Isabella Agdestein skiller sig ud som en markant dansk iværksætter med startuppet Focalx. Det har Forbes også opdaget, og i april 2026 blev hun en del af den prestigefulde talentliste ’30 Under 30 Europe’. 24Victoria har taget en snak med hende for at blive klogere på, hvad hun egentlig har gang i. Hun er co-founder af […]
Isabella Agdestein skiller sig ud som en markant dansk iværksætter med startuppet Focalx. Det har Forbes også opdaget, og i april 2026 blev hun en del af den prestigefulde talentliste ’30 Under 30 Europe’. 24Victoria har taget en snak med hende for at blive klogere på, hvad hun egentlig har gang i.
Hun er co-founder af Focalx og CEO. Og hendes platform hjælper virksomheder med at identificere skader på køretøjer, reducere tvister og optimere logistikprocesser via AI.
Focalx er således et eksempel på, hvordan AI kan anvendes konkret til at løse praktiske problemer i en traditionel industri.
Og det er præcis, hvad Forbes blev opmærksom på.
Hvordan blev du en del af Forbes’ liste?
”Jeg fik en mail fra dem for et par måneder siden, hvor de spurgte, om jeg kunne udfylde lidt information om mig selv. Det er egentlig stadig lidt surrealistisk med den opmærksomhed, vi får. Jeg føler stadig, at jeg er ved at lære det hele selv.
Hvad Forbes præcis har set, ved jeg ikke. Jeg bliver 30 i år, så jeg er nok i den sidste ende af målgruppen. Men det har også været en ret vild rejse at bygge en virksomhed og få så meget opmærksomhed. Det er bestemt ikke nemt – der er mange op- og nedture, når man bygger en startup.”
Hvordan fik I idéen til jeres koncept?
”Det hele startede faktisk med en dårlig oplevelse med biludlejning i 2021 på min bryllupsrejse. Da vi skulle aflevere bilen, gik det så langsomt, at vi endte med at måtte løbe til flyveren. Og bagefter blev vi opkrævet for en skade, vi ikke havde lavet. Det var en ret frustrerende oplevelse – og ikke ligefrem en god afslutning på turen.
Min co-founder, Pritam Bolenwar, mødte jeg, da vi kom hjem. Hans hustru arbejdede sammen med min mand, og Pritam havde en baggrund fra Mærsk og arbejdede med computer vision.
Vi begyndte at tale om, hvor frustrerende det er, at der ikke er transparens i den slags processer. Og så opstod tanken: kunne man bruge den teknologi, han arbejdede med, til at løse det problem? Det startede vi så med at gøre.”
Hvor mange penge har I rejst?
”Indtil nu har vi rejst omkring 3 millioner euro og har store firmakunder, som betaler betydelige beløb. Vi sælger primært til logistikaktører – altså 3PL og 4PL logistics – som administrerer dele af forsyningskæden.”
Hvordan bruger I AI?
”AI er en kæmpe del af vores virksomhed. Vi er AI-native i vores tilgang til at bygge produktet. Og AI-first i måden vi bygger vores operations på. Vi arbejder blandt andet med en række AI-agenter, der håndterer mange opgaver internt.
Jeg er ret overbevist om, at den type teknologi kommer til at ændre, hvordan virksomheder opererer. Det frigiver tid, så vores folk kan fokusere mere på kunderne og det menneskelige aspekt.
Det er noget, jeg bruger meget tid på – dem, der bliver mest effektive, kommer til at vinde.
Alt det, der i dag bliver gjort manuelt af mennesker, vil i stigende grad blive håndteret af AI-agenter. Det betyder, at vores medarbejdere får mere tid til at fokusere på kundedialog og relationer, og det giver dem luft til at løfte sig op på taktisk og strategisk niveau.
Det menneskelige aspekt bliver altså endnu vigtigere, fordi AI overtager mange af de operationelle opgaver.”
Hvordan fandt I jeres marked?
”Det tog os faktisk noget tid at finde det rigtige marked. I dag fokuserer vi på det, der hedder finished vehicle logistics – altså logistikken omkring færdige biler fra fabrik til forhandler. Især i Nordamerika er det ekstremt komplekst.
En bil kan være igennem 10-15 forskellige aktører – fra skib (ro/ro), til havn, til tog, til lastbiler – og flere forskellige virksomheder har ansvaret undervejs.
Det store problem er, at omkring 20 procent af bilerne får skader under transporten. Det er enorme værdier, der går tabt. Og det er ofte uklart, hvem der har ansvaret. Forskellige aktører i værdikæden ender ofte med at hæfte for skader, de ikke har lavet. Og mange claims – omkring 40 procent – bliver faktisk aldrig løst, fordi kravet bliver sendt frem og tilbage, og ingen vil vedkende sig det. Regningen fra det, ender ofte hos bilproducenten.
Det er der, vi går ind.
Samtidig arbejder branchen med et ret komplekst klassificeringssystem for skader, hvor man skal huske en masse koder og zoner. Det gør mange fejl i registreringen. Vi hjælper med at identificere og kategorisere skader korrekt, så claims bliver mere præcise – og på sigt kan man begynde at forebygge skader.
Der er altså store problemer i branchen med komplekse processer og meget strenge standarder, som skal overholdes. Det er her, vi kommer ind med vores platform, som består af en webportal og en tilhørende app.”
Hvem bruger appen?
”Appen bruges af inspektører, som går rundt og tager billeder af bilen. Vores system analyserer derefter billederne og kan vurdere, om bilen har skader, og om der er tale om en eksisterende – gammel – skade eller en ny skade.
Vi har udviklet vores computer vision-teknologi fra bunden og trænet den på vores egne datasæt. Det betyder, at vi har opbygget unik viden om, hvordan skader ser ud og udvikler sig over tid.
En af de store udfordringer i dag er klassificeringen af skader. De skal kategoriseres efter det såkaldte M22-framework, som er ekstremt komplekst og svært at arbejde med. Inspektører skal huske, hvilke numre der hører til hvilke områder – eksempelvis forskellen på kategori 1 og kategori 35. Det fører ofte til fejl i registreringen, hvilket betyder, at skader ikke bliver logget korrekt og derfor ikke kan indberettes.
Vores løsning hjælper med at identificere skader og placere ansvar korrekt, så virksomheder både kan håndtere claims mere effektivt og begynde at arbejde mere forebyggende på skadesområdet. Det giver indsigt i, hvor skader opstår, hvilke sikkerhedsværktøjer der er mest udsatte, og hvordan eksempelvis biler er sikret under transport.”
Hvorfor er denne løsning ikke allerede udbredt?
”Fordi det er svært at bygge. Mange eksisterende løsninger er bygget ovenpå standard AI-modeller, men den type billedanalyse, vi arbejder med, kræver specialiseret teknologi og meget store, unikke datasæt. De datasæt findes ikke frit tilgængeligt – de skal indsamles og opbygges over tid. Derfor er der kun ganske få aktører globalt, som forsøger at løse dette problem.
Behovet er stort og går på tværs af flere industrier. I forsikringsbranchen ser man eksempelvis totalskadede biler, hvor skader først opdages sent i processen. Det samme gælder i udlejningsbranchen, hvor omfanget af skader er større end mange forventer.
Vi har også valgt at gå hardware-vejen og udviklet vores egne scanning gates, som er i brug i USA og Brasilien. Det var ikke en nem beslutning, da der jo er meget kompleksitet i at bygge hardware, men det giver os en stærkere løsning.”
Hvad er planen fremadrettet?
”Fremadrettet handler det for os om at skalere i enterprise-segmentet og fortsætte med at udvikle både teknologi og forretning.”
Læs mere: