Indsaml erfaringer og lær af dem

I pilotfasen tester I AI-løsningen under virkelige forhold i et klart afgrænset område af jeres institution.

Her handler det ikke kun om blot at “tænde” for softwaren, men om at dokumentere, at teknologien aflaster jeres team og forbedrer kvaliteten af plejen.

Den efterfølgende evaluering giver jer et solidt beslutningsgrundlag: Kan investeringen betale sig ved en udrulning i hele institutionen?

Praktisk tip

Pilotprojekter giver en tryg ramme for dette. De gør det muligt at afprøve AI i praksis, få svar på åbne spørgsmål og udvikle løsningen videre i fællesskab.

Forudsætning

Et meningsfuldt pilotforløb forudsætter, at I tydeligt har afgrænset testområdet og sammensat et blandet testteam. I finder tips til dette i Trin 5: Inddrag de involverede.

Älterer Mann sitzt entspannt mit einem Tablet in der Hand auf einem Sofa

Praktisk tip

Spørg producenten direkte om en test- eller pilotlicens. Leverandøren kan ofte tilbyde en billigere testfase – eller I kan finansiere den som en støttet business case via jeres egne digitaliseringsbudgetter.

Jeres udbytte: Minimer risici, skab evidens

Et afgrænset pilotprojekt beskytter jer mod dyre fejlinvesteringer og øger sandsynligheden for succes i praksis:

  • Erfüllt:

    Praksistest frem for skrivebordsøvelse: I kan tydeligt se, om AI-løsningen fungerer med jeres reelle plejedata og arbejdsgange.

  • Erfüllt:

    Løs fejl i lille skala: Tekniske udfordringer eller databeskyttelsesspørgsmål kan afklares i en tryg

  • Erfüllt:

    Forankr accept i teamet: De fagpersoner, der deltager i piloten, bliver lokale nøglepersoner og overbeviser resten af teamet gennem deres egne erfaringer.

Refleksionsspørgsmål: 6 temaområder til jeres evaluering

Udbytte og effekt

• Når I de definerede mål? (F.eks. tidsbesparelse ved dokumentation)
• Hvilken konkret merværdi oplever plejepersonalet i hverdagen?
• Hjælper systemet jeres institution med at blive opfattet som en moderne arbejdsplads?

Brugerperspektiv og accept

• Hvilke udfordringer opstår i praksis? Bliver AI-løsningen brugt regelmæssigt eller omgået?
• Er softwaren intuitiv eller kræver den for mange klik/indtastninger?

Menneskeligt tilsyn og sikkerhed

• Er AI-løsningens resultater plausible og gennemskuelige?
• Hvem kontrollerer anbefalinger? Er det sikret, at beslutninger ikke overtages uden menneskelig kontrol?

Organisation og oplæring

• Hvilke tilpasninger fx i arbejdsgange eller nye roller er nødvendige i hverdagen?
• Er oplæringen tilstrækkelig, eller er der behov for mere oplæring?

Retfærdighed og mangfoldighed

• Fungerer AI-løsningen pålideligt i alle plejesituationer og for alle beboergrupper?
• Håndterer AI-løsningen f.eks. forskellige accenter, dialekter eller sproglige niveauer i teamet korrekt uden at stille medarbejdere med anden etnicitet dårligere?

Løbende monitorering

• Hvordan overvåger vi AI-løsningens ydeevne og nøjagtighed efter implementeringen?
• Hvilke nøgletal følger vi på lang sigt?

Praktisk tip

Brug disse spørgsmål som en tjekliste til jeres projektevaluering. De hjælper med at afdække emner, der måske er blevet overset og med at udlede målrettede forbedringstiltag.

De 3 dimensioner i succesmålingen

Et AI-projekts succes måles ikke alene på tekniske nøgletal som svartid eller nedbrudsfrekvens. Først når alle tre dimensioner vurderes positivt, er systemet klar til skalering.

Evalueringsdimension Det skal I være opmærksomme på Målemetoder i praksis

1. Teknisk ydeevne

Kører softwaren stabilt, præcist og pålideligt integreret i den sædvanlige arbejdsgang?

Fejlrater, systemnedbrud, softwarens svartider.

2. Brugeraccept

Har teamet tillid til systemet? Gør softwaren arbejdet lettere, eller skaber den frustration? Her bliver det tydeligt, om inddragelsen fra Trin 5 har haft den ønskede effekt.

Spørgeskemaer, observationer i hverdagen, brugerstatistik.

3. Plejekvalitet

Øger værktøjet patientsikkerheden, og frigør det tid til menneskelig kontakt?

Antal fald, plejerapporter, feedback fra beboere og pårørende.

4 succesfaktorer for et meningsfuldt pilotforløb

Sidemandsoplæring frem for ren teori

Standard undervisning i et kursuslokale er sjældent tilstrækkelig. Følg medarbejderne direkte på arbejdspladsen i de første arbejdsuger. Sidemandsoplæring gør det muligt straks at afklare spørgsmål i praksisog tage hånd om bekymringer når de opstår.

Digitalisering gør jer til en mere attraktiv arbejdsplads

Betragt ikke brugen af AI alene ud fra et omkostningsperspektiv. I en tid med mangel på kvalificeret arbejdskraft er moderne teknologi en reel konkurrencefordel.

“Plejepersonale kan i dag i højere grad vælge, hvor de vil arbejde. [Medarbejdergoder] er i dag ting som brug af teknologi og assisterende værktøjer, der letter din plejehverdag, hvor du bliver støttet bedst muligt i dit arbejde […] og ved et højere plejebehov kan bruge mere tid sammen med mennesket.”

Kræv anvendelighed i praksis: Softwaren skal passe til institutionen

Alle plejecentre har deres egne strukturer. Et godt basissystem er ikke nok – leverandøren skal være villig til at foretage systemændringer, der passer til lokale processer.

Accepter ufuldkommenhed: Lær af erfaringerne

Undgå falsk perfektionisme. Målet med pilotfasen er et fungerende og sikkert system, som teamet accepterer – ikke en fejlfri løsning fra første minut.

Praktisk tip

Kræv fleksibilitet af softwareproducenten. Beskriv jeres konkrete arbejdsgange og spørg målrettet: “Hvordan kan jeres software tilpasses vores krav?”

Jeres resultat efter dette trin

Ved evalueringens afslutning har I følgende grundlag:

  • Erfüllt:

    Evidensbaserede data om AI-løsningens udbytte, omkostninger og tidsbesparelser.

  • Erfüllt:

    Feedback fra jeres plejeteamet om barrierer og behov for tilpasninger.

  • Erfüllt:

    En klar og velbegrundet beslutning for eller imod en udrulning i hele institutionen af AI-systemet.

Sådan kommer I videre

Var pilotfasen vellykket, og ser tallene gode ud? I det afsluttende Trin 7: Skalering, lærer I, hvordan løsningen kan forankres bæredygtigt i hele institutionen, og hvordan den fortsatte brug sikres.

Kilder

  • Mange af indholdselementerne i AI-køreplanen er baseret på den projektkontekst og de materialer, der blev udarbejdet og samlet i projektet „Care-AI“.
  • World Health Organization. (2021). Ethics and governance of artificial intelligence for health. https://www.who.int/publications/i/item/9789240029200
  • Greenhalgh, T., Wherton, J., Papoutsi, C., Lynch, J., Hughes, G., A’Court, C., Hinder, S., Fahy, N., Procter, R., & Shaw, S. (2017). Beyond adoption: A new framework for theorizing and evaluating nonadoption, abandonment, and challenges to scale-up, spread, and sustainability (NASSS). Journal of Medical Internet Research, 19(11), e367. https://doi.org/10.2196/jmir.8775
  • Greenhalgh, T., Hinder, S., Stramer, K., Bratan, T., & Russell, J. (2010). The NASSS framework: A synthesis of multiple theories of technology implementation.
  • Greenhalgh, T., Robert, G., Macfarlane, F., Bate, P., & Kyriakidou, O. (2004). Diffusion of innovations in service organizations: Systematic review and recommendations. Milbank Quarterly, 82(4), 581–629.
  • Morley, J., et al. (2021). Towards a framework for evaluating the safety, acceptability and efficacy of AI systems for health. BMJ Health & Care Informatics.
  • Organisation for Economic Co-operation and Development. (2026). Scaling artificial intelligence in health. OECD Publishing.
  • Reddy, S., Fox, J., & Purohit, M. (2021). Artificial intelligence-enabled healthcare delivery: Evaluation framework for implementation in clinical settings. BMJ Health & Care Informatics.