95% fejler. 74% er bekymrede. Og ingen taler om det.

To rapporter, én konklusion

I løbet af det seneste år har to af de mest respekterede forskningsmiljøer i verden publiceret store undersøgelser af AI i virksomheder. Tilsammen tegner de et billede der er markant anderledes end det LinkedIn og tech-konferencer fortæller os.

MIT: 95 procent sidder fast

MITs rapport dokumenterer det de kalder «The GenAI Divide» – kløften mellem udbredt eksperimentering og fraværet af reel transformation.

Hvorfor fejler de?

MIT identificerer fire strukturelle årsager:

1. Learning gap – ikke infrastruktur. Kernebarrieren er ikke talent, regulering eller hardware. Det er at AI-systemerne ikke lærer, ikke husker og ikke tilpasser sig. En medarbejder fortalte MIT: «Det er fremragende til brainstorming og første udkast, men det husker ikke kundepræferencer eller lærer af tidligere redigeringer. Det gentager de samme fejl og kræver omfattende kontekstinput for hver session.»

Det burde lyde bekendt. Det er context rot i praksis – bare beskrevet fra brugerens perspektiv.

2. Investeringsbias. Over halvdelen af AI-budgetterne går til salg og marketing – synlige, men lavt-ROI-områder. Back-office automation – den type opgaver der faktisk leverer målbar effekt – er systematisk underfinansieret.

3. Enterprise-paradokset. Store virksomheder kører flest piloter men konverterer færrest. Mellemstore virksomheder når fra pilot til produktion på 90 dage. Enterprises bruger ni måneder eller længere.

4. Build vs. buy. Virksomheder der køber specialiserede løsninger fra leverandører har dobbelt så høj succesrate som dem der bygger internt. Men «overalt hvor vi kom hen, forsøgte virksomheder at bygge deres eget værktøj,» fortæller MITs forsker.

McKinsey: Tilliden falder

Hvor MIT kigger på værdi, kigger McKinsey på tillid. Og billedet er lige så bekymrende.

Tilliden til egen håndtering falder. Antallet af AI-relaterede incidents er stabilt – omkring 8 procent. Men tilfredsheden med organisationens respons er faldet markant. 60 procent rapporterer tilfredsstillende eller negative vurderinger af deres incidents-håndtering.

Aktiv risikohåndtering halter efter risikobevidsthed på næsten alle områder. Kløften mellem «vi ved det er et problem» og «vi gør noget ved det» vokser.

Hvad de to rapporter tilsammen fortæller os

Hver rapport er værdifuld alene. Men tilsammen tegner de et billede der er mere end summen af delene.

MIT fortæller os at AI ikke leverer værdi. 95 procent af piloter fejler. Årsagen er learning gap – systemerne husker ikke, tilpasser sig ikke, forbedrer sig ikke.

McKinsey fortæller os at organisationerne ved det. 74 procent er bekymrede for unøjagtighed. 2/3 tør ikke skalere. Tilliden falder. Men de kan ikke lukke kløften mellem bevidsthed og handling.

Microsoft Research (DELEGATE-52) fortæller os hvorfor. Alle sprogmodeller degraderer med gentagen brug. AI-agenter med værktøjer gør det værre. 80 procent af fejlene er stille og katastrofale. Ingen model viser tegn på plateau.

Tre rapporter. Tre perspektiver. Samme konklusion: AI er ekstraordinært god til isolerede opgaver. Men i sammenhængende produktion – hvor kontekst skal bevares, regler overholdes, fejl har konsekvenser – er den ikke klar. Og organisationerne ved det. Men de har ikke alternativet.

Hvad de fleste overser

Der er ét fund i MITs rapport som fortjener mere opmærksomhed end det får:

Back-office automation leverer markant bedre ROI end salg og marketing.

De fleste AI-budgetter går til det synlige – chatbots, content-generering, salgsstøtte. Men de 5 procent der faktisk leverer værdi er typisk i operations, finance og compliance. Opgaver der er regelbaserede, strukturerede og repetitive.

McKinseys rapport bekræfter det fra den anden side: organisationer der investerer i ansvarlig AI og governance opnår markant højere modenhed og realiseret værdi. Tillid er ikke compliance-skat – det er en business enabler.

De virksomheder der lykkes med AI er dem der behandler pålidelighed som en feature, ikke som en forhindring.

Vores perspektiv

Vi bygger PayTjek – et system der tjekker lønsedler og kontrakter mod overenskomsten og loven. Det er præcis den type back-office automation MIT identificerer som højt-ROI.

Og vi har set begge rapporters fund i praksis:

MITs learning gap: Vi testede sprogmodeller på overenskomstkontrol. De gentog de samme fejl, session efter session, uden at lære. Vi var nødt til at bygge deterministiske verifikationslag ovenpå.

McKinseys unøjagtighedsbekymring: 74 procent af organisationer ser unøjagtighed som en toprisiko. For lønberegning med flere hundrede regler er unøjagtighed ikke bare en risiko. Med ren AI er den næsten sikker.

Microsofts context rot: Gentagen brug degraderer output. AI-agenter gør det værre. Det bekræfter præcis det vi fandt: sprogmodeller kan ikke bruges til verifikation af komplekse regelsæt.

Vores løsning: brug AI til det den er god til – at læse ustruktureret tekst og udtrække regler. Verificer matematisk. Beregn deterministisk. Samme lønseddel giver samme svar hver gang, og vi har 0 forkerte afvigelser på 729 rigtige lønsedler. Ca. 3 sekunder pr. lønseddel.

Det er ikke anti-AI. Det er anti-hype. Det er at bruge det rigtige værktøj til den rigtige opgave.

Hvad du bør gøre

Hvis du sidder i en virksomhed der overvejer AI-investeringer, er her hvad de to rapporter tilsammen siger:

Stop med at bygge generiske AI-værktøjer internt. MIT viser at specialiserede leverandører har dobbelt succesrate. Brug energien på at finde den rigtige partner, ikke på at genopfinde hjulet.

Flyt budget fra salg/marketing til operations. Det er i back-office at ROI'en er. Det er der reglerne er klare, outputtet er verificerbart, og effekten er målbar.

Behandl pålidelighed som en feature. McKinsey viser at organisationer der investerer i governance og risikostyring realiserer mere værdi. Ikke mindre.

Spørg ikke «kan AI gøre det?» Spørg «kan vi stå inde for resultatet?» Forskellen definerer om du ender i de 95 procent der sidder fast – eller de 5 procent der lykkes.