Det er her AI-copiloter til ERP begynder at give mening. Ikke som endnu en chatbot på hjemmesiden, men som små digitale assistenter, der arbejder sammen med jeres medarbejdere: finder de rigtige ordrer, læser dokumenter, opdager fejl i data, foreslår næste skridt og udfylder standarddokumenter – direkte oven på jeres eksisterende Business Central, CRM og dokumenter.

Teknologierne til det her – RAG, vector-søgning, AI-agenter og workflow-platforme som n8n – er ikke længere noget kun for de største virksomheder. Erfaringer fra internationale cases viser, at mindre virksomheder kan skære 20–40 % af tidsforbruget på interne opslag, datarettelser og repetitive administrative opgaver, uden at røre ved selve ERP-systemet.

Problemforståelse i danske SMV’er

Hvis man skruer ned for buzzwords og ser på hverdagen i en klassisk dansk B2B-virksomhed med 20–80 ansatte, er mønsteret ofte det samme:

• Order-to-cash kører i et ERP som Business Central eller NAV.
• Salgsaktiviteter og kundehistorik ligger i et CRM eller i Outlook.
• Viden om produkter, procedurer og priser ligger i mapper, SharePoint, PDF’er og mails.

På papiret hænger det hele sammen. I praksis er der mange små mellemregninger, som ingen systemer tager sig af.

Hvor opstår spildtid?

Spildtiden samler sig typisk fem steder:

1. Ordreopslag og statusspørgsmål
   Hver gang en kunde ringer eller skriver: “Hvor er min ordre?”, skal en medarbejder manuelt ind og slå op i ERP, tjekke ordre, levering, faktura og måske endda fragtportalen. Det tager 3–10 minutter per sag – og afbryder alt andet.
2. Fejlsøgning i data
   Ved reklamationer eller uoverensstemmelser skal man finde ud af, hvad der er gået galt: var det pris, rabat, leveringsadresse, varenummer, disponering eller noget helt sjette? Det kræver typisk hop mellem flere skærmbilleder, mails og dokumenter.
3. Onboarding af nye medarbejdere
   Nye kolleger spørger de samme ting igen og igen: “Hvordan håndterer vi X?”, “Hvilken skabelon bruger vi til Y?”, “Hvad er standardproceduren, hvis kunden vil ændre en ordre?” Svaret ligger måske i en manual, men i praksis ender erfarne medarbejdere med at forklare det mundtligt.
4. Dokumentjagt
   Hvor ligger seneste leverandøraftale? Hvilket Excel-ark er det rigtige? Hvad er seneste version af handelsbetingelserne? Medarbejdere bruger hver uge timer på at lede efter filer i SharePoint, fællesdrev og mailtråde.
5. Gentagne standardopgaver
   Ordrebekræftelser, følgesedler, kreditnotaer, tilbud med standardtekster, interne tjeklister osv. bliver oprettet manuelt – ofte ved copy-paste fra tidligere dokumenter. Det er rutinearbejde, men stadig sårbart for små fejl.

Hvor sker fejl – og hvorfor halter processerne?

Fejlene er sjældent “store IT-fejl”. De opstår, fordi mennesker skal binde systemer og viden sammen:

• En adresse bliver ikke opdateret begge steder (ERP og CRM).
• En medarbejder læser en gammel procedure eller bruger en forældet skabelon.
• Et varenummer tastes forkert, fordi der kopieres mellem Excel og ERP.
• En rabataftale bliver glemt, fordi den kun stod i en PDF på et fællesdrev.

Resultatet er kendt: forkerte ordrer, manuelle krediteringer, kunder der får modstridende svar, og medarbejdere der mister tiden på brandslukning. Det er ikke fordi ERP/CRM er dårlige. Det er fordi ingen har tid til at være “lim” mellem alle systemer, dokumenter og processer på en stabil måde.

Det er præcis her, AI-copiloter til ERP giver mening – som digitale kollegaer, der tager sig af netop de fire ting mennesker er dårlige til i længden: huske alle regler, genbruge viden konsekvent, følge samme tjekliste hver gang og håndtere mange små forespørgsler uden at miste overblikket.

Løsningen – sådan virker AI-agenter og n8n i praksis

En AI-copilot til ERP er i praksis en eller flere specialiserede AI-agenter koblet til jeres data og systemer via et workflow-værktøj som n8n. Pointen er, at copiloten:

• forstår tekst (mails, noter, dokumenter),
• kan hente og læse data fra ERP, CRM og dokumenter,
• kan udføre simple handlinger (oprette opgaver, foreslå ordreændringer, klargøre dokumenter),
• og hele tiden kan blive korrigeret og forbedret af medarbejderne.

Nedenfor er fire konkrete scenarier, hvor vi trækker på erfaringer og internationale cases fra blandt andet kundeservice, drift og interne vidensassistenter.

1. Ordre- og leveringscopilot i kundeservice

Når en kunde skriver: “Hej, hvor langt er min ordre 12345?”, sker der i dag typisk følgende: en medarbejder finder ordren i ERP, tjekker status, måske kikker i fragtportalen, ser om der ligger noter i CRM – og svarer manuelt.

Med en AI-copilot til ERP kan flowet se sådan ud:

1. Mailen lander i en fælles indbakke.
2. n8n opfanger mailen, og AI-agenten læser indholdet og finder ordrenummer eller kundenavn.
3. Agenten slår ordren op i Business Central, tjekker leveringsdato, status og eventuelle noter.
4. Agenten laver et svarudkast i naturligt dansk, som kundeservice kan sende direkte eller tilrette let.

Harvard Business Review beskriver virksomheder, der med denne type agenter reducerer svartider markant og samtidig aflaster kundeservice. I en dansk SMV-kontekst betyder det konkret, at én medarbejder kan håndtere væsentligt flere henvendelser uden at miste kvaliteten – og kunderne oplever hurtigere, mere præcise svar.

2. Intern vidensassistent på procedurer, produkter og aftaler

OpenAI og AWS viser, hvordan man med RAG og vector-søgning kan bygge interne copiloter, der kender virksomhedens egne dokumenter: manualer, politikker, produktark, prisbilag, SLA’er osv. I stedet for at søge manuelt i mapper kan medarbejderen stille et spørgsmål i almindeligt sprog.

For en dansk virksomhed kan en intern videns-copilot typisk:

• svare på “Hvordan håndterer vi reklamationer på produktserie X?”,
• finde og sammenfatte relevante afsnit fra proceduredokumenter,
• foreslå tekst til kundesvar baseret på jeres standarder,
• og linke direkte til de kildedokumenter, svaret bygger på.

Det reducerer tiden brugt på at lede efter information og giver mere ensartede svar. Nye medarbejdere kan selv finde information på få sekunder i stedet for at forstyrre kolleger.

3. Data-vagtpost mellem ERP og CRM

Mange fejl starter som små uoverensstemmelser: forskellig stavemåde af kundenavn i ERP og CRM, forældede betalingsbetingelser, forkerte rabatgrupper eller misligholdt kreditmaksimum. Microsoft Research beskriver AI-agenter som “digitale kollegaer” i driften, der overvåger data og foreslår rettelser.

I praksis kan en AI-copilot til ERP køre som en vagtpost via n8n:

• Scanner nye og ændrede kundekort, ordrer og varer.
• Finder ulogiske felter (f.eks. kunder uden branchekode, ordrer uden leveringsadresse, negative marginer).
• Forslår rettelser eller flagger sager, der skal tjekkes.
• Sender en kort, prioriteret liste til de ansvarlige – eller opretter opgaver direkte i jeres opgavesystem.

Her handler det ikke om, at AI retter alt automatisk, men om at give jeres medarbejdere et ekstra sæt øjne, så I opdager fejl, inden de rammer kunderne.

4. Dokument- og skabelon-copilot

Den sidste typiske copilot ligger oven på jeres skabeloner: tilbud, ordrebekræftelser, følgesedler, standardkontrakter, leveringsbetingelser osv. I stedet for at medarbejderen manuelt udfylder og kopierer tekst, kan copilotten:

• læse ordre- eller kundedata fra ERP/CRM,
• kombinere det med jeres standardtekster og betingelser fra dokumentlageret,
• generere et færdigt dokumentudkast (Word, PDF eller mail),
• og lægge det klar til medarbejderens godkendelse.

Resultatet er mindre tastearbejde, færre copy-paste-fejl og mere ensartet kommunikation udadtil.

Den forretningsmæssige effekt

International research fra blandt andre McKinsey, Harvard Business Review og store teknologileverandører peger i samme retning: når mindre og mellemstore virksomheder bruger AI-agenter til konkrete, afgrænsede opgaver, ser de typisk:

• 20–40 % mindre tidsforbrug på opslag, dokumentjagt og standardbesvarelser.
• 30–50 % hurtigere responstid på kundehenvendelser.
• Betydeligt færre driftsfejl i ordrer og kundedata, fordi AI agerer vagtpost.
• Højere kapacitet i nøglefunktioner (kundeservice, administration, planlægning) uden nye ansatte.

Oversat til en typisk dansk virksomhed med 40–60 ansatte kan det fx betyde:

• 2–4 timer frigivet per medarbejder per uge i kundeservice og administration.
• Væsentligt færre kreditnotaer og genudsendte fakturaer, fordi fejl fanges tidligere.
• Nyansatte, der er produktive på måneder i stedet for kvartaler, fordi viden er lettere at finde.
• Mindre sårbarhed, når en nøglemedarbejder er væk, fordi procedurer og historik ikke kun sidder i hovedet på én person.

Den vigtigste pointe er dog, at AI-copiloter til ERP ikke kræver et nyt ERP-system. De lægger sig som et ekstra lag oven på det, I allerede har – og tager fat der, hvor mennesker typisk bruger mest tid uden at skabe direkte værdi.

Sådan kommer man i gang inden for 1 uge

Hos JHAF Media arbejder vi ud fra princippet: Tænk. Automatisér. Skalér. Det gælder også, når vi bygger AI-copiloter til ERP og drift.

1. Kort analyse af proces (1–2 dage)

Vi starter med at forstå jeres hverdag – ikke jeres systemdiagram. Typisk kigger vi på:

• Hvor går mest tid med opslag og dokumentjagt?
• Hvor opstår de dyreste fejl i dag (ordrer, priser, leveringer, data)?
• Hvilke 2–3 processer er mest oplagte at aflaste først?

Det sker gennem korte workshops og konkrete eksempler (rigtige mails, rigtige ordrer) – så vi ikke gætter os frem.

2. Lille POC med én AI-copilot (3–5 dage)

Når vi har udpeget én skarp use case, bygger vi en lille prototype:

• Opsætter n8n som automationsmotor.
• Kobler AI på udvalgte datakilder (fx Business Central, CRM, SharePoint-mappe).
• Definerer én AI-copilot til en konkret opgave, fx ordreopslag, videnssøgning eller dokumentgenerering.
• Tester på rigtige mails, rigtige ordrer og virkelige scenarier fra jeres hverdag.

Målet er ikke at være perfekt fra dag ét, men at bevise, at copiloten kan tage en reel bid af jeres tidsforbrug eller fejlrate på under en uge.

3. Færdig løsning – stadig uden store IT-projekter

Når POC’en virker, gør vi den robust nok til drift:

• Tilføjer simple sikkerhedskontroller (hvem må hvad?).
• Skruer på prompt-logik og regler ud fra medarbejdernes feedback.
• Sætter logging og enkel monitorering op, så I kan følge med.
• Dokumenterer flows i et sprog, både ledelse og medarbejdere forstår.

Hele pointen er, at I ikke skal starte et flerårigt ERP-projekt. I får en praktisk AI-copilot til ERP, der kan mærkes i hverdagen – og som kan udvides i små skridt, når I har lyst.

Mini-case: Fiktiv, men realistisk historie fra dansk virkelighed

(Nedenstående er en fiktiv case – ikke en JHAF-kunde – men bygger på typiske udfordringer og løsninger, vi ofte ser.)

En teknisk handelsvirksomhed med 45 ansatte sælger komponenter til industrien. De bruger Business Central til økonomi og lager og et simpelt CRM til salg. Kundeservice får 60–80 mails om dagen med spørgsmål om ordrer, levering og priser.

Udfordringen

• Kundeservicebrugte 30–40 % af tiden på at slå ordrer op, tjekke leveringsstatus og videresende spørgsmål internt.
• Fejl i kundedata og rabataftaler førte til 10–20 kreditnotaer om måneden.
• Nyansatte brugte 3–6 måneder på at blive rigtig selvkørende, fordi produkt- og procedureviden var spredt.

Løsningen: Én AI-copilot til ERP som start

Virksomheden beslutter at starte med én AI-copilot til ERP og kundeservice:

1. En AI-agent kobles på den fælles kundeservice-indbakke via n8n.
2. Agenten får adgang (kontrolleret) til at læse udvalgte data i Business Central og CRM.
3. Agenten trænes på virksomhedens egne dokumenter: leveringsbetingelser, reklamationsprocedure, produktark og FAQ-dokumenter.
4. For hver indkommende kunde-mail genererer agenten et svarudkast, laver relevante opslag i ERP og foreslår næste skridt (fx “opret reklamationssag”, “foreslå alternativ vare”, “send sporingslink”).

Resultatet efter få uger

Efter en kort indkøringsperiode oplever virksomheden:

• 30–40 % hurtigere svar på standardhenvendelser, fordi medarbejderen kun skal godkende og tilrette svarudkast.
• Markant færre fejl i kundesvar, da copiloten altid bruger de nyeste procedurer og betingelser fra dokumentlageret.
• Kundeservice frigiver 1–2 timer per dag til mere komplekse sager og proaktiv opfølgning.
• Nye medarbejdere bliver hurtigere selvkørende, fordi de bruger copiloten til at finde svar og procedurer.

Efter den første succes bygger virksomheden gradvist flere små copiloter oven på samme setup: en data-vagtpost, der fanger fejl i kundekort, og en dokument-copilot, der klargør tilbud og ordrebekræftelser baseret på ERP-data.

Afslutning og næste skridt

AI behøver ikke være et stort strategiprojekt eller endnu et buzzword på en slide. For danske SMV’er er det mest interessante lige nu at få praktiske AI-copiloter til ERP og drift, der kan mærkes i den daglige ordre-, service- og administrationsrutine.

Starter man småt – med én skarp use case og en simpel teknisk arkitektur (ERP/CRM + n8n + AI) – kan man på få uger få en digital kollega, der:

• aflaster medarbejderne for rutineopgaver,
• reducerer fejl i ordrer og kundedata,
• og gør forretningen mindre sårbar, når der er travlt eller nogen er væk.

Hvis du vil se, hvordan det kunne se ud i jeres virksomhed, kan vi bygge en lille prototype på under en uge – direkte oven på jeres nuværende ERP og CRM.