Kunstig intelligens er rykket højt op på dagsordenen i mange virksomheder. Men selv om idéerne og ambitionerne er der, er det langt fra alle, der har fået teknologien integreret i forretningen i en skala, hvor den for alvor gør en forskel.
NNIT, der i disse år er i gang med at eksekvere en strategi om yderligere at specialisere deres internationale tilstedeværelse inden for life science-industrien samt i det offentlige samt kritiske og regulerede sektorer i Danmark, har allerede samlet en del erfaring i at arbejde med AI i kundernes løsninger og som en del af virksomhedens egne processer. Derfor står det også klart for NNIT’s CEO, Claus Rydkjær, at en af de centrale udfordringer er, at mange virksomheder stadig befinder sig på pilotstadiet:
’Der er stadig rigtig mange af de kunder, vi arbejder med, som endnu ikke er kommet videre fra de fragmenterede forsøg. De har en masse spændende ting kørende, men det er meget sporadisk. Mange af de her forsøg eller use cases bliver ikke rigtig skaleret på tværs af hele virksomheden.’
Om NNIT: NNIT er en international it-konsulentvirksomhed, der udvikler og leverer it-løsninger og digitale transformationsydelser til virksomheder og offentlige organisationer. Virksomheden har særligt fokus på life sciences-industrien og det offentlige samt kritiske og regulerede sektorer i Danmark og arbejder blandt andet med komplekse it-systemer, modernisering og løsninger til regulerede miljøer. NNIT omsatte for omkring 1,8 mia. kr. i 2025, har omkring 1500 ansatte på verdensplan og har hovedsæde i Danmark.
Skalering af AI-løsninger stiller helt andre krav
Springet fra en lovende pilot til en løsning, der fungerer på tværs af en hel organisation, kræver imidlertid mere end en god idé og den rette teknologi. Det stiller nye krav til ressourcer, teknologivalg, økonomi og de rammer, der skal sikre en ansvarlig brug:
’Så snart man skal gå fra at lave piloter, som ofte er meget innovative og kan skabe stor værdi, til at skalere dem på tværs af hele virksomheden, opstår der nogle andre discipliner, man skal beherske. Det kræver flere ressourcer, og man skal have et meget klart billede af rammerne for at bruge AI i virksomheden, hvad enten det handler om datasikkerhed, teknologivalg eller økonomi. I det hele taget skal man have sin governance på plads, så man kan styre AI-brugen på alle niveauer i organisationen.’
For NNIT handler arbejdet derfor ikke alene om at levere AI-løsninger, men i høj grad også om at hjælpe kunderne med at opbygge de kompetencer og strukturer, der gør dem i stand til at anvende teknologien på længere sigt:
‘Med AI bliver dyb domæneerfaring mere værd, ikke mindre. Vi stiller vores governance, domæneviden og tekniske erfaring til rådighed og udvikler løsningerne sammen med kunden. Vi fungerer som kundens forlængede organisation, og efterhånden som løsningerne kommer i drift, overtager kunden gradvist ejerskabet.’
Om Claus Rydkjær: Claus Rydkjær er CEO hos NNIT. Han har mere end 25 års ledererfaring fra konsulent- og teknologibranchen med fokus på strategi, forretningsudvikling og transformation. Før han tiltrådte hos NNIT i 2026, var han Group Chief Commercial Officer i Iver Group og CEO for koncernens Managed Services-forretning. Tidligere har han været Managing Director og nordisk Chief Operating Officer hos Capgemini, partner i Boston Consulting Group, CEO for Mannaz Group og Managing Director/Partner hos Accenture. Han har desuden haft ledende stillinger hos Microsoft og Deloitte. Claus Rydkjær har en MBA i General Management fra Durham University.
Sporbarhed er et omdrejningspunkt
Behovet for klare rammer bliver særligt tydeligt i de mere regulerede brancher som life sciences, hvor et AI-genereret output skal kunne valideres og dokumenteres på en måde, så virksomheden kan redegøre for, hvorfor resultatet er korrekt. Derfor er sporbarhed en central del af NNIT’s arbejde med kunderne:
’Når vi skal lave sporbarhed, handler det ikke kun om at kunne pege på, hvad løsningen har gjort. Vi skal også kunne vise, hvilken sprogmodel der blev brugt på det pågældende tidspunkt. Modellen udvikler sig, og derfor skal vi kunne dokumentere flere dimensioner, både i forhold til modellen og i forhold til de beslutninger, AI-servicen har truffet. Netop den sporbarhed er forudsætningen for at bruge AI i GxP-processer, og det er her, vores erfaring gør forskellen. Det kræver mere data og mere disciplin, men det er prisen for at kunne stå på mål for resultatet.’
“Vi har bevidst mennesket med i processen. Agenterne bruger de nyeste sprogmodeller på en sikker og forsvarlig måde, og ovenpå ligger compliance, validering og et menneskeligt sign-off.”
De høje krav til processerne bag AI-løsningerne betyder, at fuld automatisering ikke nødvendigvis er målet i alle situationer. I NNIT’s arbejde med f.eks. AI-agenter inden for life sciences er menneskelig kontrol fortsat en vigtig del af modellen:
‘Vi har bevidst mennesket med i processen. Agenterne bruger de nyeste sprogmodeller på en sikker og forsvarlig måde, og ovenpå ligger compliance, validering og et menneskeligt sign-off. Menneskelig ansvarlighed er et designprincip hos os og ikke en midlertidig begrænsning. Det er også det, regulerede kunder og myndigheder forventer.’
Alera er udviklet til regulerede miljøer
Det er også i den sammenhæng, at NNIT placerer Alera, virksomhedens AI-platform, som blandt andet er målrettet pharma-området og andre regulerede brancher. Her er pointen ifølge Claus Rydkjær, at platformen er etableret med validering og kravene til databehandling som en del af fundamentet:
‘Fordelen ved Alera er, at platformen er bygget til regulerede miljøer fra bunden. Den er valideret og dokumenteret, så kunden kan validere den konkrete anvendelse langt hurtigere end med en generisk AI-løsning, og databehandlingen lever op til de krav, vi typisk skal overholde.’
Alera illustrerer den del af NNIT’s AI-arbejde, hvor kunstig intelligens indgår direkte i et kundetilbud, der skal fungere inden for et reguleret domæne. Et andet eksempel er Lumina, som NNIT bruger som en del af virksomhedens egen leverancemodel. Hvor Alera er et eksempel på en AI-løsning til et reguleret fagområde, er Lumina et AI-værktøj, der kan effektivisere softwareudvikling og modernisere komplekse, ældre applikationer:
’AI skal også være et værktøj, der kan hjælpe vores konsulenter med at gøre en proces mere effektiv og forbedre kvaliteten. Lumina er et godt eksempel på, hvordan en konsulent sammen med kunden kan undersøge, hvordan værktøjet bedst kan accelerere softwareudviklingen. Vi har for eksempel arbejdet med applikationer, der er 30 år gamle eller ældre. Over tid er der bygget mere og mere på dem, og den specialudviklede kode er ikke altid dokumenteret godt nok. Derfor kan applikationerne være svære at overskue og opgradere. Med Lumina kan vi kortlægge, hvad der er standard, hvad der er konfigureret, og hvad der er specialudviklet. Vi genererer dokumentation og kravspecifikationer automatisk og bruger i stigende grad AI i selve udviklingen. Det gælder i life sciences, men i lige så høj grad i den offentlige sektor, hvor mange samfundskritiske systemer har årtier på bagen.’
AI skal også ændre NNIT indefra
“Det handler ikke om at blive færre medarbejdere, men om at give vores dygtige kolleger bedre værktøjer, større rækkevidde og mulighed for at skabe endnu mere værdi.
AI er ikke kun noget, NNIT udvikler og leverer til kunderne. Teknologien skal også ændre måden, virksomheden selv arbejder på. Det gælder både de interne processer og den måde, konsulenterne løser opgaver og leverer ydelser på. Et af målene er at øge effektiviteten og kvaliteten i leverancerne og skabe større ensartethed på tværs af organisationen:
’Vi bruger også AI til at gøre vores leverancer mere effektive, øge kvaliteten og skabe større konsistens på tværs af vores lokationer. På den måde bliver vores leverancemodel mere afhængig af AI. Vi ønsker at skabe grundlag for fornyet vækst, hvor vi kan skalere forretningen mere effektivt. Det handler ikke om at blive færre medarbejdere, men om at give vores dygtige kolleger bedre værktøjer, større rækkevidde og mulighed for at skabe endnu mere værdi.’
Det kræver, at AI bliver en integreret del af NNIT’s eksisterende arbejdsgange frem for at være et isoleret initiativ. Samtidig skal de forventede gevinster omsættes til økonomiske mål, som der kan følges op på i den almindelige forretningsstyring:
’Den økonomiske værdi kan handle om øget omsætning eller øget produktivitet, og vi har en proces, hvor vi validerer, om forventningen er rigtig og af tilstrækkelig kvalitet. Når den er det, løfter vi den ind i vores budgetter eller forecasts, så vi holder hinanden ansvarlige for, at det ikke bare bliver et eller andet fantastisk tal, vi går og taler om, men noget, der kan aflæses direkte på bundlinjen.’
Den organisatoriske forandring hos NNIT handler imidlertid ikke kun om produktivitet. Hvis AI-agenter i stigende grad bliver en del af det daglige arbejde, ændrer det også ledernes opgave og forholdet mellem mennesker og teknologi, mener Claus Rydkjær:
’Jeg tror stadig, at vi er i en tidlig overgangsfase. Ledelsesmæssigt handler meget af det, vi gør nu, om at sikre, at vi får gevinster ud af vores investeringer. Men fremadrettet forventer jeg, at vi når til et punkt, hvor vi de facto skal lede en hybrid arbejdsstyrke. I en afdeling kan der sidde fem kolleger og ti AI-agenter, som arbejder sammen i det daglige. Hvordan leder man sådan et miljø? Det tror jeg helt klart, at vi i NNIT og andre steder kommer til at forholde os meget konkret til inden for relativt kort tid.’
“Fremadrettet forventer jeg, at vi når til et punkt, hvor vi de facto skal lede en hybrid arbejdsstyrke. I en afdeling kan der sidde fem kolleger og ti AI-agenter, som arbejder sammen i det daglige.“