Når automatisering flytter arbejdet: sådan finder I den reelle tidsgevinst

Seks sekunder er ikke det samme som en færdig ordre

En ordre kommer ind på mail. En medarbejder læser bestillingen, finder kundens varenumre, kontrollerer pakninger og priser og opretter ordren i ERP. Det tager otte minutter i vores eksempel. Nu kan et AI-værktøj aflæse mailen på seks sekunder. Det er fristende at kalde resten en besparelse.

Men hvem undersøger, om kunden mener tre kasser eller tre styk? Hvem finder aftaleprisen, når mailen og ERP viser noget forskelligt? Og hvem ringer tilbage, hvis kunden har bestilt en udgået vare? De opgaver forsvinder ikke, fordi teksten bliver læst hurtigere. De kan tværtimod blive sværere at få øje på, hvis resultatet ligner en færdig ordre.

For en grossist mærkes den forskel ved dagens sidste pluk. Hvis de usikre ordrelinjer stadig venter hos salg, har lageret ikke fået et bedre grundlag. En hurtig kladde kan være nyttig, men værdien skal måles helt frem til en ordre, som næste medarbejder faktisk kan arbejde videre med.

Artiklens eksempler handler om ordrebehandling. Metoden kan også bruges på varemodtagelse og fakturakontrol. Pointen er at følge den samlede arbejdsopgave og se, hvor minutterne lander. Alle tal i regneeksemplerne er konstrueret til at forklare metoden. De er hverken kundemålinger eller et løfte om en bestemt effekt.

Følg arbejdet på tværs af salg, lager og økonomi

Det første skridt er at vælge et fælles slutpunkt. For ordreteamet kan en sag være afsluttet, når ordren er oprettet. For lageret er den måske først brugbar, når varen er disponibel, pakningen er entydig, og leveringsdatoen er afklaret. Hvis afdelingerne måler hver sin afslutning, kan den ene afdeling se en gevinst, som den anden betaler for.

Følg derfor én ordre gennem de faktiske overleveringer. Skriv, hvilke oplysninger der bliver slået op, hvor de findes, og hvem der må træffe beslutningen ved en afvigelse. Tag også den lille besked i Teams eller telefonopkaldet til indkøb med. Det arbejde står sjældent i systemets tidsstempel, selv om det er nødvendigt for at få ordren videre.

Skeln samtidig mellem arbejdstid og ventetid. En ordre kan vente fire timer på en afklaring, men kun optage ti minutters aktivt arbejde. Begge tal er relevante: Arbejdstiden fortæller noget om kapacitet, mens ventetiden kan forklare en overskredet plukfrist. Timer på et ur er ikke automatisk timer, der kan frigives hos medarbejderne.

Microsoft beskriver process mining som en metode til at undersøge faktiske processer ved hjælp af hændelsesdata. Det er et nyttigt princip, også uden et særligt analyseværktøj. Systemloggen kan vise forløbet; observationer og samtaler med medarbejderne må supplere dér, hvor telefoner, mails og uregistrerede rettelser fylder.

Et regneeksempel: AI-trinnet bliver hurtigere, men resten vokser

Forestil jer 1.000 ordrer om måneden. I den nuværende arbejdsgang bruges i gennemsnit tre minutter på aflæsning og indtastning, to på kontrol, to på afvigelser og ét på sagsopfølgning. Det giver otte minutters samlet menneskeligt arbejde pr. ordre.

I det første forsøg tager aflæsningen kun 0,1 minut, svarende til seks sekunder. Til gengæld bruger medarbejderen mere tid på at kontrollere udkastet, afklare fejl og følge op. Det samlede arbejde bliver syv minutter. Aflæsningen er forbedret med omtrent 97 procent, mens hele arbejdsgangen kun er forbedret med 12,5 procent.

I det næste, tænkte forløb er varedata og pakningsregler afklaret, og hver afvigelse får en tydelig ejer. Det samlede arbejde falder til tre minutter. Vi ved ikke på forhånd, om en virkelig virksomhed kan nå det resultat. Scenariet viser, hvorfor det kan betale sig at undersøge data og overleveringer sammen med selve AI-værktøjet.

De tre søjler nedenfor bruger de samme opgaver og det samme antal ordrer. Sagsopfølgning er arbejdet med den enkelte ordre. Fast teknisk vedligeholdelse er endnu ikke trukket fra; den kommer i næste beregning.

Volumen og vedligeholdelse kan vende regnestykket

En besparelse på ét minut ved 1.000 månedlige ordrer giver 1.000 minutter, altså 16 timer og 40 minutter. Hvis løsningen samtidig kræver 20 ekstra timer om måneden til teknisk vedligeholdelse og opfølgning på driften, er nettogevinsten negativ: Tre timer og 20 minutter mere arbejde end før. Igen er de 20 timer en valgt forudsætning, ikke et branchetal.

En besparelse på fem minutter pr. ordre giver derimod 83 timer og 20 minutter før de samme 20 timers vedligeholdelse. Tilbage er 63 timer og 20 minutter. Forskellen mellem scenarierne skyldes den samlede sagsbehandlingstid, ikke et hurtigere AI-svar. Etablering, abonnement og udstyr er ikke med i denne tidsberegning og skal vurderes særskilt.

I netop denne model kræver det første forløb 1.200 ordrer om måneden at opveje vedligeholdelsen. Det andet kræver 240. Grænserne flytter sig, når tidsbesparelsen eller det faste arbejde ændres. Ved lav volumen kan en lille forbedring af den eksisterende proces være mere fornuftig end en ny integration.

Brug derfor jeres egne tal. Den enkle formel er: antal sager gange sparede minutter pr. sag, divideret med 60, minus ekstra faste arbejdstimer. Regn på normal drift og en travl periode. Undersøg også, om de frigivne minutter ligger samlet nok til at kunne bruges på andre opgaver.

Mål kvalitet, mens I måler tid

En hurtigere ordre er ikke meget værd, hvis varen, mængden eller kundeaftalen er forkert. Vælg derfor nogle få kvalitetsmål før forsøget. Det kan være andelen af ordrer, der skal rettes efter frigivelse, antallet af forkerte enheder og antallet af leveringsløfter, som ikke kan dokumenteres.

Brug en tydelig nævner. Ti fejl ud af hundrede ordrer siger noget andet end ti fejl ud af tusind. Registrér også, om fejlene opdages før eller efter, at lageret har plukket. En fejl, som fanges i kladden, kræver måske et kort opslag. Samme fejl efter levering kan involvere kundeservice, returtransport og en kreditnota.

Mål desuden på de svære sager. Hvis forsøget kun omfatter ensartede ordrer fra kendte kunder, fortæller det ikke meget om nye kunder, ændrede pakninger eller ufuldstændige bestillinger. Del resultaterne op efter sagstype, så et pænt gennemsnit ikke skjuler en gruppe, der har fået mere arbejde.

En praktisk stopregel kan være, at en ordre ikke frigives automatisk, når enheden mangler, eller når prisen ikke kan forbindes med en godkendt aftale. Reglen skal besluttes af de ansvarlige for processen. NISTs AI Risk Management Framework er en frivillig ramme for at håndtere risiko gennem udvikling, brug og evaluering af AI. Den giver et generelt arbejdsgrundlag, men godkender ikke et bestemt ordreflow eller en leverandør.

Hvad forskningen kan fortælle os — og hvad den ikke kan

Ugens debat peger på det samme måleproblem. I en klumme på Computerworld den 15. oktober 2026 argumenterer Per Østergaard Jacobsen for, at ledelser skal afklare mål og arbejdsgange, før de vælger AI-løsning. Det er en rådgivers vurdering, ikke en måling af effekten hos grossister. Her bruger vi den som anledning til at stille et konkret spørgsmål: Har salg, lager og økonomi aftalt, hvornår den samme opgave er færdig?

Forskning kan hjælpe med at stille bedre spørgsmål. Den kan sjældent levere det tal, I skal sætte direkte ind i en business case. I studiet Generative AI at Work, offentliggjort i The Quarterly Journal of Economics i 2025, undersøger Brynjolfsson, Li og Raymond en AI-assistent i kundesupport hos én softwarevirksomhed. Resultaterne varierer mellem medarbejdergrupper, blandt andet efter erfaring.

Det er relevant, fordi den samme hjælp kan have forskellig værdi for en ny medarbejder og en kollega, der allerede kender kunderne og undtagelserne. Undersøg derfor, hvem der får lettere ved arbejdet, hvem der skal kontrollere mere, og om de erfarne ender som en fælles flaskehals for alle afvigelser.

Men kundesupport er ikke lagerpluk, varemodtagelse eller fødevaredokumentation. Undersøgelsen dokumenterer ikke en bestemt besparelse hos danske grossister. Kilden er den publicerede tidsskriftsudgave fra 2025. Den har et andet datagrundlag end det tidligere arbejdspapir, så tal fra de to versioner må ikke blandes sammen. Vores grafer bruger selvstændige regneeksempler, ikke forskningsresultater som salgsprognose.

Sådan kan I gennemføre et lille forsøg på 14 dage

Begynd med én postkasse, én varegruppe eller en overskuelig gruppe kunder. Aftal, hvornår en sag begynder, og hvornår den er færdig for den næste afdeling. Udpeg en ansvarlig fra driften og en fra den afdeling, der modtager resultatet. De skal sammen kunne afgøre, om arbejdet faktisk er blevet lettere.

Brug de første dage på at observere den nuværende proces. Notér aktiv arbejdstid, overleveringer, ventetid og årsager til rettelser. Bland lette og svære sager. Tag en stikprøve, som teamet reelt kan gennemgå, og skriv dens begrænsninger ned. En lille undersøgelse er et beslutningsgrundlag for næste forsøg, ikke et sikkert estimat for hele året.

Afprøv derefter automatiseringen i forslagstilstand. Medarbejderen beholder godkendelsen, og I registrerer også tiden til at kontrollere og rette forslaget. Hvis en ordre behandles to gange som led i testen, skal den ekstra testtid holdes adskilt fra den forventede tid i normal drift. Ellers bliver sammenligningen skæv i den anden retning.

Afslut med at gennemgå forskellene sag for sag. Skyldes en gevinst mindre indtastning, bedre varedata eller færre afbrydelser? Skyldes et tab uklare stopregler eller en integration, der fejler? Hvis flere ting er ændret samtidig, kan I ikke uden videre tilskrive hele effekten AI. Beslut derefter, om forsøget skal udvides, ændres eller stoppes.

Tag én overlevering med til mandagens møde

Det mest nyttige første spørgsmål er ofte meget lille: Hvilken oplysning må en kollega indhente igen, selv om en anden allerede har haft den? Hos en grossist kan det være en pakningsstørrelse. Ved modtagelsen kan det være et batchnummer. Hos økonomi kan det være dokumentationen for, at varen faktisk er kommet.

Vælg én af disse overleveringer, og følg fem afsluttede sager. Notér, hvad der blev fundet igen, hvem der blev afbrudt, og hvad der skulle til for at afgøre sagen. Den øvelse kan være nok til at vise, om næste skridt er en klarere regel, bedre stamdata eller en systemforbindelse.

Nogle opgaver skal have en fast kontrol. Andre kræver et menneskes vurdering. AI kan være nyttig, når sprog og dokumenter varierer, men den skal indgå i en arbejdsgang, som kollegerne kan forstå og efterprøve. Et godt resultat er, at en konkret opgave bliver løst med mindre samlet arbejde og en kvalitet, I kan stå inde for.