AI på arbejdspladsen: Udbredt, men overfladisk
Generativ AI har fundet vej til langt de fleste brancher — men dybden i den faktiske brug er stadig begrænset. Det viser ny forskning fra økonomer ved St. Louis Fed, Vanderbilt og Harvard, der har analyseret, hvordan amerikanske arbejdere reelt bruger generativ AI i deres daglige arbejde.
For danske SMV'er er der en vigtig lære her: Det er ikke nok at konstatere, at AI "er relevant for os". Spørgsmålet er, hvem der reelt tager den til sig — og hvorfor nogle gør det, mens andre lader være.
Bred, men ikke dyb adoption
Forskernes hovedkonklusion er klar: Generativ AI når ud til 80 procent af alle erhverv og mere end 40 procent af alle arbejdsopgaver. Men i de fleste af disse erhverv tager færre end halvdelen af medarbejderne AI til sig.
Det betyder, at AI's fodaftryk på arbejdsmarkedet er bredt, men overfladisk. Som forskerne formulerer det:
"GenAI is used in many occupations and tasks, but few of these exhibit very high adoption rates."
Konkret gælder, at fire ud af fem erhverv har adoptionsrater over 20 procent, men kun én ud af seks overstiger 70 procent. Og på opgaveniveau er det endnu mere begrænset: Kun 2,8 procent af opgaver har adoptionsrater over 50 procent, og ingen overstiger 70 procent.
Hvor bruges AI mest — og mindst?
Adoptionen er højst, hvor man kunne forvente det: inden for ledelse, finans, forretning og IT. Her er de computerorienterede erhverv de eneste, der for alvor skiller sig ud med adoptionsrater over 70 procent.
Lavest er adoptionen i personlige serviceydelser, manuelt arbejde og jobs med tæt menneskelig interaktion. Det giver intuitivt mening — generativ AI er primært et sprog- og tekstdrevent værktøj, og dets værdi er størst, hvor arbejdsopgaverne lader sig udtrykke i tekst, kode eller data.
AI-leverandørernes tal overdriver
En vigtig metodisk pointe i undersøgelsen er, at AI-leverandørernes egne brugsdata — fra Anthropic, Microsoft og OpenAI — systematisk overdriver, hvor relevant AI reelt er for folks arbejde.
Problemet ligger i, hvordan chat-logs kategoriseres. Når OpenAI's data f.eks. viser, at 15 procent af chats handler om "redigering af skriftligt materiale", så svarer det ikke til virkeligheden i det amerikanske arbejdsmarked, hvor kun 2,4 procent af arbejdere faktisk har jobs, der inkluderer den opgave.
Årsagen er, at chat-log klassifikatorer bruger brede, generiske beskrivelser, der fanger mange forskellige aktiviteter under én hat. Resultatet er, at leverandørernes eksponeringstal overdriver AI's reelle relevans for arbejdslivet.
For SMV'er betyder det, at man skal tage leverandørfremstillede "AI-impact"-tal med et gran salt. Den reelle værdi afhænger af jeres specifikke arbejdsgange — ikke af branchegennemsnit baseret på chat-logs.
Erfaring driver adoption
En af de mest praktiske pointer i forskningen er, at erfaring driver adoption. Arbejdere, der begynder at bruge AI i ét område, har tendens til at tage det i brug i andre områder. Det er en sneboldeffekt: den første succesfulde anvendelse gør den næste mere sandsynlig.
Forskere argumenterer derfor for, at det er mindst lige så vigtigt at forstå, hvorfor nogle arbejdere adopterer AI og andre ikke, som det er at forstå, hvilke opgaver AI kan håndtere.
Det er en vigtig erkendelse for SMV'er: Teknologien er sjældent flaskehalsen — kulturen, kompetencerne og modet til at eksperimentere er.
De samlede tal (pr. maj 2026)
| Måling | Andel |
|---|---|
| Amerikanske voksne (18-64), der bruger generativ AI privat | 55% |
| Amerikanske voksne, der bruger generativ AI i arbejdsøjemed | 45% |
| Samlet adoptionsrate (arbejde eller privat) | 62% |
| Erhverv med adoptionsrate over 20% | ~80% |
| Erhverv med adoptionsrate over 70% | ~15% |
| Opgaver med adoptionsrate over 50% | 2,8% |
Hvad betyder det for jeres virksomhed?
For en dansk SMV er konklusionen ikke, at AI er overhypet — men at den reelle værdi ligger i dyb, målrettet adoption frem for bred, overfladisk eksperimentering. Det handler om at finde de få opgaver, hvor AI reelt gør en forskel, og bygge kompetencerne omkring dem — så erfaringen breder sig fra én arbejdsgang til den næste.
Sådan hjælper Naitive jer
Vi hjælper jer med at bevæge jer fra overfladisk eksperimenteren til dyb, værdiskabende adoption:
- Forbrugs-kortlægning: Vi gennemgår jeres nuværende AI-forbrug og identificerer, hvor I reelt får værdi — og hvor I spilder ressourcer på brede, generiske anvendelser uden effekt.
- Model-selektion og right-sizing inkl. open-weight: Vi hjælper jer med at vælge den rigtige model til den rigtige opgave — inklusive open-weight alternativer, der kan reducere omkostningerne betydeligt uden at gå på kompromis med kvaliteten.
- Værdibaserede builds: Vi udvikler AI-løsninger baseret på konkret forretningsværdi, ikke teknologisk hype. Hver build er bundet til en målelig effekt.
- Overvågning og alarmer på serviceaftaler: Vi sætter overvågning op på jeres AI-løsninger, så I får alarmer, når noget afviger — og sikrer, at serviceaftaler overholdes.
- AI-kompetence-kurser: Vi uddanner jeres medarbejdere, så erfaringen spreder sig fra én afdeling til den næste — fordi erfaring, som forskningen viser, er den stærkeste driver af adoption.
Kilder
- The Register: AI adoption at work is broad but shallow
- NBER Working Paper w35677: What Work Does Generative AI Do? — Bick, Blandin, Deming & Schumacher