Kan AI realistisk frigøre 90.000 årsværk i den offentlige sektor frem mod 2035, eller er Netcompanys analyse et eksempel på metodologiske faldgruber i business cases for AI?
Kort sagt
Netcompany, statens største it-leverandør, hævder at kunstig intelligens kan frigøre op til 90.000 årsværk i den danske offentlige sektor frem mod 2035. To uafhængige professorer kalder påstanden urealistisk og metodologisk problematisk. Forskningen viser, at AI kan øge produktiviteten i afgrænsede opgaver — men at vejen fra laboratorieresultater til varige besparelser i offentlig forvaltning er langt mere snørklet, end sådanne analyser typisk antager.
Det politiske spørgsmål
Danmark står over for et strukturelt pres på den offentlige økonomi. Befolkningen ældes, udgifterne til velfærd stiger, og det bliver sværere at rekruttere nok hænder til pleje, undervisning og administration. I den situation er AI blevet et politisk løfteord: teknologien skal gøre det muligt at levere mere velfærd med færre medarbejdere.
Netcompany publicerede i 2024 en analyse, der satte et konkret tal på dette løfte: 90.000 årsværk kan frigøres i den offentlige sektor, hvis AI implementeres ambitiøst frem mod 2035. Det er et enormt tal — svarende til omtrent hver sjette statsansatte. Påstanden er siden blevet citeret i den offentlige debat som argument for hurtigere digitalisering og større investeringer i AI-løsninger, herunder løsninger leveret af virksomheder som Netcompany selv.
Spørgsmålet er, om analysen holder. Og hvis den ikke gør, hvad fortæller det os så om, hvordan vi overhovedet bør lave business cases for AI i det offentlige?
Det empiriske spørgsmål bag
Bag den politiske debat ligger et mere præcist empirisk spørgsmål: Hvad er den dokumenterede produktivitetseffekt af AI i offentlig administration, og kan den opskaleres til det niveau, Netcompany beskriver?
Det kræver svar på mindst tre delspørgsmål:
- Hvad viser forskningen om AI's faktiske effekt på produktivitet i offentlige og administrative opgaver?
- Hvilke metodologiske forudsætninger skal holde for, at et skøn som 90.000 årsværk er validt?
- Hvad er de typiske fejlkilder, når teknologivirksomheder laver business cases for deres egne produkter?
Hvad ved vi
AI kan øge produktiviteten i afgrænsede opgaver ✓✓
Der er solid dokumentation for, at AI-værktøjer — særligt store sprogmodeller som dem, der ligger bag ChatGPT og lignende systemer — kan øge hastigheden og kvaliteten i teksttunge opgaver. Studier refereret af Ingeniøren og kommenteret af de to professorer viser effekter i størrelsesordenen 20-40 procent tidsbesparelse på specifikke opgaver som at skrive udkast, opsummere dokumenter og besvare standardhenvendelser.
Det er reelle gevinster. Men de er målt i kontrollerede forsøg på afgrænsede opgaver — ikke i den brede offentlige forvaltning som helhed.
Regeringen arbejder selv med AI som effektiviseringsværktøj ✓
Finansministeriets flerårige arbejdsprogram for staten fra juni 2025 beskriver en ambition om at modernisere statens arbejdspladser, herunder gennem digitalisering og nye teknologier. Programmet anerkender, at teknologiske forandringer kan ændre opgavesammensætningen i statslige institutioner. Det sætter dog ikke tilsvarende konkrete tal på årsværksbesparelser via AI, og det understreger samtidig, at gevinster forudsætter organisatorisk tilpasning og kompetenceudvikling.
**Professorer identificerer to centrale metodefejl ~ **
Ifølge Ingeniørens artikel peger de to professorer på, at Netcompanys analyse lider af velkendte fejl i den type business cases:
For det første summeres potentielle tidsbesparelser på tværs af alle opgaver og medarbejdere, som om de uden videre kan omsættes til fulde årsværk. Men arbejde er ikke flydende. Sparer en sagsbehandler 20 minutter om dagen på at formulere breve, forsvinder de 20 minutter ikke automatisk som et årsværk — de bliver til andre opgaver, møder eller pauser. For at frigøre et årsværk skal besparelserne være koncentrerede og store nok til faktisk at overflødiggøre en stilling.
For det andet bygger analysen på optimistiske antagelser om implementeringstakt og brugeradoption, som historisk sjældent holder. Store it-projekter i den offentlige sektor overskrider konsekvent tidsplaner og budgetter. Der er ikke grund til at tro, at AI-implementering følger et andet mønster.
**Business cases fra leverandører er systematisk skæve ~ **
Det er en generel observation i forskningen i teknologiadoption, at analyser udarbejdet af leverandører — eller med leverandørinteresser — konsekvent overvurderer gevinster og undervurderer implementeringsomkostninger. Det gælder ikke kun AI. Det gælder ERP-systemer, robotprocesautomatisering (RPA) og tidligere bølger af digitaliseringsteknologi. Årsagen er ikke nødvendigvis ond vilje, men strukturelle incitamenter: en leverandør, der laver en konservativ analyse, vinder færre kontrakter.
Hvad ved vi ikke
Vi ved ikke, hvad Netcompanys analyse konkret bygger på. Selve beregningsmodellen, de anvendte antagelser om adoptionsrate og de opgavekategorier, der indgår, er ikke offentligt tilgængelige i en form, der gør det muligt at efterprøve tallene uafhængigt.
Vi ved heller ikke, om de produktivitetsgevinster, der er dokumenteret i forsøg med AI i private virksomheder, kan overføres direkte til den offentlige sektor. Offentlig forvaltning adskiller sig fra private virksomheder på afgørende punkter: der er stærkere regulering, større krav til dokumentation og begrundelse, andre incitamentsstrukturer for medarbejdere og ledere, og opgaverne er i mange tilfælde mere komplekse og skønsprægede end dem, der typisk indgår i AI-produktivitetsstudier.
Vi ved ikke, hvad de fulde implementeringsomkostninger vil være — i penge, i organisatorisk kapacitet og i den tid, det tager at ændre arbejdsgange og kompetencer. Flerårige offentlige it-projekter har en dokumenteret tendens til at koste mere og tage længere tid end planlagt.
Og vi ved ikke, hvad der sker med de opgaver, der ikke kan automatiseres, når AI overtager de rutineprægede dele. I mange tilfælde kan gevinsten ved automatisering opsuges af mere kompleks sagsbehandling, øgede borgerkrav eller nye lovgivningsmæssige krav.
Hvad eksperter er uenige om
Er 90.000 årsværk i samme boldpark som realistiske skøn?
Her er der uenighed. Netcompany og dem, der deler deres optimisme, vil argumentere for, at pessimistiske vurderinger undervurderer, hvor hurtigt AI-teknologien udvikler sig, og at historiske erfaringer med it-projekter ikke er sammenlignelige med det nuværende teknologiske gennembrud. AI er en generel teknologi, der kan anvendes på tværs af meget brede opgavekategorier — det er anderledes end tidligere digitaliseringsbølger.
Professorerne og andre kritiske stemmer vil omvendt argumentere for, at teknologisk potentiale og realiseret produktivitetsgevinst er to fundamentalt forskellige størrelser. Selv hvis AI teknisk set kan løse en opgave, er det ikke ensbetydende med, at organisationer faktisk implementerer teknologien korrekt, at medarbejdere anvender den konsistent, eller at ledelsen formår at omsætte tidsbesparelser til reelle stillingsreduktioner.
Bør offentlige myndigheder overhovedet stole på leverandøranalyser?
Det er et metodespørgsmål med politiske implikationer. Hvis svaret er nej, rejser det spørgsmålet om, hvem der skal producere uafhængige vurderinger af AI's potentiale i den offentlige sektor — og om Danmark har institutioner med kapacitet og mandat til det. Finansministeriet, Rigsrevisionen og uafhængige forskningsinstitutioner er oplagte kandidater, men producerer ikke regelmæssigt den type kvantitative analyser.
Er det problematisk at sætte et tal på det?
Én position er, at selv upræcise estimater er nyttige, fordi de skaber politisk momentum for nødvendige investeringer. En modsat position er, at urealistiske estimater skader tilliden til digitalisering, når gevinsterne ikke materialiserer sig — og at de fortrænger mere ærlige diskussioner om, hvad AI faktisk kan bruges til, og hvad det koster at implementere det ordentligt.
Konklusion
Netcompanys påstand om 90.000 frigjorte årsværk er ikke dokumenteret på en måde, der gør det muligt at vurdere den uafhængigt. De metodologiske faldgruber, som professorerne peger på, er velkendte og alvorlige: at summere opgavebesparelser til årsværk uden at tage højde for, hvordan arbejde faktisk er organiseret, og at bygge på optimistiske antagelser om implementering, er klassiske fejl i teknologi-business cases.
Det betyder ikke, at AI ingen produktivitetseffekt har i den offentlige sektor. Der er god dokumentation for, at AI kan spare tid på afgrænsede, teksttunge opgaver. Men vejen fra dokumenterede tidsbesparelser i forsøg til realiserede årsværksgevinster i hele den offentlige sektor er lang og fuld af organisatoriske, juridiske og menneskelige forhindringer.
Regeringens eget flerårige arbejdsprogram for staten anerkender AI's potentiale, men sætter ikke tilsvarende konkrete tal på årsværksbesparelser — formentlig med god grund.
Det centrale metodespørgsmål er, hvem der skal producere troværdige, uafhængige vurderinger af AI's potentiale i det offentlige. Leverandøranalyser kan ikke stå alene. Danmark har brug for uafhængige institutioner med kapacitet til at efterprøve den slags påstande, inden de bliver til politiske argumenter for konkrete indkøbsbeslutninger.