Forbi hypen: Sådan afgrænser du en “AI-funktion” til dit website eller din app
“Vi burde tilføje AI.”
Den sætning kan betyde alt fra en simpel FAQ-chatbot til en automatiseret proces, der ændrer måden, jeres forretning arbejder på. Forskellen på en AI-funktion, der bliver leveret med succes, og én der går i stå, handler næsten altid om afgrænsning.
Nedenfor er en praktisk ramme, vi bruger hos Jensen Technologies, til at gøre en AI-idé til et konkret, byg-bart scope-så du kan vurdere forslag fra bureauer, leverandører eller freelancere uden at gætte.
1) Start med ét job-to-be-done
Skriv én sætning:
“Når en bruger ___, skal systemet ___, så de kan ___.”
Hvis I ikke kan formulere dette klart, er I ikke klar til at diskutere modelvalg, tooling eller prompts.
2) Definér succes med metrics (ikke mavefornemmelse)
Vælg 1–3 målbare outcomes:
- Nøjagtighed / accept-rate (fx 70% af AI-forslag accepteres)
- Tidsbesparelse (fx reducér sagsbehandlingstid med 30%)
- Deflection rate (support), konverteringsløft (salg), CSAT, churn-effekt
Aftal derefter hvordan det måles: event tracking, menneskelig review, A/B-test eller en kontrolleret pilot med baseline.
3) Gør status på jeres data (og problemerne)
Mange AI-initiativer snubler i data længe før de fejler på engineering. Afklar:
- Hvilke data skal AI bruge (sager, dokumenter, CRM-noter, billeder, produktkatalog)?
- Er data aktuelle, rene og konsistente?
- Har I ret til at bruge dem til formålet (tilladelser, kontrakter, samtykke)?
- Hvem ejer adgang og godkendelser internt?
Hvis svaret er “det ved vi ikke,” er det ikke en stopklods-det er et scope-item. Behandl det som en afgrænset discovery-opgave med ansvarlig og deadline.
4) Vælg det rigtige AI-mønster (ikke kun “en model”)
Forskellige mønstre løser forskellige problemer og har forskellig risiko, cost og latency:
- Retrieval + generation (RAG): svar forankret i jeres eget indhold, ofte med kilder
- Klassifikation / routing: triage, tagging, sende til korrekt kø
- Ekstraktion: omdan ustruktureret tekst til strukturerede felter
- Opsummering: interne effektiviseringsgevinster for support, salg, drift
- Anbefalinger: personalisering med klare begrænsninger og evaluering
Det rigtige mønster fra start forhindrer “smarte demoer”, der ikke holder i praksis.
5) Gør latency og driftssikkerhed eksplicit
AI-funktioner handler ikke kun om korrekthed-men om brugeroplevelse. Afgør:
- Hvilken svartid er acceptabel (1s, 5s, 30s)?
- Hvad sker der ved nedbrud eller rate limits?
- Findes der en sikker fallback (søgning, skabelonsvar, manuel vej)?
- Kan svar caches sikkert, og hvor længe?
Svarene påvirker både arkitektur og omkostninger.
6) Behandl privacy og compliance som design-input
Sikkerhed er ikke noget, man tilføjer til sidst. Beslut tidligt:
- Sender I PII eller følsomme data til tredjeparter?
- Hvilke regler gælder for retention, sletning og data-residency?
- Har I behov for audit logs eller rollebaseret adgang?
Det påvirker leverandørvalg, datahåndtering og hvad der kan lanceres først.
7) Planlæg tydelige integrationspunkter
Beskriv hvor funktionen ligger, og hvad den rører:
- Webapp, mobilapp, admin eller kundeportal?
- Hvilke systemer integrerer: CMS, ERP, CRM, ticketing, produktdatabase?
- Hvem kan se, godkende eller redigere AI-output?
I mange virksomheder er den hurtigste vej til værdi suggestion mode (human-in-the-loop) før fuld automatisering.
8) Estimér arbejdet i konkrete komponenter
Et realistisk estimat omfatter mere end “prompt engineering”:
- Dataarbejde: connectors, rettigheder, rensning, sync
- UI/UX: tomme-/fejl-tilstande, redigering, kilder, feedback-knapper
- Backend: køer, rate limits, caching, retries, misbrugsbeskyttelse
- Evaluering: test-set, review-flow, acceptkriterier
- Monitoring: quality drift, cost, latency og fejlrate
Det gør dialogen konkret: “her er det, vi bygger.”
9) Budgettér for løbende omkostninger og ejerskab
AI-funktioner har driftsomkostninger. Planlæg for:
- Model-forbrug (tokens/requests, spidsbelastning)
- Søge- eller vektor-infrastruktur (ved RAG)
- Løbende prompt-/versionsstyring og tuning
- Menneskelig review for kvalitet og sikkerhed (hvor relevant)
Afgør også hvem der ejer funktionen efter launch: monitoring, incident response og forbedringer.
En enkel scope-skabelon (copy/paste)
- Mål:
- Brugere:
- Job-to-be-done:
- Succes-metrics:
- Datakilder + adgang:
- AI-mønster:
- Latency + fallback:
- Privacy/compliance-krav:
- Integrationer:
- Udrulningsplan (pilot → fuld):
- Løbende omkostninger + ejer:
AI er mest effektivt, når det er specifikt. Hvis du overvejer en AI-funktion-stor eller lille-og vil have hjælp til at afgrænse den til noget, der kan bygges med klare omkostninger og forventninger, så tag gerne kontakt til Jensen Technologies. Vi tager gerne en uforpligtende snak om jeres mål og en realistisk implementeringsplan.