Hvad er kunstig intelligens? (AI)
Kunstig intelligens er blevet en af de mest transformative teknologier i vores tid. Her får du et samlet overblik over de vigtigste typer af AI, hvad de kan bruges til, og hvilke overvejelser der følger med, når teknologien flytter ind i forretningen.
Cirka læsetid: 8 minutter. Opdateret: d.20.11.25
Kunstig intelligens er betegnelsen for computersystemer, der med en vis grad af selvstændighed kan løse opgaver, som normalt kræver menneskelig intelligens. Eksempelvis at genkende mønstre, træffe beslutninger på baggrund af data eller at lave kvalificerede forudsigelser.
Nogle typer af kunstig intelligens er specialiseret i enkelte opgavetyper, og kan være gode til eksempelvis salgsprognoser eller vejrforudsigelser. Andre er mere generelle, og kan anvendes til produktion af tekstindhold eller grafisk materiale.
Begrebet ”kunstig intelligens” har eksisteret siden 1956, og har historisk set været brugt til meget nicheprægede opgaver. Det er altså først i nyere tid, med teknologiske gennembrud som deep learning, backpropagation og transformer arkitektur, at teknologien er blevet moden nok til at løse opgaver for den brede befolkning. Det hele kulminerer d. 30. november 2022 med udgivelsen af AI platformen ChatGPT, som med deres brugervenlige webside fik kunstig intelligens i hænderne på forbrugerne.
Kategorier af kunstig intelligens
Generativ AI
Generativ AI er kunstig intelligens, der kan generere og skabe nyt indhold. I dag er mange af de mest avancerede modeller ”multimodale”, hvilket betyder at de kan udtrykke sig i flere formater. Den samme model kan f.eks. skifte imellem at svare med tekst billede, lyd og kode.
Det kan de gøre, fordi de er blevet trænet på helt usandsynligt store datasæt med blandt andet tekster og billeder. På baggrund af alt det data har modellen gennemskuet de sproglige og visuelle sammenhænge og mønstre der er, når vi mennesker producerer indhold, og det er den så i stand til at efterligne.
Mange af de mest udbredte generative AI modeller kan bruges på tværs af brancher og opgaver. Disse modeller kaldes derfor ofte “general purpose AI-modeller” (GPAI).
Kendetegn:
- Trænet på: Store mængder tekst, billeder, lyd eller kode (afhængigt af modeltype)
- Gode til: Kreative opgaver som tekstgenerering, billedskabelse og programmering
- Begrænsninger: Kan “hallucinere” og opfinde information, der ikke findes i træningsdata
- Eksempler: Mistral.ai, ChatGPT, Midjourney
Prædiktiv AI
Prædiktiv AI er ofte mere snæver i sit fokus end generativ AI. Disse AI modeller trænes også på mønstre i data, men her er det ofte inden for en specifik opgave.
Et eksempel kan være en dampkedel, som indgår i en produktion, hvor trykket på kedlen løbende skal optimeres, for at sikre et lavt energiforbrug. Ved at træne AI modellen på data over hvordan energiforbruget udvikler sig i relation til trykket, vil modellen til sidst være i stand til selv at forudsige og justere trykket optimalt.
Kendetegn:
- Trænet på: Historiske datasæt fra fx salg, produktion, adfærd og sensorer
- Gode til: Forecasting, risikovurdering, churn analyse og kvalitetskontrol
- Begrænsninger: Meget afhængig af datakvalitet og ensartede opgaver
- Eksempler: Vedligeholdelse af maskiner, kundefrafald i abonnementsordninger og svindalarmer
Symbolsk AI
Symbolsk AI er en af de tidligste former for kunstig intelligens og bygger på idéen om, at en computer kan ræsonnere, hvis vi giver den en struktureret forståelse af verden. I stedet for at lære statistiske mønstre fra rå data, fungerer symbolsk AI ved hjælp af begreber, relationer og logiske regler, som mennesker selv definerer.
Den arbejder altså ikke med sandsynligheder, men med “viden”, som er skrevet ind i systemet på forhånd. Det kan f.eks. være oplysninger om, hvad en medarbejder, en kontrakt eller en maskindel er, og hvordan de hænger sammen.
På den måde kan systemet selv drage logiske konklusioner, når en situation opstår. Symbolsk AI bruges især i områder, hvor reglerne er klare og kravene til forklarlighed er høje, som jura, planlægning, sikkerhed eller kvalitetskontrol.
Kendetegn:
- Trænet på: Manuelt definerede begreber, relationer og logiske regler
- Gode til: Opgaver der kræver streng logik, forklarlighed, struktureret viden og stabile konklusioner
- Begrænsninger: Meget afhængig af korrekt viden og regler; svært ved tvetydige situationer og kreativitet
- Eksempler: Ekspertsystemer, compliance-værktøjer, juridiske regelsæt, planlægnings- og diagnosesystemer
Regelbaseret AI
Regelbaseret AI er også en af de ældre AI typer, og er i nogen grad en underkategori af symbolsk AI. Modellen fungerer efter de klassiske “hvis dette, så gør dette” principper, og indeholder altså ingen statistisk læring som generativ og prædiktiv AI.
Et eksempel på en fast defineret regel kunne være ”Når værktøj når 70° sænk så rotationshastighed med 10%”. Disse modeller er simple, stabile og pålidelige, men mangler fleksibilitet til de fleste opgaver.
I dag vil mange betegne regelbaserede systemer som “automatisering” snarere end egentlig AI, men historisk har de været en central del af AI feltet.
Kendetegn:
- Trænet på: Fastsatte regler og procedurer
- Gode til: Sagsbehandling, validering og automatisering af kendte processer
- Begrænsninger: Kan ikke lære nye mønstre og kræver manuelle opdateringer. Er desuden ikke egnet til komplekse processer.
- Eksempler: Klassiske chatbots, skatteberegning og forretningslogik i ældre systemer
Muligheder med kunstig intelligens
Kunstig intelligens åbner mange muligheder for effektivisering i den måde vi arbejder på, og i den måde vi forretningsudvikler. Du kan samle inspiration i vores use-case bank, hvor vi har samlet de vigtigste indsigter og erfaringer, fra de virksomheder som succesfuldt har implementeret AI i forretningen.
Efter at have interviewet hundredvis af små- og mellemstore virksomheder, er vores erfaring, at teknologiens muligheder kan anskues sådan:
Forbedring af nuværende arbejdsmetoder
Her handler implementeringen af AI om at gøre det eksisterende arbejde lettere, hurtigere og mere ensartet. Det kan være ved at gøre en eksisterende proces hurtigere, eller måske endnu bedre ved at gentænke processen, så det i sidste ende bliver både bedre og billigere.
Generativ AI kan tage den administrative del af arbejdet, og generere hurtige udkast til analyser og artikler. Alt imens prædiktive modeller kan fuldautomatisere processer der før krævede mennesker, og ofte med bedre resultater.
Det fører ikke nødvendigvis til nye måder at drive forretning på, men til en mere effektiv hverdag, hvor medarbejdere får tid til de opgaver, der kræver faglighed og dømmekraft.
Forbedring af eksisterende servicemetoder
Her bruger virksomheder AI til at styrke den eksterne del af deres ydelse. Deres service og support. Det kan være alt fra en bedre kundeserviceoplevelse med AI Chatbots til automatiske performancerapporter eller mere præcise leveringsestimater.
AI kan sikre et hurtigere svar, 24 timers support, mere konsistente anbefalinger og tilpasset kommunikation baseret på kundens adfærd og historik. Hvis det gøres rigtigt, kan resultatet være højere kundetilfredshed og mere stabile arbejdsgange.
Nye måder at arbejde på
Når virksomheder går skridtet videre, handler AI ikke kun om at forbedre noget eksisterende, men om at ændre arbejdets form. Her begynder AI at flytte på de interne processer, roller og beslutninger.
Det kan være helt nye produktionsflows, nye måder at håndtere risici og data eller interne omstruktureringer. I mange brancher ser man nu eksperimenter med digitale agenter, der arbejder selvstændigt på opgaver. Agenter der kan være i stand til at håndtere en proces fra start til slut.
Den tid der bliver frigivet, og den tid der skal bruges på udvikling og drift af AI systemer, kalder ofte på nye måder at arbejde og organisere sig på.
Nye produkter og services
Her bruges AI til at skabe noget, der ikke fandtes før. Helt nye forretningsmodeller, produkter eller tjenester.
Det kan være AI-drevne rådgivningsværktøjer, personaliserede produkter, automatiserede ekspertsystemer eller helt nye digitale services, der kun er mulige i kraft af AI. Mange virksomheder arbejder også med at koble generativ AI med domænespecifik viden for at skabe nye værdikæder og differentiere sig på markedet.
Her ligger der et stort strategiske potentiale, med mulighed for massiv vækst. Det kræver dog innovationslyst, mod, eksperimenter, styring af data og ofte en strategisk tilgang til teknologien.
Udfordringer ved kunstig intelligens
Selv om kunstig intelligens rummer store muligheder, følger der også en række udfordringer med, som virksomheder bør være opmærksomme på og tage stilling til. Her kan du se et udsnit af de vigtigste.
Etik og bias
AI systemer træffer beslutninger på baggrund af mønstre, som de har lært af data. Det betyder, at hvis det data modellen er trænet på indeholder skævheder, så risikerer systemet at videreføre dem. Det kan eksempelvis være kønsnormative eller kulturelle antagelser, som får indflydelse på outputtet. Det kan du læse mere om i vores artikel om bias i AI.
Datasikkerhed
Ét af de hyppigste spørgsmål ift. datasikkerhed er, hvad der sker med det data, vi sender ind i en AI model. Mange moderne AI modeller er “black box” systemer i den forstand, at det kan være svært at forklare, hvorfor de giver et bestemt svar, og hvordan det data der lander i modeller som træningsdata påvirker fremtidige outputs.
Det skaber udfordringer i brancher, hvor dokumentation og forklarlighed er lovkrav. De fleste udbydere tillader dog, at man fravælger, at ens data bruges til at træne deres generelle modeller, hvilket mindsker risikoen for, at forretningskritisk viden lækker.
Hallucinationer
Generativ AI kan fremstå sikker i sine svar, men teknologien har ikke nogen ide om begrebet "rigtigt og forkert". Generativ AI er ikke skabt til at kende sandheden. Den er skabt til at forudsige det mest sandsynlige næste ord. Det betyder, at modellerne kan opfinde tal, citere kilder, der ikke findes, eller blande fakta sammen på overbevisende vis.
I praksis er det en af de største dagligdagsudfordringer, når AI skal bruges i drift. Systemerne kan levere høj produktivitet, men i mange anvendelser er der behov for kontrol af kvaliteten. Et såkaldt "human in the loop", hvor outputtet bliver efterset af et menneske.
Virksomheder bør derfor arbejde med verificeringsprocesser, to-trins godkendelser, løbende kvalitetstjek og klare retningslinjer for, hvornår AI må handle selv, og hvornår et menneske skal ind over.
Miljøpåvirkning
De store AI modeller kræver enorme mængder strøm, datakraft og køling. Derfor ser vi nu massive investeringer i nye datacentre, energiproduktion og forsyningsnet, der skal trække den voksende efterspørgsel. Det rejser naturligt spørgsmål om klimaaftryk og presset på den grønne omstilling.
Samtidig er der en anden side af ligningen. AI bruges i stigende grad til at udvikle grønne teknologier og til at optimere en lang række CO2 producerende processer.
Derfor er det svært at lave et enkelt klimaregnskab for kunstig intelligens. På den ene side kræver teknologien betydelige mængder energi. På den anden side driver den fremskridt, der kan gøre vores samfund markant grønnere.
Vil du lære mere om AI?
AI udvikler sig hurtigt, og det kan være svært at følge med, men du står ikke alene. Hos Dansk Industri har vi samlet en lang række ressourcer, der gør det lettere at forstå, anvende og implementere AI – uanset om du er i gang, på vej eller bare nysgerrig.
Hvis du har fået blod på tanden efter denne artikel, og gerne vil lære mere om hvordan teknologien bag virker, så kan du læse mere på vores AI for Alle univers.
Der finder du desuden:
- Guides og artikler om alt inden for AI
- Konkrete cases fra danske virksomheder
- Gratis værktøjer og vejledninger
- Kurser og events hvor du kan lære, netværke og få sparring.
AI er ikke kun for specialister og teknikere. Det er for alle, der vil være med til at forme fremtiden.
