Forbrugersucces som et bedrag | Den store desillusionering: Når kunstig intelligens fejler på fabriksgulvet

"Illusion of Thinking": Hvorfor ChatGPT-hypen styrtede ned mod fabriksgulvet

Mens verden stadig beundrer ChatGPTs kreative evner, udspiller et helt andet drama sig i den virkelige økonomi. Nye data viser, at drømmen om en AI-revolution i industrien truer med at blive den dyreste skuffelse i den digitale historie.

Der er tømmermænd efter guldfeberen. I tre år har generativ kunstig intelligens domineret overskrifterne, drevet aktiekurserne op og antydet en æra med ubegrænset produktivitet. Men enhver, der kigger bag kulisserne på de glitrende tech-demoer og ser, hvor den reelle værdiskabelse finder sted – i produktionshaller, logistikcentre og industriens balancer – oplever en brat opvågnen.

Det, der fungerer som en nyttig chatbot i privatlivet, fejler ofte spektakulært i den komplekse maskineri i industriel produktion. Tallene er alarmerende: Mens tech-giganter pumper billioner ind i datacentre, er 95 procent af AI-implementeringerne i virksomheder ineffektive ifølge nylige undersøgelser fra MIT og McKinsey. I stedet for den lovede effektivitetseksplosion oplever vi en omkostningseksplosion uden investeringsafkast.

Fra "læringskløften" og manglen på datastrategier til kapitulationen af ​​tyske SMV'er: Denne artikel afslører nådesløst, hvorfor AI-boblen kan være ved at briste, hvorfor kunstig intelligens ofte kun simulerer en "illusion af tænkning", og hvorfor 2026 vil blive et afgørende år for hele teknologisektoren. En analyse af den udbredte desillusionering – og spørgsmålet om, hvad der vil være tilbage efter hypen.

Relateret til dette:

• "Strukturelt konkurs"? ChatGPTs tabsgivende forretning: Den chokerende sandhed om OpenAIs forretningsmodel

Hvorfor drømmen om den automatiserede fabrik er ved at blive den dyreste desillusionering i digital historie

Efter tre år med uhæmmet hype omkring ChatGPT og generativ kunstig intelligens er der et vendepunkt ved at opstå. Det, der blev udråbt som en produktivitetsrevolution, afslører sig i stigende grad som det klassiske mønster af teknologisk hyperbole: imponerende demonstrationseffekter støder sammen med tankevækkende forretningsrealiteter. Mens millioner af mennesker verden over bruger kunstig intelligens til tekst, billeder og hverdagens digitale opgaver, er det lovede gennembrud udeblevet der, hvor den reelle økonomiske værdiskabelse finder sted – i produktionshaller, samlebånd og komplekse industrielle processer.

Tallene taler for sig selv. En McKinsey-analyse fra 2025 afslører det fulde omfang af uoverensstemmelsen: Mens 78 procent af virksomhederne nu bruger kunstig intelligens i en eller anden form, kan en lige så stor andel ikke registrere nogen målbar fordel. Massachusetts Institute of Technology går endnu videre i sin omfattende undersøgelse og når frem til en fordømmende konklusion: 95 procent af alle implementeringer af AI i virksomheder viser ingen som helst indflydelse på resultatopgørelsen. Kun fem procent af pilotprojekterne klarer overhovedet springet fra testfasen til faktisk produktionsberedskab. Det, der fremkommer her, er ikke en midlertidig tilpasningsvanskelighed, men en strukturel fiasko med dybtliggende årsager, der vil have vidtrækkende konsekvenser.

Forbrugersucces som et bedrag

Den udbredte accept af kunstig intelligens i den private sfære har skabt en farlig illusion. OpenAI rapporterer svimlende 800 millioner ugentlige brugere af ChatGPT i september 2025, en ottedobling siden november 2023. I Tyskland bruger 64 procent af befolkningen AI-drevne chatbots eller stemmeassistenter mindst én gang om ugen; blandt 16- til 29-årige stiger dette tal til 89 procent. Disse imponerende adoptionsrater giver indtryk af en teknologi, der med succes har etableret sig. Dette indtryk er dog fundamentalt misvisende, når man tager den faktiske værdiskabelse i betragtning.

Forbrugernes brug er koncentreret om applikationer med lav økonomisk effekt: besvarelse af hverdagsspørgsmål, oprettelse af tekst til personlige formål og generering af billeder til underholdning. 87 procent af brugerne bruger udelukkende gratis versioner af tjenesterne. Alene denne kendsgerning illustrerer den begrænsede betalingsvillighed og dermed den opfattede økonomiske værdi. Mens OpenAI genererer en imponerende anslået årlig omsætning på 12 milliarder dollars, stammer denne succes primært fra det store antal brugere og virksomhedslicenser, ikke fra påviselige produktivitetsgevinster i den virkelige økonomi.

Den virkelige test for kunstig intelligens ligger ikke i at generere indhold på sociale medier eller besvare trivielle spørgsmål, men i de komplekse miljøer inden for industriel produktion, logistik og produktionskontrol. Her skal systemerne håndtere fysiske processer, forskellige produktmix, skiftende specifikationer og komplekse maskinøkosystemer. Og det er netop her, at fejlene bliver tydelige.

Produktivitetsparadokset vender tilbage

Det, der i øjeblikket dukker op, er en bekymrende gentagelse af et fænomen, som økonomer allerede kender fra 1980'erne: Solow-paradokset. Nobelpristager Robert Solow observerede i 1987, at computeralderen er synlig overalt undtagen i produktivitetsstatistikker. Denne paradoksale situation gentog sig med digitaliseringen i 2000'erne. Ifølge OECD-data steg produktiviteten i Tyskland kun med 0,7 procent årligt mellem 2010 og 2018, på trods af massive investeringer i digitalisering. Mellem 1992 og 2010 var den endda faldet med 1,55 procent om året.

Vi er nu vidne til en tredje udgave af dette produktivitetsparadoks, denne gang med kunstig intelligens som den formodede game changer. En McKinsey-analyse fra 2025 viser, at 92 procent af virksomhederne vil øge deres AI-investeringer, men kun én procent har en moden implementering. Faktisk rapporterer 67 procent, at mindst ét ​​AI-initiativ har reduceret den samlede produktivitet. Disse tal afslører en ødelæggende forskel mellem investeringsvolumen og realiserede afkast.

Årsagerne til dette tilbagevendende paradoks er mangesidede. En fundamental udfordring ligger i selve naturen af ​​moderne AI-systemer. De i øjeblikket dominerende store sprogmodeller er baseret på statistisk mønstergenkendelse i træningsdata, ikke på systematisk logisk ræsonnement eller ægte forståelse. En Apple-undersøgelse fra juni 2025 opsummerede kortfattet problemet: Selv såkaldt forklarlig AI, som skitserer sin problemløsningsproces trin for trin, genererer blot en illusion af tænkning. Denne fundamentale begrænsning gør systemerne upålidelige til applikationer, hvor præcision og konsistens er afgørende – netop de kvaliteter, der er uundværlige i industrielle fremstillingsprocesser.

Fiasko i den industrielle virkelighed

Implementeringen af ​​kunstig intelligens i produktionsmiljøer støder på en række vedvarende hindringer, der ikke kan overvindes blot ved teknologiske forbedringer. En MIT-undersøgelse identificerer det såkaldte læringskløft som kerneproblemet: De fleste AI-systemer kan ikke lære af operationel feedback, tilpasse sig skiftende kontekster eller forbedres over tid. Halvfems procent af de adspurgte virksomhedsbrugere foretrækker menneskelige kolleger frem for kunstig intelligens til komplekse, langsigtede projekter, fordi systemerne kræver omfattende input hver gang de bruges, og ikke opbygger en vedvarende kontekst.

Denne strukturelle mangel forværres af en række organisatoriske og tekniske faktorer. Det tyske økonomiinstitut (IW) og forskellige brancheundersøgelser tegner et ensartet billede: 76 procent af små og mellemstore virksomheder (SMV'er) kæmper med utilstrækkelig datakvalitet og fragmenterede datasiloer. 68 procent mangler en veludviklet AI-strategi. 82 procent rapporterer betydelige kompetencemangler inden for AI. Tyskland har i øjeblikket en mangel på 244.000 STEM-fagfolk, heraf 29.500 IT-specialister. Disse tal illustrerer, at problemet rækker langt ud over de teknologiske begrænsninger.

For at en produktionsvirksomhed kan implementere AI med succes, kræves en hel række forudsætninger: data af høj kvalitet, struktureret og integreret fra forskellige kilder; teknisk infrastruktur til at indsamle, lagre og behandle disse data; specialister med ekspertise inden for både datalogi og de specifikke produktionsprocesser; organisatoriske strukturer til forandringsledelse og fremme af accept; og klare styringsrammer for ansvar og risikostyring. Hvis bare ét af disse elementer mangler, er der stor sandsynlighed for, at projekterne mislykkes.

Virkeligheden i tyske produktionsvirksomheder er ædruelig. En undersøgelse fra Koblenz Universitet viser, at mens to tredjedele af de 120 adspurgte virksomheder allerede rapporterer, at de bruger kunstig intelligens, har 80 procent af dem kun gjort det i omkring to år. Et nærmere kig på den faktiske produktionspraksis afslører, at kunstig intelligens-baserede processer stadig er en fjern udsigt for de fleste produktionsvirksomheder. Den største hindring er konsolidering og tilgængelighed af data, tæt efterfulgt af manglen på kvalificeret arbejdskraft, hvilket yderligere binder allerede begrænsede IT-ressourcer.

Omkostningseksplosion uden investeringsafkast

Parallelt med manglen på driftsmæssige fordele eskalerer investeringsomkostningerne til svimlende proportioner. De globale udgifter til AI-datacentre anslås til 600 milliarder dollars i 2025 og forventes at stige til mellem 3 og 4 billioner dollars inden 2030. Dette repræsenterer en årlig vækstrate på 46 procent. McKinsey forudser endda et behov på 7 billioner dollars alene inden 2030 til datacenterinfrastruktur. OpenAI planlægger gennem sit Stargate-initiativ med Oracle og Softbank datacentre til en værdi af 500 milliarder dollars. Metas administrerende direktør, Mark Zuckerberg, forudser omkostninger på 600 milliarder dollars inden 2028.

Disse enorme summer skal i sidste ende betale sig. Sequoia Capital har beregnet, at AI-industrien skal generere 600 milliarder dollars i årlig omsætning for at retfærdiggøre de nuværende investeringer, en hindring, der synes næsten umulig at overvinde på kort sigt. Goldman Sachs har udstedt stærke advarsler om, at 1 billion dollars i AI-investeringer muligvis ikke leverer de forventede afkast. Analytiker Jim Covello udtrykte det ligeud: At overdrive ting, som verden ikke har brug for, eller ikke er klar til, ender normalt dårligt.

Energikomponenten er særligt problematisk. Kapacitetspriserne i den afgørende PJM-region i USA er steget til 329 dollars pr. megawatt-dag for leveringsåret 2026/2027, en næsten nidobling sammenlignet med 2025/2026. Dette kritiske pres for effektivitet tvinger hyperscalere til øjeblikkeligt at implementere energieffektive arkitekturer. Men selv med forbedrede arkitekturer truer et eksplosionsmoment i midten af ​​2026, hvor det kapitaludgiftsdrevne udbud vokser hurtigere end det monetariserede forbrug. I dette scenarie kan omkostningerne pr. token nærme sig nul, hvilket fører til en hurtig devaluering af nyopbygget inferenskapacitet.

Situationen minder om dotcom-boblen i starten af ​​2000'erne, hvor massive investeringer i fiberoptiske kabler førte til overkapacitet, der aldrig blev fuldt udnyttet. Mange af de nybyggede AI-datacentre kan lide en lignende skæbne, hvis efterspørgslen ikke udvikler sig i det forventede tempo. Gartner Hype Cycle, et veletableret prognoseværktøj til teknologicyklusser, antyder, at kunstig intelligens kan gå ind i sin tredje fase, desillusioneringens bund, i 2026. I denne fase bliver begrænsninger og høje omkostninger tydelige, mens skaleringsproblemer og mangel på levedygtige forretningsmodeller fører til, at mange projekter mislykkes, og at udbydere forsvinder.

Den tyske middelklasse er ved at kapitulere

Mens tech-giganter fortsætter med at pumpe milliarder ind i kunstig intelligens, er der en bemærkelsesværdig tendens i Tysklands små og mellemstore virksomheder (SMV'er): et strategisk tilbagetog. En undersøgelse af 200 SMV'er offentliggjort i januar 2026 af managementkonsulentfirmaet Horvath afslører, at disse virksomheder kun vil bruge 0,35 procent af deres omsætning på AI-teknologier i 2025, sammenlignet med 0,41 procent i 2024. Det betyder, at SMV'er investerer omkring 30 procent mindre end det samlede marked, en kløft, der vokser.

Årsagerne til denne udvikling er afslørende. Geopolitiske spændinger har foruroliget mange mellemstore virksomheder og flyttet deres fokus til omkostningsoptimering. Vigtigere er det dog, at tidlige AI-applikationer muligvis ikke har leveret de håbede effektivitetsgevinster. Heiko Fink, studieleder og medlem af Horvaths bestyrelse, advarer eftertrykkeligt: ​​Hvis AI-transformationen ikke accelereres massivt nu, vil teknologikløften udvikle sig til en eksistentiel strategisk risiko.

De udfordringer, som små og mellemstore virksomheder (SMV'er) står over for, er mangefacetterede og dybt forankrede. Bureaukratiske hindringer og langsomme fremskridt inden for digitalisering forringer deres evne til at implementere AI betydeligt. Bekymringer vedrørende databeskyttelse og digital suverænitet hæmmer yderligere implementeringen. En omfattende AI-undersøgelse af SMV'er fra 2025 tegner et dramatisk billede: Selvom 86 procent anerkender relevansen af ​​AI, har kun 23 procent med succes implementeret konkrete AI-projekter. Kun 32 procent har en veludviklet AI-strategi, og blot 19 procent har etableret en dedikeret AI-manager eller et team.

Dataproblemer viser sig at være en stor akilleshæl. 76 procent af små og mellemstore virksomheder (SMV'er) kæmper med utilstrækkelig datakvalitet og datasiloer mellem systemer. 83 procent mangler en omfattende datastrategi. 69 procent ved ikke engang, hvilke data de har brug for til AI-applikationer. 58 procent mangler strukturer for datastyring. Disse tal illustrerer, at problemet begynder længe før den faktiske implementering af AI: Der mangler grundlæggende digital infrastruktur.

Dertil kommer underskuddet i forvaltningen. Selvom 91 procent anser AI-sikkerhed og -compliance for at være kritisk, mangler 76 procent en AI-forvaltningsramme. Denne uoverensstemmelse repræsenterer en betydelig juridisk og omdømmemæssig risiko, især med EU's AI-lov, som trådte i kraft i august 2024. Selvom reguleringen skaber en nødvendig ramme for ansvarlig brug af AI, opfatter mange virksomheder den som overregulering, der sætter dem i en konkurrencemæssig ulempe sammenlignet med USA og Kina. Mens europæiske virksomheder kæmper sig gennem junglen af ​​nye reguleringer, har tech-giganter i Nordamerika og Asien fortsat forholdsvis frie tøjler.

En ny dimension af digital transformation med 'Managed AI' (kunstig intelligens) – Platform & B2B-løsning | Xpert Consulting - Billede: Xpert.Digital

Her lærer du, hvordan din virksomhed kan implementere skræddersyede AI-løsninger hurtigt, sikkert og uden høje adgangsbarrierer.

En administreret AI-platform er din altomfattende og bekymringsfri løsning til kunstig intelligens. I stedet for at skulle håndtere kompleks teknologi, dyr infrastruktur og langvarige udviklingsprocesser, får du en færdiglavet løsning skræddersyet til dine behov fra en specialiseret partner – ofte inden for få dage.

De vigtigste fordele på et overblik:

⚡ Hurtig implementering: Fra idé til brugsklar applikation på dage, ikke måneder. Vi leverer praktiske løsninger, der skaber øjeblikkelig merværdi.

🔒 Maksimal datasikkerhed: Dine følsomme data forbliver hos dig. Vi garanterer sikker og kompatibel behandling uden at dele data med tredjeparter.

💸 Ingen økonomisk risiko: Du betaler kun for resultater. Store forudgående investeringer i hardware, software eller personale elimineres fuldstændigt.

🎯 Fokuser på din kerneforretning: Koncentrer dig om det, du er bedst til. Vi tager os af hele den tekniske implementering, drift og vedligeholdelse af din AI-løsning.

📈 Fremtidssikret og skalerbar: Din AI vokser med dig. Vi sikrer løbende optimering og skalerbarhed og tilpasser modellerne fleksibelt til nye krav.

Mere information her:

• Den administrerede AI-løsning - Industrielle AI-tjenester: Nøglen til konkurrenceevne inden for service-, industri- og maskintekniksektoren

Hvor kunstig intelligens rent faktisk skaber merværdi

Trods det stort set tankevækkende overordnede billede er der områder og anvendelsesscenarier, hvor kunstig intelligens påviseligt genererer merværdi. Disse succeshistorier er dog meget specifikke og følger genkendelige mønstre, der adskiller sig væsentligt fra de mislykkede masseprojekter.

En IBM-undersøgelse fra oktober 2025 viser, at 62 procent af virksomhederne i Tyskland allerede opnår betydelige produktivitetsgevinster gennem AI. Næsten halvdelen forventer at se et målbart investeringsafkast inden for tolv måneder, primært gennem forbedret medarbejdertilfredshed, tidsbesparelser og øget omsætning. En SAP-undersøgelse når frem til lignende konklusioner: Det gennemsnitlige investeringsafkast (ROI) for AI-investeringer er 16 procent i det første år og forventes næsten at fordobles til 31 procent inden for to år. 64 procent af respondenterne angav, at de var tilfredse med deres nuværende investeringsafkast, hvilket er højere end med nogen anden teknologiinvestering.

Disse positive tal afdæmpes dog betydeligt, når man ser nærmere på, hvor og hvordan værdien skabes. MIT-undersøgelsen identificerer et afgørende mønster: Succesfulde AI-implementeringer fokuserer på back-office-automatisering, ikke på de storslåede løfter om revolutionerede produktionsprocesser. Dokumentautomatisering, indkøbsprocesser og risikovurderinger viser de højeste afkast. Succesfulde implementeringer sparer mellem to og ti millioner dollars årligt ved at reducere outsourcing af forretningsprocesser. Agenturomkostninger falder med 30 procent, når AI-værktøjer overtager kreative og analytiske opgaver.

Relateret til dette:

• Fra eksperimentering til skalering og industrialisering: Enterprise AI 2026 som et vendepunkt mod struktureret forretningsdrift

Et grundlæggende problem afsløres i fordelingen af ​​investeringer

Mere end halvdelen af ​​generative AI-budgetter bruges på marketing og salg, selvom backoffice-automatisering ofte genererer højere afkast. Denne fejlallokering er symptomatisk for teknologiadoption drevet af hype snarere end rationel cost-benefit-analyse.

I selve industriel produktion er succeserne sporadiske og begrænset til specifikke anvendelser. Prædiktiv vedligeholdelse, som bruger maskindata til at opdage slid eller fejl tidligt, viser påviselig succes. Bilproducenter som Volkswagen bruger AI i deres fabrikker til at analysere sensordata og minimere uplanlagt nedetid. Ford bruger AI til at automatisere fremstillingsprocesser såsom svejsning og montering. General Motors reducerede nedetiden med 20 procent gennem prædiktiv vedligeholdelse.

Kvalitetskontrol ved hjælp af computer vision er et andet område med dokumenteret succes. AI-understøttede systemer analyserer kamerabilleder i realtid og registrerer selv mikroskopiske defekter, hvilket øger pålideligheden betydeligt. Analyser viser, at en fuldt implementeret AI-infrastruktur kan levere et investeringsafkast på 200 til 300 procent gennem defektreduktion og hurtigere inspektionscyklusser. Optimering af forsyningskæder og lagerbeholdninger opnår et investeringsafkast på 150 til 250 procent ved at forhindre lagerudløb og forbedre forsyningskædestyringen.

Afgørende er det, at disse succeser ikke stammer fra en simpel plug-and-play-implementering af standard AI-løsninger, men snarere fra en dyb, tilpasset integration i specifikke processer, ledsaget af betydelig forandringsledelse og løbende tilpasning. MIT-data viser, at eksterne partnerskaber når produktionsberedskab omtrent dobbelt så ofte som interne udviklinger, 67 procent sammenlignet med 33 procent. Succesfulde købere behandler AI-udbydere ikke som softwareleverandører, men som forretningspartnere, og måler succes ud fra forretningsresultater snarere end tekniske benchmarks.

Skygge-AI-økonomien som indikator

Et fascinerende fænomen viser sig ved en nærmere analyse af brugsmønstre: I 90 procent af de undersøgte virksomheder bruger medarbejderne private AI-værktøjer til deres arbejde, selvom kun 40 procent af virksomhederne har erhvervet officielle AI-licenser. Denne såkaldte skygge-AI-økonomi demonstrerer en fundamental modsigelse: Enkeltpersoner kan med succes bruge AI, hvis værktøjerne er fleksible og brugervenlige. Institutionel implementering mislykkes derimod på grund af kompleksitet, manglende integration og organisatoriske barrierer.

Denne parallelle verden af ​​uofficiel brug af AI har flere implikationer. For det første demonstrerer den, at selve teknologien kan være gavnlig, hvis den er let tilgængelig. For det andet afslører den et massivt styringsproblem: 81 procent af virksomhederne har ingen retningslinjer for brugen af ​​AI-værktøjer. 64 procent har bekymringer om databeskyttelse. 73 procent kan ikke måle produktivitetsgevinster. 58 procent rapporterer kvalitetsproblemer med AI-output. Uden et holistisk AI-arbejdspladskoncept er skygge-IT og ineffektive værktøjslandskaber en reel risiko.

Forskellen mellem individuel forbrugerbrug og mislykket implementering i virksomheder er symptomatisk for kerneproblemet med kunstig intelligens i sin nuværende form. Systemerne er optimeret til simple, individuelle anvendelsesscenarier med lav risiko og kompleksitet. De fejler dog systematisk, når de skal integreres i komplekse organisatoriske kontekster med høje krav til kvalitet og pålidelighed. Det såkaldte læringskløft - systemernes manglende evne til at lære af feedback og tilpasse sig kontekster - gør dem uegnede til de langsigtede, komplekse projekter, der dominerer industrielle virksomheder.

Branchespecifikke afvigelser

MIT-analysen afslører et andet afgørende mønster: Kun to af de ni undersøgte brancher – teknologi og medier – viser ægte strukturelle ændringer gennem kunstig intelligens. I syv andre brancher, herunder fremstillingsindustrien, forbliver transformationen uhåndgribelig på trods af betydelig pilotaktivitet. Denne branchespecifikke divergens er ikke en tilfældighed, men afspejler grundlæggende forskelle i kompleksitet og krav.

Teknologi- og medievirksomheder opererer i digitale miljøer med struktureret data, høj processtandardisering og korte iterationscyklusser. Deres forretningsmodeller er baseret på software og digitale tjenester, ikke på fysiske produkter med komplekse forsyningskæder og fremstillingsprocesser. De har store puljer af dataloger og AI-eksperter. Deres organisationskultur er gearet til hurtig teknologiadoption. Alle disse faktorer favoriserer en vellykket implementering af AI.

Produktions- og industrivirksomheder står over for helt forskellige udfordringer. Produktionsmiljøer er defineret af nuancer: variable produktmix, udviklende specifikationer, svingende efterspørgsel og komplekse maskinøkosystemer. Når AI-modeller overser disse realiteter, formerer falske alarmer sig, og medarbejdertilliden undergraves. Manufacturing Leadership Council vurderer, at de fleste produktionsdata fra den virkelige verden forbliver uudnyttede. Når kontekst overses, er AI tilbøjelig til dyre fejl, såsom at klassificere processtøj som defekter eller overse ægte signaler til forbedring.

Dertil kommer problemet med fragmenterede IT- og OT-landskaber. Årtier gamle arkitekturer isolerer ofte driftsteknologiske systemer, der genererer maskindata, fra it-systemer, der er ansvarlige for proces- og forretningsdata. Denne fragmentering tilslører afgørende signaler og betyder, at AI-modeller opererer med et delvist, forældet eller inkonsekvent billede af virkeligheden på fabriksgulvet. At overvinde disse strukturelle barrierer kræver massive infrastrukturinvesteringer, der kun betaler sig på lang sigt.

Deloittes Smart Manufacturing Survey 2025 viste, at 92 procent af producenterne mener, at smart produktion vil drive fremtidens konkurrenceevne, men 84 procent kan ikke automatisk reagere på dataintelligens. En S&P Global-undersøgelse rapporterer, at 42 procent af organisationerne opgav de fleste AI-initiativer inden 2025, sammenlignet med blot 17 procent i 2024. En RAND-rapport fra 2024 konkluderer, at over 80 procent af industrielle AI-projekter mislykkes, et tal der tilskrives proceskompleksitet, dårlig datakvalitet og mangel på kontekst fra den virkelige verden.

Omfanget af brudte løfter

For fuldt ud at forstå omfanget af denne desillusionering er det værd at se tilbage på de løfter, der blev givet i 2023 og 2024. I januar 2025 annoncerede OpenAIs administrerende direktør, Sam Altman, triumferende på sin blog, at de nu vidste, hvordan man konstruerede kunstig generel intelligens. Han hævdede, at AI-agenter ville have en mærkbar indflydelse på virksomhedens resultater senere samme år. I november 2025 anså Altman det så for en betydelig præstation, at ChatGPT endelig kunne håndtere tankestreger korrekt. Denne uoverensstemmelse mellem ambitioner og virkelighed illustrerer, hvor langt fra hinanden forventninger og faktiske muligheder var.

Instituttet for Økonomisk Forskningsrådgivning (Institut für Erhöchungsuntersuchung), bestilt af Google, forudsagde, at brugen af ​​generativ kunstig intelligens kunne øge bruttoværditilvæksten i den tyske fremstillingssektor med op til 7,8 procent, svarende til 56 milliarder euro. Virkeligheden er dog en helt anden. Arbejdsproduktiviteten inden for maskinteknik og andre områder af fremstillingssektoren er stort set uændret siden 2018 og er kun steget med 0,4 procent årligt. Indtil videre er der ingen tegn på en udbytte af kunstig intelligens.

McKinsey forudsagde, at AI ville øge produktiviteten med et enormt potentiale for den globale økonomi. Goldman Sachs advarede derimod om, at teknologien på trods af de høje omkostninger langt fra var nyttig. Overdreven brug af ting, som verden ikke har brug for eller ikke er klar til, ender normalt dårligt. Venturekapitalfirmaet Sequoia og hedgefonden Elliott ser allerede tech-virksomheder i boble-territorium.

Kritiske stemmer i det videnskabelige samfund bliver højere. Kognitionsforskeren Gary Marcus advarer om, at selvom flere og flere virksomheder eksperimenterer med teknologien, ser de ikke nogen væsentlige forbedringer. En Forrester-undersøgelse forudsiger, at omkring en fjerdedel af de planlagte AI-investeringer vil blive udskudt inden 2026. Boston Consulting Group tegner et billede af stagnation købt til en høj pris: kun en forsvindende lille procentdel af virksomheder har indtil videre været i stand til at omsætte deres enorme investeringer til reel merværdi.

De strukturelle årsager til svigt

Analysen af ​​mislykkede AI-projekter afslører et konsistent mønster af strukturelle årsager, der ikke kan afhjælpes gennem iterative algoritmeforbedringer. Den primære hindring er manglende styring. De fleste virksomheder behandler kunstig intelligens som blot endnu et IT-projekt snarere end som et økosystem, der kræver kontinuerlig vedligeholdelse. Der mangler klare ansvarsområder, rammer for risikostyring og mekanismer til løbende kvalitetssikring.

Problemet med datamodenhed repræsenterer den anden grundlæggende hindring. En analyse af tech-virksomheder baseret på over 20.000 timers research i mere end 50 virksomheder afslører, at kun 14 procent besidder det nødvendige grundlag for en vellykket implementering af AI. Størstedelen kæmper med fragmenterede data, inkonsistente systemer og manglende datastyring. Uden data af høj kvalitet, der er struktureret og tilgængeligt, forbliver selv de mest avancerede algoritmer ineffektive.

Færdighedskløften forværrer problemet yderligere. Tyskland mangler i øjeblikket 244.000 STEM-fagfolk, heraf 29.500 IT-specialister. For datalogieksperter, herunder dataloger og AI-specialister, forventes kompetencekløften at nå 18.655 i 2027. Den største relative stigning forventes blandt ledere inden for IT-netværksteknik og IT-administration. Virksomheder står over for det dilemma, at de har brug for ekspertise til en vellykket implementering af AI, som sjældent er tilgængelig på markedet.

Underskuddet i forandringsledelse udgør den fjerde søjle for fiasko. Teknisk implementering er kun halvdelen af ​​ligningen. Uden omfattende forandringsledelse falder accepten ved siden af. En finansiel tjenesteudbyder implementerede et sofistikeret system til svindeldetektering, men det havde ringe effekt på grund af manglende integration i godkendelsesprocessen, da medarbejdere regelmæssigt omgik systemet. Operatører og ingeniører er ofte skeptiske, når AI-anbefalinger ikke stemmer overens med virkeligheden på fabriksgulvet eller stammer fra black-box-systemer, der ikke giver nogen gennemsigtig begrundelse.

Misallokering af ressourcer forværrer disse strukturelle problemer. Mere end halvdelen af ​​generative AI-budgetter bruges på salg og marketing, selvom backoffice-automatisering ofte genererer højere afkast. Virksomheder jagter urealistiske projekter uden at have etableret den grundlæggende digitale infrastruktur. De bygger på perfekte demodata, der øjeblikkeligt kollapser under virkelige forhold. De undervurderer systematisk den indsats, der kræves til integration, vedligeholdelse og løbende tilpasning.

De næste fireogtyve måneder som en korsvej

De næste to år vil være afgørende for den videre udvikling af kunstig intelligens i produktion og industri. Flere tendenser peger på, at 2026 og 2027 vil være en afgørende periode, hvor vindere og tabere tydeligt vil adskille sig.

Gartners Hype Cycle antyder, at kunstig intelligens vil nå desillusioneringens bund i 2026. I denne fase bliver begrænsninger og høje omkostninger tydeligt tydelige. Skaleringsproblemer og mangel på levedygtige forretningsmodeller fører til, at mange projekter mislykkes, og at leverandører forsvinder. Denne fase er dog ikke en katastrofe, men snarere en nødvendig markedskorrektion. Teknologier, der går gennem Hype Cycle, når produktivitetsplateauet efter desillusioneringens bund, hvor reel værdiskabelse finder sted.

Investeringsdynamikken peger på et potentielt eksplosionsmoment i midten af ​​2026. Hvis udbuddet, drevet af kapitaludgifter, vokser hurtigere end den monetariserede brug, kan omkostningerne pr. token nærme sig nul. Dette ville føre til en hurtig devaluering af nyopbygget inferenskapacitet og tvinge massive nedskrivninger. Virksomheder, der for sent indså, at deres AI-investeringer ikke genererede et afkast, bliver nødt til at foretage smertefulde justeringer.

Samtidig er en ny generation af AI-systemer ved at dukke op, kendt som agentisk AI. Disse systemer besidder vedvarende hukommelse og iterativ læring og adresserer dermed direkte det læringsgab, som virksomheder identificerer som en væsentlig hindring. Tidlige eksperimenter med kundeservicemedarbejdere, der autonomt håndterer komplette forespørgsler, eller finansielle procesmedarbejdere, der overvåger rutinemæssige transaktioner, viser lovende potentiale. Virksomheder, der investerer nu i adaptive, dybt integrerede AI-systemer, skaber konkurrencefordele, som det vil være svært at indhente senere.

Det regulatoriske landskab vil også spille en afgørende rolle. EU's AI-lov etablerer en bindende juridisk ramme med overgangsperioder på seks til 36 måneder og potentielt betydelige bøder for manglende overholdelse. Selvom dette skaber compliance-forpligtelser og dokumentationsbyrder, kan AI Made in Europe også ses som et kvalitetsstempel. Virksomheder, der implementerer compliance-krav tidligt, kan positionere sig som pionerer inden for pålidelig AI. Spørgsmålet er, om europæisk regulering vil skabe det håbede forspring med hensyn til tillid, eller om den primært vil fungere som en konkurrencemæssig ulempe i forhold til USA og Kina.

Hvad følger efter desillusionering?

Den nuværende desillusionering omkring kunstig intelligens i produktion og industri er ikke en midlertidig tilpasningsvanskelighed, men det uundgåelige resultat af oppustede forventninger til stød på strukturelt ufuldstændig teknologi. De systemer, der i øjeblikket omtales som AI, er yderst sofistikerede værktøjer til specifikke anvendelsesscenarier, ikke universelle problemløsere. De kan genkende mønstre i data, men kan ikke tænke systematisk og logisk. De kan automatisere simple opgaver, men kan ikke uafhængigt optimere komplekse produktionsprocesser. De kan understøtte menneskelig ekspertise, men ikke erstatte den.

Denne erkendelse betyder ikke afslutningen på AI-innovation, men snarere begyndelsen på en mere realistisk fase. De virksomheder, der vil få succes i de kommende år, er dem, der ikke ser kunstig intelligens som en magisk løsning, men som et værktøj, der kræver omhyggelig integration, løbende vedligeholdelse og realistiske forventninger. De vil ikke investere i moonshot-projekter, men i de grundlæggende digitale fundamenter: datakvalitet, systemintegration, kompetenceudvikling og organisatorisk forandringsledelse.

Værdiskabelsen i de kommende år vil primært opstå i snævert definerede anvendelsesscenarier, hvor styrkerne ved kunstig intelligens, mønstergenkendelse i store datasæt, automatisering af gentagne opgaver og hurtig behandling af struktureret information kommer i spil. Prædiktiv vedligeholdelse vil fortsat få betydning. Computer vision-baseret kvalitetskontrol vil blive etableret. Backoffice-automatisering vil give betydelige omkostningsbesparelser. Visionen om autonome, selvoptimerende fabrikker vil dog forblive science fiction i den overskuelige fremtid.

Tyske SMV'er står over for et strategisk vendepunkt. Den nuværende modvilje mod at investere i AI er forståelig i betragtning af de skuffende resultater fra tidligere projekter. Fuldstændig afholdenhed er dog ikke svaret. Virksomheder, der nu skaber de grundlæggende forudsætninger – datainfrastruktur, digitale processer og kompetenceudvikling – vil kunne drage fordel af den næste generation af AI-systemer, når de er modne. De, der fortsætter med at vente og se, risikerer at sakke helt bagud.

Desillusioneringen omkring kunstig intelligens i produktion og industri er i sidste ende en nødvendig korrektion af oppustede forventninger. Den tvinger os til at konfrontere ubehagelige realiteter: at teknologi alene ikke skaber transformation, at organisatoriske og menneskelige faktorer er mindst lige så vigtige som algoritmer, og at bæredygtig værdiskabelse kræver tid og systematisk arbejde. Kunstig intelligens har bevist sin merværdi for tekst og billeder. For den økonomiske komponent i produktion og industri er dette bevis stadig uvist, og det er endnu uvist, om og hvornår det kan leveres.

☑️ Vores forretningssprog er engelsk eller tysk

☑️ NYT: Korrespondance på dit modersmål!

Konrad Wolfenstein

Jeg og mit team er glade for at stå til rådighed for dig som din personlige rådgiver.

Du kan kontakte mig ved at udfylde kontaktformularen her eller blot ringe til mig på +49 89 89 674 804 ( München) . Min e-mailadresse er: [email protected]

Jeg glæder mig til vores fælles projekt.

☑️ SMV-support inden for strategi, rådgivning, planlægning og implementering

☑️ Oprettelse eller omlægning af den digitale strategi og digitalisering

☑️ Udvidelse og optimering af internationale salgsprocesser

☑️ Globale og digitale B2B-handelsplatforme

☑️ Pioner inden for forretningsudvikling / marketing / PR / messer

Drag fordel af Xpert.Digital's omfattende, femdobbelte ekspertise i en omfattende servicepakke | R&D, XR, PR & optimering af digital synlighed - Billede: Xpert.Digital

Xpert.Digital besidder dybdegående viden på tværs af forskellige brancher. Dette giver os mulighed for at udvikle skræddersyede strategier, der er præcist afstemt med kravene og udfordringerne i dit specifikke markedssegment. Ved løbende at analysere markedstendenser og overvåge brancheudviklingen kan vi handle proaktivt og tilbyde innovative løsninger. Kombinationen af ​​erfaring og ekspertise skaber merværdi og giver vores kunder en afgørende konkurrencefordel.

Mere information her:

• Drag fordel af Xpert.Digital's 5 ekspertiseområder i én pakke – fra kun €500/måned