AI-automatisering i virksomheden: 15 processer en SMV kan automatisere i dag

AI-automatisering i virksomheden virker bedst på små, afgrænsede opgaver med meget tekst og mange gentagelser: mails der skal sorteres, fakturaer og PDF'er der skal aflæses, og oplysninger der tastes ind i flere systemer. De 15 processer herunder kan en SMV automatisere i dag uden at bygge et stort system. Ved flere af dem er det ærlige svar at du slet ikke har brug for AI, men for et simpelt script eller en integration.

Jeg bygger webapps, platforme og integrationer, så jeg har en interesse i at du får noget bygget. Derfor skriver jeg undervejs hvor et færdigt værktøj eller et simpelt script er nok.

Den korte version: AI, script eller færdigt værktøj?

Min tommelfingerregel: Kan du beskrive opgaven som en fast regel, fx "hvis kunden findes i CRM, så opret fakturaen", så skal du ikke bruge AI. Skal en person læse og forstå en tekst for at løse opgaven, er det dér AI hjælper.

Danske virksomheder er i forvejen langt fremme. Ifølge Eurostats opgørelse over AI i virksomheder brugte 42 % af danske virksomheder med mindst 10 ansatte AI i 2025, den højeste andel i EU, hvor gennemsnittet var 20 %. Blandt små virksomheder med 10-49 ansatte var andelen på EU-plan kun 17 %. På tværs af alle størrelser var analyse af skrevet tekst den form for AI som flest virksomheder brugte. Blandt de virksomheder der havde overvejet AI uden at tage det i brug, pegede 71 % på manglende ekspertise.

Har du allerede bygget et internt værktøj selv med Lovable, Bolt eller Cursor, er dit næste spørgsmål et andet, nemlig hvordan du gør AI-prototypen klar til rigtige brugere.

Mails og henvendelser

Indbakken er det mest oplagte sted at starte, fordi opgaverne gentager sig, og fordi en medarbejder stadig ser resultatet før kunden gør.

1. Sortering af den fælles indbakke

En info@-indbakke modtager tilbudsforespørgsler, reklamationer, fakturaer, jobansøgninger og reklame i én bunke. En AI-model kan læse hver mail, give den en kategori og sende den videre til den rette person eller mappe. Det er et godt første projekt, fordi en forkert sortering sjældent er alvorlig: mailen lander i den forkerte bunke, og en kollega flytter den. Mange helpdesksystemer har allerede en form for automatisk sortering, så tjek dit eget før du bygger noget.

2. Svarudkast til de samme spørgsmål

Leveringstid, returret, åbningstider og glemte adgangskoder. AI kan skrive et udkast ud fra din FAQ og tidligere svar, så medarbejderen kun retter og trykker send. Jeg anbefaler at starte med udkast og ikke med automatisk afsendelse. Når du har set et par hundrede udkast, ved du hvilke typer spørgsmål modellen svarer rigtigt på hver gang. Skal svarene i stedet ud i et chatvindue på hjemmesiden, er det en anden opgave som jeg gennemgår i sammenligningen af færdige og selvbyggede AI-chatbots.

3. Opsummering af lange kundesager

Når en sag har kørt i 30 mails, eller en kollega overtager en kunde, kan en opsummering på fem linjer spare dig for at læse hele tråden. AI er god til netop den opgave, fordi den kun skal gengive det der står, ikke finde på noget nyt. Den kan stadig udelade en vigtig detalje, så brug opsummeringen som overblik og ikke som grundlag for en aftale med kunden.

4. Referater og opgaver fra møder

Transskription og referat er i dag indbygget i flere mødeværktøjer. Den egentlige gevinst kommer, når opgaverne fra referatet lander i det system du planlægger arbejdet i, med en ansvarlig og en frist. Det sidste kræver typisk en lille integration. Husk at deltagerne skal vide at mødet optages, og vær varsom med møder om personale eller helbred.

Dokumenter, bilag og PDF'er

Her ligger nogle af de største tidsbesparelser, fordi dokumenter ofte tastes ind i hånden. Det er også her AI har flyttet sig mest: tidligere krævede aflæsning af et dokument en skabelon pr. layout, i dag kan en sprogmodel læse en faktura i et format den aldrig har set før.

5. Leverandørfakturaer og bilag

Leverandør, fakturanummer, beløb, moms og forfaldsdato skal fra en PDF ind i bogføringen. Det er en klassisk AI-opgave, men mange regnskabsprogrammer har allerede automatisk bilagsaflæsning indbygget, og så skal du bruge den. Kommer fakturaen som elektronisk faktura (OIOUBL eller Peppol), er data allerede struktureret, og så er AI helt overflødig. Et eget flow er kun relevant, når bilagene skal videre ind i dit eget system, fx for at matche dem med indkøb eller projekter. Så handler det mere om integrationen end om AI, og den del har jeg skrevet om i guiden til at koble dit system sammen med e-conomic og Dinero.

6. Ordrer der kommer som PDF eller mail

Mange B2B-virksomheder modtager stadig ordrer som PDF, regneark eller fritekst i en mail, og en medarbejder taster dem ind i ordresystemet. AI kan læse ordren, finde kunden og varenumrene og oprette et ordreudkast. Det vigtige er kontrollen bagefter: varenumre slås op i dit eget varekatalog, og antal og priser valideres mod dine data, ikke mod det modellen tror. Ordrer der ikke kan matches, går i en kø til en medarbejder. Efter min vurdering er det en af processerne med størst gevinst, fordi tastefejl her bliver til fejlleverancer.

7. Nøgledata fra kontrakter

Opsigelsesvarsel, fornyelsesdato, pris og regulering står spredt i aftaler med leverandører, udlejer og kunder. AI kan trække oplysningerne ud og lægge dem i et overblik, så du får en påmindelse før en aftale fornyes automatisk. Det er udtræk, ikke juridisk vurdering. Modellen kan overse en klausul, så brug den til at finde datoer og tal, som en person derefter tjekker i den originale aftale.

8. Første udkast til tilbud

Efter et kundemøde skal noterne blive til et tilbud. AI kan skrive opgavebeskrivelsen og sætte tilbuddet op efter din skabelon. Priserne skal derimod komme fra din prisliste og regnes ud af almindelig kode. En sprogmodel er ikke en lommeregner, og et tilbud med en forkert sum er værre end et tilbud der kommer en dag senere.

Dataindtastning og systemer der ikke taler sammen

Mange af de timer en SMV bruger på dataindtastning, skyldes ikke at opgaven er svær. De skyldes at to systemer ikke er koblet sammen. Netop derfor er flere af punkterne her ikke AI-opgaver.

9. Overførsel mellem webshop, CRM og økonomisystem

Når en ordre fra webshoppen skal tastes ind i økonomisystemet, eller en ny kunde i CRM skal oprettes i faktureringen, er der tale om strukturerede data og en fast regel. Det er et job for en integration via systemernes API'er (den indgang et system har, så andre systemer kan hente og sende data). AI tilføjer intet her, men gør løsningen dyrere og mindre forudsigelig. Mellem to udbredte SaaS-værktøjer kan et no-code-værktøj ofte klare det. Zapier har ifølge Zapiers prisside en gratis plan med 100 opgaver om måneden, og den billigste betalte plan starter ved 19,99 USD om måneden ved årlig betaling.

10. Oprydning i kundedata

Dubletter, telefonnumre i fem formater, firmanavne stavet på tre måder og et branchefelt som ingen udfylder ens. Formatering og dubletter løses bedst med faste regler. AI er nyttig til den del der kræver forståelse: at bestemme branchen ud fra en virksomheds beskrivelse eller at samle fritekstnoter i faste kategorier. Kør det som et engangsjob med stikprøver, og lad aldrig modellen overskrive data uden at du kan rulle ændringen tilbage.

11. Produkttekster og produktdata

En webshop med hundredvis af varer skal have beskrivelser, kategorier og ofte oversættelser. AI kan skrive et første udkast ud fra leverandørens datablad og placere varerne i din kategoristruktur. Tekniske data som mål, vægt og materialer bør hentes direkte fra databladet og ikke genfortælles af modellen, for det er netop dér en opdigtet detalje gør skade. Kvaliteten er typisk god nok til at spare tid, men sjældent god nok til at gå live ulæst.

12. Ugentlige rapporter og nøgletal

Omsætning, nye kunder, åbne sager og ubetalte fakturaer kan et script hente fra dine systemer og sende som en mail hver mandag. Det kræver ikke AI. AI kan tilføje et kort resumé af hvad der har ændret sig siden sidste uge, men tallene skal komme fra databasen. Lad aldrig en sprogmodel regne nøgletallene ud fra rå data.

Kunder, salg og intern viden

De sidste tre processer handler om at finde og forstå information som allerede findes i virksomheden.

13. Kvalificering af henvendelser

AI kan læse henvendelser fra kontaktformularen og vurdere hvad de drejer sig om, hvor stor opgaven ser ud til at være, og hvem der skal tage den. Med en integration til CVR kan firmaoplysningerne også hentes automatisk. Brug det til at prioritere og fordele, ikke til at afvise. En model der fejlagtigt vurderer en god kunde som uinteressant, koster mere end den sparer.

14. Søgning i interne dokumenter

Manualer, procedurer, prislister og gamle tilbud ligger spredt på drev og i mapper, og nye medarbejdere spørger de samme kolleger om de samme ting. Et internt værktøj hvor medarbejderne stiller et spørgsmål og får et svar med henvisning til kildedokumentet, er en af de mest brugbare AI-funktioner for en virksomhed med mange procedurer. Henvisningen er det vigtige, så medarbejderen kan tjekke kilden. Husk også adgangsstyring, så personalesager ikke kan findes af alle.

15. Overblik over kundefeedback

Anmeldelser, supporthenvendelser og svar fra tilfredshedsmålinger er fritekst, som ingen har tid til at læse fra ende til anden. AI kan samle dem i temaer hver måned og vise hvilke problemer der vokser. Det er netop analyse af skrevet tekst, den mest udbredte form for AI i europæiske virksomheder. Risikoen er lav, fordi resultatet er et overblik til dig og ikke en handling over for kunden.

Hvornår et simpelt script er nok

Punkt 9 og 12, det meste af punkt 10 og ofte også punkt 5 kan løses uden AI. Det er et mønster: meget af det der bliver solgt som AI-automatisering, er almindelig automatisering. Et script eller en integration er nok, når:

• data allerede ligger i felter, regneark eller et API
• reglen kan skrives som "hvis X, så Y"
• resultatet skal være ens hver gang
• en fejl skal kunne genskabes og rettes

AI er det rigtige værktøj, når input er fritekst, PDF'er, billeder eller lyd, når layoutet skifter, eller når resultatet selv er tekst.

Scripts har tre fordele der er lette at overse. De koster næsten intet pr. kørsel, de giver samme svar hver gang, og du sender ikke data til en AI-udbyder. Det sidste betyder noget, så snart der er personoplysninger med, og hvad du må sende, har jeg samlet i guiden til GDPR og AI.

Et no-code-værktøj er et fint sted at starte, så længe flowet har få trin og forbinder standardsystemer. Det bliver skrøbeligt når flowet vokser, når data ligger i dit eget system uden en færdig kobling, når fejl skal håndteres og logges ordentligt, eller når mængden gør prisen pr. opgave høj. Så er en lille integration i kode ofte billigere at drive.

Det bør du ikke automatisere endnu

Nogle processer ser oplagte ud, men passer dårligt til en SMV's første AI-projekt:

• Rekruttering. AI der bruges til at filtrere jobansøgninger eller vurdere kandidater, er højrisiko efter bilag III i EU's AI-forordning, med krav til dokumentation og kontrol som få små virksomheder har lyst til at løfte.
• Afgørelser om en enkelt person, fx kredit eller afslag. GDPR's artikel 22 sætter grænser for afgørelser der alene er truffet automatisk og har retsvirkning for personen eller på tilsvarende vis påvirker personen betydeligt.
• Automatisk afsendelse til kunder, før du har set modellens svar på mange rigtige sager.
• Bogføring uden kontrol. AI må gerne aflæse bilaget, men en regel eller en person skal godkende før det bogføres.
• Processer der kun sker få gange om måneden. Her tjener automatiseringen sjældent sig selv hjem.

Næste skridt: sådan kommer du i gang

Start med én proces fra listen, ikke 15:

1. Skriv i en uge ned hvilke opgaver der gentager sig, og hvor lang tid de tager.
2. Vælg én opgave med mange gentagelser og lav konsekvens ved fejl, fx sortering af indbakken.
3. Tjek om dine nuværende systemer kan det i forvejen.
4. Prøv det i lille skala, med et menneske der godkender hvert resultat de første uger.
5. Mål tid og fejl efter en måned, og beslut så om løsningen skal udvides, bygges ordentligt eller droppes.

Når en automatisering har vist sit værd og skal kobles på dine egne systemer, begynder den tekniske del. Hvordan AI bygges ind med kø, logning og fejlhåndtering, gennemgår jeg i guiden til at integrere OpenAI eller Claude i dit system, og hvad forbruget koster måned for måned, kan du regne på med overblikket over hvad AI koster i drift.

Integrationer mellem systemer, interne værktøjer og AI-funktioner på dine egne data er den slags opgaver jeg løser under udvikling af webapps og platforme. Ved større opgaver starter jeg med et betalt forprojekt til fast pris, du har direkte kontakt med mig som udvikler, og koden er din fra første dag. Og er svaret at det færdige værktøj er nok, så siger jeg det.

Ofte stillede spørgsmål

Hvad koster det at automatisere en proces med AI?+

Prisen afhænger mest af hvor mange systemer der skal kobles sammen, ikke af AI-delen. Et flow mellem standardværktøjer i et no-code-værktøj koster fra gratis til nogle hundrede kroner om måneden i abonnement. En integration med dine egne systemer er et udviklingsprojekt, hvor omfang og datakvalitet styrer prisen. Selve forbruget hos AI-udbyderen er for de fleste SMV'er med moderate mængder en mindre post end udvikling og vedligehold.

Kan medarbejderne ikke bare bruge ChatGPT?+

Jo, til opgaver hvor en medarbejder selv sidder ved tastaturet, fx et udkast eller en opsummering. Automatisering er noget andet: processen kører uden at nogen kopierer tekst frem og tilbage, og resultatet lander direkte i dine systemer. Det kræver et API eller et værktøj med AI-trin. Lav desuden en politik for hvilke data der må indsættes i chatværktøjer, og brug erhvervskonti frem for private.

Hvor lang tid tager det at sætte en AI-automatisering op?+

Et simpelt flow mellem to standardsystemer kan ofte sættes op på en dag eller to. En integration med dine egne systemer, med validering, fejlhåndtering og logning, tager typisk uger. Det der trækker ud, er sjældent AI-delen. Det er undtagelserne: de sager der ikke passer i skabelonen og stadig skal håndteres af nogen, uden at de forsvinder i en mappe ingen kigger i.

Erstatter AI-automatisering medarbejdere i en SMV?+

Sjældent helt. I en SMV fjerner automatisering typisk den kedelige del af et job, fx indtastning og sortering, mens nogen stadig skal eje processen, håndtere undtagelser og tjekke resultaterne. Gevinsten er oftere at de samme medarbejdere kan klare mere uden at du skal ansætte flere, og at færre opgaver bliver glemt mellem to systemer.