9 konstruerede eksempler på AI implementering

Mange små virksomheder bruger AI på samme måde. De stiller ChatGPT et spørgsmål en gang imellem. Det er et godt sted at starte, men det er ikke implementering.

Her er ni eksempler på det næste skridt. De er konstruerede. Hvert eksempel samler et mønster, der går igen i små virksomheder: en opgave, et værktøj og en måde at måle på. Tallene er anslåede. De viser en typisk størrelsesorden, ikke et målt resultat.

For hvert eksempel får du problemet, løsningen, den anslåede effekt og den anslåede pris. Brug dem til at spotte en opgave i din egen virksomhed. Vil du have hele rammen, så læs AI implementering.

Hvorfor eksempler slår teori

Du kan læse hundrede guides om AI-strategi. Men det, der får dig i gang, er at se en opgave, der ligner din egen.

Derfor står eksemplerne her. Ikke som bevis. Som inspiration til dit første forsøg, og som et supplement til en AI-strategi.

Eksemplerne går fra håndværkere til webshops og fra revisorer til bureauer. Nogle klarer sig med et abonnement til ca. 170 kr. om måneden. Andre bygger automatiseringer med Zapier eller Make. Mønstret er det samme: start småt, og byg videre, når det virker.

Eksempel 1: Malerfirmaet og tilbudsprocessen

Typisk virksomhed: Malerfirma, 6 ansatte.

Problemet: Ejeren bruger 6-8 timer om ugen på tilbud. Et gammelt Word-dokument bliver kopieret og rettet til i hånden. Tilbuddet går ofte ud 3-4 dage efter besigtigelsen. Imens vælger kunden den, der svarede først.

Løsningen: Et ChatGPT- eller Claude-abonnement og en eftermiddag med en tilbudsskabelon. Ejeren giver AI’en de 10 bedste tidligere tilbud og beskriver firmaets tone, priser og standardvilkår i en fast instruktion. Under besigtigelsen dikteres noter på telefonen. Bagefter sættes de ind, og så er der et udkast.

Anslået effekt: Et tilbud tager typisk 20-30 minutter i stedet for godt en time. Tilbuddet kan gå ud samme dag. Det giver typisk flere vundne opgaver, men hvor mange afhænger af branchen.

Anslået pris: ca. 170 kr. om måneden for abonnementet.

Samme mønster, bygget som en agent: Tilbudsudkast fra forespørgsler.

Eksempel 2: Webshoppen og produktbeskrivelserne

Typisk virksomhed: Webshop med kæledyrsartikler, 4 ansatte.

Problemet: Butikken har 1.200 produkter og får 30-50 nye om måneden. Hvert produkt skal have en beskrivelse, en metatitel og en SEO-tekst. To personer bruger tilsammen omkring 15 timer om ugen på det. Mange produkter står uden ordentlig tekst.

Løsningen: Start med Claude eller ChatGPT i hånden i et par uger. Byg derefter et flow i Make. Det henter nye produktdata fra Shopify og sender dem til en AI-model med en fast skabelon for tone og format. Udkastet lander som kladde i Shopify.

Anslået effekt: Et nyt produkt har et udkast inden for en time. Ejeren retter og godkender på et par minutter i stedet for et kvarter. Det frigør typisk 10-15 timer om ugen. Mere trafik kan komme, men det er ikke givet.

Anslået pris: Omkring 1.400 kr. om måneden. Det dækker AI, API og Make. Opsætningen tager omkring 8 timer.

Eksempel 3: Revisionskontoret og månedsrapporterne

Typisk virksomhed: Revisionskontor, 8 ansatte.

Problemet: Kontoret laver månedsrapporter for omkring 120 små kunder. Tallene skal trækkes ud, sættes op i Excel og have en kommentar. Det tager 20-30 minutter per kunde. Tilsammen er det næsten et fuldtidsjob.

Løsningen: Først bruges ChatGPT til at skrive kommentarerne hurtigere. Så bygges et flow i Zapier. Når bogføringssystemet har månedens tal, sender flowet dem til en AI-model. Modellen peger på afvigelser og skriver et udkast til kommentaren. En medarbejder læser og godkender.

Anslået effekt: Typisk 8-10 minutter per kunde i stedet for 25. Det svarer til 30-35 timer om måneden. Til 800 kr. i timen er det anslået 24.000-28.000 kr. om måneden.

Anslået pris: Omkring 1.800 kr. om måneden for abonnementer, API og Zapier.

Et beslægtet mønster fra bogholderiet: Faktura-matching.

Eksempel 4: VVS-firmaet og de glemte opfølgninger

Typisk virksomhed: VVS-installatør, 11 ansatte.

Problemet: Firmaet mangler ikke opgaver. Det mangler opfølgning. Efter en reparation hører kunden intet. Tre måneder senere ringer kunden til en konkurrent. Et firma af den størrelse kan typisk miste 15-20 genbesøg om året på den måde.

Løsningen: Et enkelt flow med Zapier og Google Sheets. Når en opgave er færdig, opretter flowet en påmindelse 90 dage frem. På dagen skriver en AI-model et udkast til en personlig mail. Mailen nævner den konkrete opgave og tilbyder et servicetjek. Kontoret læser og sender.

Anslået effekt: Flere servicetjek, fordi ingen opfølgning bliver glemt. Hvis 20 ekstra besøg om året hver giver 4.000-5.000 kr., er det 80.000-100.000 kr. i omsætning. Det er et regneeksempel, ikke et løfte.

Anslået pris: Omkring 900 kr. om måneden for Zapier og API-forbrug.

Samme mønster for tilbud uden svar: Opfølgning på tilbud.

Eksempel 5: Bureauet og indholdsproduktionen

Typisk virksomhed: Kommunikationsbureau, 5 ansatte.

Problemet: Bureauet har 8 faste kunder. Hver kunde skal have 4-8 blogindlæg, nyhedsbreve og opslag om måneden. Teamet er presset. Ejeren siger nej til nye kunder. En tekstforfatter mere koster omkring 30.000 kr. om måneden.

Løsningen: Claude til første udkast. Hver kunde får sit eget projekt med tone, målgruppe, emner og godkendte tekster. Tekstforfatterne skriver ikke længere fra bunden. De redigerer og skærper udkastet.

Anslået effekt: Et blogindlæg går typisk fra omkring 4 timer til 1,5-2 timer. Det giver plads til 1-2 kunder mere uden nyansættelse. Kvaliteten holdes, fordi en tekstforfatter stadig læser alt.

Anslået pris: ca. 130 kr. om måneden per bruger. Med 3 brugere er det omkring 400 kr. Et Team-abonnement koster mere per bruger.

Eksempel 6: Ejendomsadministrationen og henvendelserne

Typisk virksomhed: Ejendomsadministration, 3 ansatte.

Problemet: Kontoret administrerer et par hundrede lejemål. Lejerne skriver om haner, der drypper, om støj og om varme. De samme 20-30 spørgsmål går igen. Hvert svar skal alligevel passe til lejer, adresse og sag.

Løsningen: AI-hjælp i indbakken. Et flow i Zapier sorterer nye mails efter emne. Til standardsager laver en AI-model et svarudkast med de rigtige oplysninger. En medarbejder læser og sender. Svære sager bliver markeret til manuel behandling.

Anslået effekt: Svartiden går typisk fra dage til timer. Det samme team kan klare flere lejemål, før der skal ansættes.

Anslået pris: Omkring 1.200 kr. om måneden for Zapier og API-forbrug.

Eksempel 7: Autoværkstedet og tilbud og fakturaer

Typisk virksomhed: Autoværksted, 7 ansatte.

Problemet: Ejeren bruger 1-2 timer hver aften på tilbud og fakturaer. Ydelser, dele og priser tastes ind i hånden. Der sker fejl, og småopgaver bliver glemt i faktureringen.

Løsningen: Ejeren dikterer en kort note efter hvert job. Noten lander i et Google Sheet. Zapier sender den til en AI-model, der sætter den op som tilbud eller faktura i værkstedets format. Om aftenen tjekker ejeren og sender.

Anslået effekt: Typisk 20 minutter om aftenen i stedet for 1-2 timer. Det er 8-10 timer om ugen. Færre småopgaver bliver glemt, fordi hver note skal ende som en faktura.

Anslået pris: Omkring 700 kr. om måneden for Zapier, API og en diktat-app.

Samme mønster for tilbuddene: Tilbudsudkast fra forespørgsler.

Eksempel 8: Oversættelsesbureauet og kvalitetstjekket

Typisk virksomhed: Oversættelsesbureau, 2 faste og en gruppe freelancere.

Problemet: Flaskehalsen er ikke selve oversættelsen. Det er tjekket bagefter. Hvert dokument skal læses for fagtermer og konsistens. Det tager næsten lige så lang tid som at oversætte.

Løsningen: Hver kundes termliste og stilguide ligger i et Claude-projekt. Oversætteren leverer et udkast. Claude får besked på at markere alle afvigelser fra termlisten og foreslå rettelser. En oversætter gennemgår forslagene.

Anslået effekt: Tjekket tager typisk en tredjedel til halvdelen af tiden. Det frigør plads til nye kunder uden nyansættelse. AI’en fanger ikke alt, så et menneske læser stadig.

Anslået pris: ca. 130 kr. om måneden per bruger.

Eksempel 9: Webshoppen og det døde lager

Typisk virksomhed: Webshop med boligindretning, 4 ansatte.

Problemet: Butikken har 800 produkter og køber forkert ind. For meget af det forkerte, for lidt af det rigtige. Hvert kvartal sælges dødt lager med 15-20 procent rabat.

Løsningen: Ejeren eksporterer to års salgsdata til et regneark. ChatGPT hjælper med at finde mønstre. Hvad sælger i hvilke måneder? Hvad købes sammen? Hvilke nye varer ligner dem, der sælger? Analysen bruges til indkøb og lagerniveau.

Anslået effekt: Færre varer ender på udsalg, og de populære varer er sjældnere udsolgt. Hvor meget afhænger af sortiment og data. Analysen er et beslutningsgrundlag, ikke en prognose.

Anslået pris: ca. 170 kr. om måneden for abonnementet.

Mønstre på tværs af de ni eksempler

Ni brancher. De samme mønstre.

De starter med ét konkret problem

Ingen af eksemplerne starter med “vi skal bruge AI”. De starter med “vi bruger for lang tid på tilbud” eller “vi glemmer at følge op”. Problemet kommer først. Værktøjet kommer bagefter.

Kan du ikke beskrive dit problem i én sætning, er du ikke klar. Brug praktikant-øvelsen til at finde det første problem.

Prisen er lav i forhold til tiden

Den anslåede pris ligger mellem 150 og 1.800 kr. om måneden. Opsætningen tager typisk fra en eftermiddag til et par uger. Hvordan du regner afkastet ud, står under ROI af AI. Brug dine egne timer og din egen timepris, ikke tallene her.

De måler fra dag ét

Tæl timerne før du starter, og tæl dem igen efter. Det lyder banalt. Men uden et før-tal ved du ikke, om det virker. Det er en af de fejl, der går igen i AI implementering fejl.

Mennesket er stadig med

Ingen af eksemplerne er fuldautomatiske. Et menneske læser, retter og godkender. AI laver udkastet. Mennesket står for kvaliteten.

Sådan finder du dit eget AI implementering eksempel

Du har læst ni eksempler. Nu skal du finde dit eget.

Trin 1: Find din dyreste gentagelse. Hvilken opgave laver du hver uge efter samme mønster? Tilbud, rapporter, mails, produkttekster, opfølgning. Vælg den, der tager mest tid.

Trin 2: Prøv den i hånden med ChatGPT eller Claude. Brug 15 minutter. Tag en rigtig opgave fra din indbakke, ikke en test. Er resultatet brugbart efter lidt redigering, har du dit forsøg.

Trin 3: Kør den i to uger. Brug AI hver gang opgaven dukker op. Mål tiden før og efter. Skriv tallene ned.

Trin 4: Automatiser eller skalér. Virker det i hånden, så se på Zapier eller Make. Det er forskellen på niveau 1 og niveau 2 af AI-implementering.

Flere mønstre fra hverdagen, med arkitektur og omkostninger: Mødenoter til handlingsliste og Forberedelse før kundemødet. Alle ligger i AI i praksis.

Hvad koster det at komme i gang?

Typiske priser for de tre niveauer:

De aktuelle listepriser står i AI implementering pris. De fleste starter på niveau 1. Det er nok til at se, om det virker. Når du har tallene, kan du tage stilling til niveau 2.

Danske virksomheder kan søge AI-tilskud. SMV:Digital giver op til 100.000 kr. Iværksætterdanmark NextStep dækker op til 75 procent, maks 24.000 kr.

Det næste skridt er dit

Eksemplerne har én ting til fælles. De starter. Ikke med en stor plan. Med et problem, et værktøj og et forsøg.

Vælg ét problem. Prøv det i 15 minutter. Mål resultatet.

Hjælp til jeres opgave

Vil I have hjælp til at vælge en opgave og bygge de første løsninger med jeres medarbejdere? Læs om AI Partner hos Primux.

Relateret i ordbogen

Begreber fra denne guide. Slå dem op for en kort forklaring:

• AI implementering for små virksomheder: hele processen trin for trin
• Use case: sådan vælger du den næste opgave
• ROI af AI: sådan måler du afkastet
• AI automation: niveauet over en chatbot
• Churn prediction: bruges i e-handel
• Predictive analytics: forudsigelser ud fra historiske data
• Recommendation engine: produkter, indhold og kunder
• Sentiment analysis: automatisk læsning af kundefeedback
• Classification: ML-opgaven bag sortering af henvendelser

Om eksemplerne

Den første udgave af guiden (marts 2026) præsenterede de ni eksempler som danske cases fra virkeligheden, med navne og præcise besparelser. Det var de ikke. Eksemplerne var konstruerede, og det burde have stået der. I september 2026 har jeg skrevet guiden om: navnene og byerne er væk, og tallene står som anslåede. AI i praksis viser, hvordan jeg ville bygge den slags løsninger, også med anslåede tal. Et dokumenteret forløb står under case studies.