Microsoft 365 Copilot, ChatGPT Enterprise eller egen AI-assistent? Sammenligning for store virksomheder (2027)

Indholdsfortegnelse
Microsoft 365 Copilot: AI i de værktøjer virksomheden allerede bruger
ChatGPT Enterprise: OpenAIs flagskibsmodeller med enterprise‑administration
De fleste store virksomheder i Polen har allerede gennemført deres første tests med generativ AI. Nu er spørgsmålet: hvordan giver man AI til hele organisationen? Valgene er færdige værktøjer som Microsoft 365 Copilot og ChatGPT Enterprise eller en egen AI‑assistent bygget på virksomhedens data og processer. Svaret afhænger af, hvor dataene ligger, hvor specifikke processerne er, og hvor meget kontrol virksomheden ønsker.
Nedenfor finder du en sammenligning af tre muligheder: omkostninger, datasikkerhed, integrationer, overholdelse af GDPR og AI Act samt fire spørgsmål, der er værd at stille før beslutningen. Status for produkterne: oktober 2026.
Vigtigste konklusioner
- Microsoft 365 Copilot er et naturligt valg for virksomheder, der arbejder i Microsoft 365: virker på mails, kalender, Teams og SharePoint uden implementering.
- ChatGPT Enterprise giver adgang til OpenAIs flagskibsmodeller med admin‑konsol, SSO og connectorer til virksomhedssystemer, til en pris, der fastsættes individuelt.
- Egen AI‑assistent giver kontrol over data, svarets logik, interface og valg af model samt mulighed for at indbygge AI i egne produkter og processer, som færdige værktøjer ikke understøtter.
- Beslutningen “bygge eller købe” er en TCO‑analyse over 3 år, datasensitivitet og spørgsmålet om, hvorvidt AI skal være et medarbejderværktøj eller en del af virksomhedens produkt.
- Disse muligheder udelukker ikke hinanden. Mange bruger Copilot til kontorarbejde og bygger en egen assistent til én kritisk proces.
Tre muligheder i korte træk
Færdige værktøjer er software som en service: model, infrastruktur og interface tilhører leverandøren, virksomheden køber licenser. En egen AI‑assistent er bygget på model‑API’er (OpenAI, Anthropic, Google) eller open‑weight‑modeller (fx Llama, Mistral), hostet i virksomhedens infrastruktur og forbundet til dens systemer.
| Kriterium | Microsoft 365 Copilot | ChatGPT Enterprise | Egen AI‑assistent |
|---|---|---|---|
| Hovedfordel | Virker i Microsoft 365 uden implementering | OpenAIs flagskibsmodeller, dataanalyse, connectorer | Kontrol over data, logik, interface og model |
| Tidsramme for opstart | Dage (licenser + adgangsrettigheder) | Dage | Pilot: uger; produktion: måneder |
| Pris | 30 USD/brug./md. (årlig binding) som add‑on til M365‑licens; Business‑version 21 USD | Fastlægges individuelt, ikke offentlig | Byggeomkostning + modelbrug + drift; vokser ikke lineært med antal brugere |
| Hvor ligger data | Inden for Microsoft 365‑tjenestens grænser (tenant), EU Data Boundary for kunder i EU; data træner ikke modellerne | I OpenAIs infrastruktur; SOC 2 Type II; data træner ikke modellerne | I kundens cloud eller egen infrastruktur; virksomheden vælger modelleverandør og region |
| Tilpasning | Agents i Copilot Studio (noget inkl. i licensen, resten afregnes i credits) | Egne GPT’er, connectorer, „company knowledge”, MCP‑connectorer | Uden begrænsninger: egen RAG, logik, adgangsrettigheder, interface |
| Integrationer med virksomhedens systemer | Microsoft 365 nativt; Salesforce, SAP m.fl. via Graph‑ og Copilot Studio‑connectorer | SharePoint, Google Drive, Slack, Jira, Confluence, GitHub m.fl.; egne via MCP | Alle, også legacy‑systemer uden standard‑API |
Hvornår skal du vælge et færdigt værktøj
- Prioriteten er hurtigt at give medarbejdere AI til kontorarbejde: mails, dokumenter, møderesuméer, ad hoc‑analyser.
- Processerne er standard, og dataene ligger i systemer, som værktøjet allerede understøtter.
- Virksomheden har ikke et AI‑ingeniørteam og planlægger ikke at opbygge et.
Hvornår skal du bygge din egen assistent
- AI skal arbejde på data, som virksomheden ikke vil sende ud af egen infrastruktur, eller som regulator kræver bliver på stedet.
- AI skal være en del af et produkt eller en proces, der differentierer virksomheden (kundeservice, produktionsplanlægning, kundeportal).
- Der er behov for integration med legacy‑systemer, der ikke har standard‑connectorer.
- Virksomheden vil styre, hvilken model der svarer, og kunne skifte den uden at ændre resten af systemet.
Microsoft 365 Copilot: AI i de værktøjer virksomheden allerede bruger
Microsoft 365 Copilot er et AI‑lag over Microsoft 365: Outlook, Teams, Word, Excel, PowerPoint, SharePoint. Styrken er adgang til brugerens arbejdskontekst (mails, kalender, filer) med respekt for eksisterende adgangsrettigheder: Copilot viser kun det, brugeren allerede har adgang til. Den bruger OpenAI‑modeller og fra 2025 i udvalgte funktioner også modeller fra Anthropic.
Hvad det giver i praksis: noter og resuméer fra møder i Teams, udkast til dokumenter og mails, dataanalyse i Excel på naturligt sprog, søgning i firmafiler. For organisationer med tusindvis af kontormedarbejdere giver det hurtig effekt uden implementeringsprojekt.
Data: behandles inden for organisationens Microsoft 365‑tjeneste, træner ikke modellerne; for EU‑kunder gælder EU Data Boundary. Det rækker typisk for compliance i kontorarbejde.
Begrænsninger: uden for Microsoft‑økosystemet kræver Copilot connectorer og agenter bygget i Copilot Studio; agenter, der kører inde i Microsoft 365, er i licensen, øvrige scenarier afregnes i credits (pakke på 25 000 credits ca. 200 USD pr. måned eller pay‑as‑you‑go). Modellens adfærd kan kun tilpasses i det omfang, Microsoft har forudset. Ved 1 000+ brugere bliver licensomkostningen (30 USD pr. bruger pr. måned plus basislicens E3/E5) en fast budgetpost uanset reel anvendelse.
Før implementering: gennemgå adgangsrettigheder i SharePoint og OneDrive. Copilot synliggør filer, som brugeren har adgang til – også dem, der er delt ved en fejl.
ChatGPT Enterprise: OpenAIs flagskibsmodeller med enterprise‑administration
ChatGPT Enterprise er ChatGPT til organisationer: adgang til aktuelle flagskibsmodeller fra OpenAI, admin‑konsol med roller og brugsanalyse, SSO (bl.a. Okta, Entra ID), SOC 2 Type II, databehandleraftale i henhold til GDPR. Virksomhedens data træner ikke modellerne, og virksomheden ejer input og output. Prisen er ikke offentlig; den fastsættes i forhandlinger, typisk med et minimum antal pladser.
Hvad det giver i praksis: dataanalyse med kodekørsel (uploadet fil, grafer, prognoser), kodning og code review, kreativt arbejde, egne GPT’er til teams. Fra 2025 connectorer til SharePoint, Google Drive, Slack, Jira, Confluence, GitHub m.fl. samt funktionen „company knowledge”, der svarer på baggrund af virksomhedsdata med kildehenvisninger. Egne connectorer kan bygges via Model Context Protocol (MCP).
Begrænsninger: interface og svarets logik tilhører OpenAI; assistenten kan ikke indbygges i eget produkt som ChatGPT (til det bruges API’et – hvilket allerede er at bygge en egen løsning). Data behandles i OpenAIs infrastruktur; muligheder for dataresidens skal bekræftes i aftalen. Én modellleverandør.
Egen AI‑assistent: kontrol over data, logik og model
En egen AI‑assistent er bygget til en konkret proces eller et produkt: kundeservice, kundeportal, vidensbase til teamet, produktionsplanlægning. Den bruger modeller via API (OpenAI, Anthropic, Google) eller open‑weight‑modeller, der kører i virksomhedens infrastruktur, men alt omkring modellen (data, adgang, logik, interface, logs) tilhører virksomheden.
RAG‑arkitektur
Den typiske arkitektur er RAG (retrieval‑augmented generation): assistenten søger først i virksomhedens validerede kilder (dokumenter, wiki, databaser, systemer) og giver derefter de fundne uddrag til modellen som kontekst for svaret. Modellen svarer på baggrund af virksomhedens fakta og citerer kilder, hvilket begrænser hallucinationer. Adgangsrettigheder følger kildesystemerne: brugeren får kun svar fra data, vedkommende har adgang til.
Fordele ved egen løsning
- Data under kontrol: implementering i kundens cloud, valg af region og modellleverandør, forretningsaftaler der udelukker træning; med open‑weight‑modeller også drift i lukket netværk.
- Integration med legacy‑systemer: AI som lag oven på eksisterende ERP, CRM eller eget system uden at omskrive det. Sådan fungerer fx vores AI Interface Layer.
- Eget produkt: assistenten kan være en del af virksomhedens produkt til kunderne med eget brand og interface.
- Udskiftelig model: når en bedre eller billigere model kommer, udskiftes én komponent, mens resten (data, integrationer, interface) består.
- Omkostning afhænger af brug, ikke licenstal: ved mange brugere og moderat brug kan modelomkostninger være lavere end licenser pr. bruger; ved intensiv brug kan de være højere. Det skal regnes på – ikke antages.
Hvad kræver en egen løsning
Et team eller en partner til at bygge og drifte den; overvågning af svarenes kvalitet; budget til modelbrug i skala; en forretningsansvarlig. En pilot på én proces tager uger, produktionsimplementering med integrationer tager måneder.
Fire spørgsmål før beslutningen „bygge eller købe”
Du kan give disse spørgsmål til jeres nuværende AI‑assistent sammen med virksomhedens data for at forberede materiale til en beslutningsworkshop:
- Datasensitivitet. „Oplist kategorier af data, som AI‑assistenten skal behandle (kundedata, kildekode, prislister, medarbejderdata). Vurder for hver den juridiske og forretningsmæssige risiko ved behandling i en ekstern tjeneste (SaaS) sammenlignet med virksomhedens egen infrastruktur, og angiv regulatoriske krav.”
- TCO over 3 år. „Sammenlign omkostningen ved N Microsoft 365 Copilot‑licenser (30 USD pr. bruger pr. måned plus basislicens) over 3 år med en egen assistent: byg, modelbrug ved estimeret antal forespørgsler, drift og videreudvikling. Indregn hvor mange medarbejdere, der faktisk vil bruge løsningen.”
- Integrationer. „Nævn 5 systemer, som AI skal hente data fra. Hvilke har færdige connectorer til Copilot eller ChatGPT Enterprise, og hvilke kræver en connector? Hvad koster connectorer sammenlignet med en egen assistent, der kobles direkte til disse systemer?”
- Forretningsværdi. „Skal assistenten forbedre produktiviteten i kontorarbejdet, eller blive en del af et produkt eller en proces, der differentierer virksomheden? Hvis det sidste, hvad betyder manglende ejerskab over løsningen og afhængighed af én leverandør?”
Sikkerhed og compliance: GDPR og AI Act
AI Act træder i kraft trinvis fra august 2024; gennemsigtighedsforpligtelser (oplysning om, at brugeren taler med AI, mærkning af genereret indhold) gælder fra 2. august 2026, og medarbejderes AI‑kompetencer fra februar 2025. Det gælder for alle tre muligheder.
Ved færdige værktøjer baserer virksomheden sig på leverandørens aftaler og certificeringer (Microsoft: EU Data Boundary, OpenAI: SOC 2 Type II, DPA). Med en egen assistent bestemmer virksomheden selv datalokation, har fulde logs over forespørgsler og svar og kan indføre egne filtre (guardrails), fx blokering af CPR‑numre, kortdata og kontraktbeløb, før de når modellen. I højrisikoanvendelser ifølge AI Act (fx rekruttering, kreditvurdering) er kontrol over logs og menneskeligt tilsyn et krav til implementøren – ikke en mulighed.
Eksempel: egen AI‑assistent i en eksisterende kundeportal
Kunde: en amerikansk cybersikkerhedsplatform med Fortune 500‑kunder. Udfordring: onboarding af en ny kunde i portalen tog 45 minutter, og data blev kun brugt kvartalsvist. Et standardværktøj var udelukket, fordi assistenten skulle køre inde i kundens produkt, på deres data, for tre målgrupper: ledelsen, CFO og CISO.
Løsning: kundeportal med indbygget AI‑assistent (Anthropic‑modeller, LangGraph, MCP), der præsenterer færdige indsigter. Resultat: onboarding reduceret med 95% (til under 2 minutter), brugen skiftede fra kvartalsvis til daglig. I et andet projekt blev platformen ombygget til et AI‑orkestreringslag, så brugeren kan starte en ny AI‑agent på få minutter uden ingeniørarbejde.
Hvilken mulighed passer til din virksomhed
Microsoft 365 Copilot, hvis: virksomheden arbejder i Microsoft 365, vil have hurtig effekt i kontorarbejdet og ikke har behov for AI i egne processer.
ChatGPT Enterprise, hvis: teams har brug for dataanalyse og ad hoc‑arbejde med modeller, medarbejdere bruger allerede ChatGPT (shadow IT), og virksomhedsdata ligger i systemer med tilgængelige connectorer.
Egen AI‑assistent, hvis: data ikke må forlade virksomhedens infrastruktur, AI skal være en del af et produkt eller en kritisk proces, der skal kobles til legacy‑systemer, eller licensomkostninger pr. bruger i skala ikke kan forsvares.
Oftest: en kombination. Copilot eller ChatGPT Enterprise til kontorarbejde og en egen assistent til én eller to processer, hvor AI skaber værdi for virksomhedens kunder.
Sådan kommer du i gang: discovery, ikke licenser
- Vælg én proces med stor effekt og lav risiko (fx videnssøgning i dokumenter, håndtering af gentagne forespørgsler).
- Mål nulpunktet: tid, antal forespørgsler, omkostning.
- Byg en pilot på virkelige data på få uger – med et færdigt værktøj eller en egen assistent.
- Sammenlign resultatet med målingen og beregn TCO over 3 år for begge veje.
- Skalér det, der holder vand i tallene.
Startup House bygger egne AI‑assistenter, agenter og RAG‑vidensbaser for mellemstore og store virksomheder – også i regulerede brancher (fintech, sundhed, cybersikkerhed) – med implementering i kundens cloud og uden at træne offentlige modeller på deres data. Færdige produkter til tilpasning (KnowHub, InProduct AI, SmartSearch, AI Interface Layer, AI Demand Planner): KnowHub (vidensbase på virksomhedens dokumenter), InProduct AI (assistent indbygget i et SaaS‑produkt), AI Interface Layer (AI‑lag oven på en eksisterende platform).
FAQ
Er data i Microsoft 365 Copilot sikre?
Data behandles inden for organisationens Microsoft 365‑tjeneste, træner ikke modellerne og er omfattet af EU Data Boundary for EU‑kunder. Copilot arbejder på eksisterende adgangsrettigheder, så gennemgå filadgang før implementering.
Hvad koster ChatGPT Enterprise?
Prisen er ikke offentlig og afhænger af antal pladser og aftalens omfang. Team‑ og Business‑versionerne har offentlige priser, men svarer ikke til Enterprise ift. administration og aftaler.
Hvad koster en egen AI‑assistent?
Det afhænger af antallet af integrationer og videnskilder. En pilot på én proces med færdige modeller er et projekt på få uger; en produktionsimplementering med integrationer er et projekt på måneder. Et estimat bør adskille byggeomkostning, modelbrug og drift.
Kan en egen assistent køre uden internetadgang?
Ja, med open‑weight‑modeller, der kører i virksomhedens infrastruktur. ChatGPT Enterprise og Microsoft 365 Copilot kører udelukkende i leverandørens cloud. En mellemvej er OpenAI‑modeller i Azure i EU‑regionen under virksomhedens egen subscription.
Kan ChatGPT Enterprise kobles til interne filer og systemer?
Ja: connectorer til SharePoint, Google Drive, Slack, Jira, Confluence m.fl., funktionen „company knowledge” og egne connectorer via MCP. Forskellen i forhold til en egen assistent er, hvem der styrer svarets logik, adgangsrettigheder, interface og valg af model.
Kan man kombinere mulighederne?
Ja, og det er ofte scenariet: et færdigt værktøj til kontorarbejde og en egen assistent til en proces, der kræver virksomhedsdata, systemintegrationer eller kører i et produkt til kunder.
Microsoft Copilot vs ChatGPT – hvad er den største forskel?
Microsoft Copilot virker i Microsoft Office‑apps via Microsoft Graph. ChatGPT er en mere universel AI‑assistent til dataanalyse, indholdsskabelse og Deep Research.
Hvilken AI‑assistent understøtter bedst virksomhedens daglige arbejde?
Copilot er stærk i e‑mail og kontorapps, ChatGPT i analyser, og GitHub Copilot i teknisk dokumentation og programmering.
Hvordan sammenligner man virksomhedsplaner for AI‑værktøjer?
Det er værd at sammenligne ChatGPT Business, Claude Team, Microsoft 365 Business Premium, Business Standard og Google AI Pro mht. integrationer, omkostninger og databeskyttelse.
Hvornår giver det mening at implementere en egen AI‑assistent i en stor virksomhed?
Når forretningsprocesser kræver dyb integration, egne sprogmodeller, admin‑panel og kontrol over træningsdata.
Status for produkter og priser: oktober 2026, baseret på offentlige materialer fra Microsoft og OpenAI samt markedsanalyser. Priser kan variere efter region og aftale.
Sådan blev denne artikel til. Udarbejdet med AI-assistance, derefter faktatjekket og redigeret af vores team. Redaktionelt ansvar: Startup Development House sp. z o.o. Læs vores politik for AI-indhold
Udgivet den 21. oktober 2026
Digital Transformation Strategy for Siemens Finance
Cloud-based platform for Siemens Financial Services in Poland

Du kan også lide...

AI-værktøjer til økonomistyring: prognoser, anomalidetektering, rapportering (2027)
I controlling supplerer man i stigende grad traditionelle regneark med systemer, der automatisk udarbejder prognoser, identificerer afvigelser fra budgettet og genererer kommentarer til resultaterne. Nedenfor har vi samlet AI-værktøjer til controlling – prognoser, anomalidetektering og rapportering – samt virksomheder, der implementerer disse teknologier i Polen. Oversigten er målrettet finansdirektører (CFO’er), controllere og FP&A-teams i mellemstore og store virksomheder, som planlægger implementering i 2026 eller 2027.

Alexander Stasiak
24. okt. 2026・12 min. læsning

AI-værktøjer i transport og logistik: ruteplanlægning, prognoser og ordrebehandling
Virksomheder inden for transport, spedition og logistik leder efter måder at bevare marginerne på trods af stigende omkostninger og skærpede krav om levering til tiden. Denne gennemgang dækker AI-værktøjer i transport og logistik: ruteplanlægning, prognoser og ordrehåndtering – samt partnere, der bygger AI oven på eksisterende TMS- og WMS-systemer. Artiklen henvender sig til speditører, logistikchefer og IT-afdelinger i mellemstore og store virksomheder, der sammenligner standardplatforme med skræddersyede løsninger.

Alexander Stasiak
26. okt. 2026・10 min. læsning

AI-værktøjer til indkøb: fra kontraktanalyse til efterspørgselsprognoser (2027)
Indkøb er ikke længere en ren administrativ proces og har i stigende grad ansvar for besparelser og robusthed i forsyningskæden. AI-værktøjer til procurement – fra kontraktanalyse til efterspørgselsprognoser – hjælper indkøbsafdelinger med at gå fra reaktiv problemløsning til proaktiv risikostyring og styring af arbejdskapital. I denne artikel finder indkøbsdirektører, indkøbere og IT-teams i mellemstore og store virksomheder en sammenligning af indkøbsplatforme med AI-funktioner (SAP Ariba, GEP, Coupa, Ivalua, Jaggaer), det polske værktøj til leverandører ofertowa.pl samt Startup Houses produkter til kontraktanalyse, udbudsdokumentation og efterspørgselsprognoser.

Alexander Stasiak
27. okt. 2026・14 min. læsning

AI-implementeringer med dokumenterede resultater: casestudier fra Polen (2027)
AI-implementeringer med dokumenterede resultater: Casestudier fra Polen er en oversigt over offentligt tilgængelige casestudier fra virksomheder, der implementerer AI i Polen, og som indeholder konkrete tal: tid, omkostninger, omsætning eller brugsniveau. Artiklen er rettet mod topledelsen, operationsdirektører og IT-direktører i mellemstore og store virksomheder, der søger en partner med dokumenterede resultater – ikke bare løfter. Her finder du en tabel med resultater (Startup House, 10Clouds, WeAreFuture, Comarch), virksomhedsprofiler, vejledning i at læse tallene i casestudier, udvælgelseskriterier og risici.

Alexander Stasiak
28. okt. 2026・12 min. læsning

AI i produktionsvirksomheder: anvendelsesområder og implementeringspartnere (2027)
AI i produktionsvirksomheder: anvendelser og implementeringspartnere er en oversigt for driftsdirektører, CTO’er og topledelsen i industrivirksomheder i Polen, der planlægger deres første eller næste AI-implementeringer. Her finder du de vigtigste anvendelser – efterspørgselsprognoser, produktionsplanlægning, vedligehold, kvalitetskontrol og vidensbase for operatører – samt profiler af virksomheder og værktøjer, der gennemfører sådanne løsninger: Startup House, Comarch, SAP Joule, Sii Polska, TTMS, Software Mind og Ideo.

Alexander Stasiak
29. okt. 2026・11 min. læsning

AI-assistent til salg og kundeservice: din egen eller Copilot
AI-assistent til salg og kundeservice: egen løsning eller Copilot? Det er et af de vigtigste valg, som salgs-, kundeservice- og IT-afdelinger i mellemstore og store virksomheder står over for i dag. Valget mellem et færdigt produkt som Microsoft 365 Copilot og at bygge sin egen AI-assistent påvirker implementeringshastighed, kontrol over data og hvor godt løsningen matcher virksomhedens processer. I artiklen finder du en sammenligning af værktøjer (Salesforce Agentforce, Microsoft 365 Copilot for Sales og for Service, HubSpot, Zendesk, Intercom Fin) og implementeringspartnere, udvælgelseskriterier, implementeringsproces samt en case fra Startup House.

Alexander Stasiak
30. okt. 2026・13 min. læsning
Senest tilføjet

De bedste AI-virksomheder i Central- og Østeuropa til enterprise-kunder
Valget af en teknologipartner til at implementere AI i enterprise-segmentet kræver, at man går ud over de gængse kriterier for et softwarehus. I CEE-regionen (Central- og Østeuropa) opererer aktører, der kombinerer global skala med dyb teknisk ekspertise og tilbyder agentbaserede systemer og RAG-vidensbaser i overensstemmelse med AI Act og DORA. Denne artikel præsenterer en oversigt over verificerede virksomheder med dokumenterede AI-implementeringer til enterprise-segmentet.

Alexander Stasiak
04. nov. 2026・10 min. læsning

De bedste AI-virksomheder til fintech og forsikring (2027)
Valget af en teknologipartner i regulerede sektorer er et strategisk valg med store konsekvenser. Hvis du vil vide, hvilke af de bedste AI-virksomheder inden for fintech og forsikring der er aktive i Polen, finder du her et samlet overblik: Artiklen sammenligner softwarehuse, integratorer og softwareproducenter, som implementerer AI-agenter, RAG-vidensbaser og dataanalyse i banker, fintech-virksomheder og hos forsikringsselskaber. Du får en sammenligningstabel, virksomhedsprofiler, kravene i DORA, GDPR og AI Act, implementeringsprocessen samt et casestudie fra Startup House med tal.

Alexander Stasiak
03. nov. 2026・12 min. læsning

AI i fødevareproduktionen: eksempler på implementeringer og implementeringspartnere (2027)
Fødevareproducenter står over for korte holdbarheder, svingende råvarepriser og stigende krav fra detailkæderne, og derfor bliver efterspørgselsprognoser og produktionsplanlægning i stigende grad understøttet af AI (kunstig intelligens). I denne oversigt viser vi, hvordan AI anvendes i fødevareproduktionen i 2026 og 2027: eksempler på implementeringer og implementeringspartnere i Polen. Her finder du en sammenligning af implementeringspartnere (Startup House, Comarch, Sii Polska, TTMS) og værktøjer (RELEX, o9 Solutions, Kinaxis), implementeringsprocessen, risici og svar på de ofte stillede spørgsmål.

Alexander Stasiak
02. nov. 2026・11 min. læsning

AI-integration med ERP og CRM (SAP, Comarch, Dynamics): sådan fungerer det i praksis (2027)
Integration af AI med ERP og CRM (SAP, Comarch, Dynamics) betyder i praksis at vælge mellem tre modeller: en indbygget assistent fra systemproducenten, et eget AI‑lag forbundet via API eller AI‑agenter, der opererer på systemerne via MCP. Artiklen henvender sig til mellemstore og store virksomheder i Polen, der vil koble sprogmodeller til deres eksisterende ERP‑ eller CRM‑løsninger, herunder legacy‑systemer. Her finder du en sammenligning af producenternes værktøjer (SAP Joule, Microsoft Dynamics 365, Comarch ERP, Salesforce Agentforce, Oracle NetSuite), implementeringspartnere, implementeringsprocessen, risici samt casestudier med konkrete tal.

Alexander Stasiak
01. nov. 2026・13 min. læsning

Automatisering af forretningsprocesser med AI-agenter: fra workflows til agenter
Automatisering af forretningsprocesser med AI-agenter: fra workflow til agent er en guide til mellemstore og store virksomheder, der søger en implementeringspartner eller et værktøj til at automatisere driften. Vi forklarer, hvordan et deterministisk workflow adskiller sig fra en beslutningstagende AI-agent, og sammenligner implementeringspartnere (Startup House, Comarch, WeAreFuture, TTMS) og platforme (n8n, Make, Zapier, Power Automate, Copilot Studio, UiPath, LangGraph, OpenAI Agents SDK). Til sidst beskriver vi implementeringsprocessen, et case study fra Startup House og de vigtigste risici.

Alexander Stasiak
31. okt. 2026・11 min. læsning

AI-assistent til salg og kundeservice: din egen eller Copilot
AI-assistent til salg og kundeservice: egen løsning eller Copilot? Det er et af de vigtigste valg, som salgs-, kundeservice- og IT-afdelinger i mellemstore og store virksomheder står over for i dag. Valget mellem et færdigt produkt som Microsoft 365 Copilot og at bygge sin egen AI-assistent påvirker implementeringshastighed, kontrol over data og hvor godt løsningen matcher virksomhedens processer. I artiklen finder du en sammenligning af værktøjer (Salesforce Agentforce, Microsoft 365 Copilot for Sales og for Service, HubSpot, Zendesk, Intercom Fin) og implementeringspartnere, udvælgelseskriterier, implementeringsproces samt en case fra Startup House.

Alexander Stasiak
30. okt. 2026・13 min. læsning
Klar til at centralisere din knowhow med AI?
Start et nyt kapitel inden for vidensstyring — hvor AI-assistenten bliver den centrale søjle i din digitale supportoplevelse.
Arbejd med et team, som topvirksomheder stoler på.
