Hvad er brand governance?

Brand governance er de roller, regler, processer og ressourcer, der holder virksomhedens brand konsistent og anvendeligt i det daglige arbejde. Det afklarer, hvem der træffer beslutninger, hvilket materiale der gælder, og hvordan brandet bruges og udvikles.

Begrebet bruges inden for brand management og omfatter både visuel identitet, positionering, budskaber og tone of voice. Den konkrete model varierer med virksomhedens størrelse, organisation og behov.

I B2B bliver brandet ofte formidlet af marketing, sælgere, specialister, ledelse og eksterne bureauer. AI-værktøjer kan også indgå i produktionen. Governance giver disse bidragydere et fælles arbejdsgrundlag og tydelige rammer for deres beslutninger.

Forestil dig, at websitet beskriver en løsning som rådgivning, salg kalder den en platform, og bureauet lancerer den som en automatiseret service. Kunden får tre forskellige forventninger til samme tilbud. Brand governance skal hjælpe organisationen med at opdage og afklare den slags forskelle.

Ejerskab: Hvem har ansvar for hvad?

Et brugbart setup kræver navngivne ansvarlige med mandat til at beslutte og tid til at vedligeholde materialet. Fordel eksempelvis ansvaret sådan:

• Brandansvarlig: Ejer positionering, overordnede budskaber, brand guidelines og beslutninger om væsentlige afvigelser.
• Faglige ejere: Kontrollerer produktbeskrivelser, dokumentation og andre oplysninger inden for deres område.
• Producenter og publiceringsansvarlige: Bruger gældende materiale, kontrollerer deres arbejde og indhenter de nødvendige godkendelser.

I en mindre virksomhed kan samme person have flere roller. I en større organisation kan lokale kontaktpersoner hjælpe teams med at bruge brandet. Bureauernes ansvar bør fremgå af samarbejdsaftalen, herunder hvem der godkender deres leverancer.

Brand guidelines og source of truth

Brand guidelines beskriver, hvordan brandet skal udtrykkes. De bør dække visuelle regler, centrale budskaber, sprogprincipper og konkrete anvendelser som tilbud, præsentationer og kampagner.

Eksempler gør reglerne lettere at bruge. En formulering som “vi kommunikerer fagligt og tilgængeligt” bliver mere anvendelig, når den ledsages af en god produktforklaring og en forklaring af, hvorfor den fungerer.

En source of truth er den kilde, organisationen har udpeget som autoritativ for bestemte oplysninger. For brandarbejdet skal det være tydeligt, hvor gældende guidelines, skabeloner og godkendte budskaber findes. Produktfakta kan have deres autoritative kilde i et andet system.

Angiv ejer, godkendelsesstatus og seneste opdatering. Arkivér eller markér forældede versioner, og giv medarbejdere og bureauer passende adgang. Hvis det rigtige materiale kun kan findes ved at spørge Anne, er Anne blevet en del af jeres infrastruktur.

Godkendelser og håndtering af undtagelser

Godkendelseskrav bør følge opgavens risiko og betydning. En praktisk model kan være:

• Rutineopgaver: Medarbejderen tilpasser en godkendt skabelon inden for aftalte rammer og kontrollerer selv resultatet.
• Nye budskaber og kampagner: En relevant brandansvarlig vurderer sammenhængen med positionering og sprog.
• Følsomme påstande: Den relevante faglige ejer vurderer dokumentation og indhold, eksempelvis ved nye produktløfter.

Beskriv også svartider og en stedfortræder. En godkendelsesproces skal kunne fungere under ferie.

Undtagelser kan være nødvendige ved partnerskaber, lokale markeder eller særlige formater. Dokumentér begrundelsen, hvem der godkendte afvigelsen, hvor den gælder, og hvornår den skal genvurderes. En enkelt tilladelse bør ikke automatisk blive en ny standard.

Træning og løbende vedligeholdelse

Medarbejdere og bureauer skal lære at anvende rammerne. Brug korte gennemgange med opgaver fra deres hverdag: Find den rigtige tilbudsskabelon, tilpas et budskab til en branche, og afgør, hvornår en ændring kræver godkendelse.

Indarbejd træningen i onboarding og ved større ændringer. Giv adgang til skabeloner, eksempler og en tydelig kontaktperson.

Afsæt tid til vedligeholdelse, og aftal faste eftersyn. Nye produkter, ændret positionering og tilbagevendende spørgsmål kan udløse opdateringer. Kommunikér ændringerne, og kontrollér, at de slår igennem i de materialer, folk faktisk bruger.

Hvorfor gør AI brand governance mere relevant?

AI kan bruges til at skrive, omskrive og tilpasse indhold til flere kanaler. Dermed kan en forældet produktbeskrivelse eller et uklart budskab blive genbrugt i mange leverancer.

Et AI-værktøj skal have relevante instruktioner, godkendt kontekst og eksempler for at kunne arbejde med virksomhedens brand. Hos HappiLeap kalder vi et struktureret og vedligeholdt grundlag til dette for en AI-ready brand knowledge base. Det er et praktisk arbejdsbegreb.

Brand governance bør afklare, hvilket materiale AI må arbejde ud fra, hvem der opdaterer det, og hvem der vurderer resultatet. Godkendte input garanterer ikke korrekt output. Beslut derfor, hvornår menneskelig kontrol er nødvendig, og hvem der har ansvar for publiceringen.

HappiLeap-perspektivet: Test governance i en rigtig opgave

Vores arbejdsregel er at teste rammerne med en konkret opgave, før virksomheden udvider dem. Bed eksempelvis en ny sælger om at udarbejde en kundepresentation uden hjælp fra marketing.

Undersøg, om sælgeren kan finde gældende materiale, forstå hvad der må tilpasses, og identificere den rette godkender. Registrér tidsforbrug, spørgsmål og rettelser. Det giver et konkret grundlag for at forbedre både ressourcer og proces.

Gentagne undtagelser bør desuden udløse en vurdering af selve reglen. Måske mangler der en skabelon til en almindelig situation. Governance skal give plads til at lære af det arbejde, organisationen allerede udfører.

Et agent-ready website er et website eller en digital service, som AI-agenter kan forstå og bruge til at løse konkrete opgaver. Det kan være at sammenligne produkter, hente dokumentation eller sende en tilbudsforespørgsel på en kundes vegne.

Begrebet er nyere og har ikke én universelt accepteret definition. Det betegner heller ikke en officiel webstandard. Hos HappiLeap bruger vi det som en praktisk ramme for at gøre udvalgte kundeopgaver gennemførlige med tydelig information, brugbare interfaces og klare adgangsregler.

Fra læsbar information til mulige handlinger

Agent-readiness omfatter to forskellige opgaver.

Information skal kunne forstås. Agenten skal kunne identificere virksomheden, dens ydelser, produkternes egenskaber og relevante vilkår. Klare overskrifter, konkrete beskrivelser og konsistente oplysninger giver et bedre grundlag for at arbejde med indholdet.

Structured data, eksempelvis Schema.org-markup, kan beskrive, hvilke oplysninger der handler om en organisation, et produkt eller et tilbud. Det supplerer sidens indhold med en maskinlæsbar struktur.

Handlinger skal kunne gennemføres. Agenten skal have en brugbar vej til eksempelvis at vælge en service, udfylde en formular eller oprette en forespørgsel. Det kræver tydelige input, forståelige trin og et resultat, der kan kontrolleres.

En produktside kan altså give et godt grundlag for en sammenligning, mens tilbudsformularen stadig kræver, at nogen ringer til Lars for at forstå feltet “Kategori B”.

Hvordan arbejder AI-agenter med websites?

En AI-agent kan arbejde mod et mål gennem flere trin og bruge værktøjer undervejs. Hvordan den møder virksomhedens website, afhænger af agentløsningen.

Computer use: Agenten bruger grænsefladen

Ved computer use kan en model betjene en browser eller anden brugergrænseflade gennem software. Den kan eksempelvis vurdere skærmbilleder, klikke på knapper og udfylde formularer.

For websiteejeren gør det tydelig navigation, genkendelige betjeningselementer og forståelige formularforløb relevante. Om agenten faktisk kan gennemføre opgaven, skal testes.

Tool calling: Agenten kalder en funktion

Tool calling betyder, at modellen anmoder om at bruge et tilgængeligt værktøj. Det kan eksempelvis være en funktion, der henter produktdata eller opretter en tilbudsforespørgsel via et API. Et API er en grænseflade, som software kan bruge til at udveksle data eller anmode om handlinger.

Softwaren omkring modellen udfører kaldet og sender resultatet tilbage. Virksomheden bør derfor beskrive funktionens formål, nødvendige oplysninger og mulige resultater præcist.

MCP: En fælles måde at forbinde værktøjer på

MCP, Model Context Protocol, er en åben protokol for at forbinde AI-applikationer med eksterne data og værktøjer. En virksomhed kan eksempelvis stille udvalgte funktioner til rådighed gennem en MCP-server.

Den konkrete agentløsning skal være forbundet med serveren og have den nødvendige adgang. Et API eller en MCP-server på virksomhedens side giver ikke automatisk alle agenter adgang. Valget af integration bør følge opgaven og de systemer, der skal bruge den.

Hvad bør en B2B-virksomhed gennemgå?

En praktisk gennemgang kan begynde med fem områder:

1. Gældende fakta: Er produktnavne, specifikationer og vilkår konsistente? Udpeg en ansvarlig for oplysningerne, så website og eventuelle integrationer bygger på samme grundlag.
2. Tilgængeligt indhold: Kan relevante løsninger og dokumenter findes gennem tydelige links? Sørg for, at centrale oplysninger også er tilgængelige som tekst.
3. Formularer: Har felterne klare navne og instruktioner? Bed om de oplysninger, opgaven kræver, og forklar fejl, så de kan rettes.
4. Integrationer: Hvis virksomheden tilbyder APIs eller værktøjer, bør dokumentationen forklare adgang, input, begrænsninger og svar. Afgræns funktionerne til konkrete opgaver.
5. Bekræftelse: Vis, hvad der er sket efter en handling. En kvittering bør gøre det tydeligt, om en forespørgsel er modtaget, en booking er gennemført, eller noget stadig afventer.

Eksempel: En agent anmoder om en demo

En softwarevirksomhed tilbyder løsninger til facility management. En potentiel kunde beder sin agent undersøge, om løsningen understøtter flere lokationer, og derefter anmode om en demo.

Agenten skal først kunne finde præcise oplysninger om funktionen. Derefter skal den kunne identificere demoformularen eller et tilgængeligt bookingværktøj, indtaste godkendte kontaktoplysninger og kontrollere kvitteringen.

Virksomheden bør tydeliggøre, om kunden har reserveret et tidspunkt eller blot bedt om at blive kontaktet. Den forskel kan let blive til en tom plads i kalenderen.

Sikker adgang er en del af opgaven

Fastlæg, hvilke oplysninger der er offentlige, og hvilke handlinger der kræver login, bestemte rettigheder eller brugerens godkendelse. Køb, ændringer og videregivelse af følsomme oplysninger bør have passende kontrolpunkter.

Rettigheder og validering skal håndhæves i virksomhedens systemer. Instruktioner til modellen kan supplere kontrollen. En hjemmeside bør heller ikke kunne give agenten tilladelse til handlinger, som brugeren ikke har godkendt.

HappiLeap-perspektiv

Vores arbejdsregel er: Vurder agent-readiness pr. kundeopgave. Vælg eksempelvis tre opgaver fra kunderejsen, og undersøg for hver: Kan agenten forstå informationen, udføre den tilladte handling og kontrollere resultatet?

Registrér, hvor forløbet stopper. Manglende produktfakta kræver typisk arbejde med indholdet. Uklare formularer kræver arbejde med brugeroplevelsen. Manglende adgang til en funktion kan kræve en integration. Det giver marketing, salg og IT en konkret prioriteringsliste.

Byg videre på virksomhedens eksisterende website og relevante standarder. Test med de agentløsninger, kunderne forventes at bruge, i et afgrænset miljø. Kontrollér resultatet i det modtagende system, og gentag testen efter væsentlige ændringer. Succes måles her på korrekt gennemførte opgaver.

RAG står for Retrieval-Augmented Generation. Det er en etableret AI-metode, hvor et system finder relevante oplysninger og giver dem til en sprogmodel som grundlag for et svar.

I en B2B-virksomhed kan oplysningerne komme fra produktdokumentation, godkendte cases, servicevilkår eller andre udvalgte kilder. Modellen får dermed adgang til virksomhedsspecifik viden, når opgaven løses. Kilderne kan opdateres, uden at modellen skal trænes på ny for hver ændring.

Sådan fungerer RAG: Retrieve, augment og generate

Forestil dig, at en sælger spørger en intern AI-assistent: Hvad indeholder vores onboarding for enterprise-kunder?

1. Retrieve: Find oplysningerne. Systemet søger i de tilsluttede kilder og henter relevante afsnit, eksempelvis fra onboardingbeskrivelsen og de gældende servicevilkår. Det kan søge efter både bestemte ord og indhold med en beslægtet betydning.
2. Augment: Giv modellen et grundlag. De fundne oplysninger føjes til spørgsmålet sammen med instruktioner om, hvordan de skal bruges. Modellen kan eksempelvis få besked på at holde sig til materialet og markere manglende oplysninger.
3. Generate: Formulér svaret. Sprogmodellen bruger materialet til at skrive et sammenhængende svar. Løsningen kan også vise kildehenvisninger, så sælgeren kan kontrollere oplysningerne.

I en typisk RAG-løsning får modellen udvalgte dele af materialet ved den enkelte forespørgsel. Hele virksomhedens dokumentarkiv bliver altså ikke læst igennem hver gang.

Hvad bruger B2B-virksomheder RAG til?

RAG er relevant i opgaver, hvor svaret afhænger af virksomhedens konkrete viden. Mulige anvendelser er:

• Salg: Udkast til kundesvar baseret på gældende produktfunktioner, vilkår og dokumenterede cases.
• Marketing: Produkttekster og kampagneudkast med afsæt i godkendte budskaber og faktuelle oplysninger.
• Kundeservice: Svar baseret på vejledninger, supportartikler og kendte problemer.

Eksempelvis kan marketing bede AI om et webinarudkast om en ny produktfunktion. RAG kan hente den aktuelle produktbeskrivelse og relevante kundecases. Teamet skal stadig vurdere vinklen og kontrollere, at formuleringerne holder sig inden for dokumentationen.

Sammenhængen med grounding, knowledge bases og source of truth

Grounding betyder, at AI-svar forankres i konkrete, verificerbare oplysninger. RAG er en metode til grounding: Systemet henter materiale, som modellen kan bruge som grundlag. Grounding kan også ske ved, at en bruger selv giver modellen relevant materiale.

En knowledge base er den organiserede viden, løsningen kan søge i. Den kan bestå af dokumenter, artikler eller andre datakilder. Dens værdi afhænger blandt andet af, om indholdet er dækkende, forståeligt og tilgængeligt for søgningen.

AI-ready brand knowledge base bruger HappiLeap som et praktisk arbejdsbegreb for en struktureret, vedligeholdt samling af brand- og virksomhedsviden, der er egnet til AI-brug. Den kan give en RAG-løsning et mere sammenhængende grundlag for produktbeskrivelser, positionering og dokumentation.

En source of truth er den udpegede autoritative reference for en bestemt oplysning. Aftal eksempelvis, hvilken kilde der bestemmer, hvad et abonnement indeholder. RAG-løsningen skal kunne prioritere den gældende reference, når andre dokumenter beskriver noget andet.

Hvilke begrænsninger har RAG?

RAG kan forbedre svarenes faktuelle grundlag. Der er stadig flere steder, hvor kvaliteten kan svigte:

• Kilderne kan være forældede eller modstridende. RAG gør ikke automatisk materialet korrekt. Virksomheden skal sørge for, at ændringer bliver tilgængelige for søgningen. Gamle salgspræsentationer har ofte en imponerende levetid.
• Søgningen kan overse noget vigtigt. Systemet kan hente et relevant afsnit og samtidig mangle en afgørende undtagelse. Det kan give et ufuldstændigt svar.
• Modellen kan stadig fejle. Den kan misfortolke materialet, sammenblande oplysninger eller tilføje udokumenterede påstande. Hallucinationer er fortsat mulige.
• Adgang skal styres. Søgningen skal respektere brugerens rettigheder. En kundeassistent skal eksempelvis ikke kunne hente fortrolige interne oplysninger.

En kildehenvisning hjælper med kontrol. Kontrollér også, at kilden faktisk understøtter den konkrete påstand i svaret.

Hvordan hænger RAG sammen med AI visibility?

AI visibility handler i marketing om virksomhedens synlighed i AI-genererede svar. En intern RAG-løsning bruger de kilder, den har adgang til. At tilslutte interne dokumenter giver derfor ikke i sig selv virksomheden større synlighed i offentlige AI-tjenester.

Arbejdet med klare og konsistente oplysninger kan bruges både internt og i offentligt indhold. Vurder dog de to formål hver for sig: intern svarkvalitet og ekstern synlighed kræver forskellige målinger.

HappiLeap-perspektivet: Test spørgsmålene og kilderne sammen

Begynd med 15-20 spørgsmål, som salg, marketing eller kunder faktisk stiller. Udpeg den gældende kilde og det forventede svar til hvert spørgsmål. Så får I et konkret testgrundlag, før løsningen bliver en fast del af arbejdet.

Vores arbejdsregel er at kontrollere tre ting: Fandt systemet det relevante materiale? Understøtter materialet svarets påstande? Besvarer svaret hele spørgsmålet? Et velformuleret svar kan sagtens dumpe på de to sidste.

Aftal også, hvornår løsningen skal markere manglende dokumentation eller sende opgaven videre til et menneske. Ved ændringer i produkter og vilkår bør de berørte testspørgsmål køres igen. Det gør vedligeholdelse til en synlig opgave med en ansvarlig ejer.

Hvad er AI governance?

AI governance betegner de principper, roller, processer og kontroller, en virksomhed bruger til at styre sin anvendelse af AI ansvarligt og konsistent.

Det handler om konkrete beslutninger: Hvem må bruge hvilke værktøjer? Hvilke oplysninger må deles? Hvem godkender resultatet? Og hvem tager ansvar, når noget går galt?

Begrebet bruges i flere faglige rammer. I en almindelig B2B-virksomhed omfatter det både indkøb, adgang, arbejdsprocesser, kvalitetskontrol og løbende opfølgning.

Hvad skal AI governance dække i praksis?

En brugbar governance-model bør give medarbejderne tydelige svar på fem områder:

1. Værktøjer og adgang: Vedligehold en liste over godkendte AI-værktøjer og deres tilladte anvendelser. Beskriv, hvilke medarbejdere der må bruge dem, og hvordan nye værktøjer bliver vurderet. Medtag AI-funktioner i eksisterende systemer og relevante bureauers brug på virksomhedens vegne.
2. Data: Fastlæg, hvilke oplysninger der må deles med hvert værktøj. Vurdér personoplysninger, kundeaftaler og fortrolig viden særskilt. Undersøg leverandørens databehandling, opbevaring og eventuelle brug af data til træning.
3. Output og godkendelse: Aftal, hvornår en medarbejder selv må bruge resultatet, og hvornår en faglig godkender skal involveres. Beskriv, hvad kontrollen skal omfatte, eksempelvis fakta, produktpåstande, rettigheder og kundeløfter.
4. Dokumentation: Registrér formål, værktøj, ansvarlig, datatyper, væsentlige risici og aftalte kontroller for tilbagevendende anvendelser. Gem relevante godkendelser og testresultater. Tilpas dokumentationens omfang til risikoen.
5. Fejl og ændringer: Gør det tydeligt, hvor fejl rapporteres, hvem der undersøger dem, og hvem der kan standse brugen. Aftal også, hvornår ændringer i værktøj, data eller anvendelse kræver en ny vurdering.

En værktøjsgodkendelse bør altid have et afgrænset formål. Godkendelse til tekstudkast siger eksempelvis ikke i sig selv noget om tilladelse til at dele kundedata.

Hvem ejer beslutningerne?

Ledelsen bør fastlægge virksomhedens risikovillighed og placere ansvaret for væsentlige beslutninger. En koordinator kan holde styr på politikker, værktøjslisten og opfølgningen.

Fordel derefter opgaverne efter faglig kompetence. IT og sikkerhed vurderer adgang og leverandørforhold. Marketing ejer godkendelsen af brandbudskaber og kampagneindhold. Produktansvarlige verificerer produktpåstande. Juridisk eller databeskyttelsesfaglig hjælp inddrages, når anvendelsen kræver det.

Hver tilbagevendende AI-anvendelse bør have en navngiven ejer med mandat til at ændre eller stoppe processen. En kollega på ferie bør ikke være virksomhedens eneste sikkerhedsmekanisme.

Hvordan vurderer man risikoen?

Start med tre spørgsmål: Hvem kan blive påvirket? Hvor sandsynlig og alvorlig er en fejl? Hvor hurtigt kan den opdages og stoppes?

Et udkast til et opslag baseret på offentlige produktfakta kan have en enkel godkendelsesproces. En løsning, der læser kundeaftaler og automatisk sender tilbud, bør vurderes mere grundigt og testes før brug.

Se på både datalæk, faktuelle fejl, skævheder og utilsigtede handlinger. Hold virksomhedens vurdering af forretningsrisiko adskilt fra AI Acts juridiske risikoklassifikation.

Hvad betyder AI Act for governance?

EU’s AI Act har en risikobaseret tilgang. Virksomhedens konkrete forpligtelser afhænger blandt andet af anvendelsen og dens rolle som udbyder eller bruger af et AI-system.

Artikel 50 indeholder specifikke transparenskrav, blandt andet om information ved AI-interaktion og om AI-genereret eller manipuleret indhold som deepfakes. Reglerne indebærer forskellige opgaver for udbydere og virksomheder, der anvender systemerne.

Governance bør derfor omfatte en proces for at afklare relevante krav og undtagelser. Konkrete juridiske spørgsmål skal vurderes ud fra den aktuelle lovgivning og virksomhedens situation.

AI literacy gør reglerne anvendelige

AI literacy omfatter viden og færdigheder til at forstå, bruge og vurdere AI med blik for muligheder og risici.

AI Acts artikel 4 kræver, at udbydere og virksomheder, der anvender AI-systemer, understøtter udviklingen af AI-kompetencer hos relevante medarbejdere og andre, der arbejder med systemerne på deres vegne. Indsatsen skal tilpasses deres erfaring, opgaver og anvendelsens kontekst. Der er ikke ét obligatorisk kursusformat eller krav om et særligt certifikat.

Træn eksempelvis marketing i at opdage opdigtede produktpåstande og salg i at håndtere kundeoplysninger. Registrér aktiviteterne, og opdatér vejledningen, når anvendelsen ændrer sig.

NIST AI RMF og ISO/IEC 42001

NISTs AI Risk Management Framework 1.0 er en frivillig ramme for AI-risikostyring. Den har fire funktioner: GOVERN, MAP, MEASURE og MANAGE. De omfatter organisering af ansvar, forståelse af anvendelsen, undersøgelse af risici og håndtering af dem. GOVERN går på tværs af arbejdet, og funktionerne bruges løbende.

ISO/IEC 42001 er en international standard med krav til at etablere, vedligeholde og løbende forbedre et ledelsessystem for AI. Begge rammer kan hjælpe med at strukturere arbejdet og gøre ansvar og opfølgning mere systematisk.

HappiLeap-perspektivet: Godkend anvendelsen

Hos HappiLeap anbefaler vi at formulere AI-godkendelser som konkrete arbejdsregler: Dette team må bruge dette værktøj til denne opgave, med disse data og denne kontrol. Det gør godkendelsen lettere at omsætte til en arbejdsdag.

I marketing bør reglen også pege på det godkendte vidensgrundlag. Aftal, hvilke produktfakta, budskaber og cases der gælder, hvem der vedligeholder dem, og hvordan ændringer når ud til AI-understøttede processer.

Test derefter reglerne på en faktisk opgave. Kan medarbejderen finde materialet, forstå datagrænsen og identificere godkenderen? Hvis det kræver tre møder at få svar, har governance-modellen stadig noget arbejde foran sig.