpudsning, og for de fleste betyder det at deadline rykker en dag frem, ikke at arbejdet forsvinder.</p>
</details>
<details>
<summary>Hvorfor skriver modellen forklaringer der lyder rigtige, men ikke passer?</summary>
<p>Fordi den udfylder huller når den mangler information. Står der ikke en årsag i materialet, skriver den den sætning der plejer at stå, typisk noget med sæsonudsving eller periodisering. Skriv derfor eksplicit i prompten at den ikke må angive årsager der ikke fremgår af materialet, og at uforklarede linjer skal markeres i stedet. Så får I en liste over det I mangler svar på.</p>
</details>
<details>
<summary>Skal vi bruge et særligt værktøj til det her?</summary>
<p>Nej. Metoden er den samme uanset om I bruger Copilot i Microsoft 365, ChatGPT eller Claude ved siden af regnearket. Forskellen ligger i om værktøjet kan se jeres filer direkte, eller om I kopierer tallene ind. Det ændrer arbejdsgangen, men ikke princippet: arket regner, modellen skriver. Vælg det I allerede har licens til, før I køber noget nyt.</p>
</details>
</div>
<p><script type="application/ld+json">{ "@context": "https://schema.org", "@type": "FAQPage", "mainEntity": [{ "@type": "Question", "name": "Hvad kan AI til budgetopfølgning konkret overtage?", "acceptedAnswer": { "@type": "Answer", "text": "Beskrivelsen af afvigelsen, udkastet til budgetkommentaren, nedskaleringen til ledelsen, formlerne til oprydning i eksporten og førsteudkastet til månedsrapporten. Den kan ikke finde årsagen til en afvigelse, for den står ikke i tallene, og den skal ikke regne. Fordelingen er enkel: arket regner, modellen skriver, og et menneske godkender inden det sendes." } }, { "@type": "Question", "name": "Kan man stole på at AI regner rigtigt på økonomital?", "acceptedAnswer": { "@type": "Answer", "text": "Nej, og det er heller ikke opgaven. En sprogmodel forudsiger tekst, så et tal den selv har udregnet, er reelt en sætning der ligner et regnestykke. Nogle gange rammer den rigtigt, hvilket er værre end hvis den altid tog fejl. Lav beregningen i regnearket, indsæt resultatet, og bed kun om teksten omkring det. Skal I bruge en formel, så bed om formlen og lad arket køre den." } }, { "@type": "Question", "name": "Må vi lægge økonomital ind i ChatGPT eller Copilot?", "acceptedAnswer": { "@type": "Answer", "text": "Det afhænger af hvilken aftale I har, og hvilke tal det er. Brug et værktøj virksomheden har godkendt, med en aftale om at jeres data ikke bruges til træning. Aggregerede kontotal er noget andet end løndata på personniveau, cpr eller tal der endnu ikke er offentliggjort, og de sidste hører ikke hjemme i en prompt uanset aftalen. Afklar det som en beslutning i afdelingen, ikke fra sag til sag." } }, { "@type": "Question", "name": "Hvor meget tid sparer man reelt?", "acceptedAnswer": { "@type": "Answer", "text": "Det interessante tal er ikke hvor hurtigt et afsnit bliver skrevet, men hvornår rapporten er klar. Det tunge er sjældent selve skrivningen. Det er at vente på forklaringer fra andre afdelinger, og dét flytter AI ikke på. Til gengæld fjerner den det tomme dokument og den sidste finpudsning, og for de fleste betyder det at deadline rykker en dag frem, ikke at arbejdet forsvinder." } }, { "@type": "Question", "name": "Hvorfor skriver modellen forklaringer der lyder rigtige, men ikke passer?", "acceptedAnswer": { "@type": "Answer", "text": "Fordi den udfylder huller når den mangler information. Står der ikke en årsag i materialet, skriver den den sætning der plejer at stå, typisk noget med sæsonudsving eller periodisering. Skriv derfor eksplicit i prompten at den ikke må angive årsager der ikke fremgår af materialet, og at uforklarede linjer skal markeres i stedet. Så får I en liste over det I mangler svar på." } }, { "@type": "Question", "name": "Skal vi bruge et særligt værktøj til det her?", "acceptedAnswer": { "@type": "Answer", "text": "Nej. Metoden er den samme uanset om I bruger Copilot i Microsoft 365, ChatGPT eller Claude ved siden af regnearket. Forskellen ligger i om værktøjet kan se jeres filer direkte, eller om I kopierer tallene ind. Det ændrer arbejdsgangen, men ikke princippet: arket regner, modellen skriver. Vælg det I allerede har licens til, før I køber noget nyt." } }] }</script></div>
]]></content:encoded>
					
					<wfw:commentRss>https://digitalforlomme.dk/ai-til-budgetopfoelgning/feed/</wfw:commentRss>
			<slash:comments>0</slash:comments>
		
		
			</item>
		<item>
		<title>Power BI dashboards der bliver brugt: fra rapport til beslutning</title>
		<link>https://digitalforlomme.dk/power-bi-dashboard-der-bliver-brugt/</link>
					<comments>https://digitalforlomme.dk/power-bi-dashboard-der-bliver-brugt/#respond</comments>
		
		<dc:creator><![CDATA[Paw de Sparra Lundin]]></dc:creator>
		<pubDate>Mon, 10 Aug 2026 06:00:00 +0000</pubDate>
				<category><![CDATA[AI-værktøjer]]></category>
		<guid isPermaLink="false">https://digitalforlomme.dk/?p=2029</guid>

					<description><![CDATA[De fleste Power BI dashboards bliver bygget, åbnet et par gange og glemt. Forskellen på dem der bliver brugt og dem der dør, ligger i design, ejerskab og beslutningsrytme, ikke i værktøjet.]]></description>
										<content:encoded><![CDATA[<style>/* Blogindlaeg i .dfa-designsproget. Bruger temaets globale :root-tokens (wordpress/themes/forlomme/style.css) med hex-fallback, saa filen ogsaa ser rigtig ud i lokalt preview uden temaet. Fonte (Fraunces + DM Sans) loades globalt af temaet -- ingen @font-face her (RCB/GDPR ren). */ .dfa-art { font-family: 'DM Sans', system-ui, -apple-system, 'Segoe UI', sans-serif; max-width: 760px; margin: 0 auto; padding: 0 24px 8px; color: #0e1310; color: var(--df-text, #0e1310); font-size: 17px; line-height: 1.7; } .dfa-art__meta { color: #868c88; color: var(--df-text-3, #868c88); font-size: 0.9em; margin: 0 0 32px; } .dfa-art__lead { font-size: 1.2em; font-weight: 500; line-height: 1.5; margin: 0 0 32px; } .dfa-art p { margin: 0 0 20px; } .dfa-art h2 { font-family: 'Fraunces', Georgia, serif; color: #0e1310; color: var(--df-text, #0e1310); font-size: clamp(1.5rem, 3.2vw, 1.9rem); font-weight: 600; letter-spacing: -0.01em; line-height: 1.15; margin: 48px 0 16px; } .dfa-art h3 { font-family: 'Fraunces', Georgia, serif; color: #0e1310; color: var(--df-text, #0e1310); font-size: 1.25rem; font-weight: 600; line-height: 1.2; margin: 32px 0 10px; } .dfa-art a { color: #185b37; color: var(--df-primary, #185b37); font-weight: 600; text-decoration: none; } .dfa-art a:hover { text-decoration: underline; } .dfa-art strong { color: #0e1310; color: var(--df-text, #0e1310); font-weight: 700; } /* Checklister med groen flueben-markoer */ .dfa-art ul { list-style: none !important; list-style-type: none !important; padding: 0 !important; margin: 0 0 24px; } .dfa-art ul li { list-style: none !important; margin-left: 0 !important; position: relative; padding: 9px 0 9px 30px; color: #59635d; color: var(--df-text-2, #59635d); border-bottom: 1px solid #d2dad4; border-bottom: 1px solid var(--df-border, #d2dad4); } .dfa-art ul li:last-child { border-bottom: none; } .dfa-art ul li::marker { content: "" !important; font-size: 0 !important; } .dfa-art ul li::before { content: "\2713"; position: absolute; left: 0; top: 9px; color: #185b37; color: var(--df-primary, #185b37); font-weight: 700; } .dfa-art ul li strong { color: #0e1310; color: var(--df-text, #0e1310); } /* Neutral note (groen venstrekant) */ .dfa-art__note { background: #eef3ef; background: var(--df-surface-alt, #eef3ef); border-left: 4px solid #185b37; border-left: 4px solid var(--df-primary, #185b37); border-radius: 0 12px 12px 0; padding: 18px 24px; margin: 32px 0; } .dfa-art__note p { margin: 0; } /* Indsigt / key takeaway (terracotta -- reserveret til indsigt) */ .dfa-art__insight { background: #ffe2dc; background: var(--df-accent-light, #ffe2dc); border: 1px solid #f0c9c1; border: 1px solid var(--df-accent-border, #f0c9c1); border-radius: 16px; padding: 24px 28px; margin: 36px 0; } .dfa-art__insight .dfa-art__label { color: #de4f44; color: var(--df-accent, #de4f44); } .dfa-art__insight p { margin: 8px 0 0; } .dfa-art__label { font-size: 12px; font-weight: 600; letter-spacing: 0.12em; text-transform: uppercase; color: #185b37; color: var(--df-primary, #185b37); } /* Tabel */ .dfa-art__tablewrap { overflow-x: auto; margin: 32px 0; -webkit-overflow-scrolling: touch; } /* Mobil-scroll af brede tabeller haandteres sitewide i MU-pluginet df-mobile-layout-fixes.php (min-width:min-content paa wrappede tabeller), ikke med et per-post min-width. Roer ikke reglen her. */ .dfa-art table { width: 100%; border-collapse: collapse; font-size: 0.96em; } .dfa-art th, .dfa-art td { text-align: left; padding: 12px 14px; vertical-align: top; border-bottom: 1px solid #d2dad4; border-bottom: 1px solid var(--df-border, #d2dad4); } .dfa-art th { font-family: 'Fraunces', Georgia, serif; font-weight: 600; color: #0e1310; color: var(--df-text, #0e1310); border-bottom: 2px solid #185b37; border-bottom: 2px solid var(--df-primary, #185b37); } .dfa-art td:first-child { font-weight: 600; color: #0e1310; color: var(--df-text, #0e1310); } /* CTA-band (groent, afrundet) */ .dfa-art__cta { background: #185b37; background: var(--df-primary, #185b37); color: #f7fbf8; color: var(--df-on-dark, #f7fbf8); border-radius: 16px; padding: 36px 32px; text-align: center; margin: 48px 0; } .dfa-art__cta h3 { font-family: 'Fraunces', Georgia, serif; color: #f7fbf8; color: var(--df-on-dark, #f7fbf8); font-size: 1.5rem; font-weight: 600; margin: 0 0 12px; } .dfa-art__cta p { color: #bcd4c4; color: var(--df-on-dark-2, #bcd4c4); margin: 0 0 24px; } .dfa-art__cta p:last-child { margin: 20px 0 0; } .dfa-art__cta a.dfa-art__ctalink { color: #f7fbf8; color: var(--df-on-dark, #f7fbf8); text-decoration: underline; font-weight: 600; } .dfa-art a.dfa-art__btn { display: inline-block; font-weight: 600; text-decoration: none; background: #e78100; background: var(--df-cta, #e78100); color: #34260f; color: var(--df-cta-text, #34260f); padding: 14px 28px; border-radius: 999px; } .dfa-art a.dfa-art__btn:hover { background: #cf7300; background: var(--df-cta-hover, #cf7300); color: #34260f; color: var(--df-cta-text, #34260f); text-decoration: none; } /* Forfatterboks */ .dfa-art__author { display: flex; align-items: center; gap: 20px; background: #eef3ef; background: var(--df-surface-alt, #eef3ef); border: 1px solid #d2dad4; border: 1px solid var(--df-border, #d2dad4); border-radius: 16px; padding: 24px; margin: 48px 0; } .dfa-art__author img { width: 64px; height: 64px; border-radius: 50%; object-fit: cover; flex-shrink: 0; } .dfa-art__author h4 { font-family: 'Fraunces', Georgia, serif; margin: 0 0 4px; color: #0e1310; color: var(--df-text, #0e1310); font-size: 1.1rem; } .dfa-art__author p { margin: 0; color: #59635d; color: var(--df-text-2, #59635d); font-size: 0.95em; } /* FAQ -- native </p>
<details>, ingen JS */ .dfa-art__faq { border-top: 1px solid #d2dad4; border-top: 1px solid var(--df-border, #d2dad4); margin-top: 16px; } .dfa-art__faq details { border-bottom: 1px solid #d2dad4; border-bottom: 1px solid var(--df-border, #d2dad4); } .dfa-art__faq summary { list-style: none; cursor: pointer; padding: 18px 0; font-weight: 600; color: #0e1310; color: var(--df-text, #0e1310); display: flex; justify-content: space-between; gap: 16px; } .dfa-art__faq summary::-webkit-details-marker { display: none; } .dfa-art__faq summary::after { content: "+"; color: #185b37; color: var(--df-primary, #185b37); font-size: 22px; line-height: 1; flex-shrink: 0; transition: transform 0.2s ease; } .dfa-art__faq details[open] summary::after { transform: rotate(45deg); } .dfa-art__faq details p { margin: 0 0 18px; color: #59635d; color: var(--df-text-2, #59635d); } @media (max-width: 560px) { .dfa-art { font-size: 16px; } .dfa-art__author { flex-direction: column; text-align: center; } .dfa-art__cta { padding: 28px 22px; } }</style>
<div class="dfa-art">
<div class="dfa-art__meta">August 2026 • 7 minutters læsning</div>
<p class="dfa-art__lead">Et Power BI dashboard bliver sjældent lukket ned. Det bliver bare åbnet færre og færre gange. Først dagligt, så om mandagen, så slet ikke. Et halvt år senere sender økonomi igen tallene i en mail, fordi det er hurtigere end at finde ud af hvor rapporten ligger.</p>
<p>Rapporten fejler ikke. Den opdaterer om natten, tallene stemmer, og den ser fin ud. Den bliver bare ikke brugt. Det er en anden slags problem end det de fleste går i gang med at løse, og det bliver ikke løst af flere visualiseringer.</p>
<h2>Den eneste prøve der tæller</h2>
<p>Der findes ét spørgsmål som afgør om et Power BI dashboard er lykkedes: hvilken beslutning blev truffet anderledes, fordi tallet stod der?</p>
<p>Ikke hvor mange der har adgang. Ikke hvor mange grafer der er. Ikke om ledelsen syntes det så godt ud på det møde hvor det blev vist frem. Hvilken beslutning.</p>
<div class="dfa-art__note">
<p><strong>Prøven:</strong> bed den der bestilte dashboardet om at nævne den seneste beslutning der blev truffet på baggrund af det. Kommer der et konkret eksempel fra denne måned, virker det. Kommer der i stedet en beskrivelse af hvad dashboardet indeholder, gør det ikke.</p>
</div>
<h2>Hvorfor Power BI dashboards holder op med at blive åbnet</h2>
<p>Fire ting går igen. Ingen af dem handler om Power BI.</p>
<h3>1. Det blev bygget til &#8220;ledelsen&#8221;</h3>
<p>Opgaven lød på et overblik til ledelsen. Men ledelsen er ikke en person, og et overblik er ikke en beslutning. Resultatet bliver et dashboard der forsøger at dække alle og derfor lander på præcis det niveau hvor ingen kan handle. Salgschefen mangler kundeniveauet. Direktøren drukner i det. Begge holder op med at åbne det, og ingen af dem siger det højt.</p>
<h3>2. Ingen ejer beslutningen</h3>
<p>Dashboardet har en bygger, typisk en i økonomi eller IT. Det har en bestiller. Men der er sjældent nogen der ejer selve beslutningen, tallet skulle understøtte. Uden den ejer er der ingen der opdager at et nøgletal er holdt op med at give mening, og ingen der beder om at få det rettet. Så forfalder det stille, uden at nogen træffer en beslutning om at droppe det.</p>
<h3>3. Tallene er rigtige, men ikke troværdige</h3>
<p>Nogen fandt engang en afvigelse mellem dashboardet og økonomirapporten. Forklaringen var god nok, det var en periodisering. Men tilliden kom aldrig helt tilbage. Herefter bliver dashboardet brugt som indikation, mens de rigtige tal stadig hentes i økonomi. Dermed er det blevet ekstra arbejde i stedet for mindre.</p>
<h3>4. Der er ingen rytme</h3>
<p>Et dashboard uden et fast møde er en hjemmeside ingen har sat bogmærke til. Der findes ikke et tidspunkt hvor nogen er forpligtet til at kigge på det. Og derfor findes der heller ikke et tidspunkt hvor nogen opdager at datakilden har været gået i stå i tre uger.</p>
<h2>Rapport eller beslutningsgrundlag</h2>
<p>Power BI skelner selv mellem de to ting. En rapport er flere sider, interaktiv, bygget til den der vil grave i tallene. Et dashboard er én flade med de vigtigste felter, bygget til den der skal handle på dem. I praksis bygger de fleste en rapport, kalder den et dashboard, og så bliver den brugt som ingen af delene.</p>
<div class="dfa-art__tablewrap">
<table>
<thead>
<tr>
<th></th>
<th>Rapport-tankegangen</th>
<th>Beslutningsgrundlaget</th>
</tr>
</thead>
<tbody>
<tr>
<td>Formål</td>
<td>Vise hvad der er sket</td>
<td>Udløse en beslutning</td>
</tr>
<tr>
<td>Modtager</td>
<td>&#8220;Ledelsen&#8221;</td>
<td>En navngiven rolle</td>
</tr>
<tr>
<td>Indhold</td>
<td>Alt der kan måles</td>
<td>Det der kan handles på</td>
</tr>
<tr>
<td>Succeskriterie</td>
<td>At den blev bygget færdig</td>
<td>At nogen handlede på den</td>
</tr>
<tr>
<td>Typisk reaktion</td>
<td>&#8220;Interessant&#8221;</td>
<td>&#8220;Så gør vi sådan&#8221;</td>
</tr>
</tbody>
</table>
</div>
<h2>Design et Power BI dashboard omkring én beslutning</h2>
<h3>Ét spørgsmål pr. side</h3>
<p>Skriv spørgsmålet øverst på siden i almindeligt sprog. &#8220;Hvilke kunder er faldet i omsætning i denne måned?&#8221; Kan du ikke formulere spørgsmålet, er siden ikke tænkt færdig. Kan du formulere tre, skal det være tre sider.</p>
<h3>Vis afvigelsen, ikke tilstanden</h3>
<p>Et tal alene siger ingenting. 4,2 millioner er hverken godt eller skidt. Sæt altid noget ved siden af: budgettet, samme måned sidste år, sidste uge. Det er forskellen der udløser en handling, ikke niveauet. Derfor er den mest brugbare visualisering ofte den kedeligste, nemlig en sorteret liste over de største afvigelser.</p>
<h3>Skriv hvad der skal ske</h3>
<p>Den mest oversete funktion i et dashboard er almindelig tekst. En linje der siger &#8220;ligger dækningsgraden under 32 procent, tages det med indkøb på mandag&#8221; gør mere for anvendelsen end tre ekstra grafer. Den fjerner tvivlen om hvad man egentlig gør ved tallet, og det er som regel dér folk står af.</p>
<h2>Rytmen er det der holder det i live</h2>
<p>Et Power BI dashboard bliver brugt når det er koblet til noget der sker i forvejen. Et ugentligt driftsmøde. En månedsafslutning. Fredagens gennemgang af pipeline.</p>
<p>Den praktiske regel er hård, men den virker: dashboardet skal være det eneste materiale på det møde. Ikke et bilag ved siden af et regneark. Og ikke noget nogen har taget screenshots af og lagt ind i en PowerPoint. I det øjeblik der bliver taget screenshots, er dashboardet holdt op med at være levende, og resten er et spørgsmål om tid.</p>
<div class="dfa-art__insight">
<div class="dfa-art__label">Indsigt</div>
<p>Et dashboard dør sjældent af dårligt design. Det dør af at være valgfrit. Findes der en anden vej til tallet, tager folk den, og den anden vej er næsten altid et regneark som nogen sender.</p>
</div>
<h2>Datakvalitet: tillid er binær</h2>
<p>Data behøver ikke at være perfekte. De skal være rigtige på de felter beslutningen hviler på, og de felter er som regel få.</p>
<p>Til gengæld er tillid ikke en skala. Enten stoler folk på tallet, eller også henter de det et andet sted. Én forkert kundeoversigt på et ledelsesmøde koster mere end tre måneders udviklingsarbejde, fordi diskussionen bagefter handler om kilden i stedet for om beslutningen.</p>
<p>Rækkefølgen er derfor: ryd op i de felter det ene dashboard bruger, sæt navn på hvem der retter fejl i dem, og udvid først derefter. Total oprydning bliver aldrig færdig, og et projekt der venter på perfekte data, kommer aldrig i luften.</p>
<h2>Sådan kommer I i gang</h2>
<ul>
<li><strong>Vælg én beslutning, ikke ét område.</strong> &#8220;Hvilke kunder ringer vi til på mandag&#8221; er en beslutning. &#8220;Salgsoverblik&#8221; er det ikke.</li>
<li><strong>Sæt navn på ejeren.</strong> En person, ikke en afdeling. Og det skal være den der træffer beslutningen, ikke den der bygger dashboardet.</li>
<li><strong>Byg én side.</strong> Den skal kunne læses på under et minut, ellers bliver den ikke læst mens mødet står på.</li>
<li><strong>Kobl den til et møde der findes i forvejen.</strong> Opret ikke et nyt møde til dashboardet. Det er altid det første der ryger ud af kalenderen igen.</li>
<li><strong>Mål brugen efter seks uger.</strong> Power BI logger selv hvem der åbner hvad. Er der en håndfuld tilbage, er det ikke designet der er problemet, det er koblingen til beslutningen.</li>
</ul>
<p>Det er ikke et stort program, og det kræver hverken en ny platform eller et nyt budget. Det kræver at nogen tør skære ni sider væk.</p>
<p>Skal I have styr på tal, rapportering og beslutningsgrundlag bredt, er det <a href="https://digitalforlomme.dk/data-raadgivning/">data- og BI-rådgivning</a> der er opgaven, og den starter samme sted: ved beslutningen, ikke ved værktøjet. Arbejder I i ejendomsbranchen, ligger den samme øvelse beskrevet med branchens egne nøgletal under <a href="https://digitalforlomme.dk/ejendomsdata-analyse/">ejendomsdata, analyse og dashboards</a>. Er I mest i tvivl om hvor I skal begynde, giver oversigten over vores <a href="https://digitalforlomme.dk/raadgivning/">rådgivning</a> et hurtigt overblik over de tre spor.</p>
<div class="dfa-art__cta">
<h3>Bliver jeres dashboards brugt?</h3>
<p>Vi sælger ikke licenser og får ikke provision fra leverandører. Vi kigger på hvilke beslutninger I rent faktisk skal træffe, og bygger derfra. Excel hvis det rækker, Power BI hvis det er nødvendigt.</p>
<p><a href="https://digitalforlomme.dk/data-raadgivning/" class="dfa-art__btn">Se hvad data- og BI-rådgivning er</a></p>
<p>Eller <a href="https://digitalforlomme.dk/book-gratis-konsultation/?kilde=blog-power-bi-dashboard" class="dfa-art__ctalink">book en gratis og uforpligtende snak</a>.</p>
</div>
<div class="dfa-art__author"><img decoding="async" src="https://digitalforlomme.dk/wp-content/uploads/2026/06/0395_Paw-de-Sparra-Lundin_PDL_avatar.jpg" alt="Paw Lundin"></p>
<div>
<h4>Paw Lundin</h4>
<p>Stifter af Digital Forlomme. 15+ års erfaring med digitalisering, først som intern leder, nu som rådgiver. Underviser, implementerer og rådgiver.</p>
</div>
</div>
<h2>Ofte stillede spørgsmål</h2>
<div class="dfa-art__faq">
<details>
<summary>Hvorfor bliver vores Power BI dashboard ikke brugt?</summary>
<p>Fire årsager går igen: det blev bygget til &#8220;ledelsen&#8221; frem for til en navngiven rolle, ingen ejer den beslutning tallet skulle understøtte, tallene er rigtige men har mistet troværdighed efter en uforklaret afvigelse, og det er ikke koblet til et møde der findes i forvejen. Ingen af dem er fejl i Power BI, og derfor løses de heller ikke ved at bygge flere grafer.</p>
</details>
<details>
<summary>Hvad er forskellen på en rapport og et dashboard i Power BI?</summary>
<p>En rapport er flere sider og interaktiv, bygget til den der vil grave i tallene. Et dashboard er én flade med de vigtigste felter, bygget til den der skal handle på dem. De fleste bygger reelt en rapport og kalder den et dashboard, og så bliver den hverken brugt til at grave i eller til at handle på.</p>
</details>
<details>
<summary>Hvor mange tal bør der være på et Power BI dashboard?</summary>
<p>Så få at siden kan læses på under et minut, mens mødet står på. Et godt udgangspunkt er ét spørgsmål pr. side, formuleret i almindeligt sprog øverst. Kan spørgsmålet ikke formuleres, er siden ikke tænkt færdig. Kan der formuleres tre, skal det være tre sider.</p>
</details>
<details>
<summary>Skal vores data være i orden før vi bygger dashboardet?</summary>
<p>Ikke alle data, men de felter beslutningen hviler på, og de er som regel få. Tillid er til gengæld binær: enten stoler folk på tallet, eller også henter de det et andet sted. Ryd derfor op i de felter det ene dashboard bruger, sæt navn på hvem der retter fejl i dem, og udvid først derefter.</p>
</details>
<details>
<summary>Hvordan måler vi om dashboardet bliver brugt?</summary>
<p>Power BI logger selv hvem der åbner hvad, så tallet ligger der allerede. Kig efter seks uger, og kig på antal aktive brugere frem for på tilfredshed. Er der kun en håndfuld tilbage, er problemet sjældent designet. Så er dashboardet ikke koblet til en beslutning nogen skal træffe.</p>
</details>
<details>
<summary>Skal vi bruge Power BI, eller kan vi nøjes med Excel?</summary>
<p>Det afhænger af hvor mange kilder der skal samles, og hvor mange der skal bruge resultatet. Et struktureret Excel-setup rækker længere end mange tror, når der er få kilder og få brugere. Power BI giver mening når data kommer fra flere systemer, skal opdatere automatisk og skal ud til en bredere kreds. Værktøjet er sjældent det der afgør om noget bliver brugt.</p>
</details>
</div>
</div>
]]></content:encoded>
					
					<wfw:commentRss>https://digitalforlomme.dk/power-bi-dashboard-der-bliver-brugt/feed/</wfw:commentRss>
			<slash:comments>0</slash:comments>
		
		
			</item>
		<item>
		<title>I har købt PropTech. Hvorfor bruger I kun en brøkdel af det?</title>
		<link>https://digitalforlomme.dk/proptech-bliver-ikke-brugt/</link>
					<comments>https://digitalforlomme.dk/proptech-bliver-ikke-brugt/#respond</comments>
		
		<dc:creator><![CDATA[Paw de Sparra Lundin]]></dc:creator>
		<pubDate>Thu, 06 Aug 2026 07:02:22 +0000</pubDate>
				<category><![CDATA[AI-værktøjer]]></category>
		<guid isPermaLink="false">https://digitalforlomme.dk/?p=2025</guid>

					<description><![CDATA[De fleste PropTech-systemer virker fint hver for sig. Problemet er data, ejerskab og vaner. Fem grunde til at afkastet udebliver, og hvad man rent faktisk gør ved det.]]></description>
										<content:encoded><![CDATA[<style>/* Blogindlaeg i .dfa-designsproget. Bruger temaets globale :root-tokens (wordpress/themes/forlomme/style.css) med hex-fallback, saa filen ogsaa ser rigtig ud i lokalt preview uden temaet. Fonte (Fraunces + DM Sans) loades globalt af temaet -- ingen @font-face her (RCB/GDPR ren). */ .dfa-art { font-family: 'DM Sans', system-ui, -apple-system, 'Segoe UI', sans-serif; max-width: 760px; margin: 0 auto; padding: 0 24px 8px; color: #0e1310; color: var(--df-text, #0e1310); font-size: 17px; line-height: 1.7; } .dfa-art__meta { color: #868c88; color: var(--df-text-3, #868c88); font-size: 0.9em; margin: 0 0 32px; } .dfa-art__lead { font-size: 1.2em; font-weight: 500; line-height: 1.5; margin: 0 0 32px; } .dfa-art p { margin: 0 0 20px; } .dfa-art h2 { font-family: 'Fraunces', Georgia, serif; color: #0e1310; color: var(--df-text, #0e1310); font-size: clamp(1.5rem, 3.2vw, 1.9rem); font-weight: 600; letter-spacing: -0.01em; line-height: 1.15; margin: 48px 0 16px; } .dfa-art h3 { font-family: 'Fraunces', Georgia, serif; color: #0e1310; color: var(--df-text, #0e1310); font-size: 1.25rem; font-weight: 600; line-height: 1.2; margin: 32px 0 10px; } .dfa-art a { color: #185b37; color: var(--df-primary, #185b37); font-weight: 600; text-decoration: none; } .dfa-art a:hover { text-decoration: underline; } .dfa-art strong { color: #0e1310; color: var(--df-text, #0e1310); font-weight: 700; } /* Checklister med groen flueben-markoer */ .dfa-art ul { list-style: none !important; list-style-type: none !important; padding: 0 !important; margin: 0 0 24px; } .dfa-art ul li { list-style: none !important; margin-left: 0 !important; position: relative; padding: 9px 0 9px 30px; color: #59635d; color: var(--df-text-2, #59635d); border-bottom: 1px solid #d2dad4; border-bottom: 1px solid var(--df-border, #d2dad4); } .dfa-art ul li:last-child { border-bottom: none; } .dfa-art ul li::marker { content: "" !important; font-size: 0 !important; } .dfa-art ul li::before { content: "\2713"; position: absolute; left: 0; top: 9px; color: #185b37; color: var(--df-primary, #185b37); font-weight: 700; } .dfa-art ul li strong { color: #0e1310; color: var(--df-text, #0e1310); } /* Neutral note (groen venstrekant) */ .dfa-art__note { background: #eef3ef; background: var(--df-surface-alt, #eef3ef); border-left: 4px solid #185b37; border-left: 4px solid var(--df-primary, #185b37); border-radius: 0 12px 12px 0; padding: 18px 24px; margin: 32px 0; } .dfa-art__note p { margin: 0; } /* Indsigt / key takeaway (terracotta -- reserveret til indsigt) */ .dfa-art__insight { background: #ffe2dc; background: var(--df-accent-light, #ffe2dc); border: 1px solid #f0c9c1; border: 1px solid var(--df-accent-border, #f0c9c1); border-radius: 16px; padding: 24px 28px; margin: 36px 0; } .dfa-art__insight .dfa-art__label { color: #de4f44; color: var(--df-accent, #de4f44); } .dfa-art__insight p { margin: 8px 0 0; } .dfa-art__label { font-size: 12px; font-weight: 600; letter-spacing: 0.12em; text-transform: uppercase; color: #185b37; color: var(--df-primary, #185b37); } /* Tabel */ .dfa-art__tablewrap { overflow-x: auto; margin: 32px 0; } .dfa-art table { width: 100%; border-collapse: collapse; font-size: 0.96em; } .dfa-art th, .dfa-art td { text-align: left; padding: 12px 14px; vertical-align: top; border-bottom: 1px solid #d2dad4; border-bottom: 1px solid var(--df-border, #d2dad4); } .dfa-art th { font-family: 'Fraunces', Georgia, serif; font-weight: 600; color: #0e1310; color: var(--df-text, #0e1310); border-bottom: 2px solid #185b37; border-bottom: 2px solid var(--df-primary, #185b37); } .dfa-art td:first-child { font-weight: 600; color: #0e1310; color: var(--df-text, #0e1310); } /* CTA-band (groent, afrundet) */ .dfa-art__cta { background: #185b37; background: var(--df-primary, #185b37); color: #f7fbf8; color: var(--df-on-dark, #f7fbf8); border-radius: 16px; padding: 36px 32px; text-align: center; margin: 48px 0; } .dfa-art__cta h3 { font-family: 'Fraunces', Georgia, serif; color: #f7fbf8; color: var(--df-on-dark, #f7fbf8); font-size: 1.5rem; font-weight: 600; margin: 0 0 12px; } .dfa-art__cta p { color: #bcd4c4; color: var(--df-on-dark-2, #bcd4c4); margin: 0 0 24px; } .dfa-art__cta p:last-child { margin: 20px 0 0; } .dfa-art__cta a.dfa-art__ctalink { color: #f7fbf8; color: var(--df-on-dark, #f7fbf8); text-decoration: underline; font-weight: 600; } .dfa-art a.dfa-art__btn { display: inline-block; font-weight: 600; text-decoration: none; background: #e78100; background: var(--df-cta, #e78100); color: #34260f; color: var(--df-cta-text, #34260f); padding: 14px 28px; border-radius: 999px; } .dfa-art a.dfa-art__btn:hover { background: #cf7300; background: var(--df-cta-hover, #cf7300); color: #34260f; color: var(--df-cta-text, #34260f); text-decoration: none; } /* Forfatterboks */ .dfa-art__author { display: flex; align-items: center; gap: 20px; background: #eef3ef; background: var(--df-surface-alt, #eef3ef); border: 1px solid #d2dad4; border: 1px solid var(--df-border, #d2dad4); border-radius: 16px; padding: 24px; margin: 48px 0; } .dfa-art__author img { width: 64px; height: 64px; border-radius: 50%; object-fit: cover; flex-shrink: 0; } .dfa-art__author h4 { font-family: 'Fraunces', Georgia, serif; margin: 0 0 4px; color: #0e1310; color: var(--df-text, #0e1310); font-size: 1.1rem; } .dfa-art__author p { margin: 0; color: #59635d; color: var(--df-text-2, #59635d); font-size: 0.95em; } /* FAQ -- native </p>
<details>, ingen JS */ .dfa-art__faq { border-top: 1px solid #d2dad4; border-top: 1px solid var(--df-border, #d2dad4); margin-top: 16px; } .dfa-art__faq details { border-bottom: 1px solid #d2dad4; border-bottom: 1px solid var(--df-border, #d2dad4); } .dfa-art__faq summary { list-style: none; cursor: pointer; padding: 18px 0; font-weight: 600; color: #0e1310; color: var(--df-text, #0e1310); display: flex; justify-content: space-between; gap: 16px; } .dfa-art__faq summary::-webkit-details-marker { display: none; } .dfa-art__faq summary::after { content: "+"; color: #185b37; color: var(--df-primary, #185b37); font-size: 22px; line-height: 1; flex-shrink: 0; transition: transform 0.2s ease; } .dfa-art__faq details[open] summary::after { transform: rotate(45deg); } .dfa-art__faq details p { margin: 0 0 18px; color: #59635d; color: var(--df-text-2, #59635d); } @media (max-width: 560px) { .dfa-art { font-size: 16px; } .dfa-art__author { flex-direction: column; text-align: center; } .dfa-art__cta { padding: 28px 22px; } }</style>
<div class="dfa-art">
<div class="dfa-art__meta">August 2026 • 6 minutters læsning</div>
<p class="dfa-art__lead">Der står typisk mellem tre og otte systemer i en dansk ejendomsvirksomhed. Administrationssystemet, økonomien, noget til vedligehold, en beboerapp, måske en IoT-platform, og et regneark der i praksis holder det hele sammen. De virker. De blev betalt. Og alligevel er der sjældent nogen der kan svare på, hvad det samlede setup har givet.</p>
<p>Det er værd at sige rent ud: hvis I har brugt penge på PropTech og ikke kan pege på hvad I fik, så er I ikke et særtilfælde. I er det typiske tilfælde. Og forklaringen er som regel ikke den I forventer.</p>
<h2>Systemet er sjældent problemet</h2>
<p>Når et PropTech-projekt ikke leverer, går reflekset til leverandøren. Softwaren var ikke god nok, konsulenten forstod ikke branchen, implementeringen var sjusket. Nogle gange passer det. Langt oftere gør det ikke.</p>
<p>De fleste systemer gør præcis det, de blev solgt til at gøre, hver for sig. Værdien skulle komme fra helheden, og helheden var der aldrig nogen der købte. Den blev antaget.</p>
<div class="dfa-art__note">
<p><strong>Prøven:</strong> spørg hvem der er ansvarlig for at data kommer korrekt fra administrationssystemet over i vedligeholdssystemet. Hvis svaret er en pause, har I fundet problemet. Det er ikke et softwareproblem.</p>
</div>
<h2>Fem grunde til at PropTech ikke bliver brugt</h2>
<h3>1. Systemerne blev købt hver for sig</h3>
<p>Hvert enkelt indkøb var fornuftigt da det blev lavet. Forskellige år, forskellige behov, forskellige beslutningstagere. Ingen traf en dårlig beslutning. Summen er alligevel et rod, fordi ingen af beslutningerne blev truffet med de andre i hånden. Det er ikke inkompetence, det er tid.</p>
<h3>2. Ingen ejer helheden</h3>
<p>Administrationssystemet hører til hos bogholderiet, vedligeholdssystemet hos ejendomsmesteren, beboerappen hos den der stod for kommunikationen. Alle ejer deres eget. Ingen ejer grænsefladerne imellem dem. Og det er præcis i grænsefladerne at værdien enten opstår eller forsvinder.</p>
<h3>3. Data blev aldrig ryddet op</h3>
<p>Migreringen blev kørt som den var. Lejemål der optræder under to navne, kontrakter med datoer der ikke stemmer, arealer der mangler, leverandører stavet på fire måder. Det forhindrer ikke systemet i at køre. Det forhindrer enhver rapport i at være til at stole på. Og en rapport ingen stoler på, bliver brugt præcis én gang.</p>
<h3>4. Driften blev ikke spurgt</h3>
<p>De folk der rent faktisk skal registrere arbejdet, blev inddraget til sidst, og kun i form af oplæring. Viceværten beholder sit regneark, fordi det tager tyve sekunder, hvor systemet tager fire minutter og kræver at han finder lejemålsnummeret først. Det er ikke modstand mod forandring. Det er hovedregning, og han regner rigtigt.</p>
<h3>5. I målte på implementering, ikke på brug</h3>
<p>Projektet blev erklæret færdigt den dag systemet gik i luften. Der blev holdt et afsluttende møde, og succeskriteriet var leverance. Ingen målte hvor mange der stadig loggede ind tre måneder senere. Havde nogen gjort det, havde I opdaget problemet mens det stadig var billigt at rette.</p>
<h2>Den ubehagelige del</h2>
<p>Det er ikke leverandørens skyld. Det er ubehageligt, fordi det betyder at I ikke kan løse det ved at skifte leverandør.</p>
<p>Den dyreste version af dette problem er at købe et nyt system oven på et der ikke bliver brugt. Det sker ofte, fordi et indkøb er en synlig handling der føles som fremdrift, hvor oprydning i data og ejerskab er usynligt arbejde ingen får ros for. Men et nyt system arver alle fem problemer ovenfor, og lægger et sjette oveni.</p>
<div class="dfa-art__insight">
<div class="dfa-art__label">Indsigt</div>
<p>Hvis et system ikke bliver brugt, er sandsynligheden for at det næste system bliver brugt ikke højere. Den er lavere, fordi organisationen nu har lært at nye systemer ikke betyder noget.</p>
</div>
<h2>Sådan måler I hvor galt det står</h2>
<p>Man behøver ikke en analyse for at finde ud af det. Fire spørgsmål er nok, og de tager en formiddag at besvare ærligt.</p>
<div class="dfa-art__tablewrap">
<table>
<thead>
<tr>
<th>Spørgsmål</th>
<th>Sundt svar</th>
<th>Svaret I sandsynligvis får</th>
</tr>
</thead>
<tbody>
<tr>
<td>Hvor mange logger ind om ugen?</td>
<td>Et tal, hentet fra systemet</td>
<td>&#8220;Det tror jeg de fleste gør&#8221;</td>
</tr>
<tr>
<td>Hvor skrives data ind to gange?</td>
<td>En kort, konkret liste</td>
<td>&#8220;Det er der vist et par steder&#8221;</td>
</tr>
<tr>
<td>Hvem retter fejl i stamdata?</td>
<td>Et navn</td>
<td>Tavshed, eller &#8220;det gør vi vel alle sammen&#8221;</td>
</tr>
<tr>
<td>Hvilken beslutning traf I sidst på en rapport herfra?</td>
<td>En konkret beslutning</td>
<td>Ingen, eller en fra sidste år</td>
</tr>
</tbody>
</table>
</div>
<p>Kan I ikke svare på det første spørgsmål med et tal, er det i sig selv svaret. Ingen har kigget efter, og så er der heller ingen der har opdaget det.</p>
<h2>Hvad man rent faktisk gør ved det</h2>
<p>Rækkefølgen er det vigtigste, og den er den modsatte af den man som regel bliver tilbudt:</p>
<ul>
<li><strong>Vælg én arbejdsgang, ikke et system.</strong> Følg for eksempel en fejlmelding fra beboeren skriver den, til fakturaen er betalt. Hele vejen, på tværs af de systemer den passerer.</li>
<li><strong>Find hvor der skrives af.</strong> Hvert sted nogen kopierer fra en skærm til en anden, er enten en integration der mangler eller et system for meget. Det er den mest brugbare liste I kan lave.</li>
<li><strong>Sæt navn på grænsefladerne.</strong> Ikke en afdeling, et navn. En person der er ansvarlig for at data kommer korrekt fra A til B.</li>
<li><strong>Ryd kun de data op der skal bruges.</strong> Ikke hele arkivet. De felter den ene rapport har brug for, og så videre derfra. Total oprydning bliver aldrig færdig.</li>
<li><strong>Mål brug efter seks uger.</strong> Ikke tilfredshed. Brug. Antal logins, antal registreringer, antal sager der kom hele vejen igennem.</li>
</ul>
<p>Det er ikke et spændende program, og det kræver heller ikke et stort budget. Det kræver til gengæld at nogen har mandat til at bede folk om at ændre en vane, og det er som regel dér det går i stå.</p>
<p>Er I usikre på hvad ordet overhovedet dækker, før I går i gang, så start med den korte forklaring af <a href="https://digitalforlomme.dk/hvad-er-proptech/">hvad PropTech er</a>. Skal I have styr på tallene på tværs af porteføljen, er det <a href="https://digitalforlomme.dk/ejendomsdata-analyse/">ejendomsdata, analyse og dashboards</a> der er opgaven, og vil I lægge AI oven på bagefter, er rækkefølgen beskrevet på siden om <a href="https://digitalforlomme.dk/ai-til-ejendomsbranchen/">AI til ejendomsbranchen</a>.</p>
<div class="dfa-art__cta">
<h3>Skal nogen se på det udefra?</h3>
<p>Vi sælger ikke systemer og får ikke provision fra leverandører. Vi kortlægger hvad I har, hvor det går i stå, og hvad der skal ske for at det bliver brugt.</p>
<p><a href="https://digitalforlomme.dk/proptech-raadgivning/" class="dfa-art__btn">Se hvad uvildig PropTech-rådgivning er</a></p>
<p>Eller <a href="https://digitalforlomme.dk/book-gratis-konsultation/?kilde=blog-proptech-bliver-ikke-brugt" class="dfa-art__ctalink">book en gratis og uforpligtende snak</a>.</p>
</div>
<div class="dfa-art__author"><img decoding="async" src="https://digitalforlomme.dk/wp-content/uploads/2026/06/0395_Paw-de-Sparra-Lundin_PDL_avatar.jpg" alt="Paw Lundin"></p>
<div>
<h4>Paw Lundin</h4>
<p>Stifter af Digital Forlomme. 15+ års erfaring med digitalisering, først som intern leder, nu som rådgiver. Underviser, implementerer og rådgiver.</p>
</div>
</div>
<h2>Ofte stillede spørgsmål</h2>
<div class="dfa-art__faq">
<details>
<summary>Hvorfor bliver vores PropTech-systemer ikke brugt?</summary>
<p>Fem årsager går igen: systemerne blev købt hver for sig af forskellige beslutningstagere, ingen ejer grænsefladerne imellem dem, data blev migreret uden oprydning, driften blev inddraget for sent, og projektet blev målt på implementering frem for på faktisk brug. Ingen af dem er softwareproblemer, og derfor løses de heller ikke ved at skifte leverandør.</p>
</details>
<details>
<summary>Er det leverandørens skyld?</summary>
<p>Sjældent. De fleste systemer gør præcis det, de blev solgt til at gøre, isoleret set. Værdien skulle komme fra helheden, og helheden var der ingen der købte eller tog ejerskab på. Det er ubehageligt, fordi det betyder at problemet ikke kan løses ved at skifte leverandør.</p>
</details>
<details>
<summary>Skal vi købe et nyt system i stedet?</summary>
<p>Det er den dyreste udvej. Et nyt system arver de samme fem problemer og lægger et sjette oveni, fordi organisationen nu har lært at nye systemer ikke betyder noget. Sandsynligheden for at det næste system bliver brugt er lavere end for det forrige, ikke højere.</p>
</details>
<details>
<summary>Hvordan finder vi ud af hvor galt det står?</summary>
<p>Fire spørgsmål rækker: hvor mange logger ind om ugen, hvor skrives data ind to gange, hvem retter fejl i stamdata, og hvilken beslutning traf I sidst på baggrund af en rapport fra systemet. Kan I ikke svare på det første med et tal hentet fra systemet, er det i sig selv svaret.</p>
</details>
<details>
<summary>Hvad koster det at rette op?</summary>
<p>Typisk mindre end man tror, fordi løsningen sjældent er ny software. Det koster tid til at følge én arbejdsgang hele vejen igennem, kortlægge hvor der skrives af mellem systemer, sætte navn på grænsefladerne og rydde de data op der faktisk skal bruges. Den dyre del er ikke værktøjer, det er mandat til at bede folk ændre en vane.</p>
</details>
<details>
<summary>Hvor lang tid går der før man kan se en effekt?</summary>
<p>Mål brugen efter seks uger, ikke tilfredsheden. Antal logins, antal registreringer og antal sager der kom hele vejen igennem uden manuel hjælp. Er de tal ikke flyttet sig efter halvanden måned, er arbejdsgangen ikke lagt om, og så flytter de sig heller ikke efter et halvt år.</p>
</details>
</div>
<p><script type="application/ld+json">{ "@context": "https://schema.org", "@type": "FAQPage", "mainEntity": [{ "@type": "Question", "name": "Hvorfor bliver vores PropTech-systemer ikke brugt?", "acceptedAnswer": { "@type": "Answer", "text": "Fem årsager går igen: systemerne blev købt hver for sig af forskellige beslutningstagere, ingen ejer grænsefladerne imellem dem, data blev migreret uden oprydning, driften blev inddraget for sent, og projektet blev målt på implementering frem for på faktisk brug. Ingen af dem er softwareproblemer, og derfor løses de heller ikke ved at skifte leverandør." } }, { "@type": "Question", "name": "Er det leverandørens skyld?", "acceptedAnswer": { "@type": "Answer", "text": "Sjældent. De fleste systemer gør præcis det, de blev solgt til at gøre, isoleret set. Værdien skulle komme fra helheden, og helheden var der ingen der købte eller tog ejerskab på. Det er ubehageligt, fordi det betyder at problemet ikke kan løses ved at skifte leverandør." } }, { "@type": "Question", "name": "Skal vi købe et nyt system i stedet?", "acceptedAnswer": { "@type": "Answer", "text": "Det er den dyreste udvej. Et nyt system arver de samme fem problemer og lægger et sjette oveni, fordi organisationen nu har lært at nye systemer ikke betyder noget. Sandsynligheden for at det næste system bliver brugt er lavere end for det forrige, ikke højere." } }, { "@type": "Question", "name": "Hvordan finder vi ud af hvor galt det står?", "acceptedAnswer": { "@type": "Answer", "text": "Fire spørgsmål rækker: hvor mange logger ind om ugen, hvor skrives data ind to gange, hvem retter fejl i stamdata, og hvilken beslutning traf I sidst på baggrund af en rapport fra systemet. Kan I ikke svare på det første med et tal hentet fra systemet, er det i sig selv svaret." } }, { "@type": "Question", "name": "Hvad koster det at rette op?", "acceptedAnswer": { "@type": "Answer", "text": "Typisk mindre end man tror, fordi løsningen sjældent er ny software. Det koster tid til at følge én arbejdsgang hele vejen igennem, kortlægge hvor der skrives af mellem systemer, sætte navn på grænsefladerne og rydde de data op der faktisk skal bruges. Den dyre del er ikke værktøjer, det er mandat til at bede folk ændre en vane." } }, { "@type": "Question", "name": "Hvor lang tid går der før man kan se en effekt?", "acceptedAnswer": { "@type": "Answer", "text": "Mål brugen efter seks uger, ikke tilfredsheden. Antal logins, antal registreringer og antal sager der kom hele vejen igennem uden manuel hjælp. Er de tal ikke flyttet sig efter halvanden måned, er arbejdsgangen ikke lagt om, og så flytter de sig heller ikke efter et halvt år." } }] }</script></div>
]]></content:encoded>
					
					<wfw:commentRss>https://digitalforlomme.dk/proptech-bliver-ikke-brugt/feed/</wfw:commentRss>
			<slash:comments>0</slash:comments>
		
		
			</item>
		<item>
		<title>Hvad er PropTech? En kort forklaring til ejendomsbranchen</title>
		<link>https://digitalforlomme.dk/hvad-er-proptech/</link>
					<comments>https://digitalforlomme.dk/hvad-er-proptech/#respond</comments>
		
		<dc:creator><![CDATA[Paw de Sparra Lundin]]></dc:creator>
		<pubDate>Thu, 06 Aug 2026 06:00:00 +0000</pubDate>
				<category><![CDATA[AI-værktøjer]]></category>
		<guid isPermaLink="false">https://digitalforlomme.dk/?p=2023</guid>

					<description><![CDATA[PropTech er en samlebetegnelse for teknologi bygget specifikt til ejendomsbranchen. Her er den korte forklaring: hvad ordet dækker, hvad det ikke er, og hvor I med fordel starter.]]></description>
										<content:encoded><![CDATA[<style>/* Blogindlaeg i .dfa-designsproget. Bruger temaets globale :root-tokens (wordpress/themes/forlomme/style.css) med hex-fallback, saa filen ogsaa ser rigtig ud i lokalt preview uden temaet. Fonte (Fraunces + DM Sans) loades globalt af temaet -- ingen @font-face her (RCB/GDPR ren). */ .dfa-art { font-family: 'DM Sans', system-ui, -apple-system, 'Segoe UI', sans-serif; max-width: 760px; margin: 0 auto; padding: 0 24px 8px; color: #0e1310; color: var(--df-text, #0e1310); font-size: 17px; line-height: 1.7; } .dfa-art__meta { color: #868c88; color: var(--df-text-3, #868c88); font-size: 0.9em; margin: 0 0 32px; } .dfa-art__lead { font-size: 1.2em; font-weight: 500; line-height: 1.5; margin: 0 0 32px; } .dfa-art p { margin: 0 0 20px; } .dfa-art h2 { font-family: 'Fraunces', Georgia, serif; color: #0e1310; color: var(--df-text, #0e1310); font-size: clamp(1.5rem, 3.2vw, 1.9rem); font-weight: 600; letter-spacing: -0.01em; line-height: 1.15; margin: 48px 0 16px; } .dfa-art h3 { font-family: 'Fraunces', Georgia, serif; color: #0e1310; color: var(--df-text, #0e1310); font-size: 1.25rem; font-weight: 600; line-height: 1.2; margin: 32px 0 10px; } .dfa-art a { color: #185b37; color: var(--df-primary, #185b37); font-weight: 600; text-decoration: none; } .dfa-art a:hover { text-decoration: underline; } .dfa-art strong { color: #0e1310; color: var(--df-text, #0e1310); font-weight: 700; } /* Checklister med groen flueben-markoer */ .dfa-art ul { list-style: none !important; list-style-type: none !important; padding: 0 !important; margin: 0 0 24px; } .dfa-art ul li { list-style: none !important; margin-left: 0 !important; position: relative; padding: 9px 0 9px 30px; color: #59635d; color: var(--df-text-2, #59635d); border-bottom: 1px solid #d2dad4; border-bottom: 1px solid var(--df-border, #d2dad4); } .dfa-art ul li:last-child { border-bottom: none; } .dfa-art ul li::marker { content: "" !important; font-size: 0 !important; } .dfa-art ul li::before { content: "\2713"; position: absolute; left: 0; top: 9px; color: #185b37; color: var(--df-primary, #185b37); font-weight: 700; } .dfa-art ul li strong { color: #0e1310; color: var(--df-text, #0e1310); } /* Neutral note (groen venstrekant) */ .dfa-art__note { background: #eef3ef; background: var(--df-surface-alt, #eef3ef); border-left: 4px solid #185b37; border-left: 4px solid var(--df-primary, #185b37); border-radius: 0 12px 12px 0; padding: 18px 24px; margin: 32px 0; } .dfa-art__note p { margin: 0; } /* Indsigt / key takeaway (terracotta -- reserveret til indsigt) */ .dfa-art__insight { background: #ffe2dc; background: var(--df-accent-light, #ffe2dc); border: 1px solid #f0c9c1; border: 1px solid var(--df-accent-border, #f0c9c1); border-radius: 16px; padding: 24px 28px; margin: 36px 0; } .dfa-art__insight .dfa-art__label { color: #de4f44; color: var(--df-accent, #de4f44); } .dfa-art__insight p { margin: 8px 0 0; } .dfa-art__label { font-size: 12px; font-weight: 600; letter-spacing: 0.12em; text-transform: uppercase; color: #185b37; color: var(--df-primary, #185b37); } /* Tabel */ .dfa-art__tablewrap { overflow-x: auto; margin: 32px 0; } .dfa-art table { width: 100%; border-collapse: collapse; font-size: 0.96em; } .dfa-art th, .dfa-art td { text-align: left; padding: 12px 14px; vertical-align: top; border-bottom: 1px solid #d2dad4; border-bottom: 1px solid var(--df-border, #d2dad4); } .dfa-art th { font-family: 'Fraunces', Georgia, serif; font-weight: 600; color: #0e1310; color: var(--df-text, #0e1310); border-bottom: 2px solid #185b37; border-bottom: 2px solid var(--df-primary, #185b37); } .dfa-art td:first-child { font-weight: 600; color: #0e1310; color: var(--df-text, #0e1310); } /* CTA-band (groent, afrundet) */ .dfa-art__cta { background: #185b37; background: var(--df-primary, #185b37); color: #f7fbf8; color: var(--df-on-dark, #f7fbf8); border-radius: 16px; padding: 36px 32px; text-align: center; margin: 48px 0; } .dfa-art__cta h3 { font-family: 'Fraunces', Georgia, serif; color: #f7fbf8; color: var(--df-on-dark, #f7fbf8); font-size: 1.5rem; font-weight: 600; margin: 0 0 12px; } .dfa-art__cta p { color: #bcd4c4; color: var(--df-on-dark-2, #bcd4c4); margin: 0 0 24px; } .dfa-art__cta p:last-child { margin: 20px 0 0; } .dfa-art__cta a.dfa-art__ctalink { color: #f7fbf8; color: var(--df-on-dark, #f7fbf8); text-decoration: underline; font-weight: 600; } .dfa-art a.dfa-art__btn { display: inline-block; font-weight: 600; text-decoration: none; background: #e78100; background: var(--df-cta, #e78100); color: #34260f; color: var(--df-cta-text, #34260f); padding: 14px 28px; border-radius: 999px; } .dfa-art a.dfa-art__btn:hover { background: #cf7300; background: var(--df-cta-hover, #cf7300); color: #34260f; color: var(--df-cta-text, #34260f); text-decoration: none; } /* Forfatterboks */ .dfa-art__author { display: flex; align-items: center; gap: 20px; background: #eef3ef; background: var(--df-surface-alt, #eef3ef); border: 1px solid #d2dad4; border: 1px solid var(--df-border, #d2dad4); border-radius: 16px; padding: 24px; margin: 48px 0; } .dfa-art__author img { width: 64px; height: 64px; border-radius: 50%; object-fit: cover; flex-shrink: 0; } .dfa-art__author h4 { font-family: 'Fraunces', Georgia, serif; margin: 0 0 4px; color: #0e1310; color: var(--df-text, #0e1310); font-size: 1.1rem; } .dfa-art__author p { margin: 0; color: #59635d; color: var(--df-text-2, #59635d); font-size: 0.95em; } /* FAQ -- native </p>
<details>, ingen JS */ .dfa-art__faq { border-top: 1px solid #d2dad4; border-top: 1px solid var(--df-border, #d2dad4); margin-top: 16px; } .dfa-art__faq details { border-bottom: 1px solid #d2dad4; border-bottom: 1px solid var(--df-border, #d2dad4); } .dfa-art__faq summary { list-style: none; cursor: pointer; padding: 18px 0; font-weight: 600; color: #0e1310; color: var(--df-text, #0e1310); display: flex; justify-content: space-between; gap: 16px; } .dfa-art__faq summary::-webkit-details-marker { display: none; } .dfa-art__faq summary::after { content: "+"; color: #185b37; color: var(--df-primary, #185b37); font-size: 22px; line-height: 1; flex-shrink: 0; transition: transform 0.2s ease; } .dfa-art__faq details[open] summary::after { transform: rotate(45deg); } .dfa-art__faq details p { margin: 0 0 18px; color: #59635d; color: var(--df-text-2, #59635d); } @media (max-width: 560px) { .dfa-art { font-size: 16px; } .dfa-art__author { flex-direction: column; text-align: center; } .dfa-art__cta { padding: 28px 22px; } }</style>
<div class="dfa-art">
<div class="dfa-art__meta">August 2026 • 6 minutters læsning</div>
<p class="dfa-art__lead">PropTech er en samlebetegnelse for teknologi bygget specifikt til ejendomsbranchen. Ordet er kort for property technology, og det dækker alt fra administrationssystemer og vedligeholdsplaner til energistyring, digitale fremvisninger og porteføljedata. Her er den korte forklaring, og hvad ordet reelt betyder, når man selv sidder med en ejendom eller en portefølje.</p>
<p>De fleste møder ordet første gang på en konference, i et nyhedsbrev eller fra en leverandør der gerne vil sælge noget. Det er sjældent forklaret ordentligt, og det efterlader et indtryk af, at PropTech er en bestemt teknologi man enten har eller ikke har. Det er det ikke.</p>
<h2>Hvad betyder PropTech?</h2>
<p>PropTech er sammentrækningen af <strong>property technology</strong>, altså ejendomsteknologi. Ordet er bygget på samme måde som FinTech i den finansielle sektor, og det bruges på præcis samme måde: som en fælles etiket over de digitale værktøjer, en branche har fået bygget til sig selv.</p>
<p>Det er værd at holde fast i, at PropTech <strong>beskriver et marked, ikke et produkt</strong>. Der findes ikke et PropTech-system man kan købe, ligesom der ikke findes et FinTech-system. Der findes hundredvis af leverandører, der hver især løser en afgrænset del af det arbejde, en ejendomsvirksomhed laver. Når nogen siger at de &#8220;arbejder med PropTech&#8221;, siger det derfor cirka lige så meget som at nogen &#8220;arbejder med IT&#8221;.</p>
<p>På dansk vil man ofte se ejendomsteknologi brugt synonymt. Branchens egen organisation, <a href="https://ejd.dk/vi-mener/digital-branche/proptech/" target="_blank" rel="noopener">EjendomDanmark</a>, bruger PropTech-betegnelsen, og det er efterhånden den man møder i praksis.</p>
<h2>Hvad dækker PropTech over?</h2>
<p>Den mest brugbare måde at få hold på feltet er at inddele det efter <strong>hvilket arbejde værktøjet gør</strong>, ikke efter hvilken teknologi der ligger under. Her er de områder man typisk støder på:</p>
<h3>Administration og udlejning</h3>
<p>Administrationssystemer, lejekontrakter, opkrævning, restancer, beboer- og lejerkommunikation. Det er kernesystemerne, og det er som regel her en ejendomsvirksomhed har sit første og største system.</p>
<h3>Drift og vedligehold</h3>
<p>Vedligeholdsplaner, fejlmeldinger fra beboere, arbejdssedler til håndværkere, serviceaftaler og dokumentation af udført arbejde. Ofte det område hvor mest arbejde stadig foregår i mail og regneark.</p>
<h3>Bygningsdrift og energi</h3>
<p>Målere, sensorer, varme- og ventilationsstyring, indeklima og energiforbrug. Det er her, du møder IoT-ordet. Området er blevet mere aktuelt, fordi energidata i stigende grad skal kunne dokumenteres og ikke kun aflæses.</p>
<h3>Salg, udlejning og markedsføring</h3>
<p>Annoncering, digitale prospekter, fremvisninger, plantegninger og visualisering af lejemål der ikke er indrettet endnu. Den del af feltet der er mest synlig udefra, fordi det er den kunder og lejere ser.</p>
<h3>Data og analyse</h3>
<p>Porteføljeoverblik, nøgletal på tværs af ejendomme, benchmarking og rapportering til ejere eller bestyrelse. Det er typisk det sidste område man får styr på, fordi det forudsætter at de andre systemer leverer brugbare data. Vi arbejder selv med <a href="https://digitalforlomme.dk/ejendomsdata-analyse/">ejendomsdata, analyse og dashboards</a>, og det er næsten altid her problemerne bliver synlige.</p>
<h3>Byggeri og projektudvikling</h3>
<p>Projektstyring, bygningsmodeller, tilbudsindhentning og aflevering. Grænsefladen til byggebranchen, hvor betegnelsen ConTech ofte bruges om det samme.</p>
<h2>Hvorfor er PropTech blevet aktuelt nu?</h2>
<p>Ejendomsbranchen har haft digitale systemer i mange år, så det nye er ikke teknologien i sig selv. Tre ting har flyttet sig samtidig:</p>
<ul>
<li><strong>Data skal kunne dokumenteres, ikke bare aflæses.</strong> Krav om at kunne redegøre for forbrug og bygningers tilstand har gjort det til et problem, at tallene ligger spredt i systemer der ikke taler sammen.</li>
<li><strong>Lejere forventer digital service.</strong> Forventningen om at kunne melde en fejl fra telefonen og få svar er flyttet ind i erhvervslejemål og boligudlejning, fordi den er blevet standard alle andre steder.</li>
<li><strong>AI har gjort ustruktureret materiale brugbart.</strong> En stor del af en ejendomsvirksomheds viden ligger i lejekontrakter, tilstandsrapporter, referater og mailtråde. Det er præcis den slags tekst, sprogmodeller er gode til at læse og trække ud af, og det er den nyeste af de tre forskydninger.</li>
</ul>
<p>Det sidste punkt er også grunden til at samtalen om PropTech og samtalen om AI er smeltet sammen det seneste par år. Vi har samlet vores erfaringer med det på siden om <a href="https://digitalforlomme.dk/ai-til-ejendomsbranchen/">AI til ejendomsbranchen</a>.</p>
<h2>Hvad PropTech ikke er</h2>
<p>Der er fire misforståelser der går igen, og de koster typisk penge, fordi de fører til den forkerte beslutning:</p>
<ul>
<li><strong>Det er ikke ét system.</strong> Ingen leverandør dækker hele feltet, uanset hvad forsiden på deres hjemmeside siger. Der findes altid en grænseflade til noget andet.</li>
<li><strong>Det er ikke det samme som digitalisering.</strong> PropTech er værktøjerne. Digitalisering er det I gør ved arbejdsgangene. Man kan sagtens købe det første uden at det andet sker.</li>
<li><strong>Det er ikke forbeholdt store porteføljer.</strong> En stor del af markedet er bygget til hundredvis af ejendomme, men ikke det hele. Problemet for mindre virksomheder er sjældent at der ikke findes noget, det er at de bliver præsenteret for løsninger i den forkerte størrelse.</li>
<li><strong>Det er ikke en gevinst i sig selv.</strong> Et system leverer først noget, når nogen bruger det i hverdagen, og når de data der kommer ind i det, kan bruges bagefter.</li>
</ul>
<div class="dfa-art__note">
<p><strong>Kort sagt:</strong> PropTech er en etiket på et marked. Det interessante spørgsmål er derfor ikke &#8220;skal vi i gang med PropTech&#8221;, men &#8220;hvilket konkret arbejde er tungest hos os lige nu, og findes der noget der løser netop det&#8221;.</p>
</div>
<h2>Hvor starter man med PropTech?</h2>
<p>Vores erfaring er at rækkefølgen er afgørende, og at den oftest bliver vendt om. Det typiske forløb starter med en leverandørdemo og ender med et system ingen bruger. Det omvendte forløb starter med at skrive ned, hvad der faktisk tager tid.</p>
<p>Tre spørgsmål er nok til at komme videre:</p>
<ul>
<li>Hvilken opgave bruger vi mest tid på, som ikke kræver et fagligt skøn?</li>
<li>Hvor findes de data vi skal bruge for at løse den, og kan vi overhovedet få dem ud?</li>
<li>Hvem hos os ejer det bagefter, når konsulenten er gået hjem?</li>
</ul>
<p>Kan I ikke svare på det tredje, er I ikke klar til at købe endnu. Det er den hyppigste årsag til at ellers fornuftige indkøb ender som hyldevarer, og vi har skrevet mere om hvorfor i indlægget om <a href="https://digitalforlomme.dk/proptech-bliver-ikke-brugt/">PropTech der ikke bliver brugt</a>.</p>
<div class="dfa-art__insight">
<div class="dfa-art__label">Kort fortalt</div>
<p>PropTech er ejendomsbranchens samlebetegnelse for sine egne digitale værktøjer, ikke en teknologi man køber. Start ved den opgave der er tungest hos jer, ikke ved katalogen over leverandører.</p>
</div>
<div class="dfa-art__cta">
<h3>Skal I finde ud af hvor I starter?</h3>
<p>Vi sælger ikke systemer, og vi får ikke provision fra leverandører. Skal I have et overblik over hvad der giver mening i jeres situation, kan vi tage en snak om det.</p>
<p><a href="https://digitalforlomme.dk/proptech-raadgivning/" class="dfa-art__btn">Se hvad uvildig PropTech-rådgivning er</a></p>
<p>Eller <a href="https://digitalforlomme.dk/book-gratis-konsultation/?kilde=blog-hvad-er-proptech" class="dfa-art__ctalink">book en gratis og uforpligtende snak</a>.</p>
</div>
<div class="dfa-art__author"><img decoding="async" src="https://digitalforlomme.dk/wp-content/uploads/2026/06/0395_Paw-de-Sparra-Lundin_PDL_avatar.jpg" alt="Paw Lundin"></p>
<div>
<h4>Paw Lundin</h4>
<p>Stifter af Digital Forlomme. 15+ års erfaring med digitalisering, først som intern leder, nu som rådgiver. Underviser, implementerer og rådgiver.</p>
</div>
</div>
<h2>Ofte stillede spørgsmål om PropTech</h2>
<div class="dfa-art__faq">
<details>
<summary>Hvad er PropTech?</summary>
<p>PropTech er en samlebetegnelse for teknologi bygget specifikt til ejendomsbranchen. Ordet er kort for property technology, altså ejendomsteknologi, og det dækker blandt andet administrationssystemer, vedligeholdsplaner, energistyring, digitale fremvisninger og porteføljedata. Det er en etiket på et marked, ikke et bestemt produkt man kan købe.</p>
</details>
<details>
<summary>Hvad er forskellen på PropTech og digitalisering?</summary>
<p>PropTech er værktøjerne, digitalisering er det I gør ved jeres arbejdsgange. Man kan godt købe et PropTech-system uden at der sker nogen digitalisering, og det er faktisk det hyppigste udfald. Systemet leverer først noget, når arbejdsgangen omkring det er lagt om, og når nogen internt har ejerskab på det.</p>
</details>
<details>
<summary>Hvilke typer PropTech findes der?</summary>
<p>Feltet inddeles mest brugbart efter hvilket arbejde værktøjet gør: administration og udlejning, drift og vedligehold, bygningsdrift og energi, salg og markedsføring, data og analyse, samt byggeri og projektudvikling. De fleste ejendomsvirksomheder har allerede systemer i den første kategori og mangler i de sidste.</p>
</details>
<details>
<summary>Er PropTech kun relevant for store ejendomsvirksomheder?</summary>
<p>Nej. En stor del af markedet er bygget til porteføljer med hundredvis af ejendomme, men ikke det hele. Udfordringen for mindre virksomheder er sjældent, at der ikke findes noget, det er at de bliver præsenteret for løsninger i den forkerte størrelse, og derfor betaler for kompleksitet de ikke har brug for.</p>
</details>
<details>
<summary>Hvad har AI med PropTech at gøre?</summary>
<p>En stor del af en ejendomsvirksomheds viden ligger i tekst: lejekontrakter, tilstandsrapporter, referater og mailtråde. Det er den slags ustruktureret materiale, sprogmodeller er gode til at læse og trække oplysninger ud af, og det har gjort en del af arbejdet tilgængeligt for automatisering, som tidligere krævede at nogen læste alt igennem manuelt.</p>
</details>
<details>
<summary>Hvor starter man, hvis man vil i gang med PropTech?</summary>
<p>Start ved opgaven, ikke ved leverandøren. Kortlæg hvilken opgave der tager mest tid uden at kræve et fagligt skøn, undersøg hvor de nødvendige data ligger og om de kan hentes ud, og afklar hvem internt der ejer løsningen bagefter. Kan I ikke svare på det sidste, er I ikke klar til at købe endnu.</p>
</details>
</div>
<p><script type="application/ld+json">{ "@context": "https://schema.org", "@type": "DefinedTerm", "name": "PropTech", "alternateName": "Ejendomsteknologi", "description": "PropTech er en samlebetegnelse for teknologi bygget specifikt til ejendomsbranchen. Ordet er kort for property technology og dækker blandt andet administrationssystemer, vedligeholdsplaner, energistyring, digitale fremvisninger og porteføljedata. PropTech beskriver et marked, ikke et enkelt produkt.", "inDefinedTermSet": { "@type": "DefinedTermSet", "name": "Digital Forlomme ordforklaringer", "url": "https://digitalforlomme.dk/" }, "url": "https://digitalforlomme.dk/hvad-er-proptech/" }</script><script type="application/ld+json">{ "@context": "https://schema.org", "@type": "FAQPage", "mainEntity": [{ "@type": "Question", "name": "Hvad er PropTech?", "acceptedAnswer": { "@type": "Answer", "text": "PropTech er en samlebetegnelse for teknologi bygget specifikt til ejendomsbranchen. Ordet er kort for property technology, altså ejendomsteknologi, og det dækker blandt andet administrationssystemer, vedligeholdsplaner, energistyring, digitale fremvisninger og porteføljedata. Det er en etiket på et marked, ikke et bestemt produkt man kan købe." } }, { "@type": "Question", "name": "Hvad er forskellen på PropTech og digitalisering?", "acceptedAnswer": { "@type": "Answer", "text": "PropTech er værktøjerne, digitalisering er det I gør ved jeres arbejdsgange. Man kan godt købe et PropTech-system uden at der sker nogen digitalisering, og det er faktisk det hyppigste udfald. Systemet leverer først noget, når arbejdsgangen omkring det er lagt om, og når nogen internt har ejerskab på det." } }, { "@type": "Question", "name": "Hvilke typer PropTech findes der?", "acceptedAnswer": { "@type": "Answer", "text": "Feltet inddeles mest brugbart efter hvilket arbejde værktøjet gør: administration og udlejning, drift og vedligehold, bygningsdrift og energi, salg og markedsføring, data og analyse, samt byggeri og projektudvikling. De fleste ejendomsvirksomheder har allerede systemer i den første kategori og mangler i de sidste." } }, { "@type": "Question", "name": "Er PropTech kun relevant for store ejendomsvirksomheder?", "acceptedAnswer": { "@type": "Answer", "text": "Nej. En stor del af markedet er bygget til porteføljer med hundredvis af ejendomme, men ikke det hele. Udfordringen for mindre virksomheder er sjældent, at der ikke findes noget, det er at de bliver præsenteret for løsninger i den forkerte størrelse, og derfor betaler for kompleksitet de ikke har brug for." } }, { "@type": "Question", "name": "Hvad har AI med PropTech at gøre?", "acceptedAnswer": { "@type": "Answer", "text": "En stor del af en ejendomsvirksomheds viden ligger i tekst: lejekontrakter, tilstandsrapporter, referater og mailtråde. Det er den slags ustruktureret materiale, sprogmodeller er gode til at læse og trække oplysninger ud af, og det har gjort en del af arbejdet tilgængeligt for automatisering, som tidligere krævede at nogen læste alt igennem manuelt." } }, { "@type": "Question", "name": "Hvor starter man, hvis man vil i gang med PropTech?", "acceptedAnswer": { "@type": "Answer", "text": "Start ved opgaven, ikke ved leverandøren. Kortlæg hvilken opgave der tager mest tid uden at kræve et fagligt skøn, undersøg hvor de nødvendige data ligger og om de kan hentes ud, og afklar hvem internt der ejer løsningen bagefter. Kan I ikke svare på det sidste, er I ikke klar til at købe endnu." } }] }</script></div>
]]></content:encoded>
					
					<wfw:commentRss>https://digitalforlomme.dk/hvad-er-proptech/feed/</wfw:commentRss>
			<slash:comments>0</slash:comments>
		
		
			</item>
		<item>
		<title>Claude på dansk: virker det, og hvad afgør kvaliteten?</title>
		<link>https://digitalforlomme.dk/claude-paa-dansk/</link>
					<comments>https://digitalforlomme.dk/claude-paa-dansk/#respond</comments>
		
		<dc:creator><![CDATA[Paw de Sparra Lundin]]></dc:creator>
		<pubDate>Thu, 30 Jul 2026 06:00:00 +0000</pubDate>
				<category><![CDATA[AI-værktøjer]]></category>
		<guid isPermaLink="false">https://digitalforlomme.dk/?p=2012</guid>

					<description><![CDATA[Ja, Claude skriver godt dansk. Alligevel bliver svarene ofte glatte og generiske. Her er, hvad der faktisk afgør kvaliteten, når I bruger Claude på dansk.]]></description>
										<content:encoded><![CDATA[<style>/* Blogindlaeg i .dfa-designsproget. Bruger temaets globale :root-tokens (wordpress/themes/forlomme/style.css) med hex-fallback, saa filen ogsaa ser rigtig ud i lokalt preview uden temaet. Fonte (Fraunces + DM Sans) loades globalt af temaet -- ingen @font-face her (RCB/GDPR ren). */ .dfa-art { font-family: 'DM Sans', system-ui, -apple-system, 'Segoe UI', sans-serif; max-width: 760px; margin: 0 auto; padding: 0 24px 8px; color: #0e1310; color: var(--df-text, #0e1310); font-size: 17px; line-height: 1.7; } .dfa-art__meta { color: #868c88; color: var(--df-text-3, #868c88); font-size: 0.9em; margin: 0 0 32px; } .dfa-art__lead { font-size: 1.2em; font-weight: 500; line-height: 1.5; margin: 0 0 32px; } .dfa-art p { margin: 0 0 20px; } .dfa-art h2 { font-family: 'Fraunces', Georgia, serif; color: #0e1310; color: var(--df-text, #0e1310); font-size: clamp(1.5rem, 3.2vw, 1.9rem); font-weight: 600; letter-spacing: -0.01em; line-height: 1.15; margin: 48px 0 16px; } .dfa-art h3 { font-family: 'Fraunces', Georgia, serif; color: #0e1310; color: var(--df-text, #0e1310); font-size: 1.25rem; font-weight: 600; line-height: 1.2; margin: 32px 0 10px; } .dfa-art a { color: #185b37; color: var(--df-primary, #185b37); font-weight: 600; text-decoration: none; } .dfa-art a:hover { text-decoration: underline; } .dfa-art strong { color: #0e1310; color: var(--df-text, #0e1310); font-weight: 700; } /* Checklister med groen flueben-markoer */ .dfa-art ul { list-style: none !important; list-style-type: none !important; padding: 0 !important; margin: 0 0 24px; } .dfa-art ul li { list-style: none !important; margin-left: 0 !important; position: relative; padding: 9px 0 9px 30px; color: #59635d; color: var(--df-text-2, #59635d); border-bottom: 1px solid #d2dad4; border-bottom: 1px solid var(--df-border, #d2dad4); } .dfa-art ul li:last-child { border-bottom: none; } .dfa-art ul li::marker { content: "" !important; font-size: 0 !important; } .dfa-art ul li::before { content: "\2713"; position: absolute; left: 0; top: 9px; color: #185b37; color: var(--df-primary, #185b37); font-weight: 700; } .dfa-art ul li strong { color: #0e1310; color: var(--df-text, #0e1310); } /* Neutral note (groen venstrekant) */ .dfa-art__note { background: #eef3ef; background: var(--df-surface-alt, #eef3ef); border-left: 4px solid #185b37; border-left: 4px solid var(--df-primary, #185b37); border-radius: 0 12px 12px 0; padding: 18px 24px; margin: 32px 0; } .dfa-art__note p { margin: 0; } /* Indsigt / key takeaway (terracotta -- reserveret til indsigt) */ .dfa-art__insight { background: #ffe2dc; background: var(--df-accent-light, #ffe2dc); border: 1px solid #f0c9c1; border: 1px solid var(--df-accent-border, #f0c9c1); border-radius: 16px; padding: 24px 28px; margin: 36px 0; } .dfa-art__insight .dfa-art__label { color: #de4f44; color: var(--df-accent, #de4f44); } .dfa-art__insight p { margin: 8px 0 0; } .dfa-art__label { font-size: 12px; font-weight: 600; letter-spacing: 0.12em; text-transform: uppercase; color: #185b37; color: var(--df-primary, #185b37); } /* Tabel */ .dfa-art__tablewrap { overflow-x: auto; margin: 32px 0; } .dfa-art table { width: 100%; border-collapse: collapse; font-size: 0.96em; } .dfa-art th, .dfa-art td { text-align: left; padding: 12px 14px; vertical-align: top; border-bottom: 1px solid #d2dad4; border-bottom: 1px solid var(--df-border, #d2dad4); } .dfa-art th { font-family: 'Fraunces', Georgia, serif; font-weight: 600; color: #0e1310; color: var(--df-text, #0e1310); border-bottom: 2px solid #185b37; border-bottom: 2px solid var(--df-primary, #185b37); } .dfa-art td:first-child { font-weight: 600; color: #0e1310; color: var(--df-text, #0e1310); } /* CTA-band (groent, afrundet) */ .dfa-art__cta { background: #185b37; background: var(--df-primary, #185b37); color: #f7fbf8; color: var(--df-on-dark, #f7fbf8); border-radius: 16px; padding: 36px 32px; text-align: center; margin: 48px 0; } .dfa-art__cta h3 { font-family: 'Fraunces', Georgia, serif; color: #f7fbf8; color: var(--df-on-dark, #f7fbf8); font-size: 1.5rem; font-weight: 600; margin: 0 0 12px; } .dfa-art__cta p { color: #bcd4c4; color: var(--df-on-dark-2, #bcd4c4); margin: 0 0 24px; } .dfa-art__cta p:last-child { margin: 20px 0 0; } .dfa-art__cta a.dfa-art__ctalink { color: #f7fbf8; color: var(--df-on-dark, #f7fbf8); text-decoration: underline; font-weight: 600; } .dfa-art a.dfa-art__btn { display: inline-block; font-weight: 600; text-decoration: none; background: #e78100; background: var(--df-cta, #e78100); color: #34260f; color: var(--df-cta-text, #34260f); padding: 14px 28px; border-radius: 999px; } .dfa-art a.dfa-art__btn:hover { background: #cf7300; background: var(--df-cta-hover, #cf7300); color: #34260f; color: var(--df-cta-text, #34260f); text-decoration: none; } /* Forfatterboks */ .dfa-art__author { display: flex; align-items: center; gap: 20px; background: #eef3ef; background: var(--df-surface-alt, #eef3ef); border: 1px solid #d2dad4; border: 1px solid var(--df-border, #d2dad4); border-radius: 16px; padding: 24px; margin: 48px 0; } .dfa-art__author img { width: 64px; height: 64px; border-radius: 50%; object-fit: cover; flex-shrink: 0; } .dfa-art__author h4 { font-family: 'Fraunces', Georgia, serif; margin: 0 0 4px; color: #0e1310; color: var(--df-text, #0e1310); font-size: 1.1rem; } .dfa-art__author p { margin: 0; color: #59635d; color: var(--df-text-2, #59635d); font-size: 0.95em; } /* FAQ -- native </p>
<details>, ingen JS */ .dfa-art__faq { border-top: 1px solid #d2dad4; border-top: 1px solid var(--df-border, #d2dad4); margin-top: 16px; } .dfa-art__faq details { border-bottom: 1px solid #d2dad4; border-bottom: 1px solid var(--df-border, #d2dad4); } .dfa-art__faq summary { list-style: none; cursor: pointer; padding: 18px 0; font-weight: 600; color: #0e1310; color: var(--df-text, #0e1310); display: flex; justify-content: space-between; gap: 16px; } .dfa-art__faq summary::-webkit-details-marker { display: none; } .dfa-art__faq summary::after { content: "+"; color: #185b37; color: var(--df-primary, #185b37); font-size: 22px; line-height: 1; flex-shrink: 0; transition: transform 0.2s ease; } .dfa-art__faq details[open] summary::after { transform: rotate(45deg); } .dfa-art__faq details p { margin: 0 0 18px; color: #59635d; color: var(--df-text-2, #59635d); } @media (max-width: 560px) { .dfa-art { font-size: 16px; } .dfa-art__author { flex-direction: column; text-align: center; } .dfa-art__cta { padding: 28px 22px; } }</style>
<div class="dfa-art">
<div class="dfa-art__meta">Juli 2026 • 6 minutters læsning</div>
<p class="dfa-art__lead">Ja, Claude skriver godt dansk. Det korte svar er, at sproget ikke er der, problemet ligger. Alligevel oplever mange, at svarene bliver glatte og generiske og skal skrives om alligevel. Her er, hvad der faktisk afgør kvaliteten, når I bruger Claude på dansk.</p>
<p>Spørgsmålet dukker op i næsten hver eneste indledende samtale: virker det nu ordentligt på dansk, eller skal vi skrive til den på engelsk? Det er et rimeligt spørgsmål. De første års sprogmodeller var mærkbart dårligere på dansk end på engelsk, og mange har stadig den erfaring siddende i kroppen.</p>
<p>Den erfaring er forældet. Men i stedet for bare at sige det, er det mere brugbart at se på, hvor dansk faktisk stadig halter, og hvorfor det sjældent er dét, der afgør, om I får noget brugbart ud af værktøjet.</p>
<h2>Ja, Claude skriver dansk, og det gør det godt</h2>
<p>Til almindeligt arbejdssprog er dansk ikke længere en begrænsning. Claude håndterer bestemt og ubestemt form, sammensatte ord, ejefald og den slags uden at snuble, og den rammer forskellen på en formel mail til en myndighed og en hurtig besked til en kollega.</p>
<p>Den udbredte tommelfingerregel om, at man får bedre svar ved at skrive på engelsk, holder ikke længere i praksis. Skriver I på dansk om danske forhold, får I typisk et bedre svar på dansk, fordi konteksten er dansk. Oversætter I frem og tilbage, mister I nuancer begge veje.</p>
<div class="dfa-art__note">
<p><strong>Prøv selv:</strong> tag en opgave I lige har løst, og giv den til Claude på dansk. Ikke en testopgave, men noget rigtigt. Det er først, når materialet er jeres eget, at I kan vurdere, om kvaliteten holder til jeres brug.</p>
</div>
<h2>Hvor dansk stadig halter</h2>
<p>Der er tre steder, hvor forskellen mellem dansk og engelsk stadig er til at mærke. De er værd at kende, fordi de er nemme at arbejde udenom, når man ved, hvor de ligger.</p>
<h3>Fagsprog og brancheudtryk</h3>
<p>Almindeligt dansk sidder solidt. Snævert dansk fagsprog gør ikke altid. Termer fra ejendomsadministration, revision, offentlig forvaltning eller overenskomstområdet bliver af og til oversat til noget, der ligner, men ikke er det, faget bruger. Det er sjældent decideret forkert, men det er heller ikke det ord, en fagperson ville have skrevet.</p>
<h3>Formelle danske dokumenttyper</h3>
<p>Referater, journalnotater, myndighedsbreve og andre genrer med en fast dansk form er ikke noget, modellen rammer af sig selv. Den skriver god, generel dansk prosa, men ikke nødvendigvis i den form, jeres organisation faktisk bruger.</p>
<h3>Når kilden er engelsk</h3>
<p>Beder I om et dansk resumé af et engelsk dokument, kan resultatet få oversættelsesklang: sætningsbygningen følger originalen, og der glider anglicismer med ind. Det læses hurtigt som noget, der er skrevet på engelsk først.</p>
<p>Læg mærke til, hvad de tre har til fælles. Ingen af dem handler om, at modellen ikke kan dansk. De handler om, at den ikke kender jeres dansk.</p>
<h2>Men sproget er sjældent det, der afgør resultatet</h2>
<p>Her er det, vi ser hos stort set alle, vi arbejder med. Når et svar er ubrugeligt, er sproget næsten aldrig årsagen. Årsagen er, at modellen ikke havde noget at arbejde ud fra.</p>
<p>Et generisk spørgsmål giver et generisk svar. Det gør det på engelsk, og det gør det på dansk. Beder I om &#8220;et forslag til en opsigelsesskrivelse&#8221;, får I gennemsnittet af alt, hvad der er skrevet om emnet. Det læser man som glat og indholdsløst, og så er konklusionen nem: den er ikke god nok på dansk.</p>
<p>Men problemet var ikke sproget. Problemet var, at der ikke var noget konkret at skrive ud fra.</p>
<div class="dfa-art__insight">
<div class="dfa-art__label">Indsigt</div>
<p>Den samme prompt, stillet med og uden virksomhedens eget materiale, giver to helt forskellige svar. Forskellen er langt større end forskellen mellem dansk og engelsk. Det er derfor, kontekst er den færdighed, der betaler sig at lære, ikke sprogvalget.</p>
</div>
<h2>Det, der faktisk afgør kvaliteten: konteksten I giver</h2>
<p>Tre vaner flytter mere end noget andet, vi kan lære fra os på en enkelt dag.</p>
<h3>Giv Claude jeres eget materiale</h3>
<p>Vedhæft det referat, den kontrakt, den rapport eller de fem tidligere svar, I er tilfredse med. Claude er stærk til lange dokumenter, og det er her, forskellen ses tydeligst. I det øjeblik den har jeres egne tekster at arbejde ud fra, forsvinder det generiske præg, og fagsproget bliver jeres, fordi det står i materialet.</p>
<h3>Bed om et format, ikke bare et svar</h3>
<p>Sig hvem det er til, hvor langt det skal være, hvilken tone der skal bruges, og hvad der ikke skal med. &#8220;Skriv et referat&#8221; og &#8220;skriv et beslutningsreferat på maks. en side til bestyrelsen, kun beslutninger og ansvarlige, ingen referat af diskussionen&#8221; giver to vidt forskellige resultater.</p>
<h3>Ret én gang, og gem rettelsen</h3>
<p>Når I retter et svar til, så skriv hvorfor. Ikke bare &#8220;skriv det om&#8221;, men &#8220;vi bruger ikke ordet kunde, vi skriver andelshaver&#8221;. Gem de rettelser et fast sted, og genbrug dem. Efter en håndfuld gange har I jeres egen sprogguide, og de fagsprogsfejl, der irriterede i starten, holder op med at komme.</p>
<ul>
<li><strong>Materialet først.</strong> Dokument eller eksempler ind, før I stiller spørgsmålet.</li>
<li><strong>Modtager og format.</strong> Hvem læser det, hvor langt, hvilken tone.</li>
<li><strong>Rettelser gemt.</strong> Jeres ord, jeres forbud, samlet ét sted og genbrugt.</li>
</ul>
<p>Ingen af de tre handler om dansk. De handler om at give værktøjet noget at arbejde med, og de virker uanset hvilket sprog I skriver på. Vil I se, hvordan Claude står i forhold til de andre værktøjer på netop den slags opgaver, kan I <a href="https://digitalforlomme.dk/ai-vaerktoj-sammenligning/">sammenligne ChatGPT, Claude, Gemini og Copilot</a> først.</p>
<h2>Kan I bruge Claude på dansk i en dansk virksomhed?</h2>
<p>Ja. Claude er tilgængeligt i Danmark, og der er ikke noget teknisk i vejen for at bruge det til dansk arbejde. Spørgsmålet &#8220;claude ai denmark&#8221; handler i praksis sjældent om, hvorvidt værktøjet kan tilgås, men om noget andet: må vi lægge vores egne dokumenter ind i det?</p>
<p>Det spørgsmål kan ikke besvares generelt, fordi svaret afhænger af, hvilken version I bruger, og hvilke data der er tale om. Men det er tre ting, I skal have afklaret, før I sætter et team i gang:</p>
<ul>
<li><strong>Hvilken plan kører I på.</strong> Gratis, privat abonnement og erhvervsaftale er ikke det samme, hverken juridisk eller i praksis. Det er det første, der skal på plads.</li>
<li><strong>Hvad der sker med det, I lægger ind.</strong> Om jeres indhold kan indgå i træning, hvor længe det gemmes, og hvor det behandles. Det står i vilkårene for den konkrete plan, og det er værd at læse før, ikke efter.</li>
<li><strong>Hvilke data der overhovedet må ind.</strong> Personoplysninger, personalesager og købsaftaler kræver en anden stillingtagen end et mødereferat. De fleste steder mangler der ikke et juridisk notat, men en simpel intern regel, som folk kan huske.</li>
</ul>
<p>Vi giver ikke juridisk rådgivning, og vi anbefaler ikke, at man afgør det ud fra et blogindlæg. Men i praksis strander de fleste ikke på jura. De strander på, at ingen har taget stilling, og så bruger halvdelen af organisationen det alligevel, bare uden retningslinjer. Er I i tvivl om, hvor Claude passer ind ved siden af det, I har i forvejen, er <a href="https://digitalforlomme.dk/hvad-er-claude/">forskellen på Claude og de andre værktøjer</a> et godt sted at starte.</p>
<div class="dfa-art__cta">
<h3>Skal jeres team kunne bruge Claude på dansk i hverdagen?</h3>
<p>På vores <a href="https://digitalforlomme.dk/claude/" class="dfa-art__ctalink">Claude-kursus</a> arbejder vi på jeres egne dokumenter og jeres eget fagsprog, ikke på generiske eksempler. Book en gratis, uforpligtende snak, så vurderer vi sammen, om det er det rigtige for jer.</p>
<p><a href="https://digitalforlomme.dk/book-gratis-konsultation/?kilde=blog-claude-paa-dansk" class="dfa-art__btn">Book en gratis konsultation</a></div>
<div class="dfa-art__author"><img decoding="async" src="https://digitalforlomme.dk/wp-content/uploads/2026/06/0395_Paw-de-Sparra-Lundin_PDL_avatar.jpg" alt="Paw Lundin"></p>
<div>
<h4>Paw Lundin</h4>
<p>Stifter af Digital Forlomme. 15+ års erfaring med digitalisering, først som intern leder, nu som rådgiver. Underviser, implementerer og rådgiver.</p>
</div>
</div>
<h2>Ofte stillede spørgsmål om Claude på dansk</h2>
<div class="dfa-art__faq">
<details>
<summary>Virker Claude på dansk?</summary>
<p>Ja. Claude håndterer dansk grammatik, tone og sammensatte ord uden problemer, og til almindeligt arbejdssprog er dansk ikke længere en begrænsning. Det, der typisk halter, er snævert dansk fagsprog, faste danske dokumentformer og tekster, der er oversat fra en engelsk kilde.</p>
</details>
<details>
<summary>Får man bedre svar, hvis man skriver på engelsk?</summary>
<p>Nej, ikke længere. Skriver I på dansk om danske forhold, får I typisk et bedre resultat på dansk, fordi konteksten er dansk. Oversætter I frem og tilbage, mister I nuancer begge veje. Den gamle tommelfingerregel stammer fra de første års sprogmodeller.</p>
</details>
<details>
<summary>Hvorfor bliver svarene på dansk så generiske?</summary>
<p>Fordi spørgsmålet var generisk, ikke fordi sproget var dansk. Et spørgsmål uden jeres eget materiale giver gennemsnittet af alt, hvad der er skrevet om emnet. Vedhæft et dokument eller nogle tidligere svar, I er tilfredse med, så forsvinder det glatte præg.</p>
</details>
<details>
<summary>Kan Claude ramme vores fagsprog?</summary>
<p>Ikke af sig selv, men det læres hurtigt. Giv den jeres egne tekster at arbejde ud fra, og skriv jeres rettelser ned, når den bruger et forkert ord. Efter en håndfuld gange har I en lille sprogguide, I kan genbruge, og fejlene holder op med at komme igen.</p>
</details>
<details>
<summary>Er Claude tilgængeligt i Danmark?</summary>
<p>Ja, Claude kan bruges i Danmark, og der er ikke noget teknisk i vejen for dansk arbejde. Det, der kræver stillingtagen, er hvilken plan I kører på, hvad der sker med det indhold I lægger ind, og hvilke datatyper der overhovedet må bruges i værktøjet.</p>
</details>
<details>
<summary>Må vi lægge virksomhedens dokumenter ind i Claude?</summary>
<p>Det afhænger af jeres plan og af, hvilke data der er tale om. Gratis, privat abonnement og erhvervsaftale har forskellige vilkår for opbevaring og træning. Afklar de vilkår først, og lav derefter en enkel intern regel for, hvad der må ind. I praksis strander de fleste på manglende stillingtagen, ikke på jura.</p>
</details>
</div>
<p><script type="application/ld+json">{"@context":"https://schema.org","@type":"FAQPage","mainEntity":[{"@type":"Question","name":"Virker Claude på dansk?","acceptedAnswer":{"@type":"Answer","text":"Ja. Claude håndterer dansk grammatik, tone og sammensatte ord uden problemer, og til almindeligt arbejdssprog er dansk ikke længere en begrænsning. Det, der typisk halter, er snævert dansk fagsprog, faste danske dokumentformer og tekster, der er oversat fra en engelsk kilde."}},{"@type":"Question","name":"Får man bedre svar, hvis man skriver på engelsk?","acceptedAnswer":{"@type":"Answer","text":"Nej, ikke længere. Skriver I på dansk om danske forhold, får I typisk et bedre resultat på dansk, fordi konteksten er dansk. Oversætter I frem og tilbage, mister I nuancer begge veje. Den gamle tommelfingerregel stammer fra de første års sprogmodeller."}},{"@type":"Question","name":"Hvorfor bliver svarene på dansk så generiske?","acceptedAnswer":{"@type":"Answer","text":"Fordi spørgsmålet var generisk, ikke fordi sproget var dansk. Et spørgsmål uden jeres eget materiale giver gennemsnittet af alt, hvad der er skrevet om emnet. Vedhæft et dokument eller nogle tidligere svar, I er tilfredse med, så forsvinder det glatte præg."}},{"@type":"Question","name":"Kan Claude ramme vores fagsprog?","acceptedAnswer":{"@type":"Answer","text":"Ikke af sig selv, men det læres hurtigt. Giv den jeres egne tekster at arbejde ud fra, og skriv jeres rettelser ned, når den bruger et forkert ord. Efter en håndfuld gange har I en lille sprogguide, I kan genbruge, og fejlene holder op med at komme igen."}},{"@type":"Question","name":"Er Claude tilgængeligt i Danmark?","acceptedAnswer":{"@type":"Answer","text":"Ja, Claude kan bruges i Danmark, og der er ikke noget teknisk i vejen for dansk arbejde. Det, der kræver stillingtagen, er hvilken plan I kører på, hvad der sker med det indhold I lægger ind, og hvilke datatyper der overhovedet må bruges i værktøjet."}},{"@type":"Question","name":"Må vi lægge virksomhedens dokumenter ind i Claude?","acceptedAnswer":{"@type":"Answer","text":"Det afhænger af jeres plan og af, hvilke data der er tale om. Gratis, privat abonnement og erhvervsaftale har forskellige vilkår for opbevaring og træning. Afklar de vilkår først, og lav derefter en enkel intern regel for, hvad der må ind. I praksis strander de fleste på manglende stillingtagen, ikke på jura."}}]}</script></div>
]]></content:encoded>
					
					<wfw:commentRss>https://digitalforlomme.dk/claude-paa-dansk/feed/</wfw:commentRss>
			<slash:comments>0</slash:comments>
		
		
			</item>
		<item>
		<title>Hvad er AI-agenter? Og hvad kan I bruge dem til i praksis</title>
		<link>https://digitalforlomme.dk/hvad-er-ai-agenter/</link>
					<comments>https://digitalforlomme.dk/hvad-er-ai-agenter/#respond</comments>
		
		<dc:creator><![CDATA[Paw de Sparra Lundin]]></dc:creator>
		<pubDate>Mon, 27 Jul 2026 06:00:00 +0000</pubDate>
				<category><![CDATA[AI-værktøjer]]></category>
		<guid isPermaLink="false">https://digitalforlomme.dk/?p=2007</guid>

					<description><![CDATA[AI-agenter er årets mest omtalte og mest oversolgte begreb. Her er, hvad de faktisk kan i dag, hvad der stadig er demo, og hvad der skal til.]]></description>
										<content:encoded><![CDATA[<style>/* Blogindlaeg i .dfa-designsproget. Bruger temaets globale :root-tokens (wordpress/themes/forlomme/style.css) med hex-fallback, saa filen ogsaa ser rigtig ud i lokalt preview uden temaet. Fonte (Fraunces + DM Sans) loades globalt af temaet -- ingen @font-face her (RCB/GDPR ren). */ .dfa-art { font-family: 'DM Sans', system-ui, -apple-system, 'Segoe UI', sans-serif; max-width: 760px; margin: 0 auto; padding: 0 24px 8px; color: #0e1310; color: var(--df-text, #0e1310); font-size: 17px; line-height: 1.7; } .dfa-art__meta { color: #868c88; color: var(--df-text-3, #868c88); font-size: 0.9em; margin: 0 0 32px; } .dfa-art__lead { font-size: 1.2em; font-weight: 500; line-height: 1.5; margin: 0 0 32px; } .dfa-art p { margin: 0 0 20px; } .dfa-art h2 { font-family: 'Fraunces', Georgia, serif; color: #0e1310; color: var(--df-text, #0e1310); font-size: clamp(1.5rem, 3.2vw, 1.9rem); font-weight: 600; letter-spacing: -0.01em; line-height: 1.15; margin: 48px 0 16px; } .dfa-art h3 { font-family: 'Fraunces', Georgia, serif; color: #0e1310; color: var(--df-text, #0e1310); font-size: 1.25rem; font-weight: 600; line-height: 1.2; margin: 32px 0 10px; } .dfa-art a { color: #185b37; color: var(--df-primary, #185b37); font-weight: 600; text-decoration: none; } .dfa-art a:hover { text-decoration: underline; } .dfa-art strong { color: #0e1310; color: var(--df-text, #0e1310); font-weight: 700; } /* Checklister med groen flueben-markoer */ .dfa-art ul { list-style: none !important; list-style-type: none !important; padding: 0 !important; margin: 0 0 24px; } .dfa-art ul li { list-style: none !important; margin-left: 0 !important; position: relative; padding: 9px 0 9px 30px; color: #59635d; color: var(--df-text-2, #59635d); border-bottom: 1px solid #d2dad4; border-bottom: 1px solid var(--df-border, #d2dad4); } .dfa-art ul li:last-child { border-bottom: none; } .dfa-art ul li::marker { content: "" !important; font-size: 0 !important; } .dfa-art ul li::before { content: "\2713"; position: absolute; left: 0; top: 9px; color: #185b37; color: var(--df-primary, #185b37); font-weight: 700; } .dfa-art ul li strong { color: #0e1310; color: var(--df-text, #0e1310); } /* Neutral note (groen venstrekant) */ .dfa-art__note { background: #eef3ef; background: var(--df-surface-alt, #eef3ef); border-left: 4px solid #185b37; border-left: 4px solid var(--df-primary, #185b37); border-radius: 0 12px 12px 0; padding: 18px 24px; margin: 32px 0; } .dfa-art__note p { margin: 0; } /* Indsigt / key takeaway (terracotta -- reserveret til indsigt) */ .dfa-art__insight { background: #ffe2dc; background: var(--df-accent-light, #ffe2dc); border: 1px solid #f0c9c1; border: 1px solid var(--df-accent-border, #f0c9c1); border-radius: 16px; padding: 24px 28px; margin: 36px 0; } .dfa-art__insight .dfa-art__label { color: #de4f44; color: var(--df-accent, #de4f44); } .dfa-art__insight p { margin: 8px 0 0; } .dfa-art__label { font-size: 12px; font-weight: 600; letter-spacing: 0.12em; text-transform: uppercase; color: #185b37; color: var(--df-primary, #185b37); } /* Tabel */ .dfa-art__tablewrap { overflow-x: auto; margin: 32px 0; } .dfa-art table { width: 100%; border-collapse: collapse; font-size: 0.96em; } .dfa-art th, .dfa-art td { text-align: left; padding: 12px 14px; vertical-align: top; border-bottom: 1px solid #d2dad4; border-bottom: 1px solid var(--df-border, #d2dad4); } .dfa-art th { font-family: 'Fraunces', Georgia, serif; font-weight: 600; color: #0e1310; color: var(--df-text, #0e1310); border-bottom: 2px solid #185b37; border-bottom: 2px solid var(--df-primary, #185b37); } .dfa-art td:first-child { font-weight: 600; color: #0e1310; color: var(--df-text, #0e1310); } /* CTA-band (groent, afrundet) */ .dfa-art__cta { background: #185b37; background: var(--df-primary, #185b37); color: #f7fbf8; color: var(--df-on-dark, #f7fbf8); border-radius: 16px; padding: 36px 32px; text-align: center; margin: 48px 0; } .dfa-art__cta h3 { font-family: 'Fraunces', Georgia, serif; color: #f7fbf8; color: var(--df-on-dark, #f7fbf8); font-size: 1.5rem; font-weight: 600; margin: 0 0 12px; } .dfa-art__cta p { color: #bcd4c4; color: var(--df-on-dark-2, #bcd4c4); margin: 0 0 24px; } .dfa-art__cta p:last-child { margin: 20px 0 0; } .dfa-art__cta a.dfa-art__ctalink { color: #f7fbf8; color: var(--df-on-dark, #f7fbf8); text-decoration: underline; font-weight: 600; } .dfa-art a.dfa-art__btn { display: inline-block; font-weight: 600; text-decoration: none; background: #e78100; background: var(--df-cta, #e78100); color: #34260f; color: var(--df-cta-text, #34260f); padding: 14px 28px; border-radius: 999px; } .dfa-art a.dfa-art__btn:hover { background: #cf7300; background: var(--df-cta-hover, #cf7300); color: #34260f; color: var(--df-cta-text, #34260f); text-decoration: none; } /* Forfatterboks */ .dfa-art__author { display: flex; align-items: center; gap: 20px; background: #eef3ef; background: var(--df-surface-alt, #eef3ef); border: 1px solid #d2dad4; border: 1px solid var(--df-border, #d2dad4); border-radius: 16px; padding: 24px; margin: 48px 0; } .dfa-art__author img { width: 64px; height: 64px; border-radius: 50%; object-fit: cover; flex-shrink: 0; } .dfa-art__author h4 { font-family: 'Fraunces', Georgia, serif; margin: 0 0 4px; color: #0e1310; color: var(--df-text, #0e1310); font-size: 1.1rem; } .dfa-art__author p { margin: 0; color: #59635d; color: var(--df-text-2, #59635d); font-size: 0.95em; } /* FAQ -- native </p>
<details>, ingen JS */ .dfa-art__faq { border-top: 1px solid #d2dad4; border-top: 1px solid var(--df-border, #d2dad4); margin-top: 16px; } .dfa-art__faq details { border-bottom: 1px solid #d2dad4; border-bottom: 1px solid var(--df-border, #d2dad4); } .dfa-art__faq summary { list-style: none; cursor: pointer; padding: 18px 0; font-weight: 600; color: #0e1310; color: var(--df-text, #0e1310); display: flex; justify-content: space-between; gap: 16px; } .dfa-art__faq summary::-webkit-details-marker { display: none; } .dfa-art__faq summary::after { content: "+"; color: #185b37; color: var(--df-primary, #185b37); font-size: 22px; line-height: 1; flex-shrink: 0; transition: transform 0.2s ease; } .dfa-art__faq details[open] summary::after { transform: rotate(45deg); } .dfa-art__faq details p { margin: 0 0 18px; color: #59635d; color: var(--df-text-2, #59635d); } @media (max-width: 560px) { .dfa-art { font-size: 16px; } .dfa-art__author { flex-direction: column; text-align: center; } .dfa-art__cta { padding: 28px 22px; } }</style>
<div class="dfa-art">
<div class="dfa-art__meta">Juli 2026 • 8 minutters læsning</div>
<p class="dfa-art__lead">AI-agenter er årets mest omtalte og mest oversolgte begreb. De findes, de virker, og de er ikke det, LinkedIn-opslagene lover. Her er, hvad AI-agenter faktisk er, hvad de kan i dag, hvad der stadig er demo, og hvad der skal til, før de giver værdi i en dansk virksomhed.</p>
<p>Hvis du har siddet til et netværksmøde det seneste halve år, har du hørt det: AI-agenter overtager arbejdet, virksomheder skalerer uden at ansætte, og den, der ikke er i gang nu, er bagud. Samtidig har du sikkert også en fornemmelse af, at demoen på scenen ikke helt ligner den hverdag, dit team har.</p>
<p>Den fornemmelse er berettiget. Teknologien er reel, men afstanden mellem demo og drift er stor lige nu, og de fleste artikler om emnet er skrevet af nogen, der sælger agenter. Denne er ikke.</p>
<h2>Hvad er AI-agenter?</h2>
<p>En AI-agent er et AI-værktøj, der ikke kun svarer på et spørgsmål, men selv udfører en opgave i flere trin. Den lægger en plan, bruger værktøjer undervejs (søger, åbner filer, henter data, skriver i et dokument) og arbejder videre, indtil opgaven er løst eller den går i stå.</p>
<p>Den korte version: du beder ikke agenten om et svar, du beder den om et resultat. Ikke &#8220;hvordan finder jeg de her tal&#8221;, men &#8220;find tallene, saml dem i et regneark og skriv et resumé&#8221;.</p>
<p>Det er skiftet fra et værktøj, du betjener, til et værktøj, der arbejder. Og det er præcis dét skifte, der gør både begejstringen og skepsissen forståelig.</p>
<h2>Forskellen på en chatbot og en AI-agent</h2>
<p>Forskellen er ikke intelligens, det er handlerum. En chatbot kan være lige så klog som en agent, men den kan kun tale med dig. Agenten har fået lov til at gøre noget.</p>
<div class="dfa-art__tablewrap">
<table>
<thead>
<tr>
<th></th>
<th>Chatbot (fx ChatGPT som de fleste bruger det)</th>
<th>AI-agent</th>
</tr>
</thead>
<tbody>
<tr>
<td>Leverer</td>
<td>Et svar eller et udkast, du selv bruger videre</td>
<td>Et færdigt stykke arbejde, fx en fil eller en opdateret liste</td>
</tr>
<tr>
<td>Antal trin</td>
<td>Ét ad gangen, du styrer hvert skridt</td>
<td>Mange trin i træk, uden at du sidder med</td>
</tr>
<tr>
<td>Adgang</td>
<td>Kun det, du selv indsætter i chatten</td>
<td>Filer, mail, systemer og web, hvis I giver adgang</td>
</tr>
<tr>
<td>Din rolle</td>
<td>Du er operatøren</td>
<td>Du er den, der afgrænser opgaven og godkender resultatet</td>
</tr>
</tbody>
</table>
</div>
<p>I praksis er grænsen glidende. De værktøjer, I allerede betaler for, har fået agent-funktioner ovenpå: OpenAI lancerede ChatGPT Work i juli 2026, Anthropic har <a href="https://digitalforlomme.dk/claude-cowork/">Claude Cowork</a>, og Microsoft har lagt agenter ind i Copilot i Microsoft 365. I skal altså sjældent købe noget nyt for at komme i gang. I skal beslutte, hvad I vil lade dem lave.</p>
<h2>Hvad AI-agenter faktisk kan i dag, og hvad de ikke kan</h2>
<p>Her er det, sælgerne springer over. Da forskere i 2026 testede de førende modeller på rigtige professionelle opgaver i APEX-benchmarken, løste de bedste agenter under en fjerdedel. Selv efter otte forsøg på samme opgave toppede de omkring 40 procent. Til sammenligning forventer Gartner, at 40 procent af virksomhederne har agenter i drift ved udgangen af året.</p>
<p>Der er altså et hul mellem, hvad der bliver købt, og hvad der virker. Men tallet skjuler den vigtige nuance: agenterne fejler på <strong>komplekse, sammensatte</strong> opgaver. På afgrænsede, gentagne opgaver med et output, et menneske kan tjekke på et minut, klarer de sig markant bedre.</p>
<div class="dfa-art__tablewrap">
<table>
<thead>
<tr>
<th>Virker i dag</th>
<th>Stadig demo</th>
</tr>
</thead>
<tbody>
<tr>
<td>Afgrænsede opgaver med et tydeligt slutprodukt</td>
<td>Lange kæder af opgaver uden opsyn, hvor små fejl vokser</td>
</tr>
<tr>
<td>Opgaver hvor et menneske godkender, før noget sendes</td>
<td>Agenter der selv træffer beslutninger med konsekvenser udadtil</td>
</tr>
<tr>
<td>Arbejde på data, I allerede har samlet ét sted</td>
<td>Arbejde på tværs af systemer, der ikke taler sammen</td>
</tr>
<tr>
<td>Opgaver hvor en fejl opdages med det samme</td>
<td>Bogføring, kontrakter og indberetninger, hvor fejl er dyre og usynlige</td>
</tr>
</tbody>
</table>
</div>
<p>Mønsteret er det samme hver gang: <strong>en agent er pålidelig i præcis den grad, opgaven er afgrænset.</strong> Det er ikke en midlertidig børnesygdom, det er sådan teknologien fungerer lige nu.</p>
<div class="dfa-art__insight">
<div class="dfa-art__label">Indsigt</div>
<p>Den mest holdbare måde at bruge en AI-agent på i 2026 er som en, der forbereder, ikke som en, der beslutter. Agenten gør arbejdet klar, mennesket trykker på knappen. Det lyder mindre imponerende end demoen, og det er også dét, der rent faktisk holder efter tre måneder.</p>
</div>
<h2>Tre opgaver hvor AI-agenter holder i praksis</h2>
<p>Det er nemmere at forstå AI-agenter ud fra eksempler end ud fra definitioner. Her er tre, der er afgrænsede nok til at virke, og almindelige nok til at findes i de fleste virksomheder.</p>
<h3>1. Research og markedsovervågning</h3>
<p>Agenten holder øje med et afgrænset område og samler det, der er nyt: konkurrenters prisændringer, nye udbud i jeres branche, ændringer i regler, der rammer jer. Den søger, læser og leverer et kort notat med kilder, så en medarbejder kan bruge fem minutter i stedet for to timer.</p>
<p>Det virker, fordi opgaven er tydeligt afgrænset, og fordi fejl er lette at opdage: kilden står der, eller også gør den ikke.</p>
<h3>2. Oprydning og sammenstilling af data</h3>
<p>Alle virksomheder har lister, der er rodede. Kundenavne stavet på fire måder, dubletter, manglende felter, tal fra to systemer der skal sammenholdes. En agent kan gå rækkerne igennem, foreslå rettelser og samle det i én fil.</p>
<p>Her er godkendelsestrinnet vigtigt. Lad agenten foreslå ændringerne i en kopi, ikke skrive direkte i jeres CRM.</p>
<h3>3. Triagering af indgående henvendelser</h3>
<p>Mails, formularer og henvendelser sorteres efter type og hastværk, får et forslag til svar hæftet på, og lander klar til et menneske. Medarbejderen læser, retter og sender.</p>
<p>Den model, hvor agenten forbereder og mennesket sender, er hverken den mest ambitiøse eller den mest omtalte. Den er til gengæld den, der overlever kontakten med en almindelig arbejdsuge.</p>
<div class="dfa-art__note">
<p><strong>Bemærk hvad de tre har til fælles:</strong> opgaven er afgrænset, resultatet kan tjekkes på under et minut, og et menneske godkender, før noget forlader huset. Det er de tre kriterier, I kan bruge til at vurdere ethvert forslag om en AI-agent, I får præsenteret.</p>
</div>
<h2>Hvad der skal være på plads, før en AI-agent giver værdi</h2>
<p>Den almindelige indvending er, at jeres data ikke er klar. Den er delvist rigtig, men bliver ofte brugt som en større bremse, end den behøver være.</p>
<ul>
<li><strong>Data skal være samlet, ikke perfekte.</strong> En agent kan arbejde med rodede data, hvis de ligger ét sted, den kan komme til. Den kan ikke arbejde med pæne data spredt over syv systemer og en fællesdrev-mappe, ingen har ryddet op i siden 2019.</li>
<li><strong>Adgange skal være bevidst afgrænsede.</strong> Giv agenten adgang til dét, opgaven kræver, og ikke mere. En agent med adgang til alt er både en sikkerhedsrisiko og en dårlig medarbejder.</li>
<li><strong>GDPR skal håndteres, ikke frygtes.</strong> Behandler agenten persondata, gælder de samme regler som for alt andet: lovligt grundlag, databehandleraftale med leverandøren, og ingen personoplysninger i værktøjer, I ikke har en aftale med. Bruger I allerede Microsoft 365 eller en betalt ChatGPT- eller Claude-aftale, er rammen typisk på plads. Det er sjældent jura, der stopper det, det er uklarhed om, hvem der har taget stilling.</li>
<li><strong>Nogen skal eje opgaven.</strong> En agent uden en ansvarlig ender som en tilfældig automatisering, ingen tør røre, når den fejler.</li>
</ul>
<p>Er I i tvivl om, hvor jeres data og adgange reelt står, er det den slags, en uvildig <a href="https://digitalforlomme.dk/ai-raadgivning/">AI-rådgivning</a> kan afklare på nogle få timer, før I bruger måneder på et projekt.</p>
<h2>Sådan kommer I i gang uden at starte et projekt</h2>
<p>Den anden indvending er tid og mennesker. Den er velbegrundet, men peger på en løsning frem for en forhindring: gør det lille i stedet for at lade være.</p>
<ul>
<li><strong>Vælg én opgave, ikke en strategi.</strong> Den skal være tilbagevendende, kedelig og have et resultat, der kan tjekkes hurtigt. Research-notatet er et godt sted at starte.</li>
<li><strong>Brug det værktøj, I allerede betaler for.</strong> Er I på Microsoft 365, ChatGPT eller Claude, har I agent-funktionerne. Køb ikke en platform, før I ved, hvad I vil bruge den til.</li>
<li><strong>Sæt en uge af, ikke et kvartal.</strong> Én person, nogle timer, én opgave. Virker det ikke, har I brugt en uge og lært noget konkret.</li>
<li><strong>Beslut på forhånd, hvad der tæller som succes.</strong> Sparet tid pr. uge, eller antal opgaver leveret uden rettelser. Uden et tal bliver evalueringen en fornemmelse.</li>
</ul>
<p>Skal flere i teamet kunne det samme, er det typisk her et <a href="https://digitalforlomme.dk/ai-firmakurser/">AI-firmakursus</a> giver mening: I bygger de første agenter på jeres egne opgaver i stedet for at se dem demonstreret på en andens.</p>
<div class="dfa-art__cta">
<h3>Er AI-agenter relevante hos jer, eller er det hype?</h3>
<p>Det korte svar afhænger af, hvilke opgaver I har, og hvordan jeres data ligger. Book en gratis, uforpligtende snak, så kigger vi konkret på, om der er en opgave hos jer, der er afgrænset nok til at virke, og siger det ærligt, hvis der ikke er.</p>
<p><a href="https://digitalforlomme.dk/book-gratis-konsultation/?kilde=blog-hvad-er-ai-agenter" class="dfa-art__btn">Book en gratis konsultation</a></p>
<p>Vil I hellere klæde hele teamet på først? Se vores <a href="https://digitalforlomme.dk/ai-firmakurser/" class="dfa-art__ctalink">AI-firmakurser</a>.</p>
</div>
<div class="dfa-art__author"><img decoding="async" src="https://digitalforlomme.dk/wp-content/uploads/2026/06/0395_Paw-de-Sparra-Lundin_PDL_avatar.jpg" alt="Paw Lundin"></p>
<div>
<h4>Paw Lundin</h4>
<p>Stifter af Digital Forlomme. 15+ års erfaring med digitalisering, først som intern leder, nu som rådgiver. Underviser, implementerer og rådgiver.</p>
</div>
</div>
<h2>Ofte stillede spørgsmål om AI-agenter</h2>
<div class="dfa-art__faq">
<details>
<summary>Hvad er AI-agenter helt kort?</summary>
<p>En AI-agent er et AI-værktøj, der selv udfører en opgave i flere trin i stedet for kun at svare på et spørgsmål. Den lægger en plan, bruger værktøjer undervejs som søgning, filer og data, og arbejder videre, til opgaven er løst. Du beder den ikke om et svar, men om et resultat.</p>
</details>
<details>
<summary>Hvad er forskellen på en chatbot og en AI-agent?</summary>
<p>Forskellen er handlerum, ikke intelligens. En chatbot svarer dig, og du bruger svaret videre. En agent har adgang til filer, systemer eller web og udfører selv flere trin, indtil der ligger et resultat. Du går fra at være operatør til at være den, der afgrænser opgaven og godkender resultatet.</p>
</details>
<details>
<summary>Virker AI-agenter i praksis, eller er det hype?</summary>
<p>Begge dele. På afgrænsede, gentagne opgaver med et resultat, et menneske kan tjekke hurtigt, virker de i dag. På komplekse, sammensatte opgaver fejler de stadig ofte: i APEX-benchmarken fra 2026 løste de bedste modeller under en fjerdedel af rigtige professionelle opgaver. Skepsis over for demoer er derfor velbegrundet, mens afvisning af teknologien ikke er.</p>
</details>
<details>
<summary>Hvad er gode eksempler på AI-agenter til virksomheder?</summary>
<p>Tre der holder i praksis: research og markedsovervågning, hvor agenten samler nyt om konkurrenter, udbud eller regler i et kort notat med kilder. Oprydning og sammenstilling af data, hvor den finder dubletter og uens stavemåder i lister. Og triagering af indgående henvendelser, hvor mails sorteres og får et svarudkast, som en medarbejder godkender.</p>
</details>
<details>
<summary>Kræver AI-agenter, at vi køber nye systemer?</summary>
<p>Sjældent. De værktøjer, de fleste virksomheder allerede betaler for, har fået agent-funktioner: ChatGPT Work kom i juli 2026, Claude Cowork findes, og Microsoft har lagt agenter ind i Copilot i Microsoft 365. Start med det, I har licens til, og køb først en platform, når I ved præcis, hvad den skal bruges til.</p>
</details>
<details>
<summary>Hvad med GDPR og vores data?</summary>
<p>Behandler agenten persondata, gælder de almindelige regler: lovligt grundlag, databehandleraftale med leverandøren, og ingen personoplysninger i værktøjer uden aftale. Bruger I allerede Microsoft 365 eller en betalt ChatGPT- eller Claude-aftale, er rammen typisk på plads. Giv desuden agenten adgang til præcis det, opgaven kræver, og ikke mere.</p>
</details>
<details>
<summary>Hvor lang tid tager det at komme i gang?</summary>
<p>En uge, ikke et kvartal, hvis I gør det rigtigt. Vælg én tilbagevendende opgave, sæt én person og nogle timer af, brug det værktøj I allerede betaler for, og beslut på forhånd hvad der tæller som succes. Virker det ikke, har I brugt en uge og lært noget konkret om jeres egne data.</p>
</details>
</div>
<p><script type="application/ld+json">{ "@context": "https://schema.org", "@type": "FAQPage", "mainEntity": [{ "@type": "Question", "name": "Hvad er AI-agenter helt kort?", "acceptedAnswer": { "@type": "Answer", "text": "En AI-agent er et AI-værktøj, der selv udfører en opgave i flere trin i stedet for kun at svare på et spørgsmål. Den lægger en plan, bruger værktøjer undervejs som søgning, filer og data, og arbejder videre, til opgaven er løst. Du beder den ikke om et svar, men om et resultat." } }, { "@type": "Question", "name": "Hvad er forskellen på en chatbot og en AI-agent?", "acceptedAnswer": { "@type": "Answer", "text": "Forskellen er handlerum, ikke intelligens. En chatbot svarer dig, og du bruger svaret videre. En agent har adgang til filer, systemer eller web og udfører selv flere trin, indtil der ligger et resultat. Du går fra at være operatør til at være den, der afgrænser opgaven og godkender resultatet." } }, { "@type": "Question", "name": "Virker AI-agenter i praksis, eller er det hype?", "acceptedAnswer": { "@type": "Answer", "text": "Begge dele. På afgrænsede, gentagne opgaver med et resultat, et menneske kan tjekke hurtigt, virker de i dag. På komplekse, sammensatte opgaver fejler de stadig ofte: i APEX-benchmarken fra 2026 løste de bedste modeller under en fjerdedel af rigtige professionelle opgaver. Skepsis over for demoer er derfor velbegrundet, mens afvisning af teknologien ikke er." } }, { "@type": "Question", "name": "Hvad er gode eksempler på AI-agenter til virksomheder?", "acceptedAnswer": { "@type": "Answer", "text": "Tre der holder i praksis: research og markedsovervågning, hvor agenten samler nyt om konkurrenter, udbud eller regler i et kort notat med kilder. Oprydning og sammenstilling af data, hvor den finder dubletter og uens stavemåder i lister. Og triagering af indgående henvendelser, hvor mails sorteres og får et svarudkast, som en medarbejder godkender." } }, { "@type": "Question", "name": "Kræver AI-agenter, at vi køber nye systemer?", "acceptedAnswer": { "@type": "Answer", "text": "Sjældent. De værktøjer, de fleste virksomheder allerede betaler for, har fået agent-funktioner: ChatGPT Work kom i juli 2026, Claude Cowork findes, og Microsoft har lagt agenter ind i Copilot i Microsoft 365. Start med det, I har licens til, og køb først en platform, når I ved præcis, hvad den skal bruges til." } }, { "@type": "Question", "name": "Hvad med GDPR og vores data?", "acceptedAnswer": { "@type": "Answer", "text": "Behandler agenten persondata, gælder de almindelige regler: lovligt grundlag, databehandleraftale med leverandøren, og ingen personoplysninger i værktøjer uden aftale. Bruger I allerede Microsoft 365 eller en betalt ChatGPT- eller Claude-aftale, er rammen typisk på plads. Giv desuden agenten adgang til præcis det, opgaven kræver, og ikke mere." } }, { "@type": "Question", "name": "Hvor lang tid tager det at komme i gang?", "acceptedAnswer": { "@type": "Answer", "text": "En uge, ikke et kvartal, hvis I gør det rigtigt. Vælg én tilbagevendende opgave, sæt én person og nogle timer af, brug det værktøj I allerede betaler for, og beslut på forhånd hvad der tæller som succes. Virker det ikke, har I brugt en uge og lært noget konkret om jeres egne data." } }] }</script></div>
]]></content:encoded>
					
					<wfw:commentRss>https://digitalforlomme.dk/hvad-er-ai-agenter/feed/</wfw:commentRss>
			<slash:comments>0</slash:comments>
		
		
			</item>
	</channel>
</rss>

<!--
Object Caching 6/144 objects using Disk
Page Caching using Disk: Enhanced 

Served from: digitalforlomme.dk @ 2026-08-27 08:43:18 by W3 Total Cache
-->