Vi taler konstant om AI-revolutionen, men i praksis bruger de fleste mellemstore virksomheder teknologien til at optimere forældede processer.
Henry Ford sagde engang, at hvis han før bilens opfindelse havde spurgt folk, hvordan man kunne forbedre transporten, ville de fleste have bedt om en hurtigere hest.
Han forstod en fundamental menneskelig svaghed: Vores hjerner springer oftest over, hvor gærdet er lavest. Når vi sætter os ned for at innovere, tager vi ubevidst udgangspunkt i de erfaringer og systemer, vi allerede kender. Resultatet er, at vores “innovation” lynhurtigt begrænses til at sætte strøm til eksisterende vaner.
I mit daglige arbejde som digital marketing specialist i den finansielle sektor ser jeg præcis det samme mønster udfolde sig lige nu. Vi taler stolpe op og stolpe ned om, at AI vil vende verden på hovedet. Men virkeligheden er, at AI i langt de fleste virksomheder “bare” handler om simpel procesoptimering. Man bygger en ekstra CustomGPT, opsætter en ny Copilot Agent eller lancerer en intern Gembot, som lader medarbejderne løse de præcis samme opgaver som i går – bare lidt hurtigere.
Vi bygger med andre ord hurtigere heste.
Hvis vi vil udnytte det reelle potentiale og ikke blive overhalet indenom af dem, der tør opfinde bilen, er vi nødt til at grave dybere.
Begrænsninger er kreativitetens brændstof
Men hvordan bryder vi den fastlåste vanetænkning i en travl marketing- eller IT-afdeling?
Ironisk nok er svaret sjældent total frihed. Et blankt stykke papir og en åben prompt-boks kan lamme enhver organisation, mens skarpe rammer tvinger hjernen til at tænke i helt nye baner. Kreativiteten skal provokeres for at vågne.
Næste gang I samler teamet for at udvikle nye løsninger, så prøv at opsætte radikale tankeeksperimenter med et simpelt “hvad nu hvis”:
- Hvad nu hvis vi slet ikke måtte bruge vores eksisterende martech-systemer fra i morgen? Hvordan ville vi bygge lead-genereringen op fra bunden?
- Hvad nu hvis vi skulle levere det samme resultat, men marketingbudgettet var skåret med 90 procent?
- Hvad nu hvis en AI-model skulle drive hele kunderejsen autonomt? Hvordan ville vi redesigne dataindsamling og touchpoints for at muliggøre det?
Alternativet til disse øvelser er at arbejde bevidst med innovationskryds. Det er her, vi kombinerer AI-kapabiliteter med andre, eksisterende teknologier for at skabe et helt nyt værditilbud, frem for blot at optimere et enkeltstående led i en proces.
Udfordringen med Citizen Development og dårlig datadisciplin
Lad mig give et konkret, teknisk eksempel fra min egen dagligdag på, hvordan et sådant innovationskryds kan se ud.
I mange større virksomheder har man omfavnet citizen development – tanken om at slutbrugerne selv kan bygge f.eks. Copilot Agenter til at løse deres specifikke afdelingsbehov. På papiret er det en fantastisk demokratisering af teknologi.
Min personlige erkendelse er dog, at det ofte fejler i praksis. Hvorfor? Fordi folks datadisciplin og evne til at prompte er utroligt varierende. Når inputtet er diffust, bliver outputtet fra Agenten derefter, og så falder anvendelsesgraden drastisk. Folk mister tilliden til værktøjet.
Løsningen: Et kontrolleret innovationskryds
For at løse det problem har jeg for nyligt bygget en intern Martech Toolbox til vores in-house marketingafdeling, hvori der nu indgår en hjemmebygget AI chat.
Her har vi ikke bare givet brugerne en åben chat-grænseflade. Vi har i stedet bygget et system, der tvinger datadisciplinen igennem før den frie samtale med AI’en.
Løsningen er baseret på en integration til Google Vertex – en AI-API som kan bruges af udviklere (og vibe-codere som mig) som en “ai-komponent” til at bygge AI ind i tjenester, databehandling og meget mere.
I stedet for at lade brugeren starte samtalen med et tomt tekstfelt, valgte jeg at samtalen med AI’en skulle igangsættes via en “gammeldags”, dynamisk formular.
Sådan fungerer flowet:
- Kvalificering
Brugeren tvinges gennem formularen til at tage stilling til den præcise opgavetype (f.eks. SEO-optimering, content-drafting eller data-analyse). - Struktureret input
Formularen tilpasser sig dynamisk og afkræver alle nødvendige variabler i dedikerede felter (målgruppe, tone-of-voice, eksisterende datakilder osv.). - AI-aktivering
Først når de strukturerede data er indsamlet, sendes et veldefineret payload til Vertex API’et, og den egentlige samtale med AI’en begynder.
Fordi AI’en nu er fodret med et knivskarpt, struktureret udgangspunkt, er kvaliteten af outputtet tårnhøj fra første svar. Samtidig har vi bygget en backend-struktur, som gør det hurtigt og nemt at opsætte nye opgavetyper, ligesom vi sikrer central læring og logning på tværs af alle afdelingens brugere.
Det er et klassisk innovationskryds: Vi tager en velkendt, stram dataindsamlingsmetode (formularen) og kombinerer den med avanceret generativ AI (Google Vertex).
Det er her, vi tvinger os selv ud af hestevognen, væk fra rodet citizen development, og ind i fremtiden.
Spørgsmål og svar
Det er skæringspunktet, hvor du tager to eller flere eksisterende teknologier, processer eller koncepter og kombinerer dem for at skabe et helt nyt værditilbud – frem for blot at optimere en eksisterende silo. Det kaldes også kombinatorisk innovation.
Historisk set er de største gennembrud opstået i præcis disse krydsfelter:
Trykpressen: Johannes Gutenberg opfandt ikke det at trykke. Hans genistreg var et innovationskryds, hvor han tog en traditionel vinpresse fra landbruget og kombinerede den med bevægelige blytyper og oliebaseret blæk. Det skabte massekommunikation.
Smartphonen: Da den første iPhone blev lanceret, var det ikke bare en forbedret telefon med bedre knapper. Det var et bevidst kryds mellem en mobiltelefon, en musikafspiller og en internetbrowser.
Uber: De opfandt ikke taxaen eller samkørsel. De lavede et innovationskryds mellem en etableret servicebranche og den (dengang) nye GPS- og smartphone-teknologi, hvilket skabte en helt ny forretningsmodel.
I en moderne martech-kontekst betyder det, at du ikke bare skal bruge en LLM til at skrive e-mails lidt hurtigere. Du skal lede efter krydset, hvor avanceret AI for eksempel kombineres med stramme, dynamiske formularer og jeres ERP-system for at skabe en fuldautomatiseret problemløser, der ikke var teknisk mulig at bygge i går.
De åbne AI-agenter kan være udmærkede… men når vi baserer vores AI-initiativer på åbne agenter, gør vi reelt kvaliteten af arbejdet meget afhængig af den enkelte medarbejders datadisciplin og tekniske formåen. Evnen til at skrive den perfekte start-prompt og fodre AI’en med den rette kontekst svinger utroligt meget fra person til person.
En åben chat-grænseflade fungerer i bund og grund som et blankt stykke papir. For de få superbrugere i virksomheden er det en fantastisk, fri legeplads, men for langt de fleste medarbejdere kan den totale mangel på struktur være lammende. Hvis brugeren ikke på forhånd ved, hvilke specifikke datasæt, formater eller variable modellen har brug for, bliver outputtet lynhurtigt overfladisk, generisk eller upræcist.
Det betyder ofte, at anvendelsesgraden og begejstringen daler markant, så snart hvedebrødsdagene er ovre. Når folk oplever, at de ikke kan stole på at få et konsistent og brugbart resultat hver gang, falder de tilbage til de gamle vaner og systemer.
På den måde begrænses agenternes potentiale til blot at fungere som glorificerede stavekontroller eller til at skrive en hurtig e-mail.
En API-drevet tilgang via Google Vertex (eller lignende enterprise-modeller) giver dig fuld kontrol over backend, sikkerhedspolitikker, logning, og muligheden for at bygge custom frontends (som formularer), der styrer brugerrejsen stramt.
