Hver gang AI kommer op i europæisk debat, lander samtalen det samme sted. Vi er bagud. USA bygger modellerne, Kina replikerer dem, og Europa regulerer. Det er en bekvem fortælling. Den er bare forkert. For AI er ikke én konkurrence. Og den konkurrence, Danmark faktisk kan vinde, er der næsten ingen, der taler om. Der […]
Hver gang AI kommer op i europæisk debat, lander samtalen det samme sted. Vi er bagud. USA bygger modellerne, Kina replikerer dem, og Europa regulerer. Det er en bekvem fortælling. Den er bare forkert. For AI er ikke én konkurrence. Og den konkurrence, Danmark faktisk kan vinde, er der næsten ingen, der taler om.
Der er to fundamentalt forskellige discipliner inden for AI. Den ene handler om at bygge store, generelle modeller, der kan lidt af det hele. Det kræver massive investeringer, avanceret hardware og adgang til globale datamængder. Det kapløb er ikke dér, Danmark har sin styrke. Og det er heller ikke et kapløb, vi bør forsøge at vinde.
Den anden disciplin handler om at bygge specialiserede modeller, der løser konkrete problemer i konkrete brancher, baseret på strukturerede data og dyb domæneforståelse. Her vinder man ikke med størrelse, men med datakvalitet, sammenhæng og evnen til at omsætte data til handling.
Og dér har Danmark en reel fordel.
Hvad vi faktisk har
Danmark har gennem årtier opbygget et usædvanligt stærkt fundament af offentlige grunddata, der beskriver samfundets basale strukturer. Data om borgere og virksomheder, adresser og geografi, fast ejendom og bygninger er standardiseret, vedligeholdt som fælles reference og kan kobles på tværs af systemer.
Det særlige er ikke kun, at data findes, men at de fungerer som et pålideligt udgangspunkt i samfundet. De kan distribueres, genbruges og fungere som et stabilt udgangspunkt for både offentlige og private aktører.
Virksomhedsdata kan man indsamle alle steder. Det er ikke unikt for Danmark. Det særlige er, at vi har et offentligt datagrundlag, som kan fungere som fælles fundament og kilde til sandhed. Når brugerdata kobles oven på et sådant fundament, kan man træne AI-modeller med en robusthed og præcision, som er vanskelig at opnå i lande, hvor tilsvarende data er fragmenteret eller uensartet.
I store dele af Europa er data spredt på tværs af regioner, ejet af private aktører eller aldrig blevet digitaliseret og harmoniseret. Det gør udviklingen af anvendelig AI enten ekstremt dyr eller meget begrænset.
Her fortjener dansk erhvervsliv et skulderklap. Vi taler ofte om vores mangler, men sammenlignet med resten af Europa er vi faktisk langt fremme. Vores styrke ligger i evnen til at kombinere offentlige grunddata med praksisnære data fra virksomheder. Det er en kombination, der ikke kan kopieres hurtigt og slet ikke uden adgang til samme datainfrastruktur.
Lad mig tage et konkret eksempel fra min egen branche.
I ejendomsbranchen betyder det, at bygningsdata om alder, anvendelse, areal, energiforhold og geografisk kontekst kan sættes i system og suppleres med erfaringer fra faktisk drift og vedligehold. Det skaber et datagrundlag, som gør det muligt at træne AI-modeller til at forstå, hvordan bygninger opfører sig over tid, og hvilke beslutninger der har langsigtede konsekvenser.
Det afgørende er ikke kun datamængden, men også strukturen. Offentlige grunddata giver stabilitet og ensartethed. Bruger- og driftsdata tilfører variation og virkelighed. Tilsammen gør de det muligt at bygge modeller, der er operationelt anvendelige og ikke blot analytisk interessante.
Det lyder måske ikke revolutionerende. Men det er det.
Hvorfor det er nok til at tage uden for Danmark
Når AI-modeller først er trænet på den type strukturerede data kombineret med reel praksiserfaring, opbygger de en grundlæggende forståelse, som rækker ud over nationale grænser. Bygninger i Nordeuropa deler mange fællestræk. Klima, regulering og byggetraditioner ligner hinanden.
I praksis ser vi, at modellerne i lande som Tyskland, Schweiz og Norge når en høj overensstemmelse med vurderinger fra bygningssagkyndige. Modellerne ændres ikke fra land til land. Det, der varierer, er de inputdata, modellerne arbejder med.
Fordi Danmark har så stærkt et offentligt datagrundlag, kan vi også bruge det som afsæt for at udvikle teknologier, der gør løsningen skalerbar internationalt. I lande, hvor tilsvarende data ikke findes eller er utilgængelige, arbejder vi med metoder som computer vision til at supplere og genskabe dele af det nødvendige grundlag. Pointen er den samme: Modellen ændres ikke. Det er datagrundlaget, der tilpasses.
Bygninger er blot ét eksempel på den type komplekse systemer, hvor specialiseret AI på strukturerede data giver en europæisk konkurrencefordel.
En konkurrence, vi kan vinde
Selv virksomheder med enorme budgetter kan ikke uden videre opbygge den type løsninger, hvis de ikke over tid har haft adgang til tilsvarende data. Det handler ikke om hemmelig teknologi. Det handler om, hvem der har haft mulighed for at opbygge data, erfaring og domæneviden gennem mange år.
Når danske AI-virksomheder møder europæiske kunder, møder de ofte en forventning om, at avancerede AI-løsninger må komme fra store amerikanske platforme. Ikke fordi kunderne mangler indsigt, men fordi de aldrig selv har haft adgang til data af den kvalitet, vi arbejder med i Danmark. For mange er det stadig svært at forestille sig, at den type løsninger allerede er bygget.
At bringe teknologien ind i nye markeder kræver en høj grad af transparens og forklaring. Når løsninger bygger på data, som ikke findes på samme måde lokalt, er det afgørende at kunne dokumentere, hvordan modellerne er opbygget, og hvilke antagelser de baserer sig på. Det er her, tillid opstår.
De store generelle modeller er vigtige, og vi kommer til at bruge dem intensivt. Men Europas mulighed ligger et andet sted. I at bygge specialiserede AI-produkter, der løser reelle problemer i europæiske industrier, på et fundament af data og erfaring, som allerede findes her.
Danmark kommer ikke til at bygge den næste store sprogmodel. Det behøver vi heller ikke.
Vores mulighed er at bygge de specialiserede AI-løsninger, der skaber reel værdi i praksis. Løsninger, der er forankret i data, domæneforståelse og en europæisk virkelighed, som ingen andre har adgang til på samme måde.
Det kræver, at vi holder op med at undskylde for ikke at være Silicon Valley. Og begynder at investere målrettet i det, vi faktisk er bedre til.
