Hvor AI faktisk tjener penge: casene fra de store og de små

Jeg har gennemgået konsulenthusenes egne cases. Pengene sidder i de små processer.

Da jeg spurgte mine læsere i august, hvad de ville have mere af, lå svaret klart på toppen: erfaringer fra virksomhederne. Hvor bliver AI brugt, og hvor kommer der faktisk penge ud af det? Og da jeg lovede at samle dem, skrev over ti læsere CASES i kommentarfeltet inden for det første døgn. Ingen bad om en ny model.

Det passer med det, jeg ser ude hos virksomhederne. Licenserne er købt, folk har været på kursus, og mandag morgen kl. 8 åbner de den samme mail og det samme regneark som fredagen før. Jeg kalder det mandag morgen-syndromet.

Derfor har jeg gravet de dokumenterede cases frem, som de store konsulenthuse og de små danske virksomheder selv har offentliggjort. McKinsey, BCG, PwC, Capgemini, Implement og Netcompany på den ene side. DI's og Dansk Erhvervs case-arkiver og et par mindre danske rådgivere på den anden. Jeg har kun taget cases med, hvor der står et konkret tal, og jeg har skilt det målte fra det lovede.

Billedet er tydeligere, end jeg havde regnet med.

1. HALVDELEN FÅR NOGET UD AF AI. MEGET FÅ FÅR MEGET

Først de store tal, så du ved, hvor casene står.

BCG offentliggjorde 30. september en undersøgelse blandt 1.330 topledere. 7,5% er det, BCG kalder future-built: virksomheder, hvor AI ændrer forretningen. Yderligere 41% er i gang med at skalere. For et år siden var det kun 5%, der var future-built. Der sker altså noget.

McKinseys State of AI fra august tegner samme kurve. 37% kan se en effekt på driftsresultatet, men kun omkring 6% får 5% eller mere af deres EBIT fra AI. Den andel har ikke flyttet sig på et år.

PwC spurgte 4.454 topchefer i januar. 56% havde endnu ikke set en væsentlig økonomisk gevinst. Og Bain spurgte i april over 100 CFO'er: 31% er tilfredse med resultaterne af deres AI-investeringer.

Brugen er bred. Gevinsten er smal.

Fire globale målinger fra 2026

Kun 31% af CFO'erne er tilfredse med resultaterne af deres AI-investeringer

Bain, CFO-undersøgelse, april 2026

Model 1. Hvor langt virksomhederne er nået med at få penge ud af AI.

Det er tankevækkende. Det er sværere at få penge ud af AI, end man skulle tro, også når jakkesættene står på række, og forventningerne i rummet er skyhøje. Lige nu kan du ikke regne med, at det slår igennem på bundlinjen af sig selv.

Herhjemme viser DI's analyse fra september, at 81% af virksomhederne bruger AI i en eller anden form. Men kun 10% bruger det systematisk i næsten alle afdelinger. Netop den gruppe voksede deres omsætning 13,3 pct. mere end sammenlignelige virksomheder fra 2021 til 2025. DI er selv tydelig om, at det er en sammenhæng og ikke et bevis for, at AI er årsagen.

NØGLETAL

81% af danske virksomheder bruger AI, men kun 10% bruger det systematisk i næsten alle afdelinger. Den gruppe voksede omsætningen 13,3 pct. mere end sammenlignelige virksomheder fra 2021 til 2025 (DI, september 2026; en sammenhæng, ikke et bevis for årsag).

Deloitte har et nordisk tal, der burde vække en bestyrelse: kun en tredjedel af de nordiske virksomheder ser en gevinst af deres bedste AI-initiativ inden for to år. I resten af Europa er det næsten halvdelen.

Brugen er bred. Gevinsten er smal. Så hvor sidder den henne?

2. DE STORE HUSE FINDER PENGENE I KUNDESERVICE

Lægger man de store konsulenthuses cases med målte tal ved siden af hinanden, er mønsteret næsten pinligt tydeligt. Langt de fleste resultater ligger i kundeservice og contact centers.

PwC beskriver hotelkæden Wyndham, hvor AI-agenter i kundeservice har givet 30 til 50% kortere samtaletid, og 28% af de indgående opkald bliver nu håndteret af AI. Gennemgangen af brand-standarder på hotellerne tager 94% kortere tid. Den, der står frem med resultaterne, er direktøren for de globale contact centers.

McKinsey beskrev i april en amerikansk kreditforening med omkring 10 milliarder dollar i aktiver. Contact center-omkostningerne faldt 10% på seks måneder, og samtaletiden 15% på 100 dage. I samme artikel beskriver McKinsey en anden bank, hvor AI uden væsentlig risiko kun kunne tage 20% af opkaldene om betaling af billån, som processen så ud. Resten krævede, at processen og data blev lavet om først.

BCG har outsourcing-huset Konecta, der arbejder i 28 lande. Op til 35% kortere samtaletid og op til 40% højere konvertering i salg. Men læg mærke til, hvad det krævede: en Chief AI Deployment Officer, en ny rolle som leder af hybride teams af mennesker og agenter, og over 25.000 medarbejdere, der i dag bruger AI-løsningerne, med et internt akademi, der træner dem.

Herhjemme byggede Netcompany TopGPT til Topdanmark. Den havde haft 80.000 samtaler med kunder i november 2024 og fik ti gange så mange positive anmeldelser som den gamle chatbot. Tryg fortalte på et PwC-arrangement i juni om omkring 100 millioner kroner mindre i svindel om året, og at omkring 85% af sagerne om skyldsspørgsmålet ved bilskader nu håndteres på få minutter.

Tabel 1. Udvalgte kundeservice-cases med målte tal (selvrapporterede).

Tryg sagde også noget, der er mere værd end tallene: de havde omkring 100 AI-initiativer og få business cases. Så de skar ned til tre prioriterede områder. Det er den beslutning, mange danske ledergrupper mangler at tage.

Princip

Strategi er mere fravalg end valg. Tryg gik fra omkring 100 AI-initiativer til tre prioriterede områder.

3. DE FLESTE JAGTER BESPARELSE. TOPLINJEN ER DET STORE HUL

Læg mærke til, hvad casene fra de store huse har til fælles. Langt de fleste handler om at gøre det samme billigere: kortere samtaletid, færre opkald, mindre svindel. Cases med målt vækst i salg og omsætning findes, men de er i klart mindretal. I BCG's egen samling af AI-eksempler fra december 2024 handler kun omkring hver sjette om højere salg, konvertering eller omsætning. Resten handler mest om omkostninger og produktivitet. Og vækst-casene er oftere anonyme eller angivet som "op til". Det er bemærkelsesværdigt, for BCG skriver selv, at 70% af værdipotentialet ligger i kernefunktionerne som salg, marketing og produktudvikling.

Det mest sigende er, at McKinsey selv siger det. I McKinsey Quarterly fra april 2026 skriver tre af husets folk, at produktivitet med AI hurtigt bliver adgangsbillet: konkurrenterne indhenter gevinsten, og den ender hos kunderne. Den varige værdi kommer fra nye tilbud, forretningsmodeller og markedsstrukturer. De slutter med at minde om, at historien er fuld af virksomheder, der forvekslede effektivitet med fordel. Husets strateger og husets cases peger altså i hver sin retning. Det hul er der plads til, hvis man vil hurtigere frem end konkurrenterne.

Undersøgelserne viser det samme. Hos PwC var det kun 12% af topcheferne, der havde fået både lavere omkostninger og højere omsætning ud af AI. I DI's undersøgelse svarer 20% af virksomhederne, at AI har øget deres omsætning. Og McKinsey viser, hvad der adskiller de få, der lykkes. Omkring 80% i begge grupper bruger AI til effektivisering, men 74% af de bedste har også vækst som mål mod 47% af de øvrige. For innovation er tallene 65% mod 49%.

Tabel 2. Hvad de bedste siger efter. Kilde: McKinsey, The state of AI in 2026.

Jeg er ret besat af toplinjen, og det er der to grunde til. Den første er, at det er dér, den store værdi ligger. En besparelse henter man én gang. En bedre forretning bliver ved med at give. Den anden er menneskelig. Hvis AI-projektet i praksis betyder, at opgaver og stillinger forsvinder, er det op ad bakke at få folk med. Hvem har lyst til at træne den agent, der skal overtage ens eget job? Når AI handler om at vinde flere kunder, lave bedre produkter og give medarbejderne nye opgaver, er der pludselig en grund til at være med. Så spreder accepten sig i hele organisationen, også når agenterne kommer.

MIT-økonomen og nobelpristageren Daron Acemoglu har argumenteret for det samme i årevis. I bogen Power and Progress fra 2023 advarer han og Simon Johnson mod det, Acemoglu kalder so-so automation: teknologi, der erstatter mennesker, men kun gør tingene en smule billigere. Den skaber hverken ret meget produktivitet eller nye job. I februar i år udgav Acemoglu, David Autor og Simon Johnson papiret Building Pro-Worker Artificial Intelligence. Deres pointe er, at AI skaber mest værdi, når den gør menneskers ekspertise og dømmekraft mere værd og skaber nye opgaver.

At erstatte folk med maskiner er vejen med mindst modstand, og virksomhederne risikerer at efterlade værdi på bordet ved at vælge den. (Simon Johnson, frit gengivet)

Eksemplerne findes, også i casene her. Konecta løftede konverteringen i salg med op til 40%. Junckers fik 66% mere trafik på seks måneder. Og hos Hymatik er direktøren klar i målet: den sparede tid skal bruges til at hjælpe kunderne og vokse, ikke til at skære i staben.

---

MIT RÅD

Sæt mindst én use case på listen, der skal flytte toplinjen, og fortæl medarbejderne, hvad den frigjorte tid skal bruges til. Det flytter samtalen fra hvem der bliver overflødig til hvad vi nu kan, sammen. Så melder flere og flere champions og ildsjæle sig frivilligt. Det er en win-win, der batter.

---

4. DE SMÅ VIRKSOMHEDER FINDER DEM I TILBUDDET

Hos de små danske virksomheder ser det helt anderledes ud. Ingen af dem har en Chief AI Deployment Officer. De har til gengæld én proces, der gør ondt, og nogen, der tager fat i den.

Hymatik i Odense sælger hydraulik og pneumatik. Fire produktspecialister sad med tilbud i Excel, og efter en ferie kunne de være 14 dage bagud. Nu læser Claude kundens mail, finder varerne, slår dem op i produktdatabasen og henter pris, leveringstid og datablad. En medarbejder godkender og sender. Tiden til tilbudsgivning er halveret. De har en ekstern IT-konsulent to dage om ugen, som direktøren anslår koster 600.000 til 700.000 kr. om året, og som han mener er alle pengene værd.

Støberiet Vald. Birn bruger en model til at lave et første prisforslag på indkomne forespørgsler. En prisberegning tog op til halvanden time pr. ordre. Nu tager den knap 90% kortere tid. Modellen dækker 20% af forespørgslerne, og resten laves stadig i hånden.

Hos TN Værktøjsslibning gik op til halvdelen af de to lederes tid med at svare kunder på tekniske spørgsmål. Med en lukket AI koblet på ERP-systemet tager et opslag nu måske 20 sekunder mod omkring en halv time før. Løsningen blev bygget på halvanden måned.

Sixt Danmark fik automatiseringshuset WITRICS til at sortere indbakken og behandle blandt andet parkeringsbøder med AI og software-robotter. Alene på bøderne sparer de over 375 timer om året. Junckers fik bureauet No Zebra til at bygge en AI-motor til landingssider med menneskelig godkendelse: 66% mere trafik på seks måneder.

Og så er der dem, der gør det selv. Amazon-bureauet SUBSTANT har syv ansatte og har sparet omkring en halv stilling på ugentlige kunderapporter for et par hundrede kroner om måneden. Kontorforsyningen Lomax sparer 30 timer om ugen på produkttekster, og en oversættelse af 100 produkter er gået fra fire uger til en time. Lomax har AI-ambassadører i hver afdeling og obligatorisk træning, og de har bevidst valgt chatbots fra i kundeservicen.

Odense Aafart har to ansatte om vinteren. Direktøren byggede selv booking- og driftssystemerne med ChatGPT og Cursor og skar licensudgifterne med omkring 300.000 kr. om året.

Tabel 3. Danske SMV-cases. Kilder: DI, Dansk Erhverv og WITRICS (selvrapporterede tal).

5. VIDENOPSLAGET ER DEN STILLE VINDER

Der er en tredje kategori, der sjældent får overskrifter: at finde det rigtige svar hurtigt.

Capgemini hjalp svenske SKF med at give teknikerne en AI, der finder reparationsinstruktioner. Det tog lidt over 12 minutter. Nu tager det 90 sekunder. TN Værktøjsslibning er samme historie i lille skala.

Implement byggede i marts en løsning for en global life science-virksomhed, der sorterer regulatoriske nyheder. 42% kunne frasorteres som irrelevante, uden at noget vigtigt gik tabt. Det er testet på 1.500 historiske sager, ikke målt i drift endnu, men det er præcis den slags arbejde, der fylder i en compliance-afdeling.

Videnopslag i praksis

Tre cases, hvor tiden før og efter kan måles

Et afgrænset sæt dokumenter, et menneske der bruger svaret

og en tid før og efter, man kan måle

Model 2. Fællestrækket i videnopslags-casene.

6. FIRE TING GÅR IGEN HOS DEM, DER FÅR DET TIL AT VIRKE

På tværs af store og små er det de samme fire ting, der går igen. Og de handler næsten ikke om teknologi.

De fire fællestræk

Det, der går igen i casene, store som små

1. Én proces ad gangen. Ingen startede med "AI i hele virksomheden". Hymatik: tilbuddet. Vald. Birn: prisberegningen. Sixt: p-bøderne.

2. Data i orden først. Uden data og proces kommer AI ikke langt. Hymatik: år brugt på at bygge en produktdatabase. McKinsey-bank: kun en femtedel af én opkaldstype, før processen var lavet om.

3. En ejer i forretningen. Ansvaret sidder ikke i IT. Wyndham: direktøren for contact centers. Konecta: en topleder med AI-udrulning som ansvar. BCG: over 80 % af AI-budgetterne sidder uden for IT.

4. Et menneske godkender. Sådan holdes kvaliteten, og sådan tør folk bruge det. Hymatik: medarbejderen sender tilbuddet. Junckers: et menneske godkender teksterne, før de går live.

BCG's tommelfingerregel: 10% algoritmer · 20% teknologi · 70% mennesker, organisation og processer

7. LÆS CASENE MED KRITISKE ØJNE

Lad mig være ærlig om materialet. Næsten alle tallene her er virksomhedernes eller konsulenternes egne. Ingen af dem er revideret af en uafhængig part, og mange sider siger intet om, hvordan der er målt.

Tre ting jeg kigger efter, når jeg læser en AI-case:

1. Står der "op til"? Så er det det bedste tal, ikke det typiske. Konecta-casens 35% og 40% er "op til".

2. Er det målt eller beregnet? Vognmanden H. Daugaard fik lavet en model, der vælger den rigtige trailer til omkring 70.000 ordrer om året, og gevinsten er anslået til 4.700 til 5.800 timer. Modellen var klar, men endnu ikke integreret i systemerne, da casen blev skrevet, og det kostede 75.000 kr. ekstra i konsulenttimer og flere hundrede interne timer at nå dertil. Det er en ærlig case. Den viser et potentiale, der endnu ikke er hentet hjem.

3. Hvem står bag? I juni kom det frem, at KPMG havde trukket en global rapport om agentisk AI fra oktober sidste år tilbage, efter at UBS, de schweiziske statsbaner, Transport for London og NHS Greater Manchester havde afvist beskrivelser, rapporten gav af dem. Det var forskningsgruppen GPTZero, der

fandt fejlene, og Financial Times, der bekræftede dem. Måneden før havde EY trukket en rapport tilbage af lignende grunde.

Casene er stadig brugbare. Stil dem bare de samme spørgsmål, som du ville stille en leverandør, der vil sælge dig noget.

8. DET JEG SER UDE HOS DANSKE VIRKSOMHEDER

De virksomheder, jeg rådgiver, tager udgangspunkt i reelle cases. Jeg støtter dem med prioriteringen, derefter implementeringen og så målepunkter og realistiske planer. Til sidst tager vi fat i træningen af ledere, teams og den enkelte medarbejder. På værktøjssiden ser jeg mest Copilot og Microsofts Agent 365-platform som rygrad. Men jeg holder fast i et hybridt setup, hvor kunden så vidt muligt er uafhængig af model og leverandør. Jeg arbejder også en del med Anthropics Claude og OpenAIs ChatGPT og med lokale modeller til dem, der vil have fuld kontrol over deres data og er underlagt de strengeste compliance-regler.

Hos en international produktvirksomhed startede vi i økonomifunktionen med en workshop, hvor lederne selv kom med idéerne. Det gav mange use cases. Dem scorede vi på seks parametre: forretningsværdi, teknisk gennemførlighed, datamodenhed, regulatorisk risiko, tid til værdi og genbrug. Reglen var enkel: en idé uden en navngiven ejer i forretningen og uden finansiering bliver lukket. I dag har omkring 25 af idéerne bestået den test og fået en ejer. Nogle er i test, og ganske få er nået i produktion. Det kan lyde beskedent. Det er præcis den tragt, casene ovenfor viser: smalle processer, der flytter sig én ad gangen.

Fra idé til pilot Sådan prioriteres og måles use cases

Scoring: seks parametre

• Forretningsværdi
• Teknisk gennemførlighed
• Datamodenhed
• Regulatorisk risiko
• Tid til værdi
• Genbrug

Pilot: tre tal aftales, før der bygges

• Værdien i én enhed: timer, kroner eller andel af volumen
• Hvor meget af det relevante arbejde, der faktisk kører gennem værktøjet
• En kvalitetsgrænse, der ikke må blive dårligere, fx fejlrate eller omarbejde

En idé uden navngiven ejer i forretningen og uden finansiering bliver lukket.

Model 3. Prioriteringstragten fra en international produktvirksomhed (anonymiseret).

Hver pilot får de tre tal, som aftales, før der bygges noget. Ét mål alene bliver spillet. Vi målte også, hvordan AI blev brugt, før vi trænede nogen. Omkring hver fjerde AI-bruger sad på et værktøj, virksomheden ikke havde godkendt. Det gør vi noget ved nu ved at etablere en platform, der virker, med guardrails, sikkerhed og compliance bygget ind. Den første måling er kun en baseline. Vi måler igen efter 30 dage og derefter hvert kvartal.

En anden kunde, en international koncern med kontorer på flere kontinenter, havde givet alle medarbejdere Copilot Chat. Før vi lavede noget træningsmateriale, interviewede jeg seks medarbejdere i fem lande. Næsten ingen vidste, hvor værktøjet var. Til gengæld brugte flere deres private ChatGPT- og Claude-konti, én til kundemails på sin egen telefon. Mandag morgen-syndromet var slået igennem, før træningen overhovedet var begyndt. Bestyrelsen godkendte derfor et forløb i fire faser: awareness for alle, power users i små hold, ledelsen og en session for bestyrelsen selv. Budskabet er positivt: I har allerede et godkendt værktøj, så brug det.

Hos en offentlig myndighed, hvor jeg skal holde et todages kursus i AI-agenter, har alle ti deltagere på forhånd beskrevet en opgave fra deres egen hverdag. Kurset bygges på dem. Fælles for alle tre kunder er, at jeg bygger på den platform, de allerede har, typisk Microsoft, nogle gange ChatGPT og Claude, men vi designer løsningerne, så arbejdet kan flyttes til en anden model eller leverandør den dag, prisen eller behovet ændrer sig. Algoritmen er de 10%. Resten er ejerskab, måling og vaner.

Mønstret i casene genkender jeg. Det, der adskiller dem, der kommer videre, er sjældent værktøjet. Det er, om nogen har mandat til at ændre, hvordan arbejdet bliver gjort mandag morgen, og om nogen måler på det.

9. TRE SPØRGSMÅL TIL JERES NÆSTE LEDERMØDE

Hvis I sidder med AI-budgettet for 2027, så start her:

1. Hvilken ene proces koster os mest tid i dag, og kan vi måle den før og efter? Tilbud, prisberegning, kundehenvendelser og videnopslag er de steder, casene peger på.

2. Hvem i forretningen ejer den proces, og har vedkommende mandat til at lave den om? Står der IT, er det det forkerte navn.

3. Hvor stor en del af budgettet går til licenser, og hvor stor en del går til at ændre arbejdsgange og træne folk? Hvis fordelingen er omvendt af BCG's 10/20/70, ved I, hvor I skal starte.

10. HVAD SKAL NÆSTE UDGAVE HANDLE OM?

Casene varierer meget fra branche til branche. Det, der virker i detailhandlen, ligner sjældent det, der virker i en bank, en pharmavirksomhed eller en kommune. Reguleringen er en anden, data er en anden, og det samme er de processer, der gør ondt.

Jeg kan gå to veje. Den ene er flere cases, sorteret efter branche: retail, bank og finans, produktion, software, pharma og life science eller den offentlige sektor (de seks sektorer, jeg anvender i min undervisning hos DIS Study Abroad). Den anden er min egen metode: hvordan jeg arbejder med prioritering, måling, forandringsledelse og træning, så AI bliver en vane, der holder efter mandag morgen.

Skriv til mig på LinkedIn eller i kommentarfeltet på Substack, hvilken branche du sidder i, eller skriv METODE.

Om tallene

Mine egne kundeeksempler er anonymiserede. Alle øvrige cases og tal stammer fra de nævnte virksomheders, konsulenthuses og organisationers egne offentliggjorte materialer. Tallene er selvrapporterede og ikke uafhængigt verificeret, og målemetoden er sjældent oplyst. Beløb er gengivet i den valuta, kilden bruger. Status pr. oktober 2026.

Kilder

Alle kilder er offentligt tilgængelige. Status pr. oktober 2026.

• BCG, pressemeddelelse 30.9.2026 (1.330 ledere, 7,5% future-built): bcg.​com/​press/​30september2026-​ai-​starting-​to-​pay-​off-​companies-​generate-​value
• BCG, The Widening AI Value Gap, okt. 2025 (5% future-built, 10/20/70): media-​publications.​bcg.​com
• BCG, Executive Perspectives: Value creation with AI, dec. 2024 (42 kvantificerede eksempler, 7 med vækst i salg/ omsætning, egen optælling): bcg.​com/​assets/​2024
• McKinsey, The state of AI in 2026, aug. 2026: mckinsey.​com/​capabilities/​quantumblack/​our-​insights/​the-​state-​of-​ai
• McKinsey Quarterly, Where AI will create value, and where it won't (Montard, Diedrich og Catlin), apr. 2026
• PwC, 29th Global CEO Survey, jan. 2026: pwc.​com/​gx/​en/​news-​room
• Bain, CFO-undersøgelse, apr. 2026: bain.​com/​about-​bain/​media-​center
• Deloitte Danmark, nordisk AI-undersøgelse, dec. 2025: deloitte.​com/​dk
• DI, AI-virksomheder har øget både vækst og beskæftigelse, sep. 2026: danskindustri.​dk/​arkiv/​analyser/​2026/​09
• PwC, Wyndham agentic AI case: pwc.​com/​us/​en/​library/​case-​studies/​wyndham-​agentic-​ai.​html
• McKinsey, The AI-powered bank: rewiring for excellence in customer care, apr. 2026: mckinsey.​com/​industries/​financial-​services
• BCG, Konecta-case: bcg.​com/​x/​mark-​your-​moment/​scaling-​ai-​global-​cx-​operations
• Netcompany, TopGPT til Topdanmark: netcompany.​com/​a-​new-​era-​of-​ai-​driven-​customer-​service
• Tryg, oplæg på PwC-arrangement, jun. 2026: pwc.​dk/​da/​arrangementer/​2026/​tryg.​pdf
• DI casearkiv, AI for alle: Hymatik, Vald. Birn, TN Værktøjsslibning, SUBSTANT, Odense Aafart, H. Daugaard, Junckers og No Zebra: danskindustri.dk/.../casearkiv-ai-for-alle
• WITRICS, Sixt-case, jun. 2026: witrics.​dk/​case
• Dansk Erhverv, Lomax-case, jun. 2025: danskerhverv.​dk/​presse-​og-​nyheder
• Capgemini, SKF-case, nov. 2025: capgemini.​com/​se-​en/​story
• Implement, From regulatory noise to actionable change, mar. 2026: implementconsultinggroup.​com/​case
• International Accounting Bulletin, KPMG drops AI report, 15.6.2026: internationalaccountingbulletin.​com
• Acemoglu, Autor og Johnson, Building Pro-Worker Artificial Intelligence, The Hamilton Project, feb. 2026: hamiltonproject.​org/​publication/​paper/​building-​pro-​worker-​ai
• MIT Sloan, Pro-worker AI, explained, jun. 2026: mitsloan.​mit.​edu/​ideas-​made-​to-​matter/​pro-​worker-​ai-​explained
• Acemoglu og Johnson, Power and Progress, PublicAffairs 2023
• McKinsey, The state of AI in 2026, exhibit om mål: effektivisering, vækst og innovation (high performers vs. øvrige)

Udgivet første gang på Substack 18. oktober 2026.