Mere drift. Mindre dobbeltarbejde.

En servicevirksomhed havde lige skiftet til et dyrt, nyt system. Og tingene gik stadig galt.

Dygtige montører. God ledelse. Tilfredse kunder. Men opgaver og anlæg manglede et fælles overblik — og det gav langsom respons, unødige genbesøg og usikker dokumentation. 💸

Det er et mønster, jeg ser igen og igen i servicevirksomheder.

Ikke fordi folk ikke vil gøre det godt. Men fordi modellen omkring arbejdet ikke er tydelig nok.

Jeg arbejder altid i denne rækkefølge — kald det drift-før-IT-trappen:

• Mennesker
• Arbejdsgange
• Ansvar
• System
• Skalering

Først forstår vi hverdagen. Hvad sker der mandag morgen? Hvem gør hvad? Hvor mangler der overblik og opfølgning?

Bagefter kan IT understøtte det rigtigt.

Hos en kølevirksomhed implementerede vi ét samlet FSM-system integreret med Business Central. Montørerne arbejder nu hurtigere og mere ensartet. Faktureringen sker korrekt og rettidigt. Ledelsen har fuldt overblik.

IT skaber først rigtig værdi, når arbejdet bagved er forstået godt nok til at kunne gentages.

Hvor på trappen sidder jeres næste IT-projekt lige nu — og er trin 1–3 på plads, før I køber værktøjet?

Forleden sad jeg overfor en ejerleder, der havde købt AI-licenser til hele kontoret tre måneder før.

"Der sker bare ikke rigtig noget," sagde han.

Det undrer mig ikke... Jeg ser det igen og igen: værktøjet bliver købt først, og spørgsmålet om hvad det skal bruges til kommer aldrig.

Gartner har sat tal på: 85% af AI-projekter fejler — ikke på teknikken, men på data og grundlag. 📉 Og kun 31% af danske SMV'er har en klar idé om, hvad de vil med AI.

Så her er den tjekliste jeg går igennem, før vi overhovedet rører et værktøj:

• Er der ÉN konkret opgave, der koster os tid hver uge? Start der — ikke ved "AI-strategi".
• Ligger vores data samlet ét sted, eller er det spredt i mails, regneark og hoveder?
• Kan en kollega forklare opgaven i 5 sætninger? Kan den ikke beskrives, kan den ikke automatiseres.
• Hvem ejer resultatet, når AI'en svarer forkert?
• Hvordan ved vi om 8 uger, om det virkede? Sæt tallet før I går i gang.

Det kedelige svar er, at det meste af værdien ligger i de fire første punkter — længe før der er tale om AI.

God struktur og et samlet datagrundlag er starten på AI. Resten er værktøjsvalg.

Hvor i listen står I lige nu — og hvad er det punkt, der reelt stopper jer?

En vinduespudser-virksomhed på Sjælland voksede hurtigere end deres regneark kunne følge med.

Faste ruter, tilbagevendende opgaver, akkordløn, dokumentation — det hele blev koordineret manuelt. Og hver gang noget skulle fra planlægning til udførelse til faktura, var der et sted det kunne tabes. I en servicevirksomhed forsvinder typisk 5–20% af omsætningen lige dér — mellem opgave og faktura. 💸

Det er Helt Ren Service. Og deres problem var ikke viljen. Det var, at der ikke var noget naturligt flow mellem tingene.

Vi samlede hele processen i ét system: ruterne planlægges ét sted, vinduespudserne ser dagens opgaver i realtid på mobilen, registrerer arbejdet på stedet — og fakturaen bygger på det der faktisk blev lavet.

Deres egne ord bagefter:

"Vi kan nu planlægge, udføre og fakturere helt gnidningsfrit. Medarbejderne ser alt i realtid på mobilen, og akkord, løn og fakturaer er blevet meget nemmere og mere overskueligt at håndtere — uden ekstra administration."

Det er hele pointen: ikke flere systemer. Færre. Og ét fælles datagrundlag, hvor planlægning, løn og fakturering trækker på de samme tal.

Og når tallene først ligger samlet, er springet til AI ikke et projekt mere — det er bare det næste skridt. 🧠

Hvor mange gange bliver den samme opgave tastet ind hos jer — fra planlægning til faktura?

#FSM #Servicevirksomheder

Da en servicevirksomhed endelig fik al deres data samlet ét sted, spurgte ejeren mig:

"Og hvad skal vi så bruge AI til?"

Godt spørgsmål. Og svaret lå lige foran ham — i de data der nu for første gang lå samlet.

For AI kan ikke arbejde på viden der ligger i fem hoveder og et regneark. Men når servicehistorik, timer, materialer og anlæg ligger ét sted, kan den pludselig en hel del:

• Finde de sager der aldrig blev faktureret — på tværs af alle besøg 💸
• Se hvilke anlæg der er på vej til at svigte, før de gør det
• Foreslå den rigtige reservedel ud fra anlæggets egen historik

Det er ikke science fiction. Kun 6% af danske SMV'er har avanceret AI-anvendelse i dag (Danmarks Statistik, 2026). Ikke fordi teknologien mangler — men fordi data ligger spredt.

Min holdning: AI er ikke et projekt I starter en mandag. Det er noget jeres data gør muligt 🧠 — i det øjeblik den holder op med at ligge fem steder.

De fleste venter på det rigtige tidspunkt. Det rigtige tidspunkt er når strukturen er på plads.

Hvad ville du som det første spørge dit servicesystem om — hvis det kunne svare?

#AI #Servicevirksomheder

Hos en dansk kølevirksomhed lå svaret på ét simpelt spørgsmål fem steder:

"Hvornår var vi sidst ude ved det anlæg — og hvad lavede vi?"

Det stod i en mail. Et ældre system. Et regneark. Og to montørers hukommelse.

Det er Danfrig. Og det var ikke fordi de var dårlige til deres håndværk — informationen var bare aldrig samlet ét sted.

Det koster det dyreste i servicebranchen: genbesøg, langsom respons, og dokumentation der ikke kan stå mål med anlægget. 5–20% af omsætningen i en servicevirksomhed forsvinder mellem opgave og faktura — ikke fordi arbejdet ikke er lavet, men fordi det aldrig blev samlet ét sted. 💸

Vi implementerede ét FSM-system — integreret direkte i deres Business Central. Ikke ved siden af. Inde i det ERP de allerede brugte.

Tre ting ændrede sig:

• Hvert anlæg fik sin egen historik — data, billeder og rapporter, registreret i marken
• Opgaver, tider og materialer flyder automatisk fra montør til økonomi — ingen dobbeltindtastning
• Faktureringen er korrekt første gang, fordi grundlaget er på plads

Resultatet: færre genbesøg, bedre datakvalitet, og en drift der ikke står og falder med hvem der tager telefonen.

Og her er twisten: god struktur er ikke bare ryddeligt — det er startlinjen for AI. 🧠 Et samlet datagrundlag er præcis det AI skal bruge for at skabe værdi. Danfrig tror de har ryddet op. De er i virkeligheden allerede i gang med AI.

Hvor mange steder ligger svaret hos jer, hvis en kunde spørger til sidste servicebesøg?

#FSM #Kølebranchen

Forleden spurgte jeg en ejerleder: "Bruger I AI?"

"Ja da — alle herinde bruger ChatGPT."

Så spurgte jeg: "Hvor i jeres processer sidder det?"

Der blev stille.

Den stilhed er hele det danske AI-paradoks. 66% af danske SMV'er bruger mindst én AI-teknologi. Men under 10% har den integreret i deres processer. (Danmarks Statistik, 2026)

Forskellen er afgørende:

• At BRUGE AI: en medarbejder åbner en faneblad, skriver en prompt, kopierer svaret ind. Ad hoc. Forsvinder når personen holder ferie.
• At have AI I DRIFTEN: det sidder i arbejdsgangen — tilbud, fakturakontrol, kundesvar — og kører hver gang, uanset hvem der er på.

Det første føles produktivt. Det andet flytter bundlinjen.

74% af SMV-lederne peger på manglende AI-kompetencer som barrieren. Men problemet er sjældent at folk ikke kan skrive en prompt. Det er at ingen har sat AI ind i en proces, hvor den arbejder af sig selv. 💸

Min holdning: AI bliver først en investering, når den ligger i en arbejdsgang — ikke i en faneblad.

Start ét sted: tag den proces I gentager flest gange om ugen. Den er jeres første AI-projekt.

Hvor sidder jeres AI lige nu — i en faneblad, eller i en arbejdsgang?

#AI #SMV