Use case

Hvad er en use case i AI?

En use case er en konkret, afgrænset anvendelse af AI der løser et specifikt problem eller skaber en bestemt værdi. Det er broen mellem abstrakt AI-potentiale og konkret forretningsværdi. Svaret på spørgsmålet “hvad bruger vi AI til, helt præcist?”

Har du svært ved at vælge den første opgave? Se guiden til at indføre AI. Den hjælper dig med at afgrænse forsøget.

“Vi skal bruge AI” er ikke en use case. “Vi bruger AI til at forudsige maskinnedbrud baseret på sensordata, så vi kan skifte dele før de fejler” er en use case. Forskellen er vigtig: den første er en ambition, den anden er et projekt der kan specificeres, budgetteres, implementeres og måles.

Use cases er den grundlæggende enhed i AI-implementering. En god AI-strategi er i bund og grund en prioriteret liste af use cases med tilhørende business cases, ressourcekrav og tidsplaner.

Anatomi af en god AI use case

Problemet

Hvad er det konkrete forretningsproblem der skal løses? Det skal være specifikt og målbart:

• “Vores kundeservicemedarbejdere bruger 40% af deres tid på at besvare de samme 50 spørgsmål”
• “Vi opdager først maskinnedbrud når de sker, hvilket koster 2 mio. kr. årligt i nedetid”
• “Vores lagerstyring er baseret på mavefornemmelse, og vi har 15% overskudslager”

AI-løsningen

Hvordan løser AI problemet? Hvilken type AI bruges, og hvordan integreres den?

• “En AI-chatbot besvarer de 50 hyppigste spørgsmål automatisk”
• “En ML-model analyserer sensordata og forudsiger nedbrud 48 timer i forvejen”
• “En prognosemodel forudsiger efterspørgsel per produkt per uge”

Forventet værdi

Hvad er den kvantificerbare gevinst?

• “Reducerer kundeservicehenvendelser med 60%, frigør 3 medarbejdere til komplekse sager”
• “Reducerer uplanlagt nedetid med 70%, besparelse på 1,4 mio. kr. årligt”
• “Reducerer overskudslager med 40%, frigør 800.000 kr. i bundet kapital”

Datakrav

Hvilke data kræves, og er de tilgængelige?

• “Historiske kundehenvendelser (12 måneders data, tilgængelig i CRM)”
• “Sensordata fra produktionsmaskiner (tilgængelig via IoT-platform)”
• “Salgsdata per produkt, lagerdata, sæsonvariationer (delvist tilgængelig)”

Succeskriterier

Hvordan måler vi om use casen er en succes?

• “Chatbot resolver rate > 55%, kundetilfredshed bibeholdt over 4.0/5.0”
• “Model forudsiger 80% af nedbrud med mindst 24 timers varsel”
• “Prognose-MAPE < 15%, lagerbinding reduceret med minimum 25%”

Kategorier af AI use cases

Automatisering

AI overtager opgaver der tidligere krævede menneskelig arbejdskraft:

• Dokumentbehandling og dataindtastning
• E-mail-sortering og -routing
• Fakturabehandling og bogføring
• Kvalitetskontrol via computer vision
• Kundeservice via chatbots

Augmentation

AI assisterer mennesker og gør dem mere produktive:

• AI-assisteret kodning (GitHub Copilot)
• AI-støttet medicinsk diagnostik
• AI-drevet research og analyse
• AI-assisteret content-produktion
• AI-baseret beslutningsstøtte

Optimering

AI finder optimale løsninger i komplekse systemer:

• Ruteoptimering i logistik
• Dynamisk prissætning
• Energioptimering i bygninger
• Produktionsplanlægning
• Porteføljeoptimering i finans

Prediktion

AI forudsiger fremtidige hændelser:

• Efterspørgselsprognose
• Predictive maintenance
• Churn-forudsigelse (kundeafgang)
• Svindeldetektion
• Kreditrisiko-vurdering

Personalisering

AI tilpasser oplevelser til individuelle brugere:

• Produktanbefalinger
• Personaliseret markedsføring
• Tilpasset indholdsvisning
• Individuelle prismodeller
• Personaliseret læring

Indsigt og analyse

AI udtrækker indsigt fra store datamængder:

• Sentimentanalyse af kundeanmeldelser
• Markedsanalyse og konkurrentovervågning
• Anomalidetektion i finansielle transaktioner
• Mønstergenkendelse i sundhedsdata

Prioritering af use cases

Prioriteringsmatricen

Den mest brugte metode: plot use cases på to akser.

Akse 1: Forretningsværdi (høj/lav)

• Potentiel økonomisk gevinst
• Strategisk vigtighed
• Antal berørte medarbejdere eller kunder
• Konkurrencemæssig fordel

Akse 2: Gennemførlighed (høj/lav)

• Datatilgængelighed og -kvalitet
• Teknologisk modenhed
• Organisatorisk parathed
• Regulatorisk kompleksitet
• Kompetencer til rådighed

Resulterende prioritering:

RICE-scoring

En mere kvantitativ metode:

• Reach: Hvor mange mennesker påvirkes?
• Impact: Hvor stor er effekten per person? (1-3)
• Confidence: Hvor sikre er vi på estimaterne? (0-100%)
• Effort: Hvor mange ressourcer kræves? (person-måneder)

RICE score = (Reach × Impact × Confidence) / Effort

MoSCoW

Simpel prioritering i fire kategorier:

• Must have: Kritiske use cases der skal implementeres
• Should have: Vigtige use cases der bør implementeres
• Could have: Nice-to-have use cases
• Won’t have: Fravælges bevidst (i denne omgang)

Use cases på tværs af brancher

Finans

Sundhed

Detail og e-handel

Produktion

Praktiske eksempler

Eksempel 1: Fra idé til implementering

Virksomhed: Dansk webshop med 50.000 produkter.

Brainstorm: Teamet identificerer 12 potentielle AI use cases.

Prioritering (top 3):

1. Produktanbefalinger. Høj værdi (estimeret 20% øget konvertering), høj gennemførlighed (data tilgængelig, moden teknologi). Score: 9/10
2. AI-kundeservice. Middel værdi (frigør 2 medarbejdere), høj gennemførlighed (FAQ-data tilgængelig). Score: 7/10
3. Efterspørgselsprognose. Høj værdi (reducerer overskudslager 30%), middel gennemførlighed (data kræver oprydning). Score: 6/10

Implementering: Starter med produktanbefalinger fordi det har højest score og hurtigst payback. Kører parallelt med dataoprydning til efterspørgselsprognose.

Eksempel 2: Use case-definition i detaljer

Use case: AI-baseret svindeldetektion i realtid

Problem: Banken taber 8 mio. kr. årligt på korttransaktionssvindel. Manuel gennemgang fanger kun 40% af svindelforsøg.

Løsning: ML-model der scorer hver transaktion i realtid baseret på transaktionsmønster, lokation, beløb, tidspunkt og historisk adfærd.

Data: 3 års transaktionshistorik (200 mio. transaktioner), kendte svindelcases (15.000), kundeadfærdsdata.

Succeskriterier: Fange >80% af svindel (recall), <0,5% falsk positive (præcision), svartid <100ms.

Investering: 1,2 mio. kr. (udvikling, integration, infrastruktur).

Forventet gevinst: 5 mio. kr./år i reduceret svindel + 500.000 kr./år i reduceret manuel gennemgang.

Payback: Under 3 måneder.

Eksempel 3: Quick win med generativ AI

Virksomhed: Marketingafdeling med 8 medarbejdere.

Use case: AI-assisteret produktion af produktbeskrivelser.

Problem: Teamet bruger 20 timer/uge på at skrive produktbeskrivelser. Backloggen vokser.

Løsning: Claude eller ChatGPT genererer udkast baseret på produktdata, som en redaktør gennemgår og tilpasser.

Implementering: 1 dag (opsætning af prompts og workflow).

Investering: 500 kr./måned (AI-abonnement).

Resultat: Produktion af produktbeskrivelser øget 4x. Redaktøren bruger 5 timer/uge i stedet for 20. Kvaliteten er ensartet og høj.

Almindelige fejl

Løsning søger problem

At starte med “vi har købt denne AI-platform, hvad kan vi bruge den til?” i stedet for “vi har dette problem, kan AI løse det?” Teknologi-first fører til use cases der er teknisk interessante men forretningsirrelevante.

For stor scope

“AI-baseret transformation af hele kunderejsen” er ikke en use case. Det er et program med mange use cases. Afgræns til noget der kan implementeres og måles inden for måneder, ikke år.

Ignorerer datakrav

Den mest lovende use case er værdiløs hvis de nødvendige data ikke eksisterer eller er af for lav kvalitet. Vurder altid datakrav tidligt i processen.

Manglende baseline

Uden en måling af status quo kan man ikke bevise forbedring. Mål altid de relevante KPI’er før implementering.

Kun fokus på teknologi

En teknisk velfungerende model skaber ingen værdi hvis den ikke er integreret i arbejdsgangen, accepteret af brugerne og understøttet af organisationen.

Ofte stillede spørgsmål

Hvad er en use case i AI?

En use case i AI er en konkret, afgrænset anvendelse af kunstig intelligens der løser et specifikt forretningsproblem eller skaber en bestemt værdi. Det er broen mellem AI-teknologi og forretningsværdi. F.eks. “AI-chatbot der besvarer de 50 hyppigste kundehenvendelser automatisk” eller “ML-model der forudsiger maskinnedbrud 48 timer i forvejen.” En god use case har et klart problem, en defineret løsning, målbar værdi og identificerede datakrav.

Hvordan finder man de bedste AI use cases?

Start med forretningens største smerter og flaskehalse. Ikke med teknologien. Involvér medarbejdere fra hele organisationen i en brainstorm: Hvilke opgaver tager mest tid? Hvor laver vi flest fejl? Hvad frustrerer vores kunder? Prioritér derefter baseret på en kombination af forretningsværdi og gennemførlighed. De bedste startpunkter er typisk use cases med høj værdi, tilgængelige data og moden teknologi.

Hvad er forskellen på en use case og et AI-projekt?

En use case er beskrivelsen af hvad AI skal løse og hvilken værdi det skaber: det er specifikationen. Et AI-projekt er den faktiske implementering: det er eksekveringen. Én use case kan resultere i ét projekt, men store use cases kan også opdeles i flere projekter eller faser. Use case-definitionen bør altid komme før projektet startes.

Hvor mange use cases skal man starte med?

For de fleste organisationer er 2-3 samtidige use cases optimalt i starten. Det giver nok bredde til at lære hvad der virker, men ikke så mange at ressourcerne spredes for tyndt. Det er bedre at eksekvere 2 use cases succesfuldt end at starte 10 der aldrig når produktion. Skalér antallet op efterhånden som organisationens AI-modenhed vokser.