AI: Det Nye Landskab

Disruption: mulighed og trusler

Disruption: Fra hestevogn til bil — Historisk Disruption: Skiftet fra hestekræfter til motorkraft gik hurtigere end nogen havde forudset.

Harvard/BCG: 'The Jagged Technological Frontier'

I et feltstudie på 758 BCG-konsulenter målte Harvard Business School effekten af LLM'er på produktivitet og kvalitet — og fandt både store gevinster og konkrete faldgruber.

Åbn studiet (HBS) ↗ Tip: åbn i ny fane og download PDF derfra.

• +~40% kvalitetsløft (samlet set)
• +25.1% hurtigere gennemførsel
• +12.2% flere opgaver løst
• Men: på opgaver udenfor AI'ens 'frontier' faldt performance (risiko for overconfidence)

Opgave til ledergruppen

Hent studiet via linket og brug prompten herunder til at trække læring ud i SwipBox-kontekst.

Persona: Du er min senior analytiker og kritiske reviewer.

Kontekst: Jeg har læst Harvard/BCG-studiet 'Navigating the Jagged Technological Frontier'. Jeg skal omsætte læring til beslutninger i en ledelsesgruppe (SwipBox).

Opgave: 1) Opsummér de 3 stærkeste resultater/fund (med kort begrundelse) som er mest relevante for ledelse. 2) Identificér 3 'opdagede problemer' / failure modes fra studiet (fx hvor AI forringede performance, eller hvor organisationer kan fejle i implementering). 3) Oversæt hvert punkt til én konkret anbefaling til, hvordan vi bør bruge (eller ikke bruge) LLM'er i SwipBox.

Executive summary

• Centaur vs. cyborg: vælg workflow efter opgavetype — og hvor tæt opgaven er på frontier.
• Største risiko er overconfidence: AI kan levere plausible svar uden at være korrekt.
• Ledelsesopgave: sæt guardrails, beslut hvornår AI må/ikke må bruges, og mål impact (ikke output).

HBS & BCG: Navigating the Jagged Frontier

Karim Lakhani (HBS) og Francois Candelon (BCG) diskuterer studiets resultater og hvad det betyder for konsulenter og ledere.

PwC: $1 mia. investering i AI (GenAI i enterprise-skala)

PwC investerer $1 mia. over tre år for at skalere AI kapabiliteter (inkl. Azure OpenAI), governance og opkvalificering af 65.000 medarbejdere. Pointen: AI bliver et ledelsesanliggende og en 'operating model'-ændring — ikke et værktøj til hobbyprojekter.

Åbn PwC-artiklen ↗

Key points (leder-perspektiv)

• $1 mia. over tre år (strategisk commitment)
• Partnerskab: Microsoft + Azure OpenAI (lukket/sikkert miljø)
• Upskilling: 65.000 medarbejdere (AI er for alle faggrupper)
• Responsible AI: governance, sikkerhed, tillid (fair/explainable/transparent)
• 29% effektivitet i claims estimation (case-eksempel fra artiklen)

De 4 spørgsmål (til workshop)

• Hvordan kan AI genopfinde forretningsmodellen og skabe nye vækstveje?
• Hvordan beskytter vi data og fortrolighed (NDA/proprietær viden)?
• Hvordan skaber vi tillid til modellerne (fair, forklarbar, transparent)?
• Hvordan opkvalificerer vi organisationen til AI i daglig drift?

Opgave: Fra artikel → beslutninger

Åbn PwC-artiklen og brug prompten til at udlede konkrete beslutninger og risici for SwipBox.

Opgave: Fra artikel → beslutninger

HANDLINGER (gør dette først):
1) Kopiér hele denne prompt ind i din AI/chat.
2) Åbn PwC-artiklen i din browser.
3) Kopiér hele artikelteksten (inkl. overskrifter og bullets).
4) Indsæt artikelteksten direkte efter 'Artikeltekst:' herunder (uden at ændre resten af prompten).
5) Send beskeden.

Persona: Du er min AI-strategiske rådgiver og risk officer.

Kontekst: Jeg har læst PwC's artikel om $1 mia. investering i AI for at skalere GenAI (Microsoft/Azure OpenAI, Responsible AI, upskilling).

Opgave:
1) Opsummér de 3 vigtigste ledelses-læringer fra artiklen (ikke tekniske detaljer).
2) Identificér 3 risici/blindspots ved en sådan AI-satsning (fx data governance, adoption, 'false confidence', ROI-måling).
3) Giv et forslag til SwipBox:
   - én 'no-regret' handling vi kan gøre på 30 dage
   - én strategisk beslutning vi skal tage på 90 dage
4) Stil mig 5 spørgsmål du skal have svar på for at kunne lave en robust AI-plan for SwipBox.

Artikeltekst:

Eksempler fra vores kunder

Proces optimering med AI mod RAG

AI genererer udkast til tilbud samme dag baseret på ca. 2000 historiske tilbud — Proces optimering med AI mod RAG (ca. 2000 tilbud som datagrundlag)

AI som first line

AI agent kvalificerer kundehenvendelser som first line før menneskelig opfølgning — AI som first line

Fremtidens Vidensarbejder: Fra 'Doer' til AI Manager

Vi står over for et fundamentalt skift i, hvordan vi arbejder. Vidensarbejdere kan nu paralisere deres arbejde ved at orkestrere flere AI-agenter samtidigt. Din rolle flytter sig fra at løse opgaven manuelt til at lede et team af digitale specialister.

"Alle bliver managere af deres egen AI-stab."

AI Manager orkestrerer parallelle agenter — Parallelisering: Én person, uendelige digitale hænder. Alle bliver managere af deres egen AI-stab.

Mit Digitale Team

27 specialiserede AI-agenter, der hjælper mig i min hverdag.

Indhold & Kreativitet

Fra grafik og SoMe-videoer til tekstforfatning og videns-snippets.

Udvikling & Web

Website-bygning, web-scraping, deployment og data-ekstraktion.

Styring & Vedligehold

Projektstyring, kvalitetstjek, arkivering og system-vedligeholdelse.

Eksempel på prompt

"Hey Agent-Creative, find en ny overskrift til forsiden af websitet, brug derefter Agent-Nano til at lave et passende billede, bed Agent-Developer opdatere forsiden for mig med ændringerne, og lad Agent-Audit tjekke og rette fejl."