AI er for alvor gået fra pilotprojekter til produktion i danske virksomheder. Ifølge Eurostats seneste opgørelse anvender 42 procent mindst én AI-teknologi, og det gør Danmark til det EU-land, hvor flest virksomheder systematisk bruger AI. 24Victoria har set på tre danske cases – og giver en guide til markedet netop nu. Tæt på halvdelen af […]
AI er for alvor gået fra pilotprojekter til produktion i danske virksomheder. Ifølge Eurostats seneste opgørelse anvender 42 procent mindst én AI-teknologi, og det gør Danmark til det EU-land, hvor flest virksomheder systematisk bruger AI. 24Victoria har set på tre danske cases – og giver en guide til markedet netop nu.
Tæt på halvdelen af danske virksomheder bruger mindst én AI-teknologi.
Men tallet dækker over meget forskellige virkeligheder – fra en enkelt chatbot i kundeservice til systemer med AI-agenter, der selv opdaterer CRM-systemer og godkender indkøbsordrer.
Denne guide handler om, hvad danske virksomheder rent faktisk har sat i produktion lige nu. Og hvad det medfører af problematikker:
Hvad koster AI-infrastruktur reelt? Hvordan presser datasuverænitet og EU AI Act sig ind i maskinrummet? Hvornår giver det mening at bygge selv frem for at købe?
Og hvor langt er AI-agenter rent faktisk kommet i driften?
Tre cases med fart på
Vi ser på tre cases med fokus på banksektoren, detailhandlen – og så det offentlige.
Danske Bank, Flying Tiger Copenhagen og Hovedstadens Beredskab er tre meget forskellige organisationer med meget forskellige budgetter. Men de deler én ting: De har alle fundet en konkret, afgrænset opgave, hvor AI reelt gør en forskel – i stedet for at implementere teknologi for teknologiens skyld.
Og det er i sin grundessens den samme lektie: Det er ikke længere et spørgsmål om at komme i gang med AI. Det er et spørgsmål om, hvor bevidst man er om de valg, man allerede har truffet – teknisk, organisatorisk og geopolitisk.
Et mønster går igen
På tværs af de tre cases tegner sig et tydeligt mønster: Den danske virksomhed, der lykkes med AI i 2026, er ikke nødvendigvis den, der vælger den mest avancerede model.
Det er den virksomhed, der vælger den rigtige opgave, matcher løsningen til sin egen organisatoriske modenhed – og har styr på, hvor dens data reelt befinder sig den dag, en leverandør et sted i verden beslutter at lukke en dør.
Én begivenhed binder flere af trådene sammen.
Fredag den 12. juni 2026 modtog Anthropic et brev fra det amerikanske handelsministerium, som pålagde virksomheden at forhindre udenlandske statsborgere i at få adgang til AI-modellerne Claude Fable 5 og Claude Mythos 5 med henvisning til amerikansk eksportkontrol. Da Anthropic ikke kunne verificere brugernes nationalitet, lukkede virksomheden midlertidigt adgangen til modellerne globalt.
Adgangen blev genåbnet 1. juli, men episoden nåede at sætte turbo på en debat, der allerede for længst er i gang i hele Europa.
Hvad sker der med din AI-strategi den dag, en amerikansk leverandør lukker døren?
Det er ikke en teoretisk risiko for danske virksomheder. Det er allerede sket.
CASE 1: Danske Bank – AI er hjørnesten i ny teknologisatsning til 4,5 milliarder kroner årligt
Danske Bank er formentlig det tydeligste eksempel på, hvor store AI-investeringerne er blevet i dansk erhvervsliv – og hvor tæt de er koblet til bankens overordnede forretningsstrategi.
I en selskabsmeddelelse fra 30. april 2026 opdaterede banken sine finansielle målsætninger frem mod 2028 som led i Forward ’28-strategien. Her fremgår det, at de årlige investeringer i kerneteknologi, AI-drevne platforme og rådgivning øges fra omkring 4,0 til omkring 4,5 milliarder kroner (Danske Bank, selskabsmeddelelse nr. 22/2026, 30. april 2026).
Banken skriver samtidig, at den frem mod 2028 vil fortsætte med at skalere AI-agenter fuldt ud, modernisere deres tech stack og levere AI-drevet kundeinteraktion og operationelle processer på tværs af alle forretningssegmenter, alt sammen baseret på et robust risiko- og compliance-fundament.
Banken forventer desuden, at AI og andre teknologier vil skabe årlige produktivitetsgevinster på omkring to milliarder kroner i 2028.
Allerede nu bruger 95 procent af bankens udviklere AI-kodeværktøjer. Virksomhedskreditprocesser gennemføres 40 procent hurtigere, og omkring tre fjerdedele af kundehenvendelserne løses uden menneskelig indblanding.
CEO Carsten Egeriis har desuden fortalt, at bankens rådgivere bruger Microsoft Copilot til mødereferater, hvilket sparer dem op til 14 procent af arbejdstiden. Han har også oplyst, at bankens mere end 3.000 softwareudviklere anvender GitHub og andre AI-understøttede værktøjer.
Det koster arbejdspladser
Casen har også en mindre glansfuld side.
I samme forår gennemførte Danske Bank to store fyringsrunder, som banken selv kobler til automatisering.
I februar 2026 blev 420 stillinger nedlagt globalt, heraf 230 i Danmark og 114 i Litauen. I maj fulgte yderligere 262 stillinger, heraf 199 i Danmark.
Banken skriver i selskabsmeddelelsen, at “øget automatisering og forenkling i de seneste år har medført, at mange aktiviteter, der tidligere krævede omfattende manuelt arbejde, nu er automatiserede eller bedre understøttet af værktøjer.”
Professor Jacob Sherson i Department of Management ved Aarhus Universitet advarer i den forbindelse om, at hvis fyringer bliver omdrejningspunktet for en banks AI-strategi, risikerer man at underminere både innovation og medarbejdertillid på længere sigt. Det skriver Finansforbundet i en artikel med titlen “Fyringer kan blive bankernes største mareridt” – fra april 2026.
Som alternativ peger Jacob Sherson på IKEA, der omskolede tusindvis af callcenter-medarbejdere til digitale indretningskonsulenter.
Hvad andre kan lære af det
Danske Banks case viser, hvad produktion i skala faktisk kræver. Ikke ét enkelt værktøj, men et flerårigt investeringsprogram, hvor compliance er tænkt ind fra begyndelsen.
Den viser også, at AI-investeringer og organisatoriske konsekvenser hænger tæt sammen. Samtidig er det en ledelsesopgave at kommunikere klart om konsekvenserne – noget både Danske Bank og Nordea er blevet kritiseret for ikke at gøre tydeligt nok over for medarbejdere og fagforeninger.
Det er samtidig værd at bemærke, at Danske Bank ikke står alene.
Nordea har i samme periode annonceret en reduktion på 1.500 stillinger, blandt andet begrundet i øget brug af teknologi, data og kunstig intelligens. Banken forventer årlige besparelser på mere end én milliard kroner fra 2028.
Samtidig har Nordea udviklet en modulær AI-platform oven på Amazon Bedrock for at undgå afhængighed af én leverandør. Den tilgang går igen hos Danske Bank.
Det understreger, at leverandøruafhængighed er ved at udvikle sig til et fælles nordisk designprincip for AI-arkitektur – ikke blot et valg hos enkelte virksomheder.
CASE 2: Flying Tiger Copenhagen – hurtig og målbar ROI i retail
Hvor Danske Bank handler om skala og governance, viser Flying Tiger Copenhagen det modsatte: en afgrænset investering med en hurtig og målbar gevinst.
Detailkæden stod med en konkret flaskehals. Det tog tid at skrive produktbeskrivelser og oversætte marketingmateriale til de mange markeder, virksomheden opererer på.
Ifølge virksomhedens egen case, formidlet af Dansk Erhverv, tog det tidligere mere end fem minutter at skrive én produktbeskrivelse. Med en GPT-baseret model blev tiden reduceret til omkring ét minut.
Til oversættelser anvendte virksomheden et OpenAI-baseret system. Ifølge Flying Tiger sparede det virksomheden omkring én million kroner over et år og gjorde det muligt at lancere kampagner på tværs af markeder langt hurtigere end tidligere, hvor oversættelser kunne tage op til en uge.
Det skal dog siges tydeligt, at tallene er selvrapporterede og formidlet af en brancheorganisation, der selv beskriver formatet som at “give ordet til virksomhederne selv.” De er derfor ikke uafhængigt revideret.
Til gengæld er tallene konkrete og passer med, hvad man normalt vil forvente af en AI-løsning til tekstproduktion i den skala.
Hvad andre kan lære af det
Flying Tiger-casen er interessant, netop fordi den ikke kræver investeringer i Danske Bank-størrelse.
Virksomheden har valgt en afgrænset opgave – produkttekster og oversættelser – kombineret med en standardløsning frem for en specialudviklet model. Resultatet er en tydelig business case med en målbar effekt. Det er et skoleeksempel på den tilgang, AI-eksperter ofte anbefaler: Find én konkret og gentagen arbejdsopgave, mål effekten og skalér først derefter.
CASE 3: Hovedstadens Beredskab – hvorfor ikke bare RPA?
Den tredje case kommer fra den offentlige sektor og illustrerer en vigtig pointe: AI er ikke altid det rigtige førstevalg. Det bliver først relevant, når regelbaseret automatisering ikke længere slår til.
Hovedstadens Beredskab, Danmarks største kommunale beredskabsorganisation med knap 1.000 medarbejdere fordelt på 13 lokationer, brugte en manuel proces, hvor e-mails fra en fælles postkasse skulle videresendes til de rette interne afdelinger. Opgaven tog omkring en time hver dag. Det skriver Dansk Erhverv.
Ifølge casen forsøgte organisationen først at løse opgaven med RPA (robotic process automation). Det viste sig imidlertid utilstrækkeligt, fordi videresendelsen ikke var en 100 procent regelbaseret proces. Indholdet i e-mails varierede for meget til, at faste regler kunne håndtere alle tilfælde.
I stedet valgte Hovedstadens Beredskab at træne en maskinlæringsmodel til at forstå, hvordan e-mails skulle fordeles. Undervejs undersøgte organisationen tre forskellige metoder til automatisering og klassificering, før den endelige løsning blev valgt.
Også her gælder samme forbehold som i Flying Tiger-casen. Der er tale om en selvrapporteret case formidlet af en brancheorganisation – og ikke en uafhængig evaluering. Men de konkrete detaljer – det præcise tidsforbrug, begrundelsen for at fravælge RPA og beskrivelsen af de forskellige løsningsforsøg – gør casen både troværdig og relevant for andre organisationer med lignende udfordringer.
Hvad andre kan lære af det
Casen peger på en tommelfingerregel, der går igen i flere danske AI-guides: Hvis en proces er 100 procent forudsigelig og styret af faste regler, vil almindelig workflow-automatisering ofte være billigere og hurtigere at implementere og mere stabil end en AI-model.
Det er først, når opgaven omfatter ustrukturerede data eller kræver kontekstafhængige vurderinger, at maskinlæring eller AI-agenter for alvor giver mening.
Udgifter til AI-stacks og AI-infrastruktur
Hvad koster det egentlig at bygge og drive AI i produktion i Danmark?
Præcise og reviderede tal for enkeltvirksomheders AI-udgifter sjældent offentligt tilgængelige. Det gælder også de tre cases ovenfor, hvor kun Danske Bank har oplyst et konkret samlet investeringstal.
I den tunge ende af skalaen giver Danske Banks investering på 4,5 milliarder kroner om året i kerneteknologi og AI en referenceramme for, hvad AI i stor skala koster hos en systemisk vigtig finansiel institution.
Det er dog vigtigt at understrege, at beløbet dækker kerneteknologi bredt – herunder cloud-migrering, platformsmodernisering og rådgivningsværktøjer – og ikke kun AI isoleret set.
For SMV’er ser billedet markant anderledes ud.
Ifølge brancherapporter fra AI-implementeringsbureauer varierer priserne betydeligt afhængigt af ambitionsniveau. En simpel, specialudviklet AI-agent kan udvikles fra omkring 5.000 kroner ekskl. moms, mens mere avancerede løsninger med dataintegration og flere systemintegrationer typisk tager 1-3 uger at udvikle og koster tilsvarende mere.
Og en simpel AI-agent kan sættes i produktion på 1-2 uger. En agent på mellemniveau med flere integrationer tager typisk 3-6 uger inklusive test, mens komplekse enterprise-løsninger kan tage 2-4 måneder. De fleste projekter for danske SMV’er lander dog på 3-4 uger fra første møde til produktion.
I den brede ende af markedet – abonnementsbaserede AI-værktøjer uden specialudvikling – ligger priserne typisk mellem 500 og 5.000 kroner om måneden afhængigt af funktionalitet og antal brugere.
Den største omkostning sjældent er selve softwaren. Den ligger snarere i den tid, det tager at forstå eksisterende processer, identificere de rigtige use cases og træne medarbejderne.
Et par tal kan være med til at sætte udviklingen i perspektiv, men de bør læses med et kritisk blik. Enkelte brancheanalyser anslår, at danske virksomheder i 2026 investerer over 18,7 milliarder kroner årligt i AI-drevne automatiseringsløsninger. Det svarer til en stigning på 340 procent siden 2024. Samme analyser peger på en gennemsnitlig ROI-periode på 8-14 måneder.
Den type branchetal er nyttige som temperaturmåling, men bør betragtes som estimater snarere end revideret statistik, da metodegrundlaget sjældent er fuldt gennemsigtigt.
Pris til træning falder
Ifølge Dansk Industri falder prisen på at træne og drifte AI med omkring en faktor 10 om året, drevet af konkurrence og teknologiske fremskridt.
Den reelle omkostning ligger i implementering, datakvalitet, governance og medarbejdertræning – ikke i selve token-prisen. Det bekræftes indirekte af, hvor forskelligt de tre cases fordeler deres omkostninger.
Hos Danske Bank er langt størstedelen af de 4,5 milliarder kroner formentlig bundet i platformsmodernisering, cloud-migrering og compliance-arbejde snarere end i selve modelforbruget.
Hos Flying Tiger Copenhagen var investeringen sandsynligvis begrænset til abonnementsomkostninger til en eksisterende GPT- eller OpenAI-baseret tjeneste. Prisen for at generere tekst er i den sammenhæng marginal sammenlignet med den tid, der tidligere blev brugt på manuelt arbejde.
Hos Hovedstadens Beredskab lå den reelle omkostning formentlig i at afprøve tre forskellige tilgange til klassifikation, før den rigtige løsning blev fundet. Altså i udviklingstid og test – ikke i driften.
Det er et mønster, mange danske IT-chefer vil kunne genkende. Budgetposten til AI-abonnementer er sjældent den største. Det er timerne brugt på integration, dataoprydning og organisatorisk forankring, der afgør, om projektet reelt betaler sig hjem.
Strategisk autonomi: Data suverænitet og EU AI Act
To regulatoriske og geopolitiske udviklinger præger enhver dansk AI-stack i 2026: digital suverænitet og EU AI Act. De hænger tættere sammen, end mange umiddelbart tror.
Digital suverænitet gik fra at være en detalje for IT-afdelingen til en beslutning på direktionsgangen, da den amerikanske regering i juni 2026 lukkede for europæisk adgang til Anthropics nyeste modeller, Claude Fable 5 og Claude Mythos 5, med henvisning til eksportkontrol.
Adgangen blev genåbnet 1. juli, men episoden føjede sig til de “wake-up calls” angående Europas afhængighed – eller strategiske autonomi – set i relation til amerikansk AI-infrastruktur.
Alexandra Instituttet, Danmarks eneste Godkendte Teknologiske Service-institut inden for IT og digitalisering, reagerede hurtigt. Instituttet lancerede kort efter en AI-platform, der er fuldt hostet i Danmark og målrettet organisationer med høje krav til GDPR, datasikkerhed og lokal datahåndtering.
“I flere år har danske virksomheder stået med et svært valg, når de ville implementere generativ AI i forretningen. Enten gik de på kompromis med ydeevnen, eller også accepterede de, at forretningskritiske data forlod landet,” forklarer platformens Head of AI Lab, Mie Hvas, i en pressemeddelelse fra Alexandra Instituttet.
CEO Niels Husted Kjær understreger samtidig, at platformen bevidst er bygget på åbne modeller for at give kunderne reel kontrol og gennemsigtighed i stedet for at låse dem inde hos én leverandør.
Virksomheder kobler sig på via et API og betaler kun for de tokens, de bruger. Og data forlader aldrig Danmark.
EU AI Act er en krævende milepæl
Den 2. august 2026 træder kravene til højrisiko-AI-systemer i kraft.
Danske virksomheder, der ikke lever op til reglerne, risikerer betydelige bøder. De mest alvorlige overtrædelser af EU AI Act kan udløse bøder på op til 35 millioner euro – eller 7 procent af den globale omsætning, mens overtrædelser af reglerne for højrisiko-AI-systemer typisk kan udløse bøder på op til 15 millioner euro – eller 3 procent af den globale omsætning.
Den slags rammer i reglen store virksomheder, mens bøderne er langt mindre for SMV’er.
Højrisiko-kategorien omfatter blandt andet AI anvendt til ansættelse og rekruttering, kreditvurdering, uddannelsesvurdering, sundhedsdiagnostik og kritisk infrastruktur. Det er med andre ord områder, hvor både banker og forsikringsselskaber allerede har AI i produktion.
Danmark blev i maj 2025 det første EU-land til at vedtage en national supplerende lov til AI-forordningen. Loven udpeger Digitaliseringsstyrelsen som tilsynsmyndighed med beføjelser til at gennemføre inspektioner og udstede bøder.
En anden del af AI Act får betydning for langt flere virksomheder.
Chatbots skal oplyse brugeren om, at de kommunikerer med en AI, og AI-genereret tekst, billeder og video skal mærkes tydeligt. De krav træder også i kraft i august 2026.
Det er samtidig værd at bemærke, at EU-Kommissionen i november 2025 fremlagde et såkaldt Digital Omnibus-forslag, som potentielt kan udskyde visse højrisiko-krav med op til 16 måneder. Der er dog ingen garanti for, at forslaget bliver vedtaget, og selv i det mest optimistiske scenarie er der en bagstopperdato i december 2027.
For danske virksomheder betyder de to udviklinger tilsammen, at spørgsmålet ikke længere kun er: Hvilken model skal vi vælge?
Det er i lige så høj grad: Hvor ligger vores data, og hvem kontrollerer adgangen til den model, vi er afhængige af?
Byg selv eller køb ude i byen?
Skal man bygge sin egen AI-løsning eller købe en færdig? Ofte vil det være smart at købe ude i byen.
Men svaret afhænger mindre af den tekniske ambition end af organisationens AI-modenhed. En brugbar model, som går igen i dansk rådgivning, opererer med tre modenhedsniveauer. De pointerer specialist Thomas Cilius i artiklen: “De bedste AI-værktøjer i 2026 for danske virksomheder” – fra maj 2026.
Niveau 1. Medarbejderne bruger AI på introniveau: Vælg værktøjet med lavest friktion – for eksempel Copilot i Microsoft 365 eller Gemini i Google Workspace. Værktøjet skal være tilgængeligt dér, hvor medarbejderne allerede arbejder.
Det teknisk bedste værktøj er nemlig ligegyldigt, hvis ingen bruger det. Det er typisk her, produktionsvirksomheder og traditionelle industrier befinder sig. Ifølge Thomas Cilius er det ikke en svaghed – men et udgangspunkt, man skal bygge videre på.
Niveau 2. Der er allerede en vis fortrolighed med AI, måske bruger nogle afdelinger det ad hoc: Tilføj en generel chatassistent som Claude eller ChatGPT Enterprise, og invester i grundlæggende prompttræning – typisk 4-8 timer pr. medarbejder. Det er ofte her, ROI for alvor begynder at flytte sig.
Niveau 3. Organisationen har allerede en moden AI-kultur, klare governance-rammer og medarbejdere, der er komfortable med teknologien: Tilføj specialiserede værktøjer og overvej agentiske workflows – Claude med MCP-integrationer, GPT-baserede custom-løsninger eller egne agentarkitekturer.
På dette niveau giver det mening at arbejde med flere værktøjer parallelt, fordi organisationen kan håndtere kompleksiteten.
Sammenholdt med de tre cases bliver mønsteret tydeligt.
Danske Bank bygger i vid udstrækning selv. Banken har udviklet DanskeGPT som intern assistent og kombinerer den med Copilot og GitHub Copilot til udviklerne. Det giver mening i en reguleret, systemisk vigtig organisation, hvor skala og compliance kræver en skræddersyet og kontrolleret arkitektur.
Flying Tiger Copenhagen har valgt den modsatte strategi. Virksomheden anvender standardløsninger baseret på GPT og OpenAI til tekstproduktion og oversættelse. Kompleksiteten er lav, ROI’en hurtig, og der er ingen oplagt grund til at bygge selv.
Hovedstadens Beredskab endte et sted midt imellem. Organisationen afprøvede flere tilgange, før den valgte en trænet ML-model tilpasset den konkrete opgave, fordi ingen standardløsning kunne løse klassifikationen tilfredsstillende.
En pointe, der ofte overses i build-vs.-buy-diskussionen, er kulturmatch. En organisation uden stærk psykologisk tryghed kan sjældent bære en bred udrulning af eksempelvis ChatGPT Enterprise til alle medarbejdere. Til gengæld kan den sagtens lykkes med en mere afgrænset og klart governet implementering af Copilot til en veldefineret gruppe. Løsningen er mindre ambitiøs, men skaber reel værdi. En for ambitiøs udrulning risikerer derimod at ende som et dyrt system, ingen bruger.
Der er også et ledelsesmæssigt signal, som er afgørende for, om AI-adoption lykkes: Bruger ledergruppen selv AI, eller forventer den blot, at medarbejderne gør det? Hvis ledergruppen ikke selv anvender AI, bliver teknologien sjældent en integreret del af organisationens arbejdsform.
Et beslægtet spørgsmål er, hvordan AI-assisteret arbejde bliver anerkendt. Belønner man medarbejdere, der leverer dobbelt så meget ved hjælp af AI, eller dem, der bruger lige så lang tid som før – blot uden AI? Svaret er i praksis med til at afgøre, hvilke værktøjer der skaber produktivitetsgevinster. Derfor er build-vs.-buy i lige så høj grad et spørgsmål om ledelse og organisationskultur som teknologi.
Agenter i produktion i 2026
Forskellen mellem en AI-assistent og en AI-agent er afgørende, når man vurderer, hvad der reelt er i produktion
Så vi tager den lige for en god ordens skyld: En assistent som ChatGPT besvarer spørgsmål. En AI-agent kan derimod selv modtage information, analysere den og udføre handlinger for at nå et mål – uden at et menneske styrer hvert enkelt trin. En agent kan eksempelvis læse en kundehenvendelse, slå ordrestatus op i et ERP-system, formulere et svar og sende det automatisk.
Danske eksempler viser, hvor stor forskellen kan være, når opgaven egner sig til agentteknologi.
En dansk engrosvirksomhed modtog tidligere omkring 80 ordrebekræftelser om dagen via e-mail. Medarbejderne brugte 2-3 minutter pr. ordre på manuelt at finde ordrenummeret, slå det op i e-conomic og kontrollere beløbet – i alt 3-4 timers arbejde hver dag.
Efter implementeringen af en AI-agent, som automatisk udtrækker ordrenummeret og verificerer beløbet via API, håndterer medarbejderen nu kun de 5-10 procent af sagerne, der afviger fra normalen. Det sparer virksomheden 2,5-3 timer om dagen. Så kan man selv gange op.
Et andet eksempel kommer fra en dansk produktionsvirksomhed med 45 ansatte. Her reducerede en tilsvarende agentløsning tiden brugt på indkøb fra seks timer om ugen til halvanden. Samtidig forbedrede virksomheden indkøbspriserne med otte procent, fordi agenten konsekvent sammenlignede tre leverandører – noget en travl indkøber ikke altid nåede.
Tidshorisonten er samtidig relativt kort. En simpel agent kan være i drift efter 1-2 uger, mens komplekse enterprise-løsninger kan tage 2-4 måneder. De fleste danske SMV-projekter lander dog på 3-4 uger fra første møde til produktion, ifølge en række kilder.
Danske virksomheder, der implementerer AI-agenter til gentagne processer, reducerer ifølge erfaringer fra skandinaviske SMV-projekter, typisk behandlingstiden med 60-80 procent på de berørte opgaver. Og sådan kan man blive ved.
Så det er bare om at komme i gang.
Læs mere: