Gartner Hype Cycle er blevet en fast reference i tech-verdenen, fordi den elegant beskriver, hvordan ny teknologi bevæger sig fra hype til reel værdi. Først kommer forventningerne, så skuffelsen – og til sidst en mere nøgtern, produktiv anvendelse.

Modellen holder stadig. Men når det gælder AI, er den ikke længere tilstrækkelig.

Problemet er ikke, at kurven er forkert. Problemet er, at AI ikke opfører sig som tidligere teknologier. Hvor de fleste teknologier kan placeres ét sted på kurven, er AI snarere et lag på tværs af mange anvendelser. Nogle dele er stadig i hypefasen, andre er allerede i gang med at skabe reel værdi. Det gør billedet mere komplekst – og langt mere relevant for virksomheder, der skal træffe beslutninger nu.

De seneste år har især generativ AI gennemløbet en klassisk hypefase. Forventningerne eksploderede, og mange troede, at produktivitetsgevinsterne ville komme næsten øjeblikkeligt. Det gjorde de ikke. I dag ser vi i stedet en mere afdæmpet fase, hvor forskellen mellem overfladisk brug og reel implementering bliver tydelig.

Nogle virksomheder er skuffede. Andre begynder for alvor at se resultater.

Forskellen ligger sjældent i teknologien. Den ligger i, hvordan den bliver brugt.

AI fungerer nemlig ikke som et traditionelt værktøj, man bare kan tilføje til eksisterende processer. Det minder mere om elektricitet: Den fulde effekt opstår først, når man gentænker arbejdsgange fra bunden. At bruge AI til at gøre det samme som før – bare lidt hurtigere – giver kun marginale forbedringer. Det er først, når processer redesignes, at potentialet for alvor bliver synligt.

Her opstår et interessant paradoks. For det er ikke virksomhederne, der er længst fremme. Det er forbrugerne.

Individer bruger allerede AI som en naturlig del af deres hverdag – til at skrive, analysere, planlægge og løse problemer. De eksperimenterer frit, lærer hurtigt og integrerer værktøjerne uden større barrierer. Virksomheder derimod bevæger sig langsommere. Ikke uden grund: hensyn til data, compliance og organisation gør forsigtighed rationel. Men konsekvensen er, at mange organisationer halter efter i praktisk erfaring.

Og det er en udfordring. For AI er ikke en teknologi, man bare kan købe sig til. Den virkelige værdi ligger i de kompetencer, der opbygges over tid – gennem brug, fejl og læring. Organisationer, der venter på den perfekte strategi eller fuld afklaring, risikerer derfor at sakke bagud, ikke fordi de mangler ressourcer, men fordi de mangler erfaring.

Det er også her, mange implementeringer går galt. Fokus ender på værktøjer, kurser og brugstal, mens det grundlæggende spørgsmål bliver overset: Hvordan foregår arbejdet egentlig i dag? Uden en klar forståelse af egne processer bliver AI hurtigt endnu et system, der ikke udnyttes fuldt ud.

De virksomheder, der lykkes, gør noget andet. De ser AI som et forretningsanliggende – ikke et IT-projekt – og de arbejder systematisk med deres workflows. De identificerer, hvor arbejdet er tungt, repetitivt eller informationsintensivt, og undersøger derefter, hvordan AI kan integreres meningsfuldt. Det er mindre spektakulært end hypefortællingerne – men langt mere effektivt.

Samtidig overser mange en væsentlig pointe i risikodebatten. Der er naturligvis risici ved at implementere AI. Men der er også en risiko ved at lade være. Den viser sig ikke som en pludselig fejl, men som en gradvis svækkelse: lavere produktivitet, mindre attraktive arbejdspladser og tab af konkurrencekraft.

Det gør AI-adoption anderledes end tidligere teknologibølger. Det er ikke sikkert, at man denne gang bare kan vente og indhente de andre senere. Fordi det, der opbygges undervejs – erfaring, processer og kompetencer – tager tid og ikke kan købes færdigt.

Derfor er den vigtigste bevægelse lige nu ikke hypekurven, men adoptionskurven. Opmærksomheden toppede for længst. Den reelle anvendelse er først ved at tage fart – og den udvikler sig ujævnt på tværs af virksomheder, brancher og individer.

Det efterlader ledere med en relativt simpel, men krævende opgave: at komme i gang. Ikke perfekt, men praktisk. At forstå deres egne arbejdsgange, skabe rum for eksperimenter og opbygge kompetencer gennem brug.

For i sidste ende handler AI ikke om hype. Og det handler heller ikke om prompts.

Det handler om, hvordan arbejdet bliver gjort.

Og det er dér, forskellen mellem dem, der rykker sig – og dem, der bliver overhalet – opstår.