Mange økonomiteams forsøger i øjeblikket at skabe et samlet overblik over virksomhedens forbrug ved hjælp af AI. Men holdningerne er delte, når det kommer til spørgsmålet om, hvorvidt investeringen bærer frugt. Ifølge en ny undersøgelse fra Pleo* siger 61 % af økonomichefer, at de har investeret i AI uden at kende det reelle afkast.
Men selvom afkastet lader vente på sig, er det ikke ensbetydende med, at AI har fejlet. Derimod er det ofte de underliggende data, der er problemet, frem for selve AI-værktøjet.
I de fleste økonomiteams er oplysninger om virksomhedsforbruget fordelt mellem flere forskellige systemer. Udgifter håndteres på én platform, fakturaer på en anden, og godkendelser sker ofte via e-mail eller Slack. Alle værktøjer er også forskellige i forhold til, hvordan de strukturerer data. Det ene system bruger måske kategorier, mens et andet bruger tags, valutakonvertering sker på forskellige tidspunkter, og leverandørnavne kan afvige, afhængigt af hvordan de oprettes.
Der mangler en rød tråd, og økonomiteamet er nødt til at sammenholde forskellige rapporter, mapper og regneark manuelt for at få et overblik over forbruget. Det var meningen, at AI skulle overtage de manuelle opgaver, så teams og ledere kunne fokusere på at analysere dataene i stedet for at bruge en masse tid på at samle og dobbelttjekke dem.
"Vi har flere forskellige enheder. Hvis du havde klargjort transaktioner til eksport for én enhed og ved en fejl kom til at trække dem over i den forkerte mappe, kunne det gå helt galt. Så skulle det hele gøres om." – Shafier Saboerali, Financial Controller hos SILICON
AI skal bruge ensartede, strukturerede og pålidelige data for at give korrekte svar og udføre opgaver. Når datamodellerne ikke stemmer overens på tværs af værktøjer, har AI ikke et helhedsbillede over forbruget. Værktøjet vil ikke være i stand til at fremhæve mangler eller vil give resultater, som muligvis ser overbevisende ud, men ikke er korrekte. Hvis du spørger AI om de samlede udgifter til en bestemt leverandør, kan den nemt overse fakturaer, som ligger i et andet system – uden nogen tydelige tegn på, at der mangler noget.
Der opstår også fejl ved helt almindelige spørgsmål og ikke kun specialtilfælde. Hvis du spørger AI om, hvorvidt et bestemt køb overholder virksomhedens politik, skal både politikken, kategorien og godkendelseshistorikken stemme overens med hinanden. Hvis den registrerede kategori i udgiftsværktøjet ikke matcher ordlyden i politikken, eller hvis valuta konverteres til forskellige kurser i hvert system, kan AI ikke vurdere, om der er tale om en reel overtrædelse eller en fejl i kategoriseringen. Den vil enten overkorrigere og markere udgifter, der faktisk overholder politikken, eller også overser den et reelt problem, fordi tallene umiddelbart ser rigtige ud.
Når økonomiteamet finder fejl i AI'ens output, mister de naturligvis tilliden til værktøjet i alle henseender – også når den svarer korrekt. Det er betydeligt mere tidskrævende at genopbygge denne tillid end at udføre selve opgaven, og derfor vender mange teams tilbage til de manuelle processer, som AI egentlig skulle erstatte.
Ifølge Pleos undersøgelse* siger 68 % af økonomichefer, at deres teams i høj grad mangler kompetencer og oplæring inden for AI. Det skyldes primært mangelfulde og upålidelige data. Det er svært at have tillid til teknologien, når den giver forskellige svar, alt efter hvilket system den tjekker.
AI-drevne platforme og værktøjer fungerer bedst, når de kan trække på en centraliseret oversigt over forbruget, der samler udgifter, budgetter og godkendelser ét sted med et komplet revisionsspor.
Når de er konfigureret korrekt, kan AI-assistenter som Claude, ChatGPT og Microsoft Copilot trække på én samlet kilde til udgiftsdata. Dermed kan assistenten give et klart svar, som ikke skal tjekkes manuelt mod et regneark. Tager du skridtet videre, kan det samme integrerede system forvandle en rutineopgave – f.eks. at følge op på en kvittering eller rette en kategori – til et enkelt workflow, som kører automatisk på tværs af dine eksisterende værktøjer.
Det er forskellen på teknologi, som er pengene værd, og spredte AI-værktøjer, der ikke lever op til forventningerne.
* Disse tal stammer fra en kommende Pleo-rapport, der offentliggøres i september 2026. Undersøgelsen blev udført af Sapio Research i april og juli 2026 blandt økonomiske beslutningstagere og fagfolk i virksomheder med mellem 51 og 1.000 medarbejdere i Tyskland, Spanien, Storbritannien, Holland og Danmark.