KI i F&U-processen: Hvorfor milliarder forsvinder i projekter, der aldrig når markedet

Det paradoksale problem med digitaliseret F&U: Mere KI, men ikke bedre resultater

Kunstig intelligens er for længst nået ind i forsknings- og udviklingsafdelingerne hos globale virksomheder. KI-drevet dataanalyse, automatiseret modellering, maskinlæring til materialeudvikling – værktøjerne er til stede, og brugen er udbredt. Alligevel tegner en aktuel benchmark-rapport, præsenteret af IEEE Spectrum og Wiley i samarbejde med innovationsintelligensudbyderen Patsnap, et nedslående billede: På trods af massiv KI-adoption mister virksomheder fortsat enorme dele af deres F&U-budget til projekter, der aldrig når markedet.

Undersøgelsen, der bygger på svar fra mere end 200 ledende F&U-fagfolk fra Nordamerika, Storbritannien og Europa, leverer konkrete tal på et problem, der ofte nedtones i strategipapierer: den strukturelle fejlslagen af innovationsprojekter – ikke på trods af, men til dels på grund af den måde, KI anvendes på i dag.

De hårdeste tal: Hvor F&U-budgettet reelt går tabt

Rapportens konklusioner er entydige og burde vække opmærksomhed i enhver virksomhedsledelse:

• Mere end en tredjedel af de adspurgte organisationer opgiver at anvende mellem 25 og 40 procent af det samlede F&U-budget på projekter, der aldrig når markedsmodenhed.
• Knap halvdelen af de adspurgte vurderer tabet ved hvert nedlagt senfaseprojekt til over en million amerikanske dollars – pr. projekt, vel at mærke.
• Den hyppigste årsag: Kritiske erkendelser om markedsegnethed, konkurrence og patentforhold når beslutningstagerne for sent – ofte først når der allerede er bundet betydelige ressourcer.

Disse tal er ikke et randфænomen i enkelte brancher. Undersøgelsen dækker ni industrisektorer – fra life sciences over materialvidenskab til softwareengineering. Problemet er af systemisk karakter.

Den blinde vinkel: KI til udførelse frem for beslutning

Her ligger den centrale modsætning, som rapporten afdækker – og som også er velkendt fra praksis inden for procesautomatisering: Virksomheder bruger primært KI til operative udførelsesopgaver, det vil sige dataanalyse, simulering eller automatiseret rapportering. Det, der derimod stort set forbliver urørt, er de strategiske beslutninger: Hvilke projekter fortjener overhovedet investering? Hvornår bør et projekt stoppes? Hvilke teknologifelter rummer et reelt differentieringspotentiale?

Disse "Go/No-Go"-beslutninger i Stage-Gate-processen træffes fortsat overvejende uden tilstrækkelig KI-støtte – på baggrund af fragmenterede data, inkonsistente informationskilder og konkurrenceanalyser, der alt for ofte indhentes for sent.

„KI, der kun accelererer udførelsen men fastholder den forkerte retning, sparer ikke ressourcer – den forbrænder dem hurtigere."

Dr. Maik Bunzel, grundlægger og administrerende direktør for mabucon.eu, genkender dette mønster fra sin rådgivningspraksis: Mange organisationer implementerer KI-værktøjer først der, hvor succes er lettest målbar – i klart afgrænsede delopgaver. Den egentlig værdiskabende anvendelse, nemlig understøttelsen af komplekse investerings- og prioriteringsbeslutninger, bliver herved ofte overset.

Hvornår KI har den største løftestangseffekt: Timing er afgørende

En af rapportens vigtigste erkendelser handler ikke kun om "hvad", men om "hvornår" KI anvendes. Dataene viser tydeligt: Den største værdimæssige løftestangseffekt ligger i den tidlige fase af innovationsprocessen – ved ideudvikling og feasibility-analyse, inden der bindes betydelige ressourcer.

Konkret betyder det: Tidlig adgang til Patent Intelligence, konkurrencelandskaber, White Space-analyser og markedsdata kan forhindre fejlbeslutninger, der siden viser sig som millionkostsomme blindgyder. Den der derimod venter, til et projekt har nået testfasen, før ekstern viden indhentes, agerer reaktivt frem for proaktivt.

• Patent Intelligence: Tidlig identifikation af IP-risici og Freedom-to-Operate-problemer forhindrer kostbare kursændringer i den sene fase.
• Competitive Intelligence: En løbende overvågning af konkurrencefeltet identificerer overlap og differentieringsmuligheder, inden interne udviklingskapaciteter er bundet.
• White Space Analysis: Den systematiske identifikation af ubesatte innovationsrum muliggør en mere målrettet ressourceallokering med højere sandsynlighed for succes.

Strukturelt problem: Fragmenterede data og træge processer

Rapporten påpeger også de organisatoriske årsager, der hæmmer en bedre udnyttelse af KI. Teams kæmper med fragmenterede datakilder, der ikke giver et konsistent grundlag for beslutninger. Hertil kommer langvarige interne godkendelsesprocesser, der sinker informationsflowet – og det i et miljø, hvor udviklingscyklusser bliver stadig kortere og markeder ændrer sig hurtigere end nogensinde.

Dertil kommer en kulturel dimension: Beslutninger i F&E-processer er ofte præget af subjektive vurderinger, interne magtstrukturer og den såkaldte "sunk cost"-tankegang. Projekter videreføres, fordi der allerede er investeret meget – ikke fordi successignalerne er positive. KI-understøttet beslutningsstøtte kan her udgøre en objektiv modvægt, forudsat at den inddrages rettidigt og med tilstrækkelig datadybde.

Implikationer for virksomheder: Hvor der er behov for handling

For virksomheder, der ønsker at forbedre deres F&E-effektivitet alvorligt, tegner rapporten klare handlingsfelter:

• Gentænk KI-strategien: Fokus skal flyttes fra ren udførelsesstøtte til strategisk beslutningsstøtte. Det kræver andre systemarkitekturer, andre datakilder og andre anvendelsesscenarier.
• Prioritér de tidlige faser: Investeringer i innovationsintelligens betaler sig frem for alt, når de kanaliseres ind i ideation- og feasibility-fasen – ikke først ved Stage-Gate-review efter intensivt udviklingsarbejde.
• Bryd datasiloerne ned: Et integreret datagrundlag, der samler patent-, markeds- og konkurrentinformation, er en grundlæggende forudsætning for datadrevne F&U-beslutninger.
• Redesign processerne: Eksisterende Stage-Gate-processer bør gennemgås med henblik på, hvilke punkter der kan integrere struktureret dataintelligens – og hvilke manuelle trin der kan automatiseres eller accelereres.

Den egentlige konkurrencefordel ligger i beslutningskvaliteten

Det 2026 R&D Benchmark Report i sidste ende tydeliggør, er et grundlæggende skift i forståelsen af KI-værdiskabelse. Det er ikke den organisation, der anvender KI bredest, der vinder innovationskonkurrencen – men derimod den, der anvender KI der, hvor den har den største løftestangseffekt: ved innovationsprocessens kritiske beslutningspunkter.

Dr. Maik Bunzel, grundlægger og administrerende direktør for mabucon.eu, sætter det på spidsen: Intelligent automatisering betyder ikke at gennemløbe flere processer hurtigere. Det betyder overhovedet at tage fat på de rigtige processer – understøttet af et datagrundlag, der funderer strategiske beslutninger og forhindrer fejlallokeringer, før de opstår.

For virksomheder i forskningsintensive brancher bør læsningen af sådanne benchmark-data være et klart signal: Den næste store effektivitetsgevinst ligger ikke i hurtigere udførelse, men i bedre beslutningsintelligens. Den, der lader denne mulighed gå uudnyttet forbi, vil ikke kunne indhente det konkurrencemæssige efterslæb over for mere datadrevet ledede organisationer – på trods af alle KI-investeringer.