AI readiness: 5 dimensioner at vurdere, før I køber AI

Af /

AI readiness er jeres evne til at få værdi ud af AI, før licensen er købt. Mange SMV’er starter med produktet og opdager bagefter, at data, definitioner eller ejerskab ikke er på plads. Her er fem dimensioner at vurdere, hver med en score fra 1 til 5 og konkrete kendetegn, så I kan se, hvilken dimension der bremser, og hvad næste skridt er.

Resumé og konklusion

  • Den laveste score bestemmer tempoet. AI readiness er ikke et gennemsnit. Et 4-tal i licenser hjælper ikke, når definitionerne står på 1.
  • Datafundament og definitioner er to forskellige ting. Rene data i Business Central giver ikke automatisk én fælles definition af dækningsbidrag. Det kræver et semantisk lag.
  • Licenser er den dimension, der er nemmest at løfte. Den kan købes. De fire andre kræver arbejde og beslutninger.
  • Governance er et krav, ikke et modenhedsniveau. AI-literacy-forpligtelsen i EU’s AI Act og GDPR art. 22 gælder, uanset hvor langt I er.
  • Scoren peger på et trin på AI-modenhedstrappen. Står en dimension under 3, bør I blive på trin 2 eller 3 og rydde op, før I køber prædiktiv eller agentbaseret AI.

Hvorfor AI readiness skal vurderes før indkøb

AI-produkter sælges på funktioner: Copilot, data agents og agenter, der behandler fakturaer. Funktionerne virker i demoen, fordi demodata er rene, felterne er navngivet, og spørgsmålene er valgt på forhånd. I jeres egen tenant møder den samme funktion dubletter i debitorkartoteket, et mål for dækningsbidrag, der ikke findes, og en licens, der ikke dækker.

En AI readiness-vurdering flytter samtalen fra “hvad kan produktet” til “hvad kan vi bruge det til nu”. Den kan laves af ledelsesgruppen på et par timer. Resultatet er fem tal og en kort liste over, hvad der skal ske først.

De fem dimensioner er datafundament, definitioner og semantisk lag, platform og licenser, governance og kompetencer samt use case og ejerskab. Grafikken herunder viser kendetegnene for score 1, 3 og 5 i hver dimension.

AI readiness: fem dimensioner med kendetegn for score 1, 3 og 5
Fem dimensioner, scoret fra 1 til 5. Kendetegnene gør scoren til noget, man kan dokumentere.

De 5 dimensioner i AI readiness, scoret fra 1 til 5

1. Datafundament

Dimensionen bygger på de fire krav i Datafundamentet for AI: datadisciplin, historik, granularitet og ejerskab. Spørgsmålet er, om data i Business Central kan bære en analyse uden manuel rettelse.

  • 1: Dimensioner som afdeling, sælger og projekt er valgfrie og udfyldes sjældent. Ingen ved, hvor mange dubletter der er i debitorer og varer.
  • 2: Nøgledimensionerne udfyldes på de fleste poster, men ingen måler det. Der er under 24 måneders brugbar historik.
  • 3: Nøgledimensionerne er obligatoriske på de vigtigste posteringer, og der er mindst 24 måneders historik på linjeniveau.
  • 4: Datakvaliteten måles løbende, fx andelen af poster uden dimension, og fejl rettes i kildesystemet.
  • 5: 36 måneders historik på linjeniveau, målt datakvalitet med en ejer, og data fra andre systemer kobles på fælles nøgler.

2. Definitioner og semantisk lag

Her vurderer I, om der findes én fælles definition af de tal, AI’en skal svare på, og om den står et sted, hvor en maskine kan læse den.

  • 1: Nøgletal beregnes i Excel af den enkelte medarbejder. To afdelinger har forskellige tal for omsætningen.
  • 2: Der findes rapporter, men definitionerne ligger i hovedet på den, der byggede dem. Felterne hedder som i databasen.
  • 3: En semantisk model med stjerneskema og forretningsnavne dækker de vigtigste områder, og der findes measures for omsætning, dækningsbidrag og dækningsgrad.
  • 4: Alle synlige tabeller, kolonner og measures har beskrivelser, tekniske felter er skjult, og definitionerne er aftalt med ejerne.
  • 5: Modellen samler flere systemer i fælles dimensioner, ligger under versionsstyring, og ændringer i definitioner gennemgås før publicering.

3. Platform og licenser

Dimensionen handler om, hvad I har adgang til i dag. Copilot i Business Central følger med licensen. Copilot i Power BI og Fabric data agents kræver betalt Fabric-kapacitet fra F2 eller Power BI Premium fra P1, og agenter i Business Central afregnes i Copilot Credits. Fabric data agents understøtter ifølge Microsofts dokumentation i dag kun engelsk.

  • 1: Ingen har overblik over licenserne. Power BI bruges kun i Desktop eller slet ikke.
  • 2: Rapportbrugerne har Power BI Pro. Der er ingen kapacitet, og Copilot i Business Central er ikke slået til.
  • 3: Copilot i Business Central er slået til og bruges. Der er truffet en beslutning om kapacitet, også hvis svaret er nej.
  • 4: Kapacitet er på plads, tenant-indstillingerne for Copilot er gennemgået, og Copilot Credits er købt eller fravalgt med en begrundelse.
  • 5: Licenser, kapacitet og credits har en ejer, et budget og en månedlig opfølgning på forbruget.

4. Governance og kompetencer

Artikel 4 i EU’s AI Act har siden 2. februar 2025 forpligtet virksomheder, der bruger AI-systemer, til at arbejde med medarbejdernes AI-literacy. Med forordning (EU) 2026/1744, der trådte i kraft 27. juli 2026, er kravet omformuleret til at træffe foranstaltninger, der understøtter udviklingen af AI-literacy, uden at et bestemt niveau skal garanteres. Forpligtelsen består. GDPR art. 22 begrænser afgørelser om personer, der udelukkende er truffet automatisk og har retsvirkning eller tilsvarende betydning.

  • 1: Medarbejdere bruger gratis AI-værktøjer med firmadata uden retningslinjer.
  • 2: Der er en AI-politik, men ingen ejer den, og ingen er blevet introduceret til den.
  • 3: De medarbejdere, der bruger AI, har fået en introduktion til muligheder, fejl og datadeling, og brugen af persondata er kortlagt.
  • 4: Hver AI-løsning har en navngiven ejer, en beskrevet datakilde og en plan for, hvad der sker, når den tager fejl.
  • 5: Rettigheder, forbrug og logning for agenter er skrevet ned på én side pr. agent og gennemgås hvert kvartal.

5. Use case og ejerskab

Den sidste dimension springes oftest over. Hvilket konkret problem skal AI løse, hvem ejer resultatet, og hvordan måles gevinsten?

  • 1: “Vi skal have AI” er målet. Ingen use case er beskrevet.
  • 2: Der er en idéliste, men ingen har regnet på værdien eller udpeget en ejer.
  • 3: Én use case er beskrevet med en ejer, det nuværende niveau og en forventet gevinst i kroner eller timer.
  • 4: Use casen har en baseline målt i data, et succeskriterium og en dato for evaluering.
  • 5: Flere use cases er prioriteret efter værdi og readiness, og gevinsten følges op mod business casen.

Hvad AI readiness-scoren betyder for næste skridt

Læg ikke scorerne sammen. Den laveste score er flaskehalsen, fordi AI-løsningen fejler dér, uanset hvor stærke de andre dimensioner er. Tag en tænkt virksomhed på 60 mio. kr. med scorerne 3, 1, 4, 2 og 3. Gennemsnittet er 2,6 og ser acceptabelt ud. Men 1-tallet i definitioner betyder, at Copilot i Power BI skal svare på et mål for dækningsbidrag, der ikke findes. Den kapacitet, der gav 4-tallet, leverer bare de forkerte svar hurtigere.

  • Laveste score 1: Stop indkøbet, og løft den dimension først.
  • Laveste score 2: Brug den AI, I allerede har, fx Copilot i Business Central, og ryd op i data og definitioner.
  • Laveste score 3: Klar til en afgrænset pilot med én use case, én ejer og kun læseadgang.
  • Laveste score 4: Klar til prædiktive modeller og agenter, der foreslår handlinger, som et menneske godkender.
  • Laveste score 5: Klar til agenter med afgrænset skriveadgang, logning og et loft over forbruget.

Grafikken herunder kobler den laveste score til trinene på AI-modenhedstrappen.

Laveste AI readiness-score koblet til trin på AI-modenhedstrappen
Den laveste score, ikke gennemsnittet, afgør hvilket trin I realistisk kan tage næste gang.

AI readiness og AI-modenhedstrappen

AI-modenhedstrappen beskriver, hvor I er: manuel rapportering, automatiseret BI, overvågning og alerts, prædiktiv AI og til sidst præskriptiv og agentbaseret AI. AI readiness beskriver, hvad der skal til for at komme et trin op. Trappen er retningen, readiness-scoren er arbejdslisten.

Springet fra trin 2 til 3 kræver ingen nye systemer, men tærskler, ejere og aftalte handlinger, altså dimension 4 og 5. Trin 4 kræver mindst 24 måneders historik og dermed mindst 3 i datafundament. Trin 5, hvor agenter handler, kræver det hele: definitioner, rettigheder, credits og logning. Det sidste gennemgår vi i Agent-governance: rettigheder, credits og logning på én side.

Sådan sætter du det op i jeres ledelsesgruppe

  1. Saml økonomichefen, salgschefen, en driftsansvarlig og den, der ejer Business Central, i to timer.
  2. Lad alle score hver dimension for sig på papir, før I diskuterer. Forskellene er mere interessante end gennemsnittet.
  3. Brug kendetegnene som dokumentation. Kan I pege på beviset for et 3-tal, fx at dimensionen faktisk er obligatorisk ved bogføring?
  4. Notér den laveste score og de to handlinger, der løfter den ét niveau.
  5. Gentag vurderingen efter seks måneder med de samme deltagere.

Hvad en AI readiness-vurdering ikke løser

Scoren er en selvvurdering, og selvvurderinger er optimistiske. Kendetegnene gør det sværere at pynte på tallene, men kun hvis nogen spørger efter beviset. Vurderingen fortæller ikke, hvilket produkt I skal vælge, og den erstatter hverken en juridisk vurdering af persondata eller en business case.

Licensbilledet ændrer sig hurtigt. Flere af de funktioner, der er nævnt her, er i preview eller har skiftet status inden for det seneste år. Tjek jeres tenant og Microsoft Learn, før I lægger scoren for platform og licenser fast.

Sådan understøtter oneBC365 det

oneBC365 er færdigbygget Power BI til Business Central og rører primært to af de fem dimensioner. I dimensionen for definitioner leverer modellen et stjerneskema med forretningsnavne, 400+ forretningsmål på tværs af ni moduler, beskrivelser på de synlige objekter og tre sprog. Modellen er bygget i fire Power Query-lag med samme struktur som en dataplatform, som beskrevet i Semantisk lag i Power BI. I dimensionen for datafundament viser setup- og datakvalitetssiderne rækkeantal og indlæsningstidspunkt pr. tabel, men selve oprydningen i dimensioner og stamdata ligger i Business Central.

Platformdimensionen er enkel: rapporteringen kører på Power BI Pro uden Fabric-kapacitet. Vil I bruge Copilot i Power BI eller Fabric data agents oven på modellen, kræver det kapacitet, og det ændrer oneBC365 ikke på. Governance, kompetencer og use cases er jeres egne beslutninger. Den semantiske model er et fundament under dem, ikke svaret på dem. Det er tesen i AI-agenter på tværs af systemer: agenter bliver aldrig klogere end det lag, de læser.

Sådan kommer du i gang

  1. Sæt to timer af med ledelsesgruppen. Send de fem dimensioner og kendetegnene ud på forhånd, så ingen scorer på fornemmelse.
  2. Find beviset for hver score. Åbn Business Central og rapporterne, og kontrollér fx, hvor mange debitorer der mangler sælgerkode, og om der findes et mål for dækningsbidrag.
  3. Skriv den laveste score og to handlinger ned. Hver handling skal have en person og en dato, ikke en afdeling og et kvartal.
  4. Vent med nye AI-indkøb, til ingen dimension står på 1. Brug imens den AI, I allerede betaler for.

Relaterede artikler

Vil I se, hvordan dimensionen for definitioner ser ud på jeres egne tal? Book en demo, og se en færdig semantisk model på jeres Business Central-data på 30 minutter.

Scroll to Top