Du sidder på kontoret og har netop fået adgang til en ny AI-assistent. Forventningen er stor, men når du beder den finde det seneste referat eller sammenligne budgetter, spytter den nonsens ud. Hvorfor? Fordi assistenten kun er så klog som de papirer, du lægger på dens skrivebord. Hvis jeres filer ligger spredt i rod, private mapper og forældede systemer, vil selv den mest avancerede teknologi fejle totalt. Her får du opskriften på, hvordan du rydder op i maskinrummet, så I kan få reel og sikker værdi af AI i den offentlige sektor: Strategi og tryg implementering.
Indholdsfortegnelse
- Nedbryd murene: Problemet med isoleret viden
- Hvad betyder legacy data struktur egentlig?
- 3 byggeklodser til et solidt fundament
- Trygheden ligger i lukkede systemer
- Nye vaner afgør om teknologien virker
Nedbryd murene: Problemet med isoleret viden
Tænk på jeres organisation som et stort bibliotek. Hvis hver medarbejder gemmer de vigtigste bøger i aflåste skuffer under deres eget skrivebord, kan ingen finde dem. Det er præcis det, der sker, når informationer er låst fast i adskilte afdelinger. Særligt i offentlig forvaltning og mellemstore virksomheder ser vi ofte, at afdelingernes IT-systemer overhovedet ikke taler sammen.
En AI-assistent fungerer bedst, når den har et samlet overblik over organisationens viden. Et konkret eksempel er CFO'en, der manuelt konsoliderer data fra fire forskellige økonomi- og lønsystemer hver måned. Skal kunstig intelligens kunne analysere tallene og finde besparelser på tværs af huset, skal murene mellem systemerne brydes ned.
Sådan ser problemet konkret ud:
Forestil dig, at din organisation bruger tre systemer parallelt:
- Løn registreres i ét system (fx KMD Opus)
- Forbrug og indkøb registreres i et andet (fx Navision)
- Projekttimer registreres i et tredje (fx et lokalt Excel-ark)
Beder du nu din AI-assistent: "Hvad kostede projekt X os i alt i Q3?". kan den ikke svare. Den kan se løn, eller den kan se indkøb. Men den kan ikke kombinere tallene, fordi de tre systemer aldrig har talt sammen.
Løsningen er ikke nødvendigvis at skifte alle systemerne ud. Det kan være tilstrækkeligt at etablere et fælles dataudtræk. fx en struktureret mappe eller et datalager, hvor de tre systemer eksporterer deres data i samme format én gang om ugen. Informationerne skal samles på ét fælles, struktureret sted, før teknologien kan fungere som en brugbar assistent.
Hvad betyder legacy data struktur egentlig?
Bag det engelske IT-udtryk "legacy data struktur" gemmer der sig et velkendt fænomen: gammel og forældet IT. Det svarer til at have en kasse fuld af VHS-bånd på loftet, når du egentlig vil streame en film. IT-systemerne virker måske endnu til daglig drift, men de er tunge, lukkede og svære for moderne AI-værktøjer at aflæse og forstå.
Klargøringen af jeres datagrundlag starter med en hovedrengøring. Et typisk eksempel ser sådan ud:
En kommune har over ti år akkumuleret disse versioner af den samme personalepolitik:
/Fælles/HR/personalepolitik_2017.docx
/Fælles/HR/personalepolitik_2019_GODKENDT.docx
/Fælles/HR/personalepolitik_final.docx
/Fælles/HR/personalepolitik_final_v2.docx
/Afdelinger/Børn og Unge/personalepolitik_tilpasset.docx
/Ledelse/Fortroligt/personalepolitik_2023_ny.docx
Beder en medarbejder nu AI-assistenten: "Hvad er vores gældende politik for orlov?". har assistenten seks dokumenter at vælge imellem. Den kan ikke vide, hvilken der er gældende. Den vil enten gætte, svare forvirret eller. værst. svare med en forældet regel fra 2017.
Løsningen er ikke at købe mere software. Det er en grundig gennemgang med tre enkle regler:
- Ét dokument, ét navn, ét sted. Slet eller arkivér alle andre versioner.
- Brug en fast navnekonvention:
[emne]_[årstal]_[status].docx. fxpersonalepolitik_2024_gældende.docx - Hav én mappe, der hedder
Arkiv, hvor udgåede dokumenter flyttes hen. ikke slettes, men ikke blandet med de aktuelle.
Det lyder banalt. Men det er præcis denne slags oprydning, der afgør, om din AI-assistent kan bruges til noget mandag morgen.
3 byggeklodser til et solidt fundament
Når I skal bygge en stærk AI-infrastruktur, er der tre basale ting at have styr på i jeres dokumenthåndtering.
1. Ryd op i rettigheder
AI respekterer typisk de adgange, den enkelte bruger har. Men her opstår et klassisk problem: mapper, der aldrig er blevet sat korrekt op, fordi ingen hidtil har brugt dem aktivt til søgning.
Konkret eksempel: En nyansat elev logger ind og beder AI-assistenten: "Hvad er direktionens budget for næste år?". og får svaret. Ikke fordi nogen har givet eleven adgang. Men fordi mappen Direktion/Budget ved en fejl har stået åben for alle siden den blev oprettet for seks år siden. Ingen opdagede det, fordi ingen søgte aktivt i den. Nu gør AI det synligt.
Hvad du gør: Gå systematisk igennem jeres mappetræ og stil spørgsmålet: Hvem skal faktisk kunne se dette? Brug jeres AD-grupper (Active Directory) eller tilsvarende til at sætte rettigheder på mappeniveau. ikke på enkeltfiler, det bliver umuligt at vedligeholde.
2. Standardiser formater
AI-værktøjer kan ikke læse alt lige godt. Her er en praktisk oversigt:
| Dokumenttype | AI kan læse det | Bemærkning |
|---|---|---|
| Word-dokument (.docx) | ✅ Ja | Fungerer godt |
| Struktureret PDF (tekstbaseret) | ✅ Ja | Fungerer godt |
| Excel-ark (.xlsx) | ✅ Ja | Fungerer godt ved klare kolonnenavne |
| Scannet PDF (billede af papir) | ⚠️ Delvist | Kræver OCR-behandling først |
| Håndskrevne noter (foto) | ❌ Nej | Skal transskriberes manuelt |
| Gamle WordPerfect-filer | ❌ Nej | Skal konverteres |
Hvad du gør: Identificér de dokumenttyper, I oftest bruger til søgning og opslag. Sørg for, at de primære videndokumenter. politikker, procedurer, referater, kontrakter. foreligger som tekstbaserede PDF'er eller Word-filer. Indscannede papirer, der bruges aktivt, bør sendes igennem OCR-behandling (de fleste scannere og PDF-programmer kan dette i dag).
3. Fokus på compliance
Særligt i styrelser, kommuner og administration er der nultolerance over for fejl med personhenførbare oplysninger. Det betyder konkret, at I skal have styr på:
- Hvor ligger persondata? Personnumre, helbredsoplysninger og sociale sager må ikke ligge i generelle vidensmapper, som AI-assistenten kan søge frit i.
- Hvem har adgang til hvad? Jeres AI-assistent må ikke kunne kombinere oplysninger på en måde, der reelt udgør et nyt register. det kræver særskilt hjemmel.
- Hvornår slettes data? Har I automatiserede sletteregler, eller ligger borgerdata fra 2009 stadig i et drev et sted?
Få hjælp til den del via vores artikel om GDPR og AI i praksis: Undgå faldgruberne ved håndtering af borgerdata.
Trygheden ligger i lukkede systemer
Mange offentlige administratorer frygter, at fortrolige informationer ender ude på det åbne internet. Det er en fuldt berettiget bekymring. Uploader I borgernes sager til gratis, offentlige AI-tjenester, svarer det til at diskutere interne hemmeligheder højt nede på byens torv.
For organisationer med strenge sikkerhedskrav findes der to koncepter, der er værd at kende:
On-premise AI-løsninger
Selve "hjernen" i teknologien installeres direkte på jeres egne servere. En medarbejder stiller et spørgsmål, spørgsmålet behandles på jeres egne maskiner, og svaret returneres. Intet forlader bygningen. Ulempen er, at I selv skal drifte og opdatere infrastrukturen. det kræver IT-kapacitet.
Sovereign cloud AI
Fungerer som at leje en lukket bankboks i en lokal, topsikret bank. Jeres data og AI-modellen hostes af en udbyder, men på europæiske servere underlagt streng EU-lovgivning og datasuverænitet. I behøver ikke selv drifte hardware. Jeres data bruges ikke til at træne andres systemer, og I kan til enhver tid kræve dem slettet.
Hvilken model der passer bedst, afhænger af jeres IT-modenhed, budget og sikkerhedskrav. Vigtigheden af denne tilgang er beskrevet nærmere i casen om sikker og effektiv AI-integration hos Lægemiddelstyrelsen.
Nye vaner afgør om teknologien virker
Den mest avancerede serverstruktur hjælper ikke, hvis medarbejderne fortsætter med at gemme vigtige referater lokalt på deres eget skrivebord. Det er ikke ondsindet. Det er vane. Og det løses ikke med et forbud. det løses med en enklere vej til det rigtige valg.
Tre vaner der konkret gør en forskel:
- Referater gemmes direkte i den delte mappe. ikke på skrivebordet først. Lav en genvej til den rigtige mappe, så det ikke kræver mere end at gemme lokalt.
- Dokumenter navngives efter aftalt konvention fra dag ét. Hæng konventionen op ved kaffemaskinen de første måneder. Det virker.
- Nye dokumenter erstatter gamle. de gamle flyttes til
Arkiv. Aldrig to versioner i samme mappe uden tydelig markering af, hvad der er gældende.
Hos Poulsen & Vinding arbejder vi ud fra et fast princip: mennesket kommer før maskinen. En effektiv forandringsledelse der virker er afgørende for at høste gevinsten af AI i den kommunale forvaltning. Når fundamentet er støbt korrekt, er det de daglige vaner og den tålmodige oplæring af personalet, der afgør, om AI-værktøjet faktisk frigiver tid mandag morgen.
Ofte stillede spørgsmål
Bruno Poulsen er partner i Poulsen & Vinding, et konsulenthus der hjælper danske virksomheder og styrelser med at tage generativ AI i brug i den daglige drift. Han er senior underviser hos Bigum&Co gennem 10+ år og har siden 2023 stået bag AI-implementeringer, foredrag og workshops for blandt andre Lægemiddelstyrelsen, GS1 Danmark, Bornholms Højskole og 30+ bornholmske SMV’er via Business Center Bornholm. Skriver om praktisk anvendelse af AI-værktøjer, prompt engineering og hvordan ledelser kommer i gang mandag morgen kl. 08.00.
