Sådan måler du ROI på en AI-agent

Hvorfor ROI på AI-agenter er så svært at bevise

Tallene på makroniveau taler deres eget sprog. I sin State of AI 2026-undersøgelse konstaterer McKinsey, at 37 % af de adspurgte virksomheder tilskriver mindst en del af deres EBIT-effekt til brugen af AI, en andel, der stort set er stabil i forhold til 2025, og at kun 6 % hører til de mest velpresterende organisationer, dem der tilskriver AI en betydelig effekt (mindst 5 % af EBIT) (kilde: McKinsey, "The state of AI in 2026: On the road to ROI", https://www.mckinsey.com/capabilities/quantumblack/our-insights/the-state-of-ai, tilgået 2026-09-04; tallene også citeret af The Register, https://www.theregister.com/ai-and-ml/2026/08/25/mckinsey-says-enterprise-ai-is-finally-on-the-road-to-roi/5292388, tilgået 2026-09-04). Samtidig siger 40 % af virksomhederne med over en milliard dollar i omsætning, at de skalerer AI-agenter, mod 27 % et år tidligere (samme kilder). Investeringerne vokser hurtigere end beviset for, at de betaler sig.

En autonom AI-agent koster tid til deployment, inferens og tilsyn. Uden en målemetode er det umuligt at vide, om denne omkostning er berettiget. Gartner går videre specifikt om agentiske AI-projekter: over 40 % af dem forventes opgivet inden udgangen af 2027, på grund af omkostninger, der løber løbsk, dårligt defineret forretningsværdi fra start, eller utilstrækkelig risikostyring (kilde: Gartner, https://www.gartner.com/en/newsroom/press-releases/2025-06-25-gartner-predicts-over-40-percent-of-agentic-ai-projects-will-be-canceled-by-end-of-2027, tilgået 2026-09-04). "Dårligt defineret forretningsværdi" bunder næsten altid i den samme årsag: ingen har målt udgangssituationen, så ingen kan bevise forbedringen bagefter.

Trin 1: etablér en baseline før deployment

Det er det trin, næsten alle springer over, og det vigtigste. Før du kobler en agent på en proces, skal du måle processen, som den fungerer i dag: behandlet volumen pr. periode, gennemsnitlig behandlingstid pr. sag, fejl- eller genbehandlingsrate, tid fra forespørgsel til løsning. Uden disse udgangstal hviler enhver senere sammenligning på upræcise erindringer frem for data. En agent, der deployeres i seks måneder og derefter evalueres bagefter, uden et indledende sammenligningspunkt, kan ikke producere et troværdigt ROI: der er kun en fornemmelse tilbage.

Trin 2: mål den sparede tid, og dens reelle værdi

Den sparede tid er den lettest målelige indikator, og den lettest fejltolkede. En agent, der løser på ti minutter en opgave, der tog en time, sparer rigtig nok halvtreds minutter, forudsat at den frigjorte tid bruges til noget andet, der kan måles. Hvis de involverede medarbejdere blot ender med flere møder eller mere spildtid, er tiden blevet flyttet, ikke sparet. For at denne gevinst skal tælle reelt i en ROI-beregning, skal den omsættes enten til en reel omkostningsreduktion (færre overtimer, en undgået ansættelse) eller en identificerbar produktionsstigning (flere sager behandlet, flere sager lukket).

Trin 3: mål de undgåede omkostninger

Ved siden af tiden er der de undgåede omkostninger: fejlene, der ikke opstod, eskaleringerne, der ikke var nødvendige, behandlingstiderne, der ikke udløste en kontraktlig bod eller kundeutilfredshed. Det er sværere at isolere end en tidsgevinst, fordi det forudsætter at sammenligne med et scenarie, der ikke fandt sted. Den mest pålidelige metode er stadig at følge en hændelses- eller fejlrate før og efter, over en sammenlignelig periode, frem for at anslå en undgået omkostning teoretisk.

Trin 4: glem ikke kvaliteten

En hurtigere agent, der producerer arbejde af lavere kvalitet, har ikke forbedret ROI'et, den har blot flyttet det til en usynlig omkostningspost: rettelser, genbehandlinger, kundeutilfredshed, der dukker op senere. Kvaliteten skal måles med de samme kriterier som før agenten, tilfredshedsgrad, løsning ved første kontakt, fejlrate, ikke med kriterier opfundet bagefter for kunstigt at fremhæve deploymentet.

Trin 5: gennemløbstiden, en undervurderet indikator

Gennemløbstiden, hvor lang tid der går fra en forespørgsel til dens løsning, er ofte den store glemte indikator i ROI-beregninger, selvom den har direkte indflydelse på kundetilfredsheden og i visse brancher på kontraktlige forpligtelser. En agent, der ikke reducerer enhedsomkostningen for en sag, men tredobler behandlingshastigheden, kan have en reel forretningseffekt, især på kundefastholdelse, selvom det ikke er det første, man tænker på at måle.

Adskil omkostninger, der varierer, fra omkostninger, der ikke gør

En seriøs ROI-beregning skelner også mellem to typer omkostninger på agentsiden. På den ene side de omkostninger, der varierer med volumen: modelinferens, primært, som stiger mekanisk med antallet af opgaver. På den anden side de omkostninger, der varierer lidt eller slet ikke: platformsabonnementet, den indledende opsætningstid, det menneskelige tilsyn, der forbliver stabilt, selv hvis volumen fordobles. Blandes de to sammen, forvrides fremskrivningen: et ROI, der ser fremragende ud ved lavt volumen, kan forringes, hvis de variable omkostninger stiger hurtigere end forventet, når deploymentet udbredes til et helt team.

De klassiske målefælder

Nogle fejl går igen systematisk i ROI-beregninger for AI-agenter. Forvekslingen mellem sparet tid og sparede penge, allerede nævnt ovenfor, er én af dem. Dobbelttælling er en anden: hvis supportteamet gør krav på en tidsgevinst, og salgsteamet samtidig gør krav på en omsætningsgevinst genereret af den samme agent, skal man tjekke, at det ikke er den samme forbedring, der tælles to gange fra to forskellige vinkler. Glemte løbende omkostninger (tilsyn, monitorering, justering af instrukser) forvrider også beregningen den anden vej: et ROI, der kun regnes ud fra gevinsterne, uden de tilbagevendende vedligeholdelsesomkostninger, er strukturelt for optimistisk. Endelig er det en hyppig fejl at antage 100 % adoption fra dag ét: deployment af en agent er en gradvis proces, ikke en kontakt, man slår om.

Et regneeksempel, som en illustration

Tabellen nedenfor er ikke en markedsstatistik, det er et eksempel konstrueret til at illustrere metoden, ud fra et tilfælde af triage af kundesupport, der ligner det, en agent som denne dækker. Tallene er fiktive og tjener kun til at vise, hvordan beregningen struktureres, ikke til at love et garanteret resultat.

Indikator	Før agenten (baseline)	Efter agenten	Læsning
Sager behandlet pr. dag og pr. person	25	60	Kapacitetsgevinst, skal bekræftes af reel belastningsopfølgning
Gennemsnitlig tid til første svar	4 timer	20 minutter	Direkte effekt på kundetilfredshed
Eskaleringsrate til et menneske	35 %	20 %	Resten kræver stadig menneskelig godkendelse
Fejlrate ved kategorisering	12 %	8 %	Skal følges over flere måneder, ikke de første uger

Observér løbende frem for at måle én gang

ROI på en AI-agent er ikke et tal, du beregner én gang og lægger til side. En agent, der fungerer godt ved lancering, kan drifte tre måneder senere, hvis processen, den automatiserer, ændrer sig, eller hvis antallet af forespørgsler stiger ud over det, der blev testet i starten. Det er derfor, observability, den løbende opfølgning af, hvad en agent reelt gør, handling for handling, er uadskillelig fra en seriøs ROI-tilgang: uden denne opfølgning bliver den indledende måling hurtigt forældet, og du er tilbage ved udgangspunktet, en vurdering baseret på en fornemmelse frem for data. På det punkt er emnet om omkostninger og emnet om organisering i flere agenter de to andre sider af samme regnestykke: at måle et ROI giver kun mening, hvis man også kender agentens omkostning lige så præcist.