Fra idé til resultater: 5 konkrete eksempler på AI i Dynamics 365

Mange virksomheder eksperimenterer allerede med AI, men kun få kommer videre fra pilotprojektet. Ofte bliver forsøgene hængende i isolerede værktøjer, proof-of-concepts eller enkeltstående cases.

Hos 9altitudes hjælper vi organisationer med at tage det næste skridt: at gøre AI skalerbart og skabe målbare resultater. Afhængigt af behovet bruger vi enten Copilot Studio eller skræddersyede AI-modeller i Dynamics 365. På den måde får virksomhederne det rette værktøj til at skabe reel forretningsværdi.

I denne artikel viser vi fem praktiske eksempler på, hvordan AI allerede ændrer måden, virksomheder arbejder med salg, service og drift.

Udfordringen:
Salgsteams opbygger ofte års viden gennem kundedialoger på mail, men meget af den viden bliver aldrig registreret i CRM-systemet. Det betyder, at værdifuld historik ender låst i de enkeltes mailbokse og dermed skjult for resten af organisationen.

Løsningen:
9altitudes har udviklet en AI-agent, der med sælgerens samtykke kan scanne historiske mails og automatisk udtrække relevante kundedata, kontaktoplysninger og indsigter. Resultatet præsenteres i et struktureret overblik, klar til at berige dine Dynamics 365-data.

Effekten:
Sælgere slipper for at lede i gamle mails. De får hurtigt et komplet overblik over kundens historik, hvilket gør CRM-data mere præcise og hjælper nye kolleger med hurtigere onboarding. Samtidig styrkes kunderelationerne, og virksomheden får et bedre grundlag for forecast og account management.

2. Smartere Field Service: Farvel til håndskrevne rapporter

Udfordringen:
Hos en industrivirksomhed brugte teknikere stadig håndskrevne formularer til at dokumentere arbejde, materialer og observationer. Det betød, at medarbejdere i backoffice brugte mange timer på at tyde håndskrift og taste data ind i ERP-systemet.

Løsningen:
En AI-agent i Field Service digitaliserer processen. Teknikerne kan enten diktere deres noter (speech-to-text) eller tage billeder af de håndskrevne formularer. AI-modellen genkender håndskriften, udtrækker information om materialer og handlinger og opretter en ren, digital rapport til ERP.

Effekten:
Det fjerner dobbeltarbejde og reducerer fejl. Faktureringen går hurtigere, og kunderne får mere præcis dokumentation. På sigt kan de digitaliserede service-data bruges til prædiktiv analyse, så virksomheden kan bevæge sig fra reaktiv til proaktiv vedligeholdelse.

3. Automatiseret risikovurdering af salgsordrer

Udfordringen:
At vurdere den finansielle risiko på nye salgsordrer kræver ofte manuelle opslag i ERP- og finanssystemer. Det tager tid og sker typisk for sent i processen.

Løsningen:
Med Copilot Studio har 9altitudes udviklet en agent, der overvåger indkommende ordrer i Outlook, sammenholder dem med ERP-data i Dynamics 365 Finance & Operations og automatisk markerer potentielle risici. Har en kunde for eksempel en historik med sene betalinger, foreslår agenten ændrede betalingsbetingelser.

Effekten:
Salgsteamet får hurtigt et overblik over kundens økonomiske risiko. Det gør det lettere at træffe klogere beslutninger inden aftalen lukkes. Samtidig beskyttes marginerne, og samarbejdet med finansafdelingen styrkes, fordi begge parter arbejder med de samme data i realtid.

4. Objektive og skalerbare inspektionsrapporter

Udfordringen:
Ved sikkerheds- og kvalitetsinspektioner skriver medarbejdere ofte fritekst som “medarbejderne bærer hjelme, men de er ikke spændt fast.” Gennemgang og kategorisering af disse rapporter er tidskrævende og ofte subjektiv.

Løsningen:
9altitudes har udviklet en skræddersyet AI-model, der automatisk analyserer og klassificerer inspektionsrapporter. Modellen kombinerer regelbaseret logik med machine learning – hvor reglerne giver kontekst til ML-modellen – for at identificere kategorier som sikkerhed eller arbejdsmiljø samt tone (positiv eller negativ).

Effekten:
Inspektionerne bliver hurtigere, mere ensartede og mindre afhængige af subjektive vurderinger. Ledelsen får objektive indsigter på tværs af hundredvis af rapporter og kan opdage gentagne sikkerhedsrisici i tide. Løsningen skalerer nemt – noget, der tidligere tog timer, kan nu automatiseres på tværs af tusindvis af inspektioner.

5. Prædiktiv vedligeholdelse på tværs af fabrikker

Udfordringen:
Mange produktionsvirksomheder kæmper med fragmenterede datastrukturer på tværs af fabrikker, hvilket gør prædiktiv vedligeholdelse svært at skalere. Hver fabrik indsamler sensordata på sin egen måde, hvilket giver uens resultater.

Løsningen:
Ved at standardisere data i én fælles struktur og træne en prædiktiv AI-model hjalp 9altitudes en virksomhed med at overvåge maskiners tilstand på tværs af flere fabrikker. Modellen fokuserer på indikatorer som temperatur og vibrationer for at forudsige fremtidige fejl.

Effekten:
I stedet for uplanlagt nedetid og reaktive reparationer kan vedligehold planlægges proaktivt. Når alle fabrikker samler data på samme måde, bliver det muligt at sammenligne maskiner og træne én model, der gælder for alle ens maskiner. Indsigter fra én fabrik kan genbruges i en anden, og nye modeller kan udvikles hurtigere på baggrund af de akkumulerede data. Det reducerer nedetid, forlænger maskinernes levetid og sænker omkostningerne.