Selv McKinsey er nødt til at lave matematikken: Hvornår betaler kunstig intelligens sig virkelig?
Xpert-forhåndsudgivelse
Tilgængelig på 27 sprog 📢
Foretræk Xpert.Digital på GoogleⓘUdgivet den: 19. november 2026 / Opdateret den: 19. november 2026 – Forfatter: Konrad Wolfenstein

Selv McKinsey er nødt til at lave regnestykket: Hvornår betaler kunstig intelligens sig virkelig? – Kreativt billede om emnet, med fokus på AI: Xpert.Digital
AI-omkostningsfælden: Hvorfor virksomheder skal kontrollere resultater, ikke computerkraft
Sådan beregner du AI-omkostninger korrekt: Hvad der virkelig betyder noget for virksomheder
Er kunstig intelligens det værd? Den afgørende beregning begynder efter modelprisen
Kunstig intelligens kan accelerere arbejdet, forbedre processer og åbne op for nye forretningsmuligheder. Øget brug betyder dog ikke automatisk øget profit: jo mere succesfuld en AI-applikation er, desto mere kan dens omkostninger stige. Ud over model- og cloud-udgifter er der ofte omkostninger til data, integration, overvågning og efterbehandling. Derfor er det ikke tilstrækkeligt blot at se på prisen på individuelle anmodninger.
McKinsey illustrerer, hvor udfordrende økonomisk styring kan være, selv for teknologisk erfarne organisationer. I sommeren 2026 gjorde CFO og Senior Partner Yuval Atsmon det klart, at den tidligere observerede stigning i interne AI-omkostninger ikke blot kunne fortsætte indtil den følgende juli. Dette er ikke bevis for, at de implementerede systemer fundamentalt er urentable. Det fremhæver dog en central målkonflikt: virksomheder ønsker at fremme produktiv brug – samtidig med at de sikrer, at udgifterne ikke stiger hurtigere end de faktiske fordele.
Det afgørende spørgsmål er derfor ikke blot, hvor mange mennesker der har adgang til en AI-assistent, eller hvad en enkelt modelanmodning koster. Virksomheder skal vide, hvilket arbejde der rent faktisk udføres, hvor meget et brugbart resultat koster samlet set, og om det målbart forbedrer kvaliteten, hastigheden eller effektiviteten af en proces. Først når tekniske udgifter, menneskeligt efterarbejde og forretningsresultater ses i sammenhæng, kan det vurderes, hvornår kunstig intelligens virkelig betaler sig.
Jo mere vellykket implementeringen er, desto farligere er beregningen – hvis ingen kontrollerer de økonomiske fordele
Kunstig intelligens præsenterer virksomheder for et forretningsparadoks: en vellykket implementering kan belaste budgettet mere end en mislykket. Hvis nye applikationer næsten ikke bruges, forbliver de løbende udgifter håndterbare. Men hvis de viser sig nyttige, stiger efterspørgslen, implementeringen og computerkravene. Et begrænset pilotprojekt kan hurtigt udvikle sig til en virksomhedsomspændende infrastruktur, hvor omkostningerne udvikler sig meget mere dynamisk end oprindeligt planlagt.
McKinsey illustrerer, hvor udfordrende denne udvikling er, selv for organisationer med betydelig teknologisk og ledelsesmæssig ekspertise. Finansdirektør og seniorpartner Yuval Atsmon gjorde det klart i sommeren 2026, at den tidligere observerede stigning i interne AI-omkostninger ikke blot kunne fortsætte indtil den følgende juli. Dette indebærer ikke nødvendigvis en generel ineffektivitet af de anvendte systemer. Det afslører dog en fundamental målkonflikt: En virksomhed ønsker at fremme produktiv brug, men skal samtidig forhindre, at udgifterne vokser hurtigere end de resulterende fordele.
For økonomichefer flytter dette det centrale spørgsmål. Den afgørende faktor er ikke længere udelukkende, hvor meget et modelopkald koster, eller hvor mange medarbejdere der har adgang til en assistent. Det afgørende er, hvilket økonomisk relevant arbejde der rent faktisk udføres, hvad de samlede omkostninger er, og om resultatet er pålideligt nok til at blive brugt i virksomheden.
Den virkelige udfordring ligger derfor ikke i at købe AI så billigt som muligt. Den ligger i at etablere et solidt forhold mellem tekniske muligheder, organisatoriske ændringer og økonomisk effekt. De, der blot begrænser omkostningerne, risikerer at kvæle produktive applikationer. Omvendt risikerer de, der fortolker enhver brug som fremskridt, at digitalisere ekstra arbejde dyrt uden tilsvarende merværdi.
Fra forudsigelige arbejdspladser til forbrugsbaseret vidensarbejde
En sammenligning med traditionel virksomhedssoftware gør forskellen tydelig. Med en overvejende licensbaseret model kan de umiddelbare softwareudgifter ofte planlægges relativt godt. En virksomhed anskaffer et specifikt antal adgange, aftaler kontraktvarigheder og kender dermed en betydelig del af sine løbende forpligtelser.
Disse omkostninger var dog aldrig helt forudsigelige. Implementering, integration, træning, vedligeholdelse og tilpasning kunne medføre betydelige ekstraudgifter. Tilsvarende begyndte brugsbaseret fakturering ikke med generativ AI. Cloudtjenester har allerede vænnet virksomheder til at betale baseret på faktisk brug.
AI intensiverer imidlertid denne logik, fordi individuelle arbejdstrin nu direkte kan udløse computerkraft. Research, dokumentanalyse eller behandling af en kundeforespørgsel genererer varierende mængder input- og outputdata afhængigt af systemet. Dette kan forværres af søgninger, databaseforespørgsler, eksterne værktøjer og yderligere verifikationstrin. Derfor skal det finansielle perspektiv tage højde for modeladgang, cloudtjenester, softwarepakker, intern computerkapacitet og organisatoriske driftsomkostninger samlet set.
AI sælges ikke udelukkende baseret på forbrug. Flatrate-licenser, inkluderede brugskvoter og hybridmodeller er fortsat relevante. Ikke desto mindre forsvinder den økonomiske effekt af yderligere brug ikke. Det kan manifestere sig i højere kontraktniveauer, købt yderligere kapacitet, begrænsninger i ydeevne eller øgede infrastrukturkrav.
Dette ændrer, hvordan digital vidensarbejde beregnes. Endnu en genereret rapport eller yderligere analyse er ikke automatisk stort set gratis. Marginalomkostningerne kan være lave, men de skal overvejes i forbindelse med test, integration og brug. Netop denne forbindelse mellem teknisk produktion og operationel anvendelse mangler ofte i tidlige cost-benefit-analyser.
Hvorfor faldende modelpriser ikke betyder alt klart
Ved første øjekast synes teknologiske fremskridt at afhjælpe omkostningsproblemet. Kraftfulde modeller bliver mere effektive, og priserne falder betydeligt for visse opgaver. Stanford AI Index 2025 dokumenterer et fald i inferensomkostninger på mere end en faktor 280 mellem november 2022 og oktober 2024 for et system, der kan sammenlignes med GPT-3.5 på et defineret testniveau. I den underliggende analyse faldt prisen fra $20 til $0,07 pr. million tokens. Dette refererer til et specifikt ydelsesniveau, ikke den samlede omkostningsudvikling for hver AI-applikation.
Denne begrænsning er afgørende. En lavere pris for sammenlignelig teknisk kapacitet betyder ikke, at en virksomheds samlede AI-omkostninger vil falde proportionalt. For at det kan ske, skal faktorer som opgaveomfang, brugshyppighed, kvalitetskrav og systemarkitektur forblive uændrede.
Et forenklet eksempel illustrerer forholdet. Hvis den gennemsnitlige tekniske pris pr. anvendelse falder med 60 procent, mens antallet af anvendelser femdobles, fordobles de tilsvarende udgifter. De oprindelige 100 omkostningsenheder bliver til 200. Teknologien er blevet betydeligt billigere pr. anvendelse, men det samlede budget er stadig større.
Derudover kan virksomheder håndtere mere krævende opgaver. I stedet for korte tekstudkast analyserer de omfattende kontraktporteføljer, behandler komplekse programmer eller udarbejder flertrinsbeslutninger. Sådanne applikationer kan kræve mere kraftfulde modeller, længere kontekster og flere behandlingsgennemgange.
Økonomisk set repræsenterer dette en potentiel feedback-loop: Øget effektivitet sænker barrieren for implementering og kan dermed udløse yderligere efterspørgsel. Hvorvidt de samlede udgifter efterfølgende stiger eller falder afhænger af styrken af denne efterspørgselseffekt. Lavere enhedspriser er derfor et vigtigt skridt fremad, men ingen erstatning for mængdeplanlægning og omkostningseffektivitetsanalyse.
Når en assistent bliver en digital proceskæde
Omkostningerne ved et enkelt chatsvar er kun ét aspekt af problemet. Med stigende automatisering ændrer den enhed, der skal forvaltes økonomisk. Det er ikke længere kun det synlige svar, der betyder noget, men hele behandlingskæden.
Et tilbudsgenereringssystem kunne først klassificere en kundeforespørgsel, derefter søge i tekniske dokumenter, sammenligne produktoplysninger, hente priser og oprette et udkast. Et yderligere behandlingstrin ville derefter kontrollere, om obligatoriske oplysninger mangler. I tilfælde af modstridende data ville en del af behandlingsprocessen genstartes.
Fra brugerens perspektiv tilbydes en tjeneste. Fra infrastrukturens perspektiv kan der være forekommet adskillige modelkald og værktøjstilgange. Derfor er gentagelser, for lange input, unødvendige værktøjskald og en upassende stor model blandt udgangspunkterne for effektiv processtyring.
Et særligt vigtigt spørgsmål er, hvornår en sådan proceskæde slutter. En menneskelig medarbejder erkender ofte, at yderligere forskning ikke længere giver nogen væsentlig merværdi. Et automatiseret system kræver passende regler for dette. Ellers kan det bruge yderligere computerkraft, selvom kvaliteten af resultaterne næppe forbedres.
Dette fører til en udfordring i forbindelse med forretningsstyringsdesign: Enhver automatiseret proces har brug for et defineret mål, passende kvalitetskrav og grænser for tid, gentagelser og ressourceforbrug. Teknisk autonomi må ikke forveksles med ubegrænset bevillingsmyndighed.
Tokens forklarer forbrug, men ikke forretningssucces
Tokens er behandlingsenheder i sprogmodeller. De kan repræsentere ord, orddele eller andre tegnstrenge. De er relevante for teknisk fakturering og forbrugsanalyse. De er dog ikke tilstrækkelige som den eneste nøglepræstationsindikator for virksomhedsledelse.
En CFO kan i starten kun udlede fra en stigende token-volumen, at der har fundet mere tilsvarende modelbehandling sted. Om dette har resulteret i hurtigere kundeservice, undgået fejl eller genereret yderligere omsætning, er fortsat uklart.
Omvendt er et højt tokenforbrug ikke automatisk spild af penge. Omfattende teknisk testning kan være økonomisk fornuftig, hvis den identificerer et dyrt problem tidligt. En meget kort, billig tekst kan derimod være ubrugelig, hvis den ikke når pointen.
Det brugbare perspektiv er derfor, at forbrugsdata skal forbindes med forretningsresultater. FinOps Foundation anbefaler derfor at overveje omkostninger pr. vellykket resultat og forbinde disse med de resultater, som den respektive forretningsenhed er ansvarlig for.
Det betyder ikke, at tekniske målinger skal afskaffes. Uden gennemsigtighed i forbruget er fejlkonfigurationer og usædvanlige omkostningsstigninger vanskelige at opdage. Tokens er imidlertid et diagnostisk værktøj, ikke et selvstændigt mål for succes. De forklarer, hvad infrastrukturen blev brugt til. Om denne investering var umagen værd, skal afgøres på et andet niveau.
Den komplette beregning begynder efter modelberegningen
En pålidelig AI-omkostningsanalyse omfatter mere end blot modellens pris. Ud over direkte brug inkluderer den ofte dataforberedelse, grænseflader, adgangsrettigheder, overvågning, kvalitetssikring, træning og løbende justeringer. Den interne tidsforpligtelse i forretningsafdelinger og IT skal også tages i betragtning.
Disse omkostninger undervurderes ofte i pilotprojekter. Et lille team kan manuelt bygge bro over manglende grænseflader, personligt kontrollere resultater og løse særlige tilfælde uformelt. Det, der fungerer for få applikationer, bliver hurtigt en flaskehals ved høj brug.
Den økonomiske analyse bør derfor skelne mellem implementeringsomkostninger og løbende driftsudgifter. Engangsudgifter bør ikke forsvinde blot fordi de bogføres i et andet budget. Omvendt bør de ikke permanent belaste hver enkelt anvendelse, som om hele implementeringen konstant skulle refinansieres.
Et tydeligt eksempel: Hvis en applikation pådrager sig 120.000 euro i direkte teknologiomkostninger årligt, plus 80.000 euro til drift og integration og 100.000 euro til teknisk gennemgang, beløber de samlede løbende omkostninger sig til 300.000 euro. Hvis dette bruges til at gennemføre 60.000 faktisk brugbare processer, koster hver sådan proces i gennemsnit fem euro.
Den direkte teknologi alene ville kun generere to euro pr. transaktion. Begge tal er matematisk korrekte, men de besvarer forskellige spørgsmål. De fem euro er afgørende for at afgøre, om den samlede proces er økonomisk rentabel. For målrettet optimering af modelbrugen er de to euro fortsat relevante.
Den billigste model kan producere den dyreste proces
Modelpriser er relativt lette at sammenligne side om side. Det er vanskeligere at evaluere det efterfølgende arbejde. Det er netop dér, at en formodet prisfordel kan blive til sin modsætning.
En rent hypotetisk sammenligning illustrerer omfanget af omkostningerne. En simpel model koster €0,02 pr. proces, men kræver i gennemsnit fire minutters manuel efterbehandling. En mere effektiv model koster €0,12 og kræver kun et minuts efterbehandling. Hvis man antager en intern tidsomkostning på €60 pr. time, resulterer dette i €4,02 pr. proces i det første tilfælde og €1,12 pr. proces i det andet.
Modellen med seks gange de umiddelbare brugsomkostninger ville derfor være betydeligt billigere i den samlede proces. Forskellen skyldes ikke en særlig lav teknologipris, men en mindre menneskelig indsats.
Den modsatte konklusion ville dog også være forkert: den kraftigste model er ikke nødvendigvis det mest økonomiske valg. Hvis en simpel klassificeringsopgave kan udføres pålideligt med et mindre system, kan yderligere modelydelse være unødvendig.
Den passende arkitektur tildeler derfor opgaver til forskellige metoder baseret på sværhedsgrad og risiko. Enkle sager kan automatiseres omkostningseffektivt. Vanskelige sager får mere kraftfuld support eller overdrages til mennesker. Den afgørende faktor er ikke maksimal intelligens i hvert behandlingstrin, men snarere den rigtige ydeevne på det rigtige sted.
Hvorfor kun brugbare resultater hører hjemme i nævneren
En af de vigtigste nøglepræstationsindikatorer (KPI'er) er den indsats, der kræves pr. succesfuldt gennemført forretningstransaktion. Begrebet "succes" skal defineres præcist i en professionel kontekst.
Når man besvarer en kundehenvendelse, er det ikke nok at have genereret et svar. Det afgørende er, om problemet blev løst korrekt, og om der ikke opstår unødvendige opfølgende spørgsmål. Ligeledes er det ikke nok, at felterne er udfyldt, når man behandler en faktura. Dataene skal være nøjagtige, fuldstændige og brugbare til den efterfølgende proces.
En applikation, der genererer 100.000 resultater, kan være mindre omkostningseffektiv end en, der genererer 70.000 resultater, hvis kun halvdelen af førstnævnte er brugbare. At dividere den samlede pris med alle systemudgifter resulterer i en misvisende lav enhedspris.
Det er også nyttigt at fremhæve forskelle mellem sagsgrupper. En gennemsnitlig transaktionspris kan skjule det faktum, at standardsager rentabelt automatiseres, mens sjældne specialsager medfører exceptionelt høje omkostninger.
Fordelingen af behandlingstider er også relevant. Et godt gennemsnit er af ringe nytte, hvis individuelle hasteopgaver tager en ukontrolleret mængde tid. Derfor bør virksomheder ikke kun overveje gennemsnit, men også typiske intervaller, outliers og hyppigheden af manuel indgriben. Økonomisk effektivitet ligger ikke kun i gunstige, typiske scenarier, men også i evnen til at håndtere udfordrende situationer.
🤖🚀 Anvendt AI-laboratorium: Hurtigere, sikrere og smartere AI-løsninger med UNFRAME.AI
Her lærer du, hvordan din virksomhed kan implementere skræddersyede AI-løsninger hurtigt, sikkert og uden høje adgangsbarrierer.
Applied AI Lab er din komplette pakke til anvendt 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:
Omkostningskontrol og dens indvirkning på produktiviteten
Sparede minutter er ikke det samme som sparede penge
Mange AI-forretningsmodeller starter med en simpel beregning: antallet af medarbejdere ganget med antallet af sparede minutter og en timepris. Resultatet kan være imponerende, men det er ikke tilstrækkeligt bevis for faktiske besparelser.
Hvis en medarbejder bruger 20 minutter mindre om dagen på kladder, vil deres løn ikke falde. I starten skaber dette yderligere kapacitet. Dette kan være værdifuldt, men det skal bruges produktivt.
En økonomisk fordel bliver tydelig, for eksempel når overarbejdet falder, eksterne tjenester ikke længere er nødvendige, ledige stillinger ikke behøver at blive besat, eller yderligere kundeordrer kan håndteres af det eksisterende team. Tilsvarende kan der være mere tid til rådighed til kvalitetsforbedringer eller kundeservice.
Disse effekter varierer økonomisk. Undgåede eksterne omkostninger er ofte umiddelbart synlige i resultatopgørelsen. Yderligere kapacitet er derimod i første omgang en potentiel fordel. Forbedret kvalitet kan være af betydelig værdi, men kræver en anden måling end ren tidsbesparelse.
Fordelingen af tidsbesparelser er også vigtig. Mange små reduktioner i arbejdsbyrden kan ikke automatisk kombineres til at skabe en helt ledig stilling. Dette ville kræve tilsvarende ændringer i opgaver, ansvar og arbejdsgange.
En solid cost-benefit-analyse adskiller derfor teoretisk sparet tid, faktisk tilgængelig kapacitet og realiseret økonomisk effekt. At blande disse kategorier skaber let en falsk følelse af præcision, der forværrer snarere end forbedrer investeringsbeslutningen.
Den undervurderede værdi af hurtigere beslutninger
Ikke alle økonomisk rentable AI-applikationer behøver at reducere personaleomkostninger. I mange processer ligger den afgørende fordel i, at information bliver tilgængelig tidligere, og at der kan træffes beslutninger rettidigt.
En industrivirksomhed kan muligvis reagere hurtigere på en forestående mangel på forsyninger. En salgsafdeling kan afgive tilbud tidligere. En finansafdeling kan undersøge uregelmæssigheder tidligere. Værdien opstår derefter fra en ændret handlingsforløb, ikke fra den store mængde produceret tekst.
Også her er forsigtighed nødvendig i evalueringen. Hurtigere beslutninger er ikke automatisk bedre beslutninger. Hvis et system blot spreder upålidelig information hurtigere, kan den økonomiske skade øges.
Derfor bør analysen kombinere hastighed og kvalitet. For eksempel vil behandlingstid, afslutningsprocent og opnået dækningsbidrag i forbindelse med tilbud være relevante. Inden for logistik kan svartid, leveringskapacitet og omkostninger til særlige foranstaltninger betragtes sammen.
Det er særligt vanskeligt at vurdere undgåede tab. Et produktionsafbrydelse, der ikke opstod, kan ikke blot tilskrives udelukkende kunstig intelligens. Plausible sammenligningsgrupper, historisk erfaring og dokumenterede beslutningsprocesser kan hjælpe. Ikke desto mindre er der ofte en vis grad af usikkerhed, som eksplicit skal medtages i den økonomiske analyse.
Fire prøver erstatter entusiasmen for blot at være nyttige
Fire relaterede økonomiske kontroller kan formuleres for hver AI-understøttet arbejdsgang.
For det første skal det være tydeligt, om en relevant opgave er blevet udført. En yderligere rapport er ikke statusrapport, hvis ingen har brug for den. Et automatiseret resumé har kun værdi, hvis det understøtter eller erstatter en meningsfuld aktivitet.
De fulde omkostninger skal derefter registreres. Dette omfatter ikke kun teknologi og infrastruktur, men også menneskeligt tilsyn, efterbehandling, drift og håndtering af undtagelser. Beregningen må ikke slutte ved grænsefladen mellem IT og forretningsafdelingen.
Den tredje test vedrører brugervenlighed. Resultatet skal opfylde de tekniske krav til den specifikke applikation. En acceptabel fejlrate for et internt design kan være fuldstændig uegnet til en sikkerhedskritisk test.
Endelig skal forbindelsen til virksomhedens indflydelse være tydelig. Er en proces blevet accelereret? Er kvaliteten forbedret? Blev omkostninger rent faktisk undgået, eller blev der opnået yderligere dækningsbidrag?
Disse tjekbokse er ikke uafhængige tjekbokse. De er en del af en kæde af effekter. Uden en relevant opgave er kvaliteten meningsløs. Uden et brugbart resultat er tidsbesparelserne tvivlsomme. Uden en komplet omkostningsanalyse kan den økonomiske fordel ikke vurderes.
Hvorfor den nuværende procedure er den korrekte sammenligning
Alternativet til en AI-applikation er ikke altid at lade være. Ofte findes der allerede manuelle processer, traditionel software, regelbaseret automatisering eller eksterne tjenester. Den nye løsning skal konkurrere med disse eksisterende muligheder.
For klart strukturerede opgaver kan en konventionel regel være mere omkostningseffektiv, stabil og lettere at forstå end en sprogmodel. Omvendt kan AI tilbyde fordele, hvor ustrukturerede dokumenter, sproglig mangfoldighed eller hyppigt skiftende information skal behandles.
En fornuftig beslutning kræver derfor en baseline-måling. Hvor lang tid tager den nuværende proces? Hvilke fejl opstår? Hvad er omarbejdningsindsatsen og -omkostningerne? Hvilken kvalitet opnås rent faktisk?
Uden disse startværdier forbliver det senere uklart, om ydeevnen er forbedret. En tilsyneladende mere moderne proces kan være økonomisk svagere end en uspektakulær eksisterende metode.
Sammenligningen skal også forblive fair. Hvis AI-løsningen sammenlignes med en særligt dårligt organiseret, ældre proces, kan dens fordele synes større, end de ville være sammenlignet med en simpel procesforbedring. Det afgørende spørgsmål er derfor ikke kun, om AI hjælper, men om den tilbyder den bedste balance mellem indsats, effekt og risiko blandt de tilgængelige alternativer.
Stramme årlige budgetter bliver erstattet af kontrollerbare brugsscenarier
Med den hastigt voksende brug af AI giver et enkelt planlagt tal ofte en større følelse af sikkerhed, end der faktisk eksisterer. Flere scenarier, der afspejler forskellige brugsintensiteter og omkostningsudviklinger, er mere meningsfulde.
For eksempel kan en virksomhed have 10.000 ansatte. Hvis 4.000 af dem bruger en applikation ti gange om dagen i 20 arbejdsdage, resulterer det i 800.000 anvendelser om måneden. Hvis man antager direkte teknologiomkostninger på gennemsnitligt 0,03 euro, ville det beløbe sig til 24.000 euro.
Hvis antallet af aktive brugere stiger til 8.000, og det daglige forbrug fordobles samtidig, stiger det månedlige volumen til 3,2 millioner transaktioner. Ved en uændret pris resulterer dette i omkostninger på 96.000 euro. Hvis prisen skulle halveres i mellemtiden, ville omkostningerne stadig beløbe sig til 48.000 euro, hvilket er dobbelt så højt som i det oprindelige scenarie.
Dette eksempelberegning er ikke en markedsprognose. Det viser, hvilke faktorer der skal planlægges sammen: aktive brugere, forbrug pr. person, kompleksitet pr. proces og gennemsnitlige omkostninger.
Derudover er der behov for antagelser om accept, kvalitetsniveauer og økonomiske fordele. Et højere budget kan retfærdiggøres, hvis den yderligere dækningsbidragsmargin stiger betydeligt. Omvendt er et lavere budget ikke en succes, hvis det blot skyldes underudnyttelse af en allerede dyrt bygget infrastruktur.
Omkostningskontrol må ikke straffe produktive applikationer
Grænseoverskridende nedskæringer virker simple, men kan skabe perverse økonomiske incitamenter. Hvis et team påviseligt udfører profitabelt arbejde med yderligere brug af AI, kan en rigid forbrugsgrænse potentielt være kontraproduktiv.
Omvendt er et generøst budget uden ansvarlighed for resultater lige så problematisk. Medarbejdere kan bruge avancerede modeller til simple opgaver eller skabe yderligere indhold, hvis nytteværdi ikke er verificeret.
En differentieret tilgang til forvaltning er tilrådelig. Eksperimentelle applikationer kræver begrænsede læringsbudgetter og klart definerede testfrister. Etablerede processer har brug for pålidelige ressourcer og gennemsigtige enhedsomkostninger. Vækstansøgninger har råd til at bruge flere penge, hvis deres yderligere resultater retfærdiggør de øgede udgifter.
Omkostninger og fordele skal afstemmes organisatorisk. Hvis IT betaler for alle udgifter, mens forretningsenheder udvider brugen uden at tage ansvar, skabes der et perverst incitament. Omvendt, hvis individuelle teams skal retfærdiggøre hvert teknisk trin, kan meningsfulde samarbejdsløsninger forhindres.
Udfordringen er derfor at kombinere gennemsigtighed med handlekraft. Budgetter bør muliggøre fornuftige økonomiske beslutninger, ikke blot begrænse teknisk aktivitet.
Finans og teknologi skal tale samme sprog
I hvilken grad AI er blevet en central del af virksomheders økonomistyring, demonstreres af State of FinOps-undersøgelsen fra 2026. I undersøgelsen rapporterede 98 procent af respondenterne, at de styrede AI-udgifter; to år tidligere var dette tal 31 procent. Disse tal afspejler det adspurgte FinOps-fællesskab og bør ikke fortolkes som repræsentative for alle virksomheder. Ikke desto mindre illustrerer de den voksende betydning af AI inden for dette funktionelle område.
Den organisatoriske konsekvens er et tættere samarbejde mellem finans-, IT- og specialafdelinger. Ingen af disse grupper besidder alle de nødvendige oplysninger på egen hånd.
Finansfunktionen forstår kapitalkrav, præstationsmål og budgetbegrænsninger. Tekniske teams forstår modeladfærd, arkitektur og forbrug. Forretningsenheder kan vurdere, om resultaterne er praktisk anvendelige, og om de kan forbedre arbejdsgange.
Fælles forvaltning kræver derfor klart definerede ansvarsområder. For hver vigtig applikation bør det være klart, hvem der er ansvarlig for dens tekniske fordele, hvem der styrer dens tekniske drift, og hvem der overvåger dens økonomiske præstation.
Lige så vigtigt er et fælles sæt af termer. Hvis IT taler om succesfulde anmodninger, men forretningsafdelingen tæller uløste kundeproblemer, måler de forskellige ting. Kun en fælles defineret enhed for præstation gør omkostningsrapporter meningsfulde for beslutningstagning.
Datakvalitet og -kontrol er ikke yderligere omkostninger, der påløber senere
Kvaliteten af en AI-applikation afhænger ikke kun af modellen. De underliggende oplysninger skal også være passende, opdaterede og tilgængelige. Uklare ansvarsområder, modstridende dokumenter og forældede data kan føre til yderligere research, forespørgsler og manuelle rettelser.
Dette rejser et vigtigt investeringsspørgsmål. Nogle gange er det mere økonomisk at forbedre datagrundlaget først end at implementere en endnu mere kraftfuld model. Et system kan ikke kompensere for organisatorisk uorden for enhver pris.
Menneskelig overvågning skal også udformes, så den tager højde for de involverede risici. En fuldstændig revision af alle udgifter kan i vid udstrækning ophæve enhver produktivitetsgevinst. Omvendt kan en fuldstændig opgivelse af revision føre til uacceptable konsekvenser af fejl.
Den passende løsning afhænger af anvendelsen. Et internt udkast kræver andre sikkerhedsforanstaltninger end juridisk bindende kundeinformation eller en proces med betydelige økonomiske konsekvenser. Fasede godkendelser, stikprøvekontrol og målrettet overførsel af vanskelige sager er alle tænkelige muligheder.
Det er økonomisk afgørende at planlægge denne kontrolarkitektur fra starten. Hvis den først tilføjes efter en problematisk hændelse, kan omkostninger og behandlingstider ændre sig så drastisk, at den oprindelige cost-benefit-analyse ikke længere holder stik.
Valget af leverandør går langt ud over prisen
En lav startpris er attraktiv, men siger ikke meget om de langsigtede samlede omkostninger. Efterhånden som integrationen vokser, kan der opstå omkostninger til omstilling: grænseflader skal tilpasses, processer skal testes igen, og medarbejdere skal trænes.
Skift af udbyder kan også nødvendiggøre nye kvalitetskontroller. To modeller, der klarer sig lige godt i generelle sammenlignende tests, leverer muligvis ikke de samme resultater i en specifik forretningsproces.
Derfor er teknologisk udskiftelighed en økonomisk fordel. Modulære grænseflader, dokumenterede testprocedurer og organiseret datahåndtering kan lette fremtidige migreringer. Samtidig skaber denne fleksibilitet også ekstra omkostninger. Ikke alle applikationer kræver, at flere leverandører opererer parallelt.
Sammenligningen mellem eksterne tjenester og intern drift er ligeledes nuanceret. Intern infrastruktur giver mere direkte kontrol over visse omkostninger og driftsforhold, men indebærer også investeringer, personalebehov, udnyttelsesrisici og behovet for tekniske opgraderinger.
Ekstern udnyttelse kan være fordelagtig, når efterspørgslen svinger. Intern drift kan blive attraktiv med en passende, tilstrækkelig høj og stabil udnyttelse. Der findes ingen universelt vindende løsning. De afgørende faktorer er den faktiske belastningsprofil, kravene og de samlede omkostninger i den betragtede periode.
Hvorfor konsulentfirmaer mærker ændringen særligt tydeligt
For videnintensive tjenesteudbydere påvirker AI ikke kun omkostningsstrukturen, men også indtægtslogikken. Efterhånden som research, analyse og præsentationsforberedelse bliver hurtigere, ændres forholdet mellem tidsforbrug og fakturerbar output.
Med tidsbaseret løn kan højere produktivitet i starten betyde, at der faktureres færre timer for den samme opgave. Derefter opstår en økonomisk fordel, for eksempel gennem yderligere ordrer, justerede priser eller tjenester af højere kvalitet.
Med faste priser kan hurtigere behandling forbedre marginen. Dette er betinget af at opretholde kvalitet og kundefordele, og af at sikre, at yderligere teknologi- og kontrolomkostninger ikke ophæver fordelen.
Samtidig kan konkurrencen intensiveres. Efterhånden som standardiserede analyser bliver mere tilgængelige, mister selve deres fremstilling sin differentieringskraft. Pålidelig klassificering, adgang til relevant information, implementeringsekspertise og ansvarspåtagelse bliver mere værdifuld.
McKinsey-sagen repræsenterer derfor mere end blot en stigende position på softwaremarkedet. Den fremhæver behovet for, at virksomheder samtidig undersøger deres produktionsmetoder og deres værdiskabelsesstrategier. De, der genererer arbejdskraft hurtigere, men fortsætter med at sælge den i henhold til en uegnet indtægtslogik, kan kun delvist realisere produktivitetsgevinsterne.
Mere indhold betyder ikke automatisk mere værdi
Generativ AI sænker barrieren for at producere tekster, analyser, præsentationer og variationer. Dette kan dog skabe en ny form for operationelt spild: yderligere indhold, der optager opmærksomhed uden at forbedre beslutninger.
De umiddelbare omkostninger ved at oprette modellen kan være lave. De efterfølgende gennemgangs-, koordinerings- og godkendelsesprocesser kan dog blive dyre. Hvis flere ledere har brug for at gennemgå yderligere dokumentation, kan deres tidsforbrug overstige den samlede tekniske indsats, der kræves for dens oprettelse.
Derfor skal efterspørgselssiden også undersøges. Har en proces virkelig brug for flere rapporter, eller rettere en klarere beslutningsskabelon? Anvendes der yderligere varianter? Erstatter den nye analyse eksisterende arbejde, eller tilføjes den blot til det?
En produktiv implementering automatiserer ikke alle eksisterende opgaver vilkårligt. Den skelner mellem nødvendigt arbejde, arbejde, der kan forbedres, og arbejde, der kan elimineres.
Dette udgør en vanskelig ledelsesudfordring. Den enkleste tilgang er at accelerere eksisterende rutiner med AI. Den største økonomiske fordel kan dog ligge i at eliminere overflødige rutiner. Ikke alle opgaver, der kan automatiseres, fortjener at fortsætte.
Det korrekte mål er yderligere økonomisk overskud
I sidste ende skal AI måles ud fra et klart økonomisk spørgsmål: Hvilken yderligere fordel tilbyder den sammenlignet med det bedste realistiske alternativ, og hvilken yderligere indsats kræves for at opnå det?
Virksomheder bør som minimum skelne mellem realiserede omkostningsreduktioner, tilgængelig kapacitet, yderligere dækningsbidrag og plausibelt vurderede kvalitets- eller risikoeffekter. Disse kategorier kan tilsammen give et overbevisende billede, men må ikke omfatte den samme fordel flere gange.
Tidsperspektivet er lige så vigtigt. En applikation kan virke uattraktiv i det første år på grund af høje implementeringsomkostninger, men blive rentabel senere. Omvendt kan et billigt pilotprojekt miste sin oprindelige appel på grund af stigende kompleksitet og løbende vedligeholdelseskrav.
En velbegrundet beslutning kræver derfor ikke kunstig sikkerhed, men transparente antagelser. Hvilket brugsniveau kræves? Hvilken kvalitetsstandard kræves? Hvor meget manuelt efterarbejde er acceptabelt? Med hvilken omkostningsstigning skal arkitekturen ændres?
Det stærkeste finansielle lederskab vil ikke fejre hverken den laveste AI-regning eller den højeste brugsrate som en succes i sig selv. De vil erkende, hvornår yderligere udgifter skaber mere merværdi, og hvornår de blot genererer mere digital aktivitet.
Det er præcis her, den virkelige test ligger: AI bliver ikke økonomisk levedygtig blot ved at producere imponerende resultater. Den bliver økonomisk levedygtig, når disse resultater pålideligt bruges til at skabe applikationer i den virkelige verden
Rådgivning - Planlægning - Implementering
Jeg vil med glæde fungere som din personlige rådgiver.
Du kan kontakte mig på wolfenstein∂xpert.digital eller
Bare ring til mig på +49 7348 4088 965 .

















