Fra AI-idéer til løsninger, der kan skaleres
Siden 2024 har Aarsleff og Munk AI samarbejdet om en række forskellige AI-initiativer, som er opstået løbende ud fra konkrete behov – fra lokal AI-infrastruktur og automatisk kvalitetssikring til hands-on kompetenceforløb og modeller for at bringe nye idéer videre.
Se casen
Et flerårigt samarbejde om forskellige AI-behov på tværs af teknologi, kvalitet, kompetencer og organisation.
- 5
- Forskellige AI-initiativer
- 2024
- Samarbejdet begyndte
- 4
- Hands-on sessioner
- 130
- Deltagere
præsenteret i casen
med Munk AI
i Claude-forløbet
kunne forumformatet rumme
01Samarbejdet
I en stor organisation opstår AI-behov mange forskellige steder – og de kræver forskellige greb.
Aarsleff er en stor og decentral entreprenørkoncern med forskellige forretningsområder, processer og faglige miljøer. Nogle behov kalder på specialudviklet software, andre på sikker infrastruktur, kvalitetssikring, kompetenceudvikling eller en mere struktureret måde at arbejde videre med idéer på.
Siden 2024 har Munk AI bidraget til en række forskellige initiativer, der er opstået løbende i takt med konkrete muligheder og udfordringer hos Aarsleff. Leverancerne har derfor ikke været ét samlet program, men selvstændige indsatser med hvert sit formål, scope og organisatoriske udgangspunkt.
Samarbejdet viser bredden i det arbejde, der kan være nødvendigt, når AI skal fungere i en stor og kompleks virksomhed.
02Initiativerne
Fem forskellige AI-initiativer
Initiativerne er opstået løbende siden 2024 og adresserer forskellige behov – fra teknisk infrastruktur og systematisk kvalitetstest til kompetencer, aktivering og intern innovationskapacitet.
AIJudge: AI, der kvalitetssikrer AI
Munk AI udviklede på et to-ugers sprint en proof-of-concept, som automatisk tester og vurderer svar fra AI-løsninger. Brugerne kan definere testspørgsmål, forventede svar, kontekstdokumenter og vægtede kvalitetskriterier, hvorefter en AI-dommer scorer svarene og giver pass/fail-vurderinger med begrundelser.
Platformen omfatter scorehistorik og regressionssammenligning, så ændringer kan vurderes ensartet over tid.
Lokal AI-infrastruktur under Aarsleffs egen kontrol
Munk AI hjalp Aarsleff med softwaremæssig opsætning og idriftsættelse af lokale AI-miljøer – først en lokal LLM-platform og senere et DGX Spark-baseret eksperimentmiljø for koncernens digitale forretningsudvikling.
Leverancen omfattede model-runtime, browserbaseret chatinterface, lokal API-adgang, adgangs- og netværksopsætning, første modeller, et isoleret miljø til agentiske eksperimenter samt playbook og sidemandsoplæring. Miljøet er designet, så eksperimenter kan gennemføres med data og modeller i Aarsleffs egen infrastruktur.
Claude-forløb: Fra bruger til intern bygger
Et fire-sessioners hands-on forløb flyttede deltagerne fra almindelig chatbrug til selv at skabe genbrugelige arbejdsgange og mindre værktøjer på egne data. Hver session kombinerede kort introduktion med praktisk arbejde på deltagernes virkelige opgaver.
Forløbet dækkede Cowork, Projects, Skills, Excel og PowerPoint samt udvikling af egne dashboards, rapporter, business cases, risikoregistre og planlagte hjælpere.
Finans & IT Forum: AI i hænderne på organisationen
Munk AI var med til at udvikle og gennemføre et praktisk AI-format til Aarsleffs koncernforum for finans og IT. Formatet blev designet til op mod 130 deltagere fordelt på cirka 17 tværgående grupper, med konkrete opgaver, idékatalog, facilitatorer og fælles opsamling.
Målet var ikke blot inspiration. Deltagerne skulle selv arbejde med AI, mærke mulighederne i deres egen faglighed og gå derfra med konkrete idéer og næste skridt.
Digital Accelerator: En struktureret model for at bringe idéer videre
Munk AI og Aarsleff udviklede en struktureret arbejdsmodel og et internt AI-ydelseskatalog, som gjorde det lettere for forretningsenheder at komme i gang på et niveau, der passede til deres behov og modenhed.
Kataloget samlede forskellige forløb – blandt andet inspiration, målrettet idegenerering, hackathon, prototype, test og go/no-go – så den enkelte forretningsenhed kunne vælge en indsats, der passede til dens konkrete behov, ressourcer og modenhed.
03Det samlede billede
Fem initiativer – fem forskellige måder at skabe værdi med AI
Fællesnævneren er ikke én samlet rejse, men at hvert initiativ tog udgangspunkt i et konkret behov og blev omsat til en praktisk leverance.
Kvalitetssikring
Automatisk test af AI-løsninger med AIJudge.
Lokal AI-kapacitet
Modeller og eksperimentmiljø i Aarsleffs egen infrastruktur.
Superbrugere
Hands-on forløb fra almindelig brug til egne værktøjer.
Bred aktivering
Et praktisk AI-format til koncernens Finans & IT Forum.
Innovationsmodel
Et katalog og en struktur til at bringe idéer videre.
04Samarbejdsmodellen
Forretningens viden og teknisk eksekvering i samme proces
De stærkeste resultater opstår, når domæneeksperter, interne ejere og eksterne AI-specialister arbejder iterativt om samme problem.
- Forretningsbehov og prioriteringer
- Domæneviden, data og faglige regler
- Interne ejere og beslutningstagere
- Brugertest og organisatorisk forankring
- Procesdesign, facilitering og business cases
- AI-, software- og integrationsudvikling
- Cloud- og lokal infrastruktur
- Træning, dokumentation og overdragelse
- Korte iterationer og løbende afklaringer
- Test på virkelige opgaver og data
- Beslutninger baseret på dokumenteret læring
- Balance mellem tempo, kvalitet og kontrol
Et flerårigt samarbejde
Har I også flere forskellige AI-behov i organisationen?
Vi hjælper med at vælge og levere det rigtige greb til den konkrete udfordring.