Generativ AI leverer ikke bare ord. Den leverer også prioriteringer, fortolkninger og forslag til, hvordan arbejdet bør udføres. Danske virksomheder bruger allerede generativ AI i ledelse, rådgivning og sagsbehandling. Men når flere af de mest anvendte modeller er udviklet i et amerikansk teknologimiljø, kan de også rykke på organisationens syn på god ledelse, kundebehandling og myndighedsudøvelse.
Forestil dig, at en leder beder virksomhedens AI-assistent om hjælp til en medarbejder, der ikke leverer de forventede resultater eller måske har lidt samarbejdsvanskeligheder.
Svaret kommer på få sekunder. Lav en individuel handlingsplan. Sæt målbare mål. Dokumenter afvigelserne. Giv en skriftlig advarsel, og beskriv konsekvenserne, hvis præstationen ikke forbedres. Det er klart, effektivt og skrevet på flydende dansk.
Men flere mellemregninger kan mangle. Overenskomsten, tillidsrepræsentanten, samarbejdet på arbejdspladsen, proportionaliteten eller den konkrete danske ansættelsesret. Svaret behøver ikke være forkert. Det kan blot være bygget op omkring en mere individualiseret og arbejdsgiverstyret forståelse af arbejdsforholdet end den, mange danske virksomheder lever efter.
Det er her, en ny governance opgave begynder.
Debatten om generativ AI har især handlet om de data, medarbejderne sender ind i systemerne. Personoplysninger, forretningshemmeligheder og fortrolige dokumenter skal beskyttes. Men virksomhederne er også nødt til at undersøge det, der kommer retur. For en sprogmodel leverer ikke kun ord. Den vælger, hvad der virker relevant, hvilke hensyn der skal fremhæves, og hvordan en opgave naturligt bør løses.
Når det sker tusindvis af gange om ugen, kan AI langsomt ændre mere end formuleringerne. Den kan ændre organisationens arbejdsmetode og rykke på den danske mentalitet.
Sprog er ikke det samme som forståelse
Det bliver ofte sagt, at de store sprogmodeller er trænet på amerikanske data. Det er en lidt for enkel tilgang. Modellerne er typisk trænet på meget store mængder tekst, kode, bøger, licenseret materiale og internetindhold fra mange lande. De præcise kilder og deres indbyrdes vægt er kun delvist kendt. Men, det er korrekt, at engelsk fylder meget. Samtidig er flere af de mest udbredte kommercielle modeller udviklet, eftertrænet og produktstyret af amerikanske teknologivirksomheder.
Eftertræningen handler ikke kun om at gøre svar mere korrekte. Leverandøren fastlægger også, hvilke svar der foretrækkes, hvilke hensyn der skal veje tungt, og hvilke formuleringer der betragtes som sikre og ansvarlige. Der findes ikke én amerikansk etik eller ideologi. USA er politisk og kulturelt sammensat, og amerikanske arbejdsmetoder kan være både innovative og værdifulde for danske virksomheder.
Men leverandørerne er nødt til at vælge standarder. De valg bliver truffet i en bestemt juridisk, kulturel og kommerciel sammenhæng. Flere leverandører offentliggør ligefrem regelsæt for den adfærd, deres modeller skal udvise.
Spørgsmålet er derfor ikke, om alle data kommer fra USA. Det gør de ikke. Spørgsmålet er, om amerikanske og engelsksprogede perspektiver får en tyngde i modellens udvikling, som danske regler, institutioner og arbejdsformer ikke har.
Det problem forsvinder ikke, fordi svaret leveres på korrekt dansk.
Forskningen finder en kulturel retning
Flere undersøgelser giver grund til at se nærmere på modellernes standardantagelser. Et fagfællebedømt studie i PNAS Nexus, baseret på World Values Survey, fandt, at fem undersøgte GPT-modellers standardsvar lå tættere på værdier i engelsksprogede lande end på værdier i mange andre lande. GlobalOpinionQA har tilsvarende vist, at standardsvar i flere tilfælde lå tættere på holdninger i blandt andet USA end på holdninger i en række andre lande. Et ACL-studie fra 2025 peger desuden på engelsksprogede mønstre i svar, der leveres på andre sprog.
Studierne er selvfølgelig øjebliksbilleder af bestemte modeller og opgaver. De beviser ikke, at ethvert svar fra en amerikansk model er amerikansk i sit indhold. Men de gør det svært at fastholde, at standardoutput er kulturelt neutralt.
De viser også, at en dansk prompt ikke er en tilstrækkelig kontrol. En besked om at “svare som en dansker” kan flytte svaret, men den kan også aktivere en forenklet forestilling om, hvad en dansker er. Sprog og lokal forståelse er ikke det samme.
Borgeren bliver kunde, og kunden bliver salgsobjekt
I den offentlige sektor kan forskydningen begynde med et tilsyneladende uskyldigt ordvalg. Borgeren bliver til en bruger eller kunde. Afgørelsen bliver til et resultat. Det faglige skøn bliver til en afvigelse fra processen.
Teknologiprodukter og amerikansk managementlitteratur har med god grund fokus på service, brugeroplevelse, skalering og måling. Men en myndighed er ikke kun en serviceorganisation. Offentlig sagsbehandling er også udøvelse af magt. Hjemmel, sagsoplysning, ligebehandling, partshøring og begrundelse er ikke overflødigt bureaukrati. Det er en del af borgerens retssikkerhed.
En AI-løsning behøver ikke foreslå noget direkte ulovligt for at flytte balancen. Det er nok, at den igen og igen gør hastighed og standardisering mere synlige end hjemmel, inddragelse og fagligt skøn. Den samme mekanisme kan også ramme fx finansielle virksomheder.
En model, der er stærkt påvirket af salgslitteratur og et markedsorienteret forbrugerbegreb, vil ofte foreslå kommunikation, der optimerer opmærksomhed, konvertering og mersalg. Det kan være kommercielt effektivt. Men i en reguleret virksomhed skal svaret også kunne rumme god skik, kundens konkrete situation, forståelighed, dokumentation og, hvor det er relevant, egnethed.
De åbenlyse fejl er nemme at se. Det gælder for eksempel, når modellen henviser til amerikansk “fair use” eller “at-will employment” i en dansk sammenhæng. De mere diskrete forskydninger er vanskeligere. Det kan være et generelt EU-svar, som ikke tager højde for dansk gennemførelse, dansk tilsynspraksis eller de krav, der følger af virksomhedens tilladelse. Her er det ikke nok, at svaret lyder professionelt. Det skal passe til den organisation, der skal bruge det.
Risikoen flytter ind i organisationen
Den største forandring kommer sjældent fra et enkelt forkert svar. Den kommer, når svaret bliver en del af organisationens produktionsapparat.
Et AI-udkast bliver genbrugt som skabelon. Skabelonen flytter ind i en politik. Politikken bruges i undervisning. Senere lægges den ind i organisationens egen vidensbase, hvor den bliver grundlag for nye AI-svar.
Dermed kan en ekstern models antagelser blive selvforstærkende.
Medarbejdere lærer samtidig at beskrive problemer på den måde, modellen bedst forstår. Lokale undtagelser og faglige nuancer glider lettere ud, fordi de er vanskelige at standardisere. Og fordi svarene er velformulerede og ensartede, får de ofte mere autoritet, end deres faglige grundlag berettiger til.
Efter nogle år kan organisationen få svært ved at skelne mellem sin egen praksis og de antagelser, der oprindeligt kom fra en ekstern model.
Et europæisk datacenter løser ikke den udfordring. Data kan blive i Europa, mens outputtet flytter organisationens praksis i en amerikansk retning.
GDPR, AI-forordningen og sektorreguleringen er fortsat centrale. Men de dokumenterer ikke i sig selv, at en model er fagligt, juridisk og kulturelt egnet til en dansk anvendelse.
Danske modeller skal trykprøves lokalt
Finanstilsynet har i sin vejledning om god AI-praksis fremhævet, at finansielle virksomheder bør kende dataenes oprindelse, vurdere risikoen for uhensigtsmæssig bias og validere modeller, herunder eksternt indkøbte modeller. Det peger på en bredere ledelsesopgave.
En global benchmark kan vise, om en model er god til matematik, kodning og generel tekstforståelse. Den viser ikke, om modellen forstår dansk forvaltningsret, den danske arbejdsmarkedsmodel eller virksomhedens eget syn på ordentlig kundebehandling.
En myndighed kan teste hjemmel, sagsoplysning, partshøring og begrundelse. En bank kan teste kundekommunikation, god skik, kreditprocesser og hvidvaskkontrol. HR kan teste overenskomster, samarbejde, arbejdsmiljø og ansættelsesret. Testen skal gå videre end faktuelle fejl. Den skal vise, hvilke hensyn modellen konsekvent fremhæver, hvilke den udelader, og om den tydeligt markerer usikkerhed.
Prompting kan være nyttigt, men er ikke tilstrækkeligt som kontrol. Kritiske svar bør forankres i godkendte kilder, som brugeren kan se. Væsentlige resultater bør kontrolleres af personer med dansk domænekendskab og testen skal gentages. En cloudbaseret model kan ændre adfærd, selv om brugerfladen og virksomhedens anvendelse ser uforandret ud.
Ansvar skal ligge øverst i virksomheden
Bestyrelser og direktioner skal ikke beslutte, hvordan den enkelte medarbejder formulerer en prompt.
Men de skal beslutte, hvor meget af organisationens faglige og kulturelle grundlag der kan overlades til eksterne modeller.
De bør fastlægge, hvor dansk ret, kollektive aftaler, sektorregler og lokale værdier skal være bindende. De bør også placere ansvaret for at opdage, hvis modellens svar gradvist ændrer karakter.
Tre spørgsmål er et naturligt sted at begynde:
- Ved vi, hvilke juridiske, kulturelle og kommercielle standardantagelser vores vigtigste AI-modeller bringer ind?
- Har vi testet, om AI ændrer vores sprog, prioriteringer og opgaveløsning i en retning, vi ikke selv har valgt?
- Har vi besluttet, hvad teknologien må udfordre, og hvad den ikke må flytte uden en udtrykkelig ledelsesbeslutning?
Sådan kan Conformance bidrage
Conformance hjælper bestyrelser og direktioner med at gøre problemstillingen konkret og beslutningsbar. Det kan begynde med en målrettet præsentation for ledelsen eller bestyrelsen om de anvendte modeller, deres datagrænser og de juridiske, faglige og kulturelle antagelser, de kan bringe ind i organisationen.
Arbejdet kan fortsætte med kortlægning af anvendelser, modenheds- og gapvurderinger, danske evalueringssæt, politikker, leverandørkrav, modelstyring og ledelsesrapportering.
Formålet er ikke at vælge teknologi efter nationalitet. Det er at sikre, at organisationen selv bestemmer, hvilke regler, værdier og arbejdsprincipper der skal forme dens beslutninger.