Guide · Oktober 2026 · 16 min
Data- og AI-strategi: hvad den skal indeholde, og hvordan I laver den
Hvad en data- og AI-strategi er, hvad den skal indeholde, og hvordan I laver den på 12 uger. Med en scoringsmodel, et eksempel og de faldgruber, der oftest stopper strategien.
Anders Butzbach Christensen
Plan & Proof
Hvad er en data- og AI-strategi?
En data- og AI-strategi er ledelsens beslutning om, hvilke 3-5 data- og AI-indsatser virksomheden skal finansiere de næste 24 måneder, hvad de er værd i kroner, og hvad der skal på plads i data, platform, organisation og governance, for at de lykkes.
Det er én strategi, ikke en datastrategi med et AI-kapitel bagerst. Ambitionen og porteføljen af indsatser er selve strategien. Data, platform, organisation og kompetencer bygges kun i det omfang, porteføljen kræver det.
En god data- og AI-strategi efterlader jer med tre ting:
Et godkendt roadmap
24-36 måneder med investeringsramme, finansieringsmodel og KPI'er.
En operating model
Roller, governance og sourcing, så nogen ejer værdien.
Business cases for 3-5 fyrtårne
Hver med ejer, pris, værdi, KPI og startdato.
Det er forskellen på en strategi og en rapport: Strategien ender i beslutninger, ikke i et dokument, der bliver læst og lagt væk.
Hvorfor har danske virksomheder brug for en data- og AI-strategi nu?
AI er udbredt i danske virksomheder, men værdien er det ikke. 59 % af virksomhederne med mindst ti ansatte bruger AI i 2026, mod 42 % i 2025 og 15 % i 2023, viser tal fra Danmarks Statistik. I DI's egen undersøgelse bruger 42 % AI ad hoc, og kun 11 % bruger det systematisk i stort set alle afdelinger.
Effekten følger ikke med. I McKinseys undersøgelse fra august 2026 ser 37 % nogen effekt af AI på driftsresultatet, det samme som året før. Kun omkring 6 % er high performers, der tilskriver AI mindst 5 % af driftsresultatet.
Forskellen ligger sjældent i teknologien:
Arbejdsgange
Knap tre af fire high performers har grundlæggende redesignet arbejdsgange, mod én af fire blandt de øvrige (McKinsey).
Styring af pengene
AI-forbruget er steget fra ca. 1,7 % af omsætningen i slutningen af 2025 til 3,3 %, og over 80 % ligger uden for IT (BCG Applied AI Index 2026).
Mennesker frem for algoritmer
Omkring 70 % af værdien fra AI kommer fra mennesker, processer og forandringsledelse, 20 % fra teknologi og 10 % fra algoritmer (BCG, januar 2026).
Data
Gartner forudsagde i 2025, at virksomheder frem til 2026 ville opgive 60 % af de AI-projekter, der ikke har AI-ready data bag sig (Gartner, februar 2025).
En data- og AI-strategi samler pengene, prioriterer de få indsatser, der kan mærkes på bundlinjen, og sørger for, at arbejdet faktisk ændrer sig.
Hvad skal en data- og AI-strategi indeholde?
En data- og AI-strategi dækker otte byggesten. To af dem er selve strategien, fire er kapabiliteter, der bygges i takt med porteføljen, og to er fundamentet, det hele hviler på.
| Byggesten | Spørgsmålet, strategien skal besvare | Det står i strategien |
|---|---|---|
| 1. Ambition og retning | Hvad skal data og AI gøre for forretningen de næste tre år: effektivisere, vokse eller transformere? | Ambition, 3-5 mål med KPI'er og ambitionsniveau pr. forretningsområde |
| 2. Værdiportefølje | Hvilke initiativer skaber mest værdi, og hvad er de værd? | Use case-katalog, prioritering og business cases for 3-5 fyrtårne |
| 3. Datafundament | Hvilke data skal være AI-ready til hvilke use cases, og hvem ejer dem? | Kritiske datadomæner, data products, ejerskab og kvalitetskrav |
| 4. Platform og arkitektur | Hvad bygger, køber eller genbruger vi, og hvordan hænger det sammen? | Målarkitektur, build/buy-principper og agent- og modelplatform |
| 5. Operating model | Hvem gør hvad, og hvilke roller mangler? | Organisation, roller, sourcing og bemanding |
| 6. Governance, risiko og regulering | Hvordan beslutter, kontrollerer og dokumenterer vi brugen af data og AI? | Beslutningsfora, AI-politik, AI-register, AI-forordningen og Data Act |
| 7. Mennesker og adoption | Hvordan får vi folk til at arbejde anderledes, ikke bare få nye værktøjer? | AI-færdigheder pr. rolle, forandringsplan og nye arbejdsgange |
| 8. Roadmap, finansiering og måling | I hvilken rækkefølge, for hvilke penge, og hvordan ved vi, at det virker? | Roadmap, investeringsramme, KPI-træ og revisionsrytme |
Fem principper, der holder strategien skarp
Værdi først
Hvert fundamentinitiativ peger på de use cases, det gør mulige, og deres værdi i kroner.
Mindste nødvendige fundament
Data og platform bygges i takt med porteføljen, ikke alt først.
Forretningen ejer værdien
Ejerskab til data og use cases ligger i forretningen.
Arbejdsgange, ikke værktøjer
Et initiativ tæller først, når en proces er ændret, og effekten er målt.
Levende strategi
Porteføljen genprioriteres hvert kvartal, og strategien tages op sammen med virksomhedsstrategien.
Se hele rammeværket bag en data- og AI-strategi med modenhedsmodellen og forløbet uge for uge.
Sådan ser det ud i praksis
Principperne lyder enkle. Det er i praksis, de bliver sprunget over. Fire eksempler fra Ti faldgruber i data- og AI-strategier:
Ejerskab
AI skulle udfylde kundeprofiler og spare omkring to timer pr. profil på titusindvis af kunder. Ingen kendte tidsforbruget i dag, og ingen i forretningen ejede forandringen. Efter flere måneders analyse uden noget i drift var det blevet et IT-projekt.
Fundament
Stil kontrolspørgsmålet: Hvis platformsarbejdet stoppede i morgen, hvilken use case ville så mærke det? Er svaret ingen, har I et fundament uden portefølje.
Adoption
En løsning til leadgenerering virkede fint, men sælgerne brugte den aldrig, fordi ingen målte på, om de gjorde det.
Driftsøkonomi
En proces blev automatiseret med over 20 agenter, men kun omkring en femtedel af sagerne gik igennem uden fejl. Det meste af tokenforbruget gik til sager, der ikke skabte værdi.
Hvordan laver man en data- og AI-strategi?
En data- og AI-strategi kan laves på 12 uger, hvis hver fase slutter med en beslutning. Beslutningspunkterne er det, der adskiller en strategi, der bliver vedtaget, fra en rapport, der bliver læst.
Mobilisér (uge 0-1)
Kickoff med sponsor, scope, interessentkort, indsamling af eksisterende strategier og dokumenter samt en interviewplan. Beslutning G0: scope og sponsor er på plads.
Forstå (uge 1-4)
15-25 interviews på tværs af direktion, forretning, IT, jura, compliance, HR og et par superbrugere, en online-undersøgelse til 50-200 medarbejdere, gennemgang af data- og systemlandskabet og kortlægning af den AI, I allerede bruger og betaler for, også den uofficielle. Resultatet er et modenhedsheatmap, en liste over pains og en lang liste af muligheder. G1: styregruppen godkender fundene.
Prioritér (uge 4-7)
Ambitionsworkshop med direktionen, 3-5 use case-workshops, scoring af use cases, AI-ready data-tjek af shortlisten og business cases. G2: direktionen vælger ambition og portefølje.
Design (uge 7-10)
Operating model, governance og AI-governance, målarkitektur, plan for AI-færdigheder og regulering. G3: designet godkendes.
Forankr (uge 10-12)
Roadmap, investeringsramme, KPI-træ, plan for de første 100 dage og præsentation for direktionen eller bestyrelsen. G4: go og finansiering.
Bagefter begynder eksekveringen: De første fyrtårne sættes i gang, governance kommer i drift, den første bølge af AI-færdigheder ruller ud, og gevinsterne måles. Porteføljen gennemgås hvert kvartal.
Hvad kræver det af jer?
Sponsor i direktionen
1 time om ugen plus fire styregruppemøder.
Kerneteam
20-30 % af tiden i 12 uger.
Interviewpersoner og workshopdeltagere
1 time pr. interview og 2-3 halve dage pr. workshopdeltager.
Tidsplanen holder kun, hvis den indsats er afsat fra start. Inddrag samarbejdsudvalget tidligt, når AI ændrer jobindhold. Det tager luften ud af modstanden senere.
Værktøjerne: modenhed, prioritering og business case
Tre værktøjer bærer det meste af arbejdet: en modenhedsmodel, der viser, hvor I står, en måde at prioritere use cases på og en business case, som CFO'en kan godkende.
Modenhedsmodel for data og AI i fem niveauer
Hver byggesten scores fra 1 til 5 pr. forretningsenhed og vises som et heatmap. Målet er sjældent 5 overalt. I sætter det niveau, porteføljen faktisk kræver, og gentager målingen efter 12 måneder.
| Niveau | Kendetegn | Typisk tegn |
|---|---|---|
| 1. Ad hoc | Data og AI bruges af ildsjæle uden fælles retning | Regneark i skyggen, private AI-konti |
| 2. Eksperimenterende | Piloter og værktøjer, men ingen prioritering eller måling | Mange proof of concepts, få i drift |
| 3. Systematisk | Fælles platform, ejerskab og porteføljestyring | Use case-proces og business cases findes |
| 4. Skaleret | Værdi måles og genbruges, governance virker i praksis | AI i kerneprocesser, gevinster følges op |
| 5. Transformerende | Data og AI former forretningsmodellen | Nye produkter og services på data og AI |
Sådan prioriterer I AI use cases
Hver use case beskrives på et kort: problemet, den arbejdsgang, der ændres, værdidriver og KPI, baseline, nødvendige data, ejer, risikoklasse og et estimat for udvikling og drift. Derefter scores den på seks vægtede kriterier:
| Kriterium | Vægt som udgangspunkt | Spørgsmålet |
|---|---|---|
| Værdi | 30 % | Hvad er den årlige effekt i kroner på omsætning, omkostninger, kapital eller risiko? |
| Gennemførbarhed | 20 % | Har I teknologien, kompetencerne og leverandørerne? |
| Strategisk fit | 15 % | Understøtter den et af de 3-5 mål? |
| Data readiness | 15 % | Er data klare, kan de blive det inden for tre måneder, eller kræver det et fundamentprojekt? |
| Risiko og regulering | 10 % | Hvilken risikoklasse efter AI-forordningen, og hvor alvorlig er en fejl? |
| Forandringsbehov | 10 % | Hvor meget skal arbejdsgange og roller ændres? |
Vægtene er et udgangspunkt, som ledelsen justerer i prioriteringsworkshoppen. Plot derefter værdi mod gennemførbarhed: Høj værdi og høj gennemførbarhed er quick wins. Høj værdi og lav gennemførbarhed er fyrtårne, der kræver fundament først. Use cases med lav værdi parkeres, uanset hvor lette de er. Skabelonerne til use case-kort, scoring og business case ligger i vores Playbook.
Vælg også den rigtige type løsning: agenter, hvor der skal træffes beslutninger, automatisering til faste arbejdsgange og assistenter til simple opslag, som Gartner anbefaler. En agent må først handle selv, når syv kontroller er på plads.
AI-ready data vurderes pr. use case
Data vurderes for den konkrete use case, ikke i det abstrakte. Hver use case på shortlisten ender i én af tre kategorier:
Klar
Kan indgå i porteføljen nu.
Klar inden for tre måneder
Kan starte med en kort datasprint.
Kræver et fundamentprojekt
Venter på fundamentet i roadmappet.
En business case, som CFO'en kan godkende
En CFO bevilger ikke penge til ”høj værdi”. Hver use case, der går videre, skal have en sponsor, en navngiven ejer i forretningen og et ja fra de funktioner, der skal lægge ressourcer i den eller leve med løsningen bagefter. Selve casen har fem dele:
Værdidrivere
Mere omsætning, lavere omkostninger, frigjort kapital, lavere risiko.
Baseline og antagelser
Dokumentér dem, og få dem godkendt af gevinstejeren.
Omkostninger
Udvikling, drift (licenser, compute, tokens, support) og forandring.
Indfasning
Værdien kommer gradvist: vis forsigtig indfasning og følsomhed.
Nøgletal
Nutidsværdi, tilbagebetalingstid og en navngiven gevinstejer.
Glem ikke driftsøkonomien. Hver femte virksomhed begrænser sin brug af AI på grund af driftsomkostningerne, tokens medregnet (McKinsey, august 2026). Regn derfor baglæns fra, hvad processen koster manuelt i dag: Hvad må det højst koste at køre én sag gennem løsningen, før business casen bliver negativ? Det tal er loftet for drift og tokens. Læs mere om business casen for AI.
Operating model: hvem gør hvad?
Tre modeller er værd at vurdere. Hub-and-spoke er det bedste udgangspunkt for de fleste mellemstore og store virksomheder.
| Model | Kendetegn | Passer til | Risiko |
|---|---|---|---|
| Centraliseret | Ét team bygger og driver alt | Lav modenhed og få use cases | Flaskehals og langt fra forretningen |
| Hub-and-spoke | Et centralt team leverer platform, standarder og specialister, og forretningen ejer og bygger med champions | De fleste mellemstore og store virksomheder | Kræver klare roller og beslutningsret |
| Decentraliseret | Forretningsenhederne bygger selv | Høj modenhed og stærke domæner | Dobbeltarbejde og svag governance |
Det står I med bagefter
Et beslutningsdokument på 25-40 sider plus de værktøjer, der skal holde strategien i live, når rådgiveren er gået.
| Værktøj | Ejer hos jer bagefter |
|---|---|
| Strategi på én side | Sponsor |
| Use case-katalog med scoringsmodel | Porteføljeejer |
| Business case-model | CFO eller controlling |
| Modenhedsvurdering som baseline | Data- og AI-lederen |
| Roadmap | PMO |
| Governance-pakke og AI-politik | Governance-ejer |
| Plan for AI-færdigheder pr. rolle | HR |
| Plan for de første 100 dage | Programleder |
Før strategien går til direktionen, skal tre ting være på plads: Strategien på én side kan forklares på tre minutter, ingen anbefaling står uden værdi, ejer og pris, og de svære anbefalinger er afstemt med CFO'en før slutpræsentationen, ikke efter.
Eksempel på en data- og AI-strategi på én side
Sådan ser strategien på én side ud for Eksempel A/S, en fiktiv dansk produktionsvirksomhed med 2.500 ansatte og fire forretningsenheder. Alle navne og tal er opdigtede, men strukturen er den samme som i en rigtig strategi.
| Felt | Eksempel A/S |
|---|---|
| North star | Data og AI gør Eksempel A/S til den mest leveringssikre producent i Norden |
| Mål for 2028 | 12 mio. kr. i årlig gevinst fra data og AI, 97 % leveringsevne (i dag 92 %) og 80 % af ledere og specialister, der bruger AI dagligt |
| Ambition | Effektivisere i produktion og supply chain og vokse i salg og service |
| Investering | 9,5 mio. kr. over 24 måneder |
| Fyrtårne | Reklamationsagent (quick win), automatisk fakturamatch (quick win), efterspørgselsprognose og prædiktivt vedligehold på linje 3 |
| Fundament | Data products for kunde, produkt og produktion, en agent- og modelplatform med omkostningsstyring og sensordata fra produktionen |
| Styring | Hub-and-spoke med champions, et data- og AI-udvalg hvert kvartal, AI-politik og AI-register |
| Måling | KPI-træ med effektmål og kvartalsvis genprioritering |
| Første 100 dage | Udvalg nedsat og politik vedtaget, to fyrtårne i pilot og første bølge af AI-færdigheder i gang |
Læg mærke til, at hvert fundamentinitiativ kan føres tilbage til et fyrtårn, og at målene er effekt i kroner og leveringsevne, ikke antal værktøjer eller brugere. Se hele eksemplet på en data- og AI-strategi med modenhedsheatmap, use case-portefølje, målarkitektur og proceskortlægning.
Ti faldgruber i data- og AI-strategier
De fleste data- og AI-strategier fejler ikke på analysen, men på ejerskab og på den manglende kobling mellem værdien og det data- og platformsarbejde, der skal til.
Anbefalinger uden ejere
Ingen i forretningen ejer forandringen og business casen.
Use cases uden kroner
Værdien står som høj, mellem eller lav i stedet for i kroner.
Fundament uden portefølje
Platformen bliver bygget, før nogen use case har brug for den.
For mange initiativer
Alle får lidt, og ingen får nok til at lykkes.
Løsninger uden adoption
Løsningen virker, men ingen bruger den.
Teknologivalg uden optioner
Platformen er valgt, før behovet er kendt.
Aktivitetsmål frem for effektmål
Man måler udfyldte felter i stedet for mersalg.
Glemt driftsøkonomi
Tokens og drift dukker først op efter go-live.
Agenter uden kontroller
Agenten handler selv, før nogen har sat grænser.
En strategi, der fryser
Ingen kigger på den eller måler på den, og med ny ledelse starter man forfra.
Læs de ti faldgruber i den fulde version med eksempler fra praksis og et sundhedstjek med ti spørgsmål til jeres egen strategi.
Skal I lave strategien selv eller få hjælp?
Der er to veje: I kan selv drive strategien med metode, materialer og sparring, eller I kan få en rådgiver til at drive den for jer. Mange kombinerer og starter selv, før de henter hjælp ind til eksekveringen.
| Vej | Passer til | Varighed | Pris |
|---|---|---|---|
| Plan Lab: online hold med 6-10 ledere | Dig, der selv vil bygge strategien | 10 uger | 29.500 kr. |
| First 100 Days: 1:1 med en seniorrådgiver | Ny CDO, CDAO eller data- og AI-leder | 100 dage | 65.000 kr. |
| Playbook: værktøjskasse og skabeloner | Alle, der vil i gang i eget tempo | Eget tempo | Fra 2.500 kr. |
| Data- og AI-readiness check | Jer, der vil vide, om strategien skal opdateres eller erstattes | 3-4 uger | Fast pris |
| Data- og AI-strategi, drevet af os | Ledelser, der vil have strategien lavet uden at bruge egne folk | 12 uger | Fast pris, betalt ved beslutningspunkterne |
Typiske anledninger til at lave en data- og AI-strategi
En ny CDO, CDAO eller data- og AI-leder er ansat og skal i gang i de første 100 dage.
En SMV etablerer for første gang en data- og AI-, analytics- eller BI-funktion.
En etableret leder skal forny strategien og finde de use cases, der er mest værd.
Der er mange AI-piloter og få i drift.
En ny koncernstrategi, et ERP-skifte eller en bestyrelse, der spørger til AI.
Ofte stillede spørgsmål om data- og AI-strategi
Hvad er forskellen på en datastrategi og en AI-strategi?
En datastrategi handler om, hvordan data samles, styres og gøres tilgængelige. En AI-strategi handler om, hvor AI skal skabe værdi. I praksis hænger de sammen: AI uden datafundament skalerer ikke, og et datafundament uden konkrete use cases mister opbakning. Derfor anbefaler vi én samlet data- og AI-strategi, der hænger sammen med den digitale strategi og virksomhedsstrategien.
Vi har allerede en datastrategi. Er det nok?
Det afhænger af, hvornår den er lavet. En datastrategi fra før 2023 har sjældent AI, agenter, AI-forordningen og driftsøkonomien for AI med. Et readiness check viser på 3-4 uger, om den skal opdateres eller erstattes.
Hvor lang tid tager det at lave en data- og AI-strategi?
Et typisk forløb tager 12 uger fordelt på fem faser med fem beslutningspunkter. Eksekveringen af de første fyrtårne aftales bagefter.
Hvor mange use cases skal en data- og AI-strategi indeholde?
3-5 fyrtårne: få og større initiativer med målbar effekt. Vælg et domæne, fx salg eller operations, og et tema under det, fx krydssalg eller demand forecasting. Under hvert fyrtårn kan der være mange mindre leverancer. Resten kommer på en venteliste med en klar regel for, hvornår noget kan rykke op.
Hvem skal eje strategien?
Direktionen ejer ambitionen og porteføljen, typisk gennem en sponsor. For hver indsats ejer en leder i forretningen forandringen og business casen, mens IT ejer implementeringen. Data- og AI-lederen holder sammen på porteføljen og måler modenheden igen efter 12 måneder.
Passer en data- og AI-strategi til en SMV?
Ja. Strukturen er den samme, men omfanget er mindre. Mange SMV'er starter, når de for første gang etablerer en data-, analytics- eller BI-funktion. Vil I selv drive arbejdet, er Plan Lab et billigere sted at starte.
Hvad koster en data- og AI-strategi?
Det afhænger af omfanget, og af om I selv driver arbejdet. Hos Plan & Proof er strategiforløbet til fast pris, og I betaler ved beslutningspunkterne: 20 % ved G1, 30 % ved G2, 30 % ved G3 og 20 % ved G4. Vil I selv lave strategien, koster Plan Lab 29.500 kr.
Skal AI-forordningen med i strategien?
Ja, som en del af governance, men ikke som hovedargument. Kravet om AI-færdigheder gælder allerede og håndhæves fra august 2026, og højrisikoreglerne er udskudt til december 2027, ikke aflyst. Strategien bør derfor have en AI-politik, et AI-register og en plan for AI-færdigheder pr. rolle. Læs mere om tidslinjen for AI-forordningen.
Hvor ofte skal strategien opdateres?
Lige så tit som virksomhedsstrategien. Kobl den til samme rytme, genprioritér porteføljen undervejs, og følg effektmålene løbende. Kommer der ny ledelse, så revidér og skift kun det ud, der ikke længere giver mening, i stedet for at starte forfra. En årlig opdatering før budgettet er en fast måde at gøre det på.
Om forfatteren
Anders Butzbach Christensen er stifter af Plan & Proof. Han har købt og ejet data- og AI-strategier som data- og AI-leder i flere store virksomheder, været med i tre strategiprocesser i internationale koncerner og lavet data- og AI-strategien i to koncerner. Han ved, hvad der overlever mødet med driften.
Erfaring: Head of Data Engineering Global i The LEGO Group, Head of Data & Analytics i Terma, Director of Enterprise Architecture, Data & AI i Bunker Holding og Senior Director, Enterprise Architecture, Digital Innovation & AI i DOVISTA.
Læs også interviewet med Anders hos Hyperight: Don't Build AI, Build Organisations That Can Use It, eller se flere interviews og foredrag.
Kilder: Danmarks Statistik via Ritzau, 15. sep 2026; DI, sep 2026; McKinsey, The state of AI, aug 2026; BCG Applied AI Index 2026, sep 2026; BCG, jan 2026; Gartner, feb 2025; Gartner, jun 2025.
Ydelsen bag artiklen: Data- og AI-strategi →