Indsigt

Vejen til AI i CRM

Der hersker næppe tvivl om, at AI rummer et betydeligt potentiale for de fleste organisationer. Næsten hver måned lanceres nye AI-værktøjer, der lover at skabe værdi hurtigere, bedre og mere omkostningseffektivt – fra automatisering af rutineopgaver til forbedret beslutningsstøtte og mere personaliserede kundeoplevelser.

Men med bredden og tempoet af disse mange AI-muligheder opstår der også en vis form for kompleksitet: Organisationer har vanskeligt ved at navigere i, hvor de skal starte? Hvilke use cases giver størst effekt? Og hvordan kommer man hurtigt i gang uden at gå på kompromis med kvalitet, sikkerhed, governance og compliance?

I denne artikel ser vi på, hvordan I kan sikre, at AI-piloter ikke ender som isolerede eksperimenter, men bliver til løsninger, der kan operationaliseres og skaleres. Vi introducerer et praktisk framework til at identificere, vurdere og prioritere AI-use cases – med fokus på målbar forretningsværdi og skalerbar udrulning.

CRM i et AI-perspektiv

CRM er et oplagt udgangspunkt for at realisere AI i praksis, fordi det kombinerer store mængder data med processer, der er tæt på medarbejderne og hverdagen.

Samtidig har både Microsoft og Salesforce – to af de største CRM-platforme – i de seneste år bygget AI tæt ind i deres økosystemer gennem cloud-tjenester, dataplatforme, copilots, indlejrede anbefalinger og automatiseringer, der sænker barrieren for at prøve noget af.

Men netop fordi mulighederne er blevet mere tilgængelige, bliver behovet for en tydeligere tilgang også større – især hvis man vil undgå ”AI pilot purgatory”: POC’er, der aldrig kan skaleres, fordi de er bygget uden fælles arkitektur, governance eller genbrugelige komponenter.

For at sikre en effektiv AI-integration har vi derfor udarbejdet et praktisk framework, der hjælper organisationer med at identificere AI-use cases, som skaber forretningsmæssige forbedringer på en måde, der kan skaleres.

Framework for implementering af AI i CRM

At omsætte AI fra potentiale til praktisk effekt kræver en systematisk tilgang, der hjælper organisationer med at identificere og prioritere gennemførlige AI-use cases i deres CRM-landskab. Frameworket er designet til netop dette og bygger på fire trin:

1. Kortlægning
2. Prioritering
3. Vurdering
4. Realisering

Metoden sikrer, at AI-initiativer bliver strategisk fokuserede, tæt koblet til konkrete forretningsbehov og i stand til at realisere deres fulde gevinst. Samtidig passer frameworket særligt godt til organisationer, der både vil skabe værdi hurtigt og undgå proof-of-concepts, der ser lovende ud i en pilot – men knækker ved første skalering.

Step 1: Kortlægning

Organisationer bør fokusere på de use cases, der har størst sandsynlighed for at skabe høj værdi og målbar effekt. Det kræver en bottom-up tilgang, hvor man gennem workshops beder de relevante forretningsområder om at beskrive deres arbejdsprocesser og arbejdsopgaver i praksis.

Disse workshops vil som udgangspunkt have til opgave at:

1. Kortlægge arbejdsopgaver og tid
   Hvad bruger I tiden på? Eksempelvis at finde dokumenter, skrive referater, forberede kundemøder, reviewe tilbud eller følge op på åbne sager. Bed teamet estimere tid pr. aktivitet. Det synliggør ofte overraskende “tidslækager” og giver et faktabaseret grundlag for, hvor indsatsen kan flytte mest.
2. Kortlægge processen og irritationerne
   Hvilke trin går I igennem? Hvor er I mindst tilfredse? Hvor tabes viden? Hvor opstår fejl? Og hvilke beslutninger træffes på mavefornemmelse, fordi data ikke er tilgængelige eller er svære at sammenstille?

Herefter bør processerne kortlægges på et detaljeret niveau for at identificere specifikke pain points og for at afgrænse datakilderne. Den detaljerede kortlægning gør det muligt at formulere problemstillinger præcist og specificere krav til en løsning. Samtidig er AI stærkt afhængig af datakvalitet; ved at indsnævre relevante datakilder kan man tidligt vurdere, om der er behov for datarens, standardisering eller andre tiltag, før en løsning kan levere stabil kvalitet.

Outputtet fra Discovery er dermed en struktureret liste af use cases, hvor AI teoretisk kan adressere specifikke udfordringer i forretningen.

Step 2: Prioritering

At prioritere AI-implementeringer kræver en struktureret vurdering af hvert potentielt use case ud fra to dimensioner: gennemførlighed og effekt.

Formålet er at skabe et klart beslutningsgrundlag for, hvor organisationen bør investere først – og hvorfor.

Gennemførlighed handler om, hvor let eller vanskeligt det i praksis er at realisere et AI-use case. Det afhænger typisk af fire forhold.

Effekt vurderer den potentielle værdi af use casen for organisationen eller slutbrugeren. Det starter grundlæggende med spørgsmålet: “Er det her værd at gøre?” Svaret afhænger blandt andet af forventet indtjening og besparelser, eksempelvis øget salg gennem bedre prioritering eller effektivisering via automatisering af manuelle opgaver.

Derudover bør man vurdere synergi, hvor use cases deler byggesten og dermed forstærker hinanden, så den samlede effekt bliver større end summen af de enkelte initiativer.

Step 3: Vurdering

Når de relevante use cases er identificeret, er næste skridt derfor en systematisk vurdering af hver use case – eller hvert procestrin – for at afklare, om det er egnet til AI, og hvilken AI-arketype der i givet fald er den rette. Evalueringen bør tage udgangspunkt i to dimensioner: kompleksitet og repetition.

Kompleksitet handler om, hvorvidt procestrinnet er kreativt og nuanceret eller forudsigeligt og regelbaseret. Opgaver, der kræver høj grad af menneskelig dømmekraft, kontekstforståelse og innovation, er typisk vanskeligere at automatisere fuldt ud. Her vil AI ofte skabe mest værdi som en forstærker af menneskelig kapacitet – eksempelvis gennem beslutningsstøtte, avanceret analyse eller anbefalinger. Omvendt er forudsigelige, regelbaserede opgaver oplagte kandidater til automatisering, fordi de følger et genkendeligt mønster, der kan håndteres med begrænset menneskelig indgriben.

Repetition vurderer, hvor ofte og i hvilket volumen procestrinnet forekommer. Højfrekvente, gentagne opgaver er typisk de stærkeste kandidater til AI, fordi automatisering kan frigøre betydelig tid og reducere manuelt arbejde. AI kan løse disse opgaver konsistent og med stabil kvalitet, hvilket giver medarbejdere mulighed for at fokusere på mere værdiskabende og strategiske aktiviteter. Opgaver, der forekommer sjældent eller er præget af unikke forhold, vil ofte være mindre egnede til automation og kan kræve en anden tilgang.

På baggrund af vurderingen kan organisationen vælge den mest hensigtsmæssige løsningsmodel: AI execution til fuld automatisering, hvor AI kan operere selvstændigt; AI support, hvor AI understøtter menneskelige beslutninger gennem prædiktiv analyse og anbefalinger; eller RPA, som er særligt effektiv til at automatisere gentagne, regelbaserede opgaver og reducere manuelle steps. I de tilfælde, hvor opgaven er sjælden og kræver høj dømmekraft, kreativitet eller kompleks beslutningstagning, vil en manuel tilgang fortsat være den rigtige løsning.

Ved konsekvent at vurdere procestrin gennem linserne kompleksitet og repetition kan organisationer definere den mest egnede AI-arketype for hver opgave. Det skaber et målrettet beslutningsgrundlag, der sikrer, at AI-implementeringer ikke blot er teknisk mulige, men også strategisk forankrede i forretningens mål.

Step 4: Operationalisering

I mange virksomheder kan det være en udfordring at komme over barrieren fra eksperiment til drift. Det skyldes blandt andet, at AI-løsninger skal leve op til kvalitetskrav og kontroller, og at kravbilledet udvikler sig løbende. Det gør det stadig mere komplekst at bringe AI ind i en tværgående, operationel kontekst.

For at undgå at AI bliver til en samling demoer, bør organisation tænke i capability pathways: klynger af teknologiske byggesten, der kan genbruges på tværs af mange use cases.
Capability pathways”: klynger af teknologiske byggesten, der kan genbruges på tværs af mange use cases. Oversat til hverdagssprog betyder det, at man i stedet for at bygge ti forskellige chatbots bygger én fælles måde at forbinde til kilder, styre adgang og dataprivatliv, evaluere kvalitet, monitorere drift og udrulle sikkert – så use cases kan komme og gå, uden at platformen skal bygges op igen og igen.

Teknisk kan man understøtte hastighed og læring ved at arbejde på tværs af modeller via en marketplace/API-tilgang, så man kan teste flere modeller (fx på tværs af Azure, Gemini, Claude mv.) og vælge den model og den konfiguration, der giver de bedste resultater til det konkrete formål. For at gøre udrulning og eksperimenter endnu mere effektive kan man bruge blueprints: standardiserede GitHub-repositories, der gør det muligt at “spinne” løsninger op som infrastructure-as-code. Det betyder, at man hurtigt kan etablere et sikkert setup uden at genopfinde drift, sikkerhed og deployment fra gang til gang. Resultatet er hurtigere testcyklusser, højere kvalitet og en klarere vej fra pilot til produktion.

At skabe reel værdi med AI i CRM kræver en struktureret tilgang – fra discovery over prioritering og evaluering til et skalerbart testrum, der kan bringe løsninger sikkert i drift. Når organisationer starter med forretningens processer og pain points, skaber de et faktabaseret udgangspunkt for, hvor AI kan flytte mest. Når use cases prioriteres efter Gennemførlighed og effekt, bygges en portefølje, der kan levere tidlige gevinster og samtidig opbygge AI-kapabilitet. Og når use cases evalueres systematisk og understøttes af genbrugelige capability pathways, bliver AI mindre et eksperiment – og mere en operationel kapabilitet, der sikrer hurtig vej fra pilot til skalering.

Hvis I ønsker sparring på, hvordan I konkret kan etablere et AI-framework til jeres CRM-landskab, er I velkomne til at række ud.