Når leverandøren opdaterer – og regningen lander hos dig

Kort fortalt

Hyppige opdateringer af modeller med kunstig intelligens kan udløse skjulte drifts- og udviklingsomkostninger
Det handler ikke kun om pris pr. brug, men også om kvalitet, arbejdsgange og ekstra kontrol
Leverandørens ændringer kan i praksis blive din køreplan, fordi man ikke altid kan blive på en gammel version
Løsningen er at designe til forandring: klare krav til svar, løbende test og en reserveløsning

Når en leverandør opdaterer sin model med kunstig intelligens, kan det udefra ligne en harmløs “forbedring”. Men ifølge en analyse fra Productics kan ændringer i modellen i praksis tvinge virksomheder til at lave mere end små rettelser: instruktioner til systemet, kontrol af svarenes format, arbejdsgange i løsningen og den måde brugerne arbejder på, kan alle blive påvirket.

Pointen er, at leverandørens udviklingstempo hurtigt bliver virksomhedens. Hvis en model ændrer “adfærd” (fx svarer mere upræcist, i et andet format eller med en anden struktur), kan det skabe ekstra tid til gennemgang og rettelser — og i nogle tilfælde kræve, at man bygger dele af løsningen om.

I arbejdet med danske virksomheder ses det især, når kunstig intelligens bliver lagt ind som en fast del af hverdagsprocesser: Det fungerer godt — lige indtil en opdatering ændrer kvaliteten nok til, at der skal mere menneskelig kvalitetssikring til.

Et realistisk eksempel: En økonomifunktion bruger en digital assistent til at kladde bilagsforklaringer og mails til revisor. Efter en opdatering bliver formuleringerne mere vage og mindre ensartede. Det betyder, at medarbejderen nu skal rette flere udkast manuelt, hvor der før kun var behov for et hurtigt tjek. Den mer-indsats er sjældent med i business casen.

Hvad kan ændre sig ved en opdatering?	Konsekvens i drift og budget
Svarenes format og ordvalg	Mere gennemgang, flere rettelser
Instruktioner til systemet	Tid til omskrivning og test
Overholdelse af regler (fx GDPR)	Risikovurdering og dokumentation kan skulle opdateres
Prissætning fra leverandøren	Budgetusikkerhed og ændret forbrug

For danske virksomheder og offentlige organisationer er der en ekstra dimension: Hvis løsningen behandler persondata, kan en væsentlig ændring i modellen betyde, at man bør genbesøge sin risikovurdering og dokumentation for GDPR — også selv om selve leverandøren “bare” kalder det en opdatering.

Det kan du gøre nu

Beskriv krav til svarenes struktur (fx længde, tone, faste felter), så ændringer kan opdages hurtigt
Indfør et fast kvalitetstjek: en enkel test af, om svar stadig følger jeres regler og eksempler
Planlæg en reserveløsning: hvad gør I, hvis kvaliteten falder (midlertidig manuel proces, anden model eller anden funktion)?
Budgettér med løbende vedligehold: modelskift er en driftsudgift, ikke kun en opstartsudgift
Stil krav til leverandøren om varsling, ændringslog og driftsaftale (SLA – en aftale om stabilitet og service)
Genbesøg GDPR-risikovurdering ved væsentlige ændringer, især hvis output bruges i sagsbehandling eller kundekommunikation

Kilder

Productics (Igor), Building on Sand: The Hidden Cost of AI Model Churn, 17. februar 2026: https://productics.substack.com/p/building-on-sand-the-hidden-cost?utm_source=tldrfounders