Hvordan processer muliggør AI i stor skala

Målet med denne lektion er at forstå, hvorfor AI har brug for strukturerede arbejdsformer for at kunne skaleres — og hvordan jeres procesledelsespraksis bliver fundamentet, der gør AI i virksomheden pålidelig.

Vigtige læringspunkter

AI kan ikke skaleres alene på kapabilitet: Piloter lykkes, fordi et lille team kompenserer for uklare processer; i stor skala blotlægger AI enhver inkonsistens, uokumenteret workaround og lokal variation på tværs af organisationen.
Intent engineering er det manglende lag: Kontekst fortæller AI, hvad den skal vide; intent fortæller den, hvad den skal ville, hvornår den skal handle, og hvornår den skal stoppe. Intent ligger i beslutningslogik, afvejninger og eskaleringsregler — ikke i strategislides.
En komplet arbejdsform er større end et proceskort: Den omfatter roller og ansvar, arbejdsinstruktioner, sagsflows, systemer og filer, skabeloner samt den betroede Q&A, der afspejler, hvad organisationen faktisk går op i.
Den vindende rækkefølge er Proces → Stabilitet → AI: Definér resultater og afvejninger, opbyg arbejdsformen, etabler governance, definér menneskelige kontrolpunkter — og tilføj derefter AI som accelerator.
Tre tekniske muliggørere låser op for AI i stor skala: RAG forankrer AI-svar i jeres styrede indhold, MCP lader agenter handle inde i jeres procesgraf, og Telemetry holder intent ærlig, efterhånden som forretningen og dens processer udvikler sig.

Udskrift

Velkommen. I denne lektion ser vi på et af de vigtigste emner i erhvervslivet lige nu: hvorfor AI-initiativer leverer imponerende piloter, men har svært ved at skalere — og hvad business process management har med løsningen at gøre.

Når du er færdig med denne lektion, vil du forstå, hvorfor AI har brug for mere end data og kontekst for at kunne handle pålideligt, hvad “intent engineering” betyder i praksis, og hvordan det BPM-arbejde, du har udført, bliver en strategisk AI-kapabilitet.

Der sker noget mærkeligt i de fleste organisationer lige nu. Individuelt tager folk AI til sig hurtigt — de udarbejder dokumenter, opsummerer møder, rydder op i data. Det er reelle gevinster. Men det er personlige gevinster. En virksomhed kan have tusindvis af medarbejdere, der bruger AI, og stadig ikke kunne svare på: arbejder vi faktisk anderledes nu? Det er skaleringsudfordringen.

Forskning fra McKinsey og BCG peger på det samme: Piloter er nemme. Produktion er svært. Ikke fordi pilotteamet ikke forsøgte, men fordi det er ved skalering, at organisationen viser sig — forskellige teams fortolker de samme ord forskelligt, processer der varierer mellem lokationer, undtagelser der er reglen. På det tidspunkt bliver AI et spejl. Det afspejler, hvordan jeres virksomhed faktisk drives. Og i mange organisationer er den refleksion sløret og inkonsistent.

Her er kerneproblemet. AI kan ikke skaleres i jeres organisation, før den forstår jeres arbejdsformer. Ikke jeres organisationsdiagram. Ikke jeres strategipræsentation. Ikke værdiplakaten. Jeg mener: hvordan beslutninger træffes i praksis. Hvilke afvejninger der er acceptable. Hvordan “godt” ser ud. Hvad der eskaleres. Hvad der aldrig bliver gjort, selv om det teknisk set er tilladt. Hvordan arbejdet bevæger sig mellem roller og teams.

I de fleste organisationer findes denne viden — men den er ikke eksplicit. Den er låst inde i erfarne medarbejderes hoveder, i e-mailtråde, Teams-chats, halvt opdaterede SOP-mapper på SharePoint og 200-siders proces-PDF’er, som ingen længere har tillid til.

Når ledere siger “vi vil udrulle AI i stor skala”, bliver spørgsmålet: udrulle det ind i hvilken organisatorisk virkelighed, helt præcist? Ind i et sæt fælles, levende best practices? Eller ind i en samling rodede lokale vaner, individuelle antagelser og uokumenterede workarounds? Det gamle IT-ordsprog gælder: Hvis du automatiserer et rod, får du et automatiseret rod. Vi så det ske med RPA. AI er ikke anderledes.

Der er et begreb, der indfanger, hvad der er brug for her: intent engineering. Det blev beskrevet godt af AI-praktikeren Nate B. Jones i forbindelse med en reel case — hvor den svenske fintech Klarna erstattede næsten tusind kundesupportmedarbejdere med AI-agenter optimeret til løsningstid. Tallene så flotte ud. Sager blev løst hurtigere. Omkostningerne faldt. Så klagede kunderne. Det viste sig, at den menneskelige tavse viden — erfaring, intuition, at vide hvornår man skal bruge tre ekstra minutter — manglede. AI’en havde en prompt. Den havde kontekst. Den havde ikke intent.

Intent engineering er disciplinen i at gøre organisatorisk formål maskinlæsbart og maskin-handlingsbart: mål, værdier, afvejninger, beslutningsgrænser — i en form, som AI faktisk kan handle på. De fleste AI-projekter i virksomheder løser for kontekst: bedre datahentning, flere connectors, større kontekstvinduer. Alt det betyder noget. Men kontekst fortæller agenten, hvad den skal vide. Intent fortæller den, hvad den skal ville — og hvornår den skal stoppe.

Fejltilstanden er ikke hallucination. Det er optimering. AI blev optimeret til hastighed, mens den i stilhed udhulede den tillid og relationskvalitet, som forretningen var afhængig af. Intent ligger ikke i virksomhedsmål eller strategislides. De er designet til mennesker — de forudsætter menneskelig dømmekraft om prioriteter, afvejninger og edge cases. Agenter udfylder ikke huller. De udfylder tomme felter.

Intent bliver virkelig i arbejdets øjeblik: når en frontlinjemedarbejder beslutter, om noget skal eskaleres; når en leder beslutter, om hastighed slår kvalitet i dag; når et team bøjer en regel for at beskytte en kunderelation; når nogen vælger “gør det rigtigt” frem for “gør det nu” — eller omvendt. Derfor bliver proces-tænkning en AI-kapabilitet, ikke et sideprojekt i proces excellence. Forretningsprocesser er en stor del af svaret — de giver AI noget, den kan følge: rækkefølgen af aktiviteter, overdragelser, beslutningspunkter, varianter, eskaleringsveje.

Hvis du stopper ved procesdiagrammer, efterlader du stadig et hul. For i virkelige organisationer udfører folk ikke diagrammer. De udfører arbejdsformer. Og en arbejdsform er større end et proceskort. En komplet arbejdsform besvarer to spørgsmål: hvad prøver vi at opnå her, og hvordan gør vi det faktisk, når det er uklart?

Den omfatter forretningsprocesser — men også: roller og ansvar (hvem der er ansvarlig, hvem der kan beslutte, hvem der skal godkende); jobforventninger og kompetencer (hvordan “godt” ser ud i rollen, og hvilken dømmekraft der forventes); arbejdsinstruktioner og SOP’er (ikke kun at en aktivitet findes, men hvordan den udføres); sagsflows (hvad der sker, når en sag bevæger sig over tid, ikke kun en statisk model); systemer og filer (hvor arbejdet faktisk foregår — CRM, ERP, SharePoint, ticketing-værktøj); skabeloner og artefakter (formularer, tjeklister, kontrakter og rapporter, der gør processen virkelig); og de spørgsmål, folk bliver ved med at stille — og de svar, de har tillid til. Det sidste lag bliver ofte overset. Det er her, intent viser sig i hverdagssprog.

For organisationer, der vil skalere ud over piloten, er tre tekniske kapabiliteter vigtige.

RAG — at gøre processen søgbar. Retrieval-Augmented Generation forankrer AI-svar i jeres faktiske indhold — jeres procesmodel, arbejdsinstruktioner, godkendt Q&A, aktuelle SOP’er — hentet i realtid frem for genereret ud fra generiske træningsdata. Det er det, der gør AI-svar specifikke for jeres organisation og forklarlige. Når sandhedskilden er styret, forbliver AI’ens svar aktuelle, efterhånden som processen udvikler sig.

MCP — at lade AI-agenter handle inde i jeres processer. Model Context Protocol eksponerer procesgrafen som et sæt kaldbare værktøjer: hent en proces, få opgaverne for en rolle, opret en ændringsanmodning, registrér en gennemførelse, markér en undtagelse. I praksis hjælper en AI-agent, der understøtter løsning af en eskalering, ikke kun med at finde information — den henter eskaleringsprocessen, identificerer næste trin, fremhæver den relevante arbejdsinstruktion, opretter godkendelsesopgaven og markerer, hvis sagen afviger fra standardforløbet. Alt sammen inden for den styrede processtruktur, med et menneske stadig i kontrol ved hver grænse, der betyder noget.

Telemetry — at holde intent ærlig. Intent er ikke statisk. Best practice udvikler sig. Undtagelser afslører huller. Udførelsesdata (trinvarigheder, overdragelser, afvigelser, gennemførelsesmønstre) er feedbackmekanismen, der holder intent opdateret. Når udførelsesdata viser, at et bestemt godkendelsestrin konsekvent er der, hvor sager går i stå, kan procesejeren se det, undersøge det og justere både processen og AI-vejledningen derefter.

Hvis du har ansvar for procesledelse — eller arbejdsformer mere bredt — ændrer det din rolle på en praktisk måde. Du vedligeholder ikke kun dokumentation. Du bygger det fundament, som AI kommer til at køre på. De spørgsmål, du allerede stillede — hvem ejer dette, hvordan udføres dette trin, hvad sker der ved dette beslutningspunkt, hvordan ser et godt resultat ud — er præcis de spørgsmål, der gør AI troværdig. Og de governance-vaner, du har opbygget — månedlige reviews, feedback loops, versionsstyring, levende RACI’er — er præcis det, der forhindrer AI i at drive, efterhånden som forretningen udvikler sig. Process-first er ikke en begrænsning for AI-adoption. Det er forudsætningen for AI, der faktisk kan skaleres.

Vælg én tværfunktionel proces, hvor AI-assistance vil skabe synlig værdi. Kortlæg as-is, gør afvejningerne eksplicitte ved beslutningspunkterne, tildel ejerskab, skriv arbejdsinstruktionerne ved de kritiske trin, og definér, hvor mennesker skal forblive i loopet. Derefter — og først derefter — bring AI ind som accelerator. Det er intent engineering i praksis. Og det starter med alt det, du allerede har lært i dette kursus.