Det er fristende at gøre AI-strategien enkel: Vi vælger én leverandør, giver medarbejderne adgang og kalder os en Microsoft-, Google-, OpenAI- eller Anthropic-virksomhed.
Det kan gøre indkøb, sikkerhed og oplæring lettere. Men det kan også få jer til at vælge AI efter logoet i stedet for efter arbejdet.
I en analyse af Gemini 3 siger AI-kommentatoren Nate B. Jones det meget præcist: Strategiens mindste enhed er ikke længere modellen, men arbejdsgangen. Hans pointe er ikke, at alle skal bruge Gemini. Pointen er, at forskellige modeller er gode til forskellige slags arbejde, og at nogen i virksomheden derfor skal eje valget mellem dem.
Det er et ledelsesvalg. Ikke en månedlig konkurrence om, hvilken chatbot der ligger øverst på en rangliste.
Den bedste model til hvad?
Forestil jer tre opgaver.
En medarbejder skal gennemgå en times video og finde de fem vigtigste kundereaktioner. En anden skal skrive et følsomt svar til en utilfreds kunde. En tredje skal sortere 40.000 gamle dokumenter efter nogle enkle regler.
Det er alle AI-opgaver, men de stiller ikke samme krav. Den første kræver stærk forståelse af billede, lyd og lange forløb. Den anden kræver sikker dømmekraft, god tone og menneskelig godkendelse. Den tredje kræver først og fremmest ensartethed, fart og en pris, der kan holde til mange gentagelser.
Hvis I stiller spørgsmålet “Hvilken model er bedst?”, blander I de tre behov sammen. Det mere nyttige spørgsmål er: “Hvilken løsning klarer denne arbejdsgang godt nok, sikkert nok og billigt nok?”
Det er også sådan, leverandørerne selv bygger markedet. OpenAI, Anthropic og Google tilbyder ikke bare én model hver. Deres egne aktuelle oversigter viser flere OpenAI-modeller, flere Claude-modeller og flere Gemini-modeller med forskellige egenskaber. Selv hvis I holder jer til én leverandør, skal I stadig vælge.
Ét standardvalg kan stadig være fornuftigt
Det her er ikke et argument for at give alle medarbejdere fri adgang til ti AI-tjenester. Så får I hurtigt flere abonnementer, mere usikker databehandling og resultater, som ingen kan forklare eller genskabe.
Et standardvalg kan være fornuftigt til almindelige opgaver. Det giver et fælles sted at begynde og gør det lettere at sætte rammer for data, adgang og support.
Men standard må ikke blive det samme som eneret.
Hvis en vigtig arbejdsgang bliver markant bedre, billigere eller sikrere med en anden model, skal I kunne opdage det og træffe et bevidst valg. Ellers bliver den nemme indkøbsbeslutning langsomt til en faglig begrænsning.
Vores analyse af digital suverænitet som evnen til at kunne vælge om handler om den samme grundtanke. I behøver ikke undgå stærke leverandører. I skal vide, hvor I er bundet, og hvad der skal til for at skifte. Her gælder det bare ikke alene leverandøren. Det gælder også den konkrete model inde i arbejdsgangen.
Nogen skal eje modelvalget
Når medarbejdere selv prøver nye modeller, bliver valget ofte styret af vane. Den model, der allerede er åben i browseren, får opgaven. Når it-afdelingen vælger for hele organisationen, kan valget omvendt blive styret af den bedste rammeaftale.
Begge dele kan være forståeligt. Ingen af delene er nok.
Der skal være en navngiven ejer af valget for hver vigtig arbejdsgang. Ikke nødvendigvis en ny chef eller en stor central AI-afdeling. Det kan være den person, der allerede ejer arbejdet, sammen med en teknisk ansvarlig og den medarbejder, som kan vurdere kvaliteten.
De skal kunne svare på fire enkle spørgsmål:
- Hvad skal arbejdet ende med, før vi kalder det godt?
- Hvilke fejl er acceptable, og hvilke kræver, at et menneske tager over?
- Hvad koster hele arbejdsgangen – inklusive kontrol og rettelser?
- Hvad gør vi, hvis modellen ændrer sig eller forsvinder?
Digitalmedarbejders oversigt over opgaver, en digital medarbejder kan løse, begynder netop med arbejdet: resultat, redskaber, mandat og stopregler. Modelvalget bør komme bagefter.
Test rigtige sager, ikke smarte demonstrationer
AI-leverandører udgiver løbende målinger af deres modeller. De kan være nyttige, men de kender ikke jeres kundemails, dokumenter, fejltyper eller krav til tone.
Derfor bør I teste med et lille sæt virkelige sager fra den arbejdsgang, modellen skal indgå i. Fjern eller beskyt følsomme oplysninger, og brug de samme eksempler, når I sammenligner. Bed den fagligt ansvarlige vurdere resultatet uden først at se leverandørens navn.
Mål derefter det, der betyder noget i hverdagen: Hvor ofte var resultatet brugbart? Hvor lang tid tog kontrollen? Hvilke fejl gik igen? Hvad kostede hele forløbet? Og kunne en anden model tage over uden at arbejdet skulle bygges helt om?
Nate B. Jones peger i samme video på, at den svære færdighed flytter sig fra selve tastetrykkene til at beskrive opgaven tydeligt og bedømme resultatet. Det er værd at tage alvorligt. Når AI kan fremstille mere, bliver menneskets evne til at sige “det her er godt nok” eller “det her er forkert” vigtigere, ikke mindre.
Undgå både modelægteskabet og modelzooen
Der er to grøfter.
I den ene beslutter virksomheden, at én leverandør skal løse alt. Det er enkelt, men I risikerer at gøre arbejdet dårligere og skiftet unødigt svært.
I den anden får hvert team sin egen samling af modeller, abonnementer og hemmelige genveje. Det giver frihed, men også rod, uklar datahåndtering og en regning, ingen ejer.
Den brugbare vej ligger imellem. Hav et standardvalg. Tillad begrundede undtagelser. Test på virkelige arbejdsgange. Gem krav og eksempler, så I kan sammenligne igen, når modellerne ændrer sig. Og sørg for, at en reservevej er mere end navnet på en anden leverandør i et regneark.
Ledelsen behøver ikke følge hver ny modeludgivelse. Men I skal sørge for, at nogen følger, om de vigtigste arbejdsgange stadig har den rigtige motor.
Vælg derfor ikke først, hvilken AI virksomheden vil være loyal overfor. Vælg, hvilket arbejde der skal lykkes, hvordan I kan se at det lykkes, og hvem der har ansvar for at vælge om.