Steven LafortuneAt bruge AI og at blive moden med AI er to forskellige former for fremskridt. I Devolutions 2026 AI Maturity Benchmark-rapporten bruger 92 % af organisationerne allerede AI. Kun 8 % sagde, at de ikke gør. Det nyttige spørgsmål er, hvad du gør som det næste, og det afhænger af, hvor du står.
Vi inddelte 616 IT-professionelle efter en selvrapporteret score fra 0 til 100:
- Tidlig fase (0 til 40): 267 organisationer, 43 % af stikprøven
- AI-adoptanter (41 til 60): 255 organisationer, 41 %
- Avanceret (61 til 100): 94 organisationer, 15 %
Det her er den praktiske ledsager til rapportannonceringen. Listerne nedenfor kommer fra rapportens fem anbefalinger: udpeg en ansvarlig, byg oplæringen op omkring værktøjerne, lad teamene eksperimentere, før du standardiserer, mål resultaterne, og lad styringen vokse, i takt med at autonomien vokser. Det, der ændrer sig fra trin til trin, er, hvilken af de ting der er flaskehalsen.
Én begrænsning, som rapporten selv nævner: Det er adfærd, der optræder sammen med højere modenhed. En enkelt praksis får ikke en organisation til at blive avanceret. Mønstrene er stadig konkrete nok til, at du kan vælge et næste skridt.
Tidlig fase: Giv AI et navn, noget tid og et snævert mål
Organisationer i tidlig fase er allerede i gang med arbejdet. I gennemsnit bruger de AI på omkring 2 af de 9 områder, vi fulgte, oftest indholdsproduktion (48 %) og softwareudvikling (38 %). Det, der stadig er tyndt, er organiseringen omkring de eksperimenter.
Kun 14 % siger, at ledelsen aktivt fremmer og investerer i AI. Omkring 60 % rapporterer i det mindste en vis ledelsesopbakning. Halvdelen har ingen tydelig ansvarlig. Formel KPI-opfølgning er næsten fraværende, på 0,4 %. Når folk forklarer, hvorfor en opgave, de gerne vil automatisere, stadig ikke er automatiseret, er de hyppigste grunde mangel på tid eller ressourcer (27 %), bekymringer om sikkerhed eller overholdelse (19 %) og mangel på intern ekspertise (16 %).
1. Udpeg én person, der kan svare på tre spørgsmål
Hvor bruges AI, hvorfor, og under hvilke regler? På tværs af hele undersøgelsen var aktiv ledelsesopbakning langt mere udbredt, når en rolle eller et team udtrykkeligt havde ansvaret for AI: 77 % mod 8 %, når ingen var ansvarlig.
Den person behøver ikke en ny afdeling. Blandt AI-adoptanter er uformelt ejerskab inde i IT den bro, de fleste teams står på (34 % mod 22 % i tidlig fase og 7 % i den avancerede gruppe). Giv en eksisterende IT-ansvarlig opgaven med at samle det, der allerede sker.
2. Bed ledelsen om beskyttet tid til at lære
Omkring 60 % af organisationerne i tidlig fase har allerede en vis opbakning fra ledelsen. Gabet er at gøre den opbakning nyttig. En respondent i tidlig fase sagde, at lederne tilbød uddannelse som AI-ingeniør, selv om det meste af IT-personalet ikke er dataingeniører. Andre beskrev den samme ophobning: tynd ekspertise, bekymring for datas privatliv og ingen tid i løbet af dagen til at lære værktøjerne.
Bed om undervisning, der matcher de job, folk faktisk har, og om et par timer, der er reserveret til øvelse. Rapportens pointe til ledelsen passer præcis til det her trin. Ledere behøver ikke alle svarene. Folk har brug for tillid og plads til at lære.
3. Gør de brugsscenarier, du allerede har, sikre at gentage
Bredden kan vente. Support på servicedesken er på plads hos 14 % af organisationerne i tidlig fase, og identitets- og adgangsstyring hos 3 %. Indholdsproduktion og softwareudvikling er der, hvor den her gruppe allerede arbejder.
Sikkerhed eller overholdelse er den næsthyppigste grund til, at en ønsket automatisering ikke er sket. Ét ark med regler gør mere her end endnu en licens: hvilke data der må ind i hvilket værktøj, og hvem der gennemgår outputtet, før nogen stoler på det.
AI-adoptanter: Gør opmærksomhed til en retning
Det her er midtpunktet, og flere mønstre knækker her. Aktiv ledelsesopbakning stiger til 49 %, og omkring 95 % rapporterer i det mindste en vis opbakning. Uformelt IT-ejerskab topper på 34 %. IT-ledelsen driver AI i 38 % af de her organisationer, og 15 % har en dedikeret AI-rolle eller et dedikeret AI-team. Tilsammen er det tydeligere ejerskab på plads for 53 % mod 21 % i tidlig fase.
Fodaftrykket er bredere: næsten 4 af de 9 områder i gennemsnit. Friktionen flytter med. Mangel på intern ekspertise er stadig høj (19 %). Arbejde, der føles for komplekst eller for afhængigt af kontekst, springer fra 5 % i tidlig fase til 12 %. Formel KPI-opfølgning når 9 %.
1. Sæt resultatet i én sætning
Opmærksomhed fra ledelsen er meget mere udbredt her. En tydelig retning er det, der stadig smutter. Rapporten beskriver det her trin som fremdrift uden et fælles billede af, hvordan „færdig“ ser ud. En respondent blandt AI-adoptanterne havde ventet, at gevinsten ville vise sig som omkostningsbesparelser. I stedet viste tidsbesparelser sig, og de var meget større.
Vælg det resultat, du faktisk vil kigge efter. Sparet tid, dokumentationskvalitet og hvor hurtigt hændelser bliver løst, er den slags indikatorer, rapporten behandler som praktiske. Omkostninger kan blive på listen. De er ofte de langsomste til at vise sig.
2. Giv den uformelle ansvarlige et mandat og en regel for gennemgang
IT holder allerede meget af det her sammen. Det mønster, der oftere viser sig på næste trin, er bevidst ansvar: IT-ledelse eller en lille dedikeret rolle plus regler, folk kan følge. En AI-adoptant beskrev den praktiske udgave: styring, beskyttelse af sikkerhed og immaterielle rettigheder, undervisning og en politik for, hvornår værktøjer må bruges, og hvordan AI-genereret output bliver gennemgået for nøjagtighed, kvalitet og overholdelse.
Skriv den politik for de værktøjer, du allerede tillader. Rapporten anbefaler også at lade teamene sammenligne et kontrolleret sæt værktøjer, før du standardiserer på ét. Låser du dig fast på én stak for tidligt, fryser læringen.
3. Sæt navn på det, den næste arbejdsgang afhænger af
I gennemsnit nærmer AI-adoptanter sig et femte anvendelsesområde. Rapportens pointe om skala er at identificere, før den næste arbejdsgang går live, hvilke systemer den skal forbindes til, hvilken kontekst den har brug for, og hvem der har tid til at understøtte den.
Det er også det trin, hvor AI-agenter begynder at se virkelige ud. Udforskning er stadig udbredt, og piloter bliver meget mere synlige. Hold en pilot inde i én arbejdsgang, med en person der gennemgår resultatet. Sikkerhed er stadig den førende bekymring om AI-agenter i alle modenhedsgrupper, også den her.
Avanceret: Sæt fokus på det forspring, du allerede har
I den her ende af kurven er det grundlæggende stort set på plads. 91 % siger, at ledelsen aktivt fremmer og investerer i AI, og i det mindste en vis ledelsesopbakning når 100 %. En dedikeret AI-rolle eller et dedikeret AI-team findes i 55 % af organisationerne. IT-ledelsen driver AI i yderligere 34 %. Kun 2 % har ingen tydelig ansvarlig.
Fodaftrykket er bredt: mere end 6 af de 9 områder og 3,8 AI-værktøjer i gennemsnit mod 1,9 i tidlig fase. 47 % bygger eller tilpasser AI internt. 47 % følger gevinster med formelle KPI’er. Mere end 4 ud af 5 piloterer allerede AI-agenter eller kører dem i produktion.
Begrænsningen skifter form. Mangel på tid eller ressourcer er den hyppigste grund til, at en ønsket automatisering stadig ikke er sket, på 35 %, højere end i begge de andre grupper. Mangel på ekspertise falder til 4 %. Integrationsudfordringer stiger til 8 %.
1. Peg ledelsen mod færre satsninger
Om lederne vil engagere sig, er afgjort for den her gruppe. I rapportens optik bliver det åbne spørgsmål, hvor den opmærksomhed går hen, når brugsscenarierne konkurrerer. Næsten halvdelen af de avancerede organisationer følger allerede gevinster formelt. Udvid de anvendelser, der forbedrer tid, kvalitet, løsningshastighed, gennemløb eller risiko. Sæt dem på pause, der kun tilføjer aktivitet.
Konkurrenceevne bliver også en mere udbredt grund til at investere og stiger fra 17 % i tidlig fase til 38 % her. Driftseffektivitet er stadig den førende drivkraft på tværs af hele stikprøven (39 %). Bevis er det, der holder en konkurrencemæssig satsning ærlig.
2. Sæt budget af til integrationsarbejdet
Respondenter, der er længere fremme, beskriver den svære del som alt det rundt om modellen: ældre systemer, datastyring, API’er, identitet, tilladelser, revision og timerne til at gøre det omhyggeligt. Ekspertise er sjældent blokeringen længere. Kapacitet er.
Hvis en ønsket automatisering sidder fast, så bemand forbindelsesarbejdet. At lægge endnu et værktøj oven på et gennemsnit på 3,8 er den langsommere vej.
3. Skriv den menneskelige linje, før du tilføjer mere autonomi
Agenter er allerede i pilot eller produktion for det meste af den her gruppe. Højere modenhed pensionerer ikke bekymringerne. Sikkerhedssårbarheder er stadig den førende bekymring om AI-agenter, også blandt avancerede organisationer. Tab af menneskelig kontrol ligger samlet på andenpladsen (17 %) og bliver nær toppen på hvert trin. Avancerede organisationer er mere tilbøjelige til at rapportere ingen væsentlige bekymringer (15 % mod omkring 5 % i de tidligere grupper) og mindre tilbøjelige til at pege på mangel på gennemsigtighed.
Skriv tre linjer ned: hvilke handlinger der stadig kræver, at en person godkender dem, hvordan output bliver tjekket, og hvem der er ansvarlig, når noget går galt. Lad AI tage mere af analysen og den rutinemæssige udførelse. Behold kontekst, opsyn og ansvaret for resultatet hos mennesker.
Det skridt, der passer til dit trin
- Tidlig fase: udpeg en ansvarlig, og beskyt tid til at lære på de brugsscenarier, du allerede har.
- AI-adoptanter: skriv resultatet og reglen for gennemgang, før den næste arbejdsgang går live.
- Avanceret: finansier integrationsarbejdet, og træk linjen der, hvor et menneske stadig beslutter.
Du kan starte med det skridt, der hører til det trin, du faktisk er på. Vores CEO, David Hervieux, sluttede rapporten af med den samme tanke:
Du behøver ikke en perfekt AI-strategi, før du går i gang. Det, du behøver, er en tydelig måde at lære på. Giv folk plads til at eksperimentere, sørg for, at nogen er ansvarlig for, hvordan AI bruges, og læg mærke til, hvad der faktisk forbedrer arbejdet.
Download rapporten. Det er en gratis PDF, uden tilmelding.
Vi gennemgår også resultaterne live den 7. oktober 2026. Tilmeld dig webinaret, hvis du vil have samtalen og ikke kun graferne.
Spørgsmål eller en historie fra dit eget trin? Skriv en kommentar nedenfor.