---
title: "Udvikling af AI-løsninger"
url: "https://mikkeltschentscher.dk/services/ai/ai-udvikling"
language: "da"
updated: "2026-11-01"
---

# Udvikling af AI-løsninger

AI-udvikling handler om at bygge løsninger oven på sprogmodeller, som holder til hverdagen. Demoen er den nemme del. Jeg har udviklet software siden 2010 og skriver selv koden i hvert projekt. Vi starter med noget lille, måler resultatet og udvider derfra.

[Få et tilbud](https://mikkeltschentscher.dk/services/ai/ai-udvikling#inquiry "Lad os tage en uforpligtende snak")[+45 22 51 31 79](tel:+4522513179 "Ring til Mikkel Tschentscher på +45 22 51 31 79")

-   Få svar samme dag
-   Få en fast pris på din opgave

![Mikkel Tschentscher](https://mikkeltschentscher.dk/images/derived/speaking.ae4c8c8ab739.png)

stjernede anmeldelser

[Læs alle anmeldelser](https://mikkeltschentscher.dk/anmeldelser)

-   Hjælpsom og lynhurtig til at svare
    
    > Mikkel er kanon dygtig, hjælpsom, lynhurtig til at svare og så er han ovenikøbet sød. Jeg kan varmt anbefale Mikkel til andre..
    
    Trine Handskemager
    
-   Hurtigt og problemfrit forløb
    
    > Mikkel har leveret en kompetent og professionel ydelse i forbindelse med etablering af mit website. Alting er forløbet hurtigt og problemfrit.
    
    Sisse Find
    
-   Min evige go-to-guy
    
    > Derfor kan jeg stadig give Mikkel mine allerbedste anbefalinger.
    
    Janni E Clausen (Janniclausen)
    

## AI-udvikling

### Fra prototype til produktion

En prototype skal kun overbevise til ét møde. En løsning i drift skal håndtere de input, ingen havde forudset, svare inden for rimelig tid, koste det samme i næste måned og fejle på en måde, man kan opdage.

Den afstand er større, end den ser ud, og det er som regel der, jeg bliver hentet ind. Enten til at bygge fra bunden med produktion for øje, eller til at gøre en lovende prototype robust nok til rigtige brugere.

### Typiske opgaver

-   Kundeservice: forslag til svar, opsummering af sager og søgning i tidligere henvendelser.
-   Dokumenthåndtering: udtræk af data fra kontrakter, fakturaer og tekniske dokumenter.
-   Interne værktøjer: søgning og svar oven på jeres egen dokumentation, med kilder man kan klikke sig frem til.
-   Integration med eksisterende systemer: funktionskald mod jeres CRM, økonomisystem eller eget API, så modellen arbejder med rigtige data i stedet for at gætte.

### Evaluering og målbar kvalitet

Uden en evalueringsopsætning kan man ikke vide, om en ændring gjorde løsningen bedre eller værre. Man har kun en fornemmelse, og fornemmelser er upålidelige, når svaret er forskelligt hver gang.

Derfor bygger jeg tidligt et testsæt af rigtige eksempler med forventede svar og måler op imod det, hver gang prompt eller model ændres. Det er den enkeltting, der oftest mangler i de projekter, jeg overtager fra andre.

### Hvad er AI-udvikling?

AI-udvikling er softwareudvikling, hvor kunstig intelligens i form af en sprogmodel indgår som en del af løsningen. Det kan være søgning i jeres egne dokumenter, automatisk behandling af indgående henvendelser eller et værktøj, der trækker strukturerede data ud af PDF'er. Modellen leverer sprogforståelsen, mens almindelig kode sørger for dataadgang, sikkerhed og integrationer til de systemer, I allerede kører.

Behovet opstår typisk i virksomheder med meget tekst og mange gentagelser. En kundeserviceafdeling der besvarer de samme spørgsmål igen og igen, et bogholderi der taster fakturaer af i hånden, eller et team der bruger timer på at lede efter svar i interne dokumenter. Findes den slags arbejde hos jer, er der sandsynligvis noget at hente.

Der er stor forskel på at kunne tale om AI og at kunne bygge det. En rådgiver kan pege på muligheder, men først når nogen skriver koden, viser det sig, hvad jeres data reelt kan bære, og hvor grænserne går. Jeg er udvikler med 16 års erfaring, og mine anbefalinger kommer fra ting, jeg selv har bygget og sat i drift.

Min arbejdsform er den samme i næsten alle projekter: vi finder den mindste udgave af løsningen, der kan skabe værdi, bygger den på få uger og måler resultatet mod et testsæt. I ejer koden og prompterne fra dag ét, og der er ingen binding til hverken mig eller en bestemt leverandør.

### Hvad udviklingen af AI betyder for virksomheder

Udviklingen af kunstig intelligens går stærkt, og det er let at blive i tvivl om, hvornår man skal gå i gang. Nye sprogmodeller kommer til med få måneders mellemrum, de bliver bedre til at følge instruktioner, læse lange dokumenter og bruge værktøjer, og den samme opgave bliver typisk billigere at køre over tid. Det kan få det til at virke fornuftigt at vente på den næste generation, før man bygger noget.

I praksis er det sjældent modellen, der afgør, om en AI-løsning virker. Det er jeres data, integrationerne til de systemer, I bruger, og et testsæt, der viser, om svarene er gode nok. Det arbejde bliver ikke forældet, når en ny model kommer. Tværtimod er det netop det arbejde, der gør det muligt at skifte til en ny model uden at bygge forfra og straks se, om den er bedre.

Derfor er mit råd at gå i gang, men bygge løst koblet. Generativ AI flytter løbende grænsen for, hvad der kan lade sig gøre, og har I først en AI-løsning i drift, kan I tage hver ny model i brug uden at bygge om. Venter I på den perfekte model, kommer I aldrig i gang, for der er altid en ny på vej. Det forudsætter, at kvaliteten bliver målt, så en opgradering bliver en beslutning baseret på tal og ikke på en pressemeddelelse.

### Open source-modeller eller lukkede modeller? Cloud eller lokale servere?

Lukkede modeller som dem bag ChatGPT og Claude bruger man gennem leverandørens API. Man betaler for forbruget, skal ikke drive noget selv og får som regel de stærkeste modeller på markedet. Til gengæld sendes data til leverandøren, så databehandleraftalen skal være på plads: hvor data bliver behandlet, hvor længe de gemmes, og om de må bruges til træning.

Open source-modeller, eller mere præcist modeller med åbne vægte, kan man hente og køre selv, på egne servere eller hos en hostingudbyder, man selv vælger. Data forlader ikke de rammer, I bestemmer, og I er ikke afhængige af en leverandørs prisændringer eller af, at en model bliver udfaset. Bagsiden er, at I selv skal stå for hardware, drift, opdateringer og sikkerhed, og at de åbne modeller ofte halter lidt efter de bedste lukkede på de sværeste opgaver.

Mit udgangspunkt er lukkede modeller via API, oftest Claude eller OpenAI, med EU-hosting eller aftaler, hvor data ikke bruges til træning. Det dækker de fleste opgaver og kræver ingen drift hos jer. En lokal model giver mening, når data slet ikke må forlade huset, eller når volumen er så stor, at egen drift kan betale sig. Fordi jeg bygger med et tyndt lag mellem koden og modellen, kan valget laves om senere uden at starte forfra.

### Risici ved AI: hallucination, bias og fortrolige data

En sprogmodel kan svare forkert med stor selvsikkerhed. Det kaldes hallucination, og det sker, fordi modellen forudsiger et sandsynligt svar i stedet for at slå op i en kilde. Når jeg bygger en løsning, der skal svare på spørgsmål, henter den derfor de relevante afsnit fra jeres egne dokumenter, lader modellen svare ud fra dem og viser kilden ved siden af svaret. Finder den ikke noget, skal den sige det i stedet for at gætte, og testsættet viser, hvor tit det alligevel går galt.

Bias betyder, at modellen gentager skævheder fra de data, den er trænet på, for eksempel i måden, den beskriver eller vurderer mennesker på. Til opgaver som at sortere fakturaer betyder det sjældent noget. Skal løsningen derimod vurdere ansøgere, kunder eller medarbejdere, skal den testes på eksempler, der dækker bredt, og et menneske skal træffe afgørelsen. Den slags anvendelser kan også falde ind under de strengere krav i EU's AI-forordning.

Fortrolige data er den risiko, der er lettest at overse. En intern søgeløsning må ikke vise en medarbejder dokumenter, vedkommende ikke har adgang til i forvejen, så adgangsstyringen fra jeres eksisterende systemer skal følge med ind i løsningen. Persondata holder jeg ude, hvor det kan lade sig gøre, og hvor det ikke kan, dokumenterer jeg, hvor data ender. Det er kedeligt arbejde, men det er det, der gør løsningen til at stole på.

### AI-udvikling til virksomheder i hele Danmark

Jeg holder til i Glostrup lidt uden for København, men bygger AI-løsninger for virksomheder i Aarhus, Odense, Aalborg og flere mindre byer, og for enkelte kunder i udlandet. De fleste har fundet mig online, og flere af dem har aldrig siddet i samme lokale som mig.

Udviklingsarbejde egner sig nemlig fint til afstand. Møder kører over video, koden ligger i jeres repository fra starten, og status kommer på skrift undervejs, så I altid kan se hvor projektet står. Ligger I i hovedstadsområdet, kommer jeg gerne forbi til opstart og de vigtige beslutninger.

Typiske projekter er en søgeløsning oven på intern dokumentation, en integration mellem en sprogmodel og et fagsystem, eller et internt værktøj der fjerner manuelt tastearbejde for et helt team.

Som freelancer er jeg den samme person hele vejen igennem: den der estimerer opgaven, er også den der skriver koden, og der er ingen mellemled, når du har et spørgsmål. Et bureau kan stille flere folk, men i AI-projekter af den her størrelse er kontinuitet som regel mere værd.

### Hvornår AI ikke er det rigtige valg

En del af de idéer, jeg får forelagt, ville være bedre løst med almindelig software. Skal noget klassificeres efter tre faste regler, er tre if-sætninger billigere og hurtigere, og alle kan læse dem. En sprogmodel tilføjer usikkerhed på et sted, hvor der ikke behøver at være nogen.

Volumen er det andet, jeg kigger efter. Sker en opgave femten gange om måneden og tager ti minutter hver gang, er der halvanden time at spare, og det bærer sjældent et udviklingsprojekt. Regnestykket skal hænge sammen, før jeg anbefaler at bygge.

Jeg siger det højt, når det ikke gør, også selvom det koster mig opgaven. Til gengæld kan du stole på anbefalingen, når jeg siger, at noget er værd at bygge.

## Det får du

Konkrete leverancer, ikke en rapport med anbefalinger nogen andre skal nå at udføre.

-   Arbejdende system
    
    En løsning der kører i jeres egen infrastruktur, håndterer fejl og kan overvåges i drift.
    
-   Evalueringssæt
    
    Et testsæt af rigtige eksempler med forventede svar, så I selv kan måle om en ændring forbedrer kvaliteten.
    
-   Omkostningsestimat
    
    Et regnestykke over hvad løsningen kommer til at koste i drift ved jeres volumen, lavet inden vi bygger.
    
-   Dokumentation
    
    En beskrivelse af hvordan løsningen hænger sammen og hvad man gør ved fejl, skrevet til den der skal overtage.
    

## Sådan foregår det

Fire trin. Du ved hvad der sker hvornår, og du kan stoppe efter hvert af dem.

1.  01 / 04
    
    ### Udpeg processen
    
    Sammen finder vi det stykke arbejde, der gentager sig ofte nok til, at automatisering kan betale sig. Jo mere afgrænset opgaven er, jo hurtigere kommer den første version i drift.
    
2.  02 / 04
    
    ### Sæt en baseline
    
    Vi noterer, hvor lang tid opgaven tager i dag, hvor ofte den forekommer, og hvor mange fejl der slipper igennem. Uden de tal kan ingen bagefter afgøre, om løsningen var indsatsen værd.
    
3.  03 / 04
    
    ### Byg mod et testsæt
    
    Jeg samler rigtige eksempler fra jeres hverdag og tester hver ændring af prompt og model op imod dem. Det holder kvaliteten stabil, når der senere bliver skruet på løsningen.
    
4.  04 / 04
    
    ### Drift med log og nødstop
    
    Løsningen bliver koblet på jeres eksisterende systemer med fuld logning og en kontakt, der kan slukke den. Jeg dokumenterer opsætningen og lærer en hos jer op i at vedligeholde den.
    

## Brands jeg har arbejdet med

-   ![MT Højgaard Danmark](https://mikkeltschentscher.dk/logos/mt-hoejgaard.svg)
    
-   ![Egmont](https://mikkeltschentscher.dk/logos/egmont.svg)
    
-   ![NNIT](https://mikkeltschentscher.dk/logos/nnit.svg)
    
-   ![Visma](https://mikkeltschentscher.dk/logos/visma.svg)
    
-   ![Lomax](https://mikkeltschentscher.dk/logos/lomax.svg)
    
-   ![Pascal](https://mikkeltschentscher.dk/logos/pascal.svg)
    
-   ![able.](https://mikkeltschentscher.dk/logos/able.svg)
    
-   ![OOONO](https://mikkeltschentscher.dk/logos/ooono.svg)
    
-   ![Novo Nordisk Fonden](https://mikkeltschentscher.dk/logos/novo-nordisk-fonden.svg)
    
-   ![Energii](https://mikkeltschentscher.dk/logos/energii.svg)
    
-   ![Maersk Tankers](https://mikkeltschentscher.dk/logos/maersk-tankers.svg)
    
-   ![Nordkysten Entreprenørfirmaet](https://mikkeltschentscher.dk/logos/nordkysten.svg)
    

## Ofte stillede spørgsmål

Hvad er forskellen på AI-udvikling og almindelig softwareudvikling?

Grundlaget er det samme, men en sprogmodel svarer ikke ens hver gang, og det ændrer måden man tester og håndterer fejl på. Derfor fylder evaluering og overvågning langt mere end i et klassisk projekt. Selve håndværket med integrationer og datamodeller er velkendt.

Hvad kan AI bruges til i en virksomhed?

Mest til arbejde med meget tekst og mange gentagelser. Typiske eksempler er søgning på tværs af jeres egne dokumenter, sortering af indgående henvendelser med forslag til svar, udtræk af data fra fakturaer og kontrakter samt udkast til tekster, som en medarbejder retter til og godkender. Fællesnævneren er, at opgaven sker tit og følger et mønster.

Hvad er forskellen på AI og ChatGPT?

AI, eller kunstig intelligens, er det brede begreb for systemer, der kan løse opgaver, som normalt kræver menneskelig vurdering. ChatGPT er ét produkt bygget på en sprogmodel fra OpenAI. Når jeg udvikler AI-løsninger, bruger jeg de samme typer modeller, men bygget ind i jeres egne systemer og data, så de løser en bestemt opgave i stedet for at være en chat, man skal huske at åbne.

Hvad er generativ AI?

Generativ AI er kunstig intelligens, der kan skabe nyt indhold som tekst, kode eller billeder ud fra en instruktion. Sprogmodellerne bag ChatGPT og Claude er de mest kendte eksempler. I AI-udvikling bruger man dem lige så tit til at læse og forstå tekst, for eksempel til at sortere henvendelser eller trække data ud af dokumenter, som til at skrive noget nyt.

Hvad er hallucination i AI?

Hallucination er, når en sprogmodel giver et svar, der lyder overbevisende, men er forkert eller opdigtet. Det sker, fordi modellen forudsiger det mest sandsynlige svar i stedet for at slå op i en kilde. Risikoen kan ikke fjernes helt, men den bliver markant mindre, når modellen skal svare ud fra jeres egne dokumenter, vise kilden og sige til, når den ikke ved det.

Hvad koster AI-udvikling?

Det afhænger af opgavens omfang. De tre ting, der driver prisen mest, er antallet af systemer der skal integreres, kvaliteten af jeres data og kravene til præcision. Beskriv opgaven i en mail, så stiller jeg et par afklarende spørgsmål og vender tilbage med et konkret tilbud, og du har svar samme dag.

Hvilke modeller arbejder du med?

Primært Claude og OpenAI, men jeg bygger altid med et tyndt lag imellem, så modellen kan skiftes ud senere. Pris og kvalitet på området ændrer sig hurtigt nok til, at man ikke skal låse sig fast på én leverandør.

Skal vi bruge open source-modeller eller modellerne bag ChatGPT og Claude?

For de fleste virksomheder er en lukket model via API det bedste sted at starte: den er stærk, kræver ingen drift, og med EU-hosting eller en aftale om, at data ikke bruges til træning, kan den bruges til de fleste opgaver. En open source-model på egne servere er værd at overveje, når data slet ikke må forlade huset, eller volumen er meget stor. Valget er ikke endeligt, fordi jeg bygger, så modellen kan skiftes ud.

Hvordan håndterer du GDPR og datasikkerhed?

Vi starter med at afklare, hvilke data løsningen faktisk behøver, for tit kan persondata holdes helt ude. Skal de med, bruger jeg EU-hostede modeller eller aftaler, hvor data ikke bruges til træning, og jeg dokumenterer databehandlingen, så jeres DPO eller rådgiver kan vurdere den.

Arbejder du kun med virksomheder i København?

Nej. Jeg bor i Glostrup uden for København, men en stor del af mine kunder sidder i resten af landet, blandt andet i Aarhus, Odense og Aalborg, og enkelte i udlandet. Udvikling fungerer fint over video og skrift.

Hvor lang tid går der, før noget er i drift?

En afgrænset løsning på ét system er typisk fire til otte uger inklusive test. Skal der hentes data fra flere systemer, er det integrationerne, der bestemmer tempoet, ikke AI-delen.

Hvem ejer koden og prompterne?

Det gør I, fra første commit. Koden ligger i jeres repository, prompterne er dokumenteret, og I kan til enhver tid tage det hele videre med en anden udvikler. Jeg bygger ikke noget, I bliver afhængige af mig for at kunne bruge.

Hvem vedligeholder løsningen bagefter?

Det aftaler vi, før vi går i gang. Kan jeres eget team overtage, bygger jeg det, så det er muligt, og skriver dokumentationen til dem. Kan de ikke, laver vi en løbende aftale i stedet for at lade spørgsmålet hænge.

Dit næste skridt

## Få et tilbud på AI-udvikling

Fortæl kort om din opgave. Så vender jeg tilbage med spørgsmål, muligheder og et konkret næste skridt.

![Mikkel Tschentscher](https://mikkeltschentscher.dk/images/derived/speaking.ae4c8c8ab739.png)

### Mikkel Tschentscher

Webudvikler, konsulent og underviser

-   16+ års erfaring
-   Direkte dialog med mig
-   Fra rådgivning til implementering

[+45 22 51 31 79](tel:+4522513179)[hello@mikkeltschentscher.dk](mailto:hello@mikkeltschentscher.dk)

Mikkel Tschentscher ApS · CVR 46886712

stjernede anmeldelser

## Relateret

-   [AI-agenter](https://mikkeltschentscher.dk/services/ai/ai-agenter)
-   [AI-implementering](https://mikkeltschentscher.dk/services/ai/ai-implementering)
-   [AI-automatisering](https://mikkeltschentscher.dk/services/ai/ai-automatisering)
-   [AI-konsulent](https://mikkeltschentscher.dk/services/ai/ai-konsulent)

Original: https://mikkeltschentscher.dk/services/ai/ai-udvikling
