Idégenerering

Nu skal du brainstorme

 

Du er nu klar til at bruge din problemformulering til at brainstorme på mulige løsninger. I denne fase bruger jeg AI som sokratisk partner ved at anvende divergent og konvergent prompting, hvor vi først åbner helt op for muligheder (divergent) og senere arbejder med få, begrundede svar og dermed snævrer mere ind (konvergent).

 

Eksempel: 

Divergent: skriv 10 korte, åbne, neutrale spørgsmål til at afdække mulige løsninger til denne problemformulering. (Tilføj gerne mere tekst som har at gøre med din kontekst)

Konvergent: Vælg de 5 løsninger som bedst matcher min problemformulering. Skriv også en a) neutral åbning for hver idé, b)et kort afsnit som beskriver ideen og belyser i forhold til mit problem og c) en kort afslutning som beskriver et muligt positivt resultat ved at udvikle løsningen

 

Desuden anvender vi en model der hedder RADAR, som er særligt egnet til brainstorming. RADAR står for Rolle, Aspekter, Diskussion, Andre detaljer og Reduktion

 

Sidst men ikke mindst vil vi arbejde med 'omvendte antagelser', 'forskellige vinkler', 'fremtidsforskning' og 'dårlige idéer'

 

Her på siden finder du:

Sådan bruger du Canvas

ChatGPT promptgenerator, der instruerer ChatGPT i hvordan den skal samarbejde med dig i udvikling af din idégenererings-prompt (det er den samme som vi brugte til kildeprompt og til problemformulerings-prompt)

Metoder til at udvikle en superprompt, der præciserer, hvad du ønsker hjælp til.

Den færdige idégenererings-prompt, som du skal bruge i den næste fase til at kvalificere dine mulige løsninger på problemet.

 

Canvas

Canvas er et hjælpeværktøj til ChatGPT, der giver bedre overblik over din proces med spørgsmål og svar, samt ekstra hjælp til tilpasning af de foreslåede tekster.

 

Til højre kan du se hvordan du åbner Canvas. Gør altid dette før du begynder at prompte.

 

Når Canvas er åben, deles dialog og forslag op med dialog til venstre og forslag til højre.

 

Til højre på Canvas-siden kan du bruge nyttige værktøjer til tekstredigering.

Præcisér, HVORDAN ChatGPT skal opføre sig som promptgenerator

Istedet for at lave din egen superprompt, bruger du nu ChatGPT til at lave den i samarbejde med dig

Inden du går igang med at lave en prompt i samarbejde med ChatGPT, skal du sikre dig, at den forstår hvordan den skal arbejde sammen med dig. Det kaldes at bede ChatGPT om at være din promptgenerator.

 

Først beder du ChatGPT om at indtage rollen som promptgenerator:

Du er min prompt-forbedrer. Din opgave er ikke at løse mit problem, men udelukkende at hjælpe mig med at formulere den bedst mulige prompt, som jeg senere skal bruge i CHAT GPT.
Roller: JEG er brugeren og beskriver mit problem og mine behov. DU hjælper mig med at forbedre min prompt gennem spørgsmål og omskrivning.

Sådan skal processen foregå:

Trin 1: DU spørger mig: Start altid med at spørge:''Hvad vil du gerne have hjælp til?''

Trin 2: Når JEG har svaret, skal DU svare tilbage med tre tydeligt adskilte afsnit: A)forbedret prompt - DU skriver en klar, præcis og færdig prompt - prompten skal være formuleret, som om JEG taler direkte til ChatGPT (Fx. Jeg vil gerne have at du...'') - prompten skal kunne kopieres og bruges direkte. B) Hvad kan prompten gøre endnu bedre? - DU peger kort på, hvad der evt. mangler eller kan præciseres (fx. opgave, mål, modtager, længde, format, tone, fagligt niveau). C) Opklarende spørgsmål - DU stiller få, konkrete spørgsmål, som JEG skal svare på for at gøre prompten mere præcis - DU må ikke gætte på manglende information

Trin 3: Iteration: Når JEG svarer på dine spørgsmål, skal DU opdatere A) Forbedret prompt og eventuelt justere B) og C)

Trin 4: Afslutning: Processen gentages, indtil JEG skriver: ''Prompten er færdig''. Indtil da må DU ikke løse selve opgaven - kun hjælpe med at forbedre prompten Har du forstået din opgave?

 

Download promptgenerator prompt nedenfor

Når du kopierer denne prompt ind i din ChatGPT (og først åbner Canvas) begynder udviklingsprocessen. ChatGPT starter med at spørge hvad du gerne vil have hjælp til (præcis som du har bedt den om i din prompt) - se i afsnittet nedenfor hvordan jeg præciserede opgaven:

Promptgenerator Docx
Word – 12,9 KB 7 downloads

Tips & Tricks til FØR du laver din endelige præcisering af opgaven

Nu har du fortalt ChatGPT hvordan 'den skal opføre sig'. Nu skal du præcisere selve opgaven og fortsætte kommunikationstråden med ChatGPT:

 

Måske husker du at RADAR modellen er særligt egnet til brainstorming, ligesom en kombination af divergent og konvergent spørgeteknik samt 'omvendte antagelser', 'forskellige vinkler', 'fremtidsforskning' og 'dårlige idéer' er nyttige redskaber.

 

Inden jeg kaster mig over min endelige præcisering, af den opgave jeg gerne vil have hjælp til, prøver jeg mig lidt frem med udgangspunkt i min problemformulering:

 

For at komme stille og roligt igang, for at sikre at ChatGPT kender yderpolerne og for at få idéer til hvordan jeg kan præcisere mine ønsker til idégenerering, kan du prøve en eller flere af nedenstående tricks af. Jo grundigere du er, jo klogere bliver du og jo mere præcis kan du være når du skal formulere din endelige prompt.

 

Tip 1. Dårlige idéer

1. Jeg beder ChatGPT foreslå nogle virkelig dårlige idéer til at løse mit problem

Jeg spørger:

Jeg skal præsentere min kunde som arbejder i fastfoodindustrien for nogle virkeligt dårlige løsninger på nedenstående problem.

Fastfoodbranchen er hæmmet af manuelle processer og fragmenterede data, hvilket gør driften og den grønne omstilling unødigt omkostningstung. Ved at implementere fælles AI-baserede løsninger kan branchen automatisere arbejdsgange og styrke sin samlede innovationskraft gennem intelligent brug af data i hele værdikæden. En central udfordring er at træne branchens aktører i praktisk anvendelse af AI, så teknologien bliver et aktivt værktøj til bedre beslutningstagen og SDG 17-samarbejde. Målet er at skabe et fundament for bæredygtig vækst, der effektiviserer branchen uden at svække den enkelte virksomheds konkurrenceevne

Giv mig 5 dårlige løsninger på problemet

 

Den svarer:

5 bevidst dårlige løsninger på problemet

Formålet med disse løsninger er at provokere, tydeliggøre faldgruber og skabe et klart kontrastbillede til, hvad der faktisk virker.

1. Én stor fælles AI-platform – udviklet én gang, rullet ud til alle

Idé: Branchen går sammen om at udvikle én central AI-løsning, der skal passe til alle fastfoodkæder uanset størrelse, koncept og modenhed.

Hvorfor den er dårlig:

  • Ignorerer forskelle i forretningsmodeller, processer og datakvalitet

  • Bliver enten så generisk, at den ikke skaber værdi – eller så kompleks, at ingen bruger den

  • Skaber politisk governance-kaos frem for reel innovation

Typisk resultat: Et dyrt system, som kun bruges til pilotprojekter og præsentationer.

2. Fokus på avanceret AI før basale data- og procesproblemer er løst

Idé: Investér i machine learning, prædiktive modeller og avancerede dashboards – uden at rydde op i manuelle processer og inkonsistente data først.

Hvorfor den er dårlig:

  • AI forstærker dårlige data og dårlige arbejdsgange

  • Medarbejdere mister tillid til teknologien, når output er ubrugeligt

  • Skaber illusionen af digital modenhed uden reel effekt

Typisk resultat: Smarte modeller, der ikke bruges i driften.

3. Central AI-ekspertgruppe uden forankring i driften

Idé: Opret en lille gruppe AI-specialister, som udvikler løsninger for hele organisationen – isoleret fra restauranter, drift og daglig ledelse.

Hvorfor den er dårlig:

  • Løsningerne afspejler ikke virkeligheden i restauranterne

  • Manglende ejerskab og adoption lokalt

  • AI bliver et "IT-projekt" frem for et ledelsesværktøj

Typisk resultat: Proof-of-concepts, der aldrig skaleres.

4. AI-træning som engangskursus for ledere

Idé: Afhold et kort kursus i AI for ledelsen og antag, at kompetenceløftet dermed er løst.

Hvorfor den er dårlig:

  • Giver teoretisk viden uden praktisk anvendelse

  • Ændrer ikke beslutningsprocesser eller adfærd

  • Skaber afstand mellem strategi og drift

Typisk resultat: Ledere, der taler om AI – men ikke bruger det.

5. Samarbejde om bæredygtighed uden deling af operationelle data

Idé: Branchen samarbejder om grøn omstilling på overordnet niveau, men undgår at dele konkrete drifts- og procesdata af hensyn til konkurrence.

Hvorfor den er dårlig:

  • SDG 17 reduceres til branding og hensigtserklæringer

  • Ingen fælles læring eller skalaeffekter

  • Innovation forbliver fragmenteret

Typisk resultat: Fælles rapporter – ingen fælles fremskridt.

 

NY læring

Se! allerede her får jeg et par hints til, hvad jeg skal huske, når jeg beskriver min prompt endeligt:

Løsningen må ikke være for generisk, da det ikke skaber værdi

Løsningen må ikke være for kompleks, så den ikke kan anvendes i praksis

Løsningen skal kunne bruges i driften

Vi skal sikre proof-of-concept før vi ruller stort ud

Vi skal sikre at den teoretiske viden anvendes i praksis

Tip 2. 'Omvendt' Problemformulering på baggrund af de dårlige idéer

Jeg beder nu ChatGPT beskrive hvordan problemformuleringen med uddybning af en mulig løsning ville lyde, hvis jeg begik alle disse fejl :

Dårlig problemformulering (med alle fejl indbygget)

Fastfoodbranchen står over for en udfordring, hvor manglende digital modenhed og utilstrækkelig udnyttelse af avancerede AI-teknologier begrænser branchens evne til at arbejde effektivt, bæredygtigt og innovativt. Branchen har behov for at implementere en fælles, central AI-platform, der kan standardisere beslutningsprocesser, optimere driften og understøtte den grønne omstilling på tværs af alle aktører.

For at imødekomme denne udfordring er det nødvendigt hurtigt at tage avancerede AI-løsninger i brug, som kan analysere eksisterende data og skabe nye indsigter, uden at dette kræver omfattende ændringer i nuværende arbejdsgange eller datakilder. En central ekspertfunktion skal udvikle og drive disse løsninger på vegne af hele branchen, så den enkelte virksomhed ikke behøver at opbygge egne kompetencer.

Samtidig skal branchens ledere introduceres til AI gennem overordnede kompetenceforløb, så teknologien kan indgå strategisk i beslutningsprocesser. Branchen vil derudover styrke samarbejdet om bæredygtighed i tråd med SDG 17 gennem fælles målsætninger og rapportering, uden at dette kompromitterer virksomhedernes konkurrencehensyn eller nødvendiggør deling af følsomme driftsdata.

Målet er at skabe en samlet, fremtidssikret AI-løsning, der både effektiviserer driften, understøtter bæredygtig vækst og styrker branchens samlede innovationskraft.

Hvorfor denne problemformulering er dårlig (kort facit)

  • Den starter med løsningen (fælles AI-platform)

  • Den forudsætter avanceret AI uden fundament

  • Den frakobler teknologi fra drift og adfærd

  • Den forveksler introduktion med kompetenceopbygning

  • Den taler om samarbejde uden reel deling eller forpligtelse

 

Se! Nu tegner der sig et tydeligt billede, at hvad jeg skal forhindre bliver en del af løsningen

 

NY læring

Nu fik jeg et par ekstra præciseringer, som jeg kan overveje at bruge til min idégenererings-prompt

Må ikke forudsætte avanceret AI uden fundament

Må ikke frakoble teknologi fra drift og adfærd

Når den taler om samarbejde er en af forudsætningerne reel deling og forpligtelse

 

Min endelige præcisering af opgaven ved brug af RADAR

Nu vil jeg bruge RADAR modellen til at præcisere min prompt til ChatGPT, som den senere skal bruge til at foreslå mulige løsninger på mit problem. Jeg vil også bede den arbejde med divergent tilgang først (mange løsninger, højt til loftet) i min første præcisering. 

Når den har foreslået mig de første mulige løsninger vil jeg arbejde iterativt og udvikle løbende på indholdet. 

 

Når jeg har udviklet den endelige prompt - vil jeg lige lave et ekstra check og bede ChatGPT gå min prompt igennem i rollen som Sokratisk censor (se mere senere)

 

Dette niveau fokuserer således på at indsamle og spørge ind til flere forskellige mulige løsninger (bred brainstorming)

Indsamling og prioritering af disse løsninger, skal bruge til Idékvalificeringsfasen, hvor jeg ender med at vælge een specifik løsning. 

 

RADAR modellen:

R = Rollen

A = Aspekter

D = Diskussion

A = Andre detaljer

R = Reduktion 

 

Min præcisering

 

Du er en erfaren konsulent, som arbejder med rådgivning, forretningsudvikling og innovation i den danske fastfoodindustri. 

Du har stor viden om og følger med i branchens udvikling. Især er du optaget af de udfordringer, som er forbundet med branchens mange manuelle processer og fragmenterede data, som gør driften og den grønne omstilling unødigt omkostningstung.

Jeg vil gerne finde løsninger på hvordan branchen kan automatisere sine arbejdsgange og styrke innovationskraften ved intelligent brug af data i hele værdikæden. AI teknologien skal blive et aktivt værktøj til at træffe bedre beslutninger og til at styrke partnerskaber på tværs af branchen. Jeg vil altså gerne effektivisere uden at svække den enkelte virksomheds konkurrenceevne.

Løsningen må ikke være for generisk, da det ikke skaber værdi

Løsningen må ikke være for kompleks, så den ikke kan anvendes i praksis

Løsningen skal kunne forklares til og forstås af personer som arbejder på øverste organisatoriske niveau i en fastfoodvirksomhed

Løsningen skal kunne bruges i driften

Jeg skal sikre proof-of-concept før vi ruller stort ud

Jeg skal sikre at den teoretiske viden anvendes i praksis

Du må ikke forudsætte avanceret AI uden fundament

Du må ikke frakoble teknologi fra drift og adfærd

Jeg ønsker en samarbejdsform mellem partnerne hvor der reelt deles og forpligtes

Du skal give mig 5 gode løsninger

 

Jeg lægger nu denne beskrivelse ind i ChatGPT som fortsættelse i den tråd, hvor jeg også har bedt den være min promptgenerator. Når jeg får svaret og nye uddybende spørgsmål fra ChatGPT, vil jeg besvare og udvikle yderligere. 

 

Se her forslaget til endelig prompt

 

Jeg vil gerne have, at du agerer som erfaren konsulent inden for rådgivning, forretningsudvikling og innovation i den danske fastfoodindustri.

Du har indgående kendskab til branchens udvikling og særligt de driftsmæssige udfordringer, der knytter sig til manuelle processer, fragmenterede data og en omkostningstung grøn omstilling.

Kontekst: Målgruppen er enkeltstående fastfoodaktører.
Tidsrammen for implementering er op til 24 måneder.
Primært fokus er drift – med særligt fokus på reduktion af spild (råvarer, produktion, energi og tid).
Samlet investeringsramme: 3 mio. kr., fordelt mellem de deltagende aktører.

Opgave: Giv mig 5 korte og præcise løsningsforslag, der skaber en forståelsesramme for, hvordan enkeltstående fastfoodaktører kan:

  • Automatisere centrale driftsprocesser

  • Udnytte egne data mere intelligent

  • Anvende AI som praktisk beslutningsstøtte

  • Indgå mere forpligtende og værdiskabende samarbejder

  • Effektivisere uden at svække konkurrenceevnen

Løsningerne:

  • Må ikke være generiske

  • Må ikke være unødigt komplekse

  • Skal kunne forklares enkelt til topledelsen

  • Skal kunne anvendes i den daglige drift

  • Skal kunne testes i mindre proof-of-concept-forløb

  • Må ikke forudsætte avanceret AI uden fundament

  • Må ikke adskille teknologi fra drift og adfærd

  • Skal primært fungere som strategisk forståelsesramme – ikke detaljeret implementeringsplan

For hver løsning skal du kort beskrive:

  1. Hvilket konkret spildproblem i driften adresseres

  2. Den overordnede idé

  3. Hvordan AI realistisk kan bringes i spil

  4. Et hypotetisk scenarie, der illustrerer anvendelsen i praksis

  5. Hvad et simpelt proof-of-concept kunne bestå af

  6. Estimeret andel af den samlede investeringsramme (3 mio. kr.)

Afslut med en tydelig prioritering af de 5 forslag (1–5) baseret på effekt i forhold til spildreduktion og implementerbarhed.

Svar kort, struktureret og egnet til strategisk refleksion – ikke dyb teknisk analyse.

 

Tip 3. Min endelige præcisering af opgaven ved brug af Sokratisk Censor

Jeg har nu udviklet en god prompt i samarbejde med ChatGPT. Da det er super vigtigt, at denne prompt som skal bruges til at udvikle relevante løsninger sidder lige i skabet - beder jeg nu Chat GPT være min Sokratiske Censor. 

 

Jeg spørger således med udgangspunkt i den prompt, som vi lige har udviklet:

Du er en sokratisk censor af mine svar. Din opgave er kritisk at undersøge min ræsonnering ved hjælp af sokratiske spørgsmål – ikke at levere løsninger. Stil altid undersøgende spørgsmål, der afdækker uklare begreber, skjulte antagelser, logiske huller og mulige modeksempler, før du eventuelt giver en kort opsamling.

 

Den svarer mig:

  1. Spild-begrebet

  • Når du siger “spild”, mener du madspild, overproduktion, energi, tid, eller lagerforældelse—og hvad tæller ikke som spild?

  • Hvilken måleenhed vil du acceptere som “bevis” på reduktion (kr., kg, kWh, minutter, %)?

  • Hvilket spild er størst i dag hos en typisk enkeltstående aktør—og hvad bygger du det på?

  1. AI uden avanceret AI

  • Hvad er din definition af “AI” i denne kontekst—inkluderer det forecasting, regler, simple modeller, dashboards?

  • Hvilket minimum af datafundament er “nok” til at kalde det realistisk?

  • Hvornår bliver “AI” i praksis bare en ny label på almindelig automatisering?

  1. “Ikke generisk” vs. “hold det kort”

  • Hvordan vil du afgøre, om et forslag er “for generisk”, når det samtidig skal være kort?

  • Hvilken detaljegrad er det mindste, der gør et forslag specifikt nok til at have værdi for topledelsen?

  1. Drift og adfærd

  • Hvilken konkret adfærdsændring i drift forventer du, at hver idé skaber—og hvad sker der, hvis adfærden ikke ændrer sig?

  • Hvem i restauranten skal faktisk gøre noget anderledes (leder, shift manager, køkken, indkøb)—og hvordan ved du, at de vil?

  1. Partnerskab og forpligtelse

  • Hvad betyder “reelt deles og forpligtes” helt konkret: data, processer, KPI’er, økonomi—eller noget andet?

  • Hvad er det mindste acceptable niveau af datadeling, før samarbejdet giver mening?

  • Hvilke incitamenter har en enkeltstående aktør til at dele—og hvad er deres største risiko?

  1. Proof-of-concept

  • Hvad er din PoC-standard: hvor længe, hvor mange butikker, hvilke KPI’er, og hvilket “stop/skalér”-kriterie?

  • Hvilke modeksempler vil du acceptere som tegn på, at idéen ikke virker (fx sæson, kampagner, leverandørsvigt)?

  1. Budgetlogikken (3 mio. kr.)

  • Hvor mange aktører forestiller du dig, at 3 mio. kr. fordeles på—og hvad gør fordelingen retfærdig?

  • Hvad er implicit antaget om, hvad der allerede findes (POS, lagerstyring, energi-måling, datakvalitet)?

  • Hvilken del af budgettet går til teknologi vs. træning/ændringsledelse—og hvorfor?

  1. Prioritering

  • Hvilket vægtningsprincip bruger du: spildreduktion, implementerbarhed, risiko, tid til effekt—og hvilke trade-offs accepterer du?

  • Kan du nævne et forslag, der kan give høj effekt men lav implementerbarhed—og hvordan håndterer du det?

 

Ny læring

Se! Også her får jeg idéer til at styrke min prompt til idégenerering endnu bedre

Jeg genbesøger nu min prompt i tråden med Chat GPT og ændrer hvor jeg synes det giver mening. 

 

Og nu har jeg min endelige prompt til ChatGPT, så den kan beskrive nogle forskellige løsninger

 

Min endelige idégenererings-prompt

Jeg har markeret med rødt de ændringer som jeg accepterede med sparring fra ChatGPT som min sokratiske censor (så du kan se dem). Jeg kunne have behandlet endnu flere af ChatGPTs kritiske censorspørgsmål - men dette indhold tjener alene som inspiration og eksempel-

 

Jeg vil gerne have, at du agerer som erfaren konsulent inden for rådgivning, forretningsudvikling og innovation i den danske fastfoodindustri.

Du har indgående kendskab til branchens udvikling og særligt de driftsmæssige udfordringer, der knytter sig til manuelle processer, fragmenterede data og en omkostningstung grøn omstilling.

Kontekst: Målgruppen er enkeltstående fastfoodaktører.
Tidsrammen for implementering er op til 24 måneder.
Primært fokus er drift – med særligt fokus på madspild målt i kg og på at skabe en optimal balance mellem spild og tabt salg.
Samlet investeringsramme: 3 mio. kr., fordelt mellem de deltagende aktører.

Opgave: Giv mig 5 korte og præcise løsningsforslag, der skaber en forståelsesramme for, hvordan enkeltstående fastfoodaktører kan:

  • Automatisere centrale driftsprocesser

  • Udnytte egne data mere intelligent

  • Anvende AI som praktisk beslutningsstøtte

  • Indgå mere forpligtende og værdiskabende samarbejder

  • Effektivisere uden at svække konkurrenceevnen

Løsningerne:

  • Må ikke være generiske

  • Må ikke være unødigt komplekse

  • Skal kunne forklares enkelt til topledelsen

  • Skal kunne anvendes i den daglige drift

  • Skal kunne testes i mindre proof-of-concept-forløb

  • Må ikke forudsætte avanceret AI uden fundament

  • Må ikke adskille teknologi fra drift og adfærd

  • Skal primært fungere som strategisk forståelsesramme – ikke detaljeret implementeringsplan

  • Datatilgængelighed, teknisk arkitektur og detaljeret datadeling behandles først i næste fase, når en konkret idé er valgt

For hver løsning skal du kort beskrive:

  1. Hvilket konkret spildproblem i driften adresseres

  2. Den overordnede idé

  3. Hvordan AI realistisk kan bringes i spil

  4. Et hypotetisk scenarie, der illustrerer anvendelsen i praksis

  5. Hvad et simpelt proof-of-concept kunne bestå af

  6. Estimeret andel af den samlede investeringsramme (3 mio. kr.)

Afslut med en tydelig prioritering af de 5 forslag (1–5) baseret på effekt i forhold til spildreduktion og implementerbarhed.

Svar kort, struktureret og egnet til strategisk refleksion – ikke dyb teknisk analyse.

Formålet er at inspirere til videre dialog på direktionsniveau og efterlade en tydelig fornemmelse af, at tilgangen er ny og har potentiale til at skabe reel forretningsmæssig værdi.

 

Download den færdige prompt her

Final Idegenerings Prompt Docx
Word – 15,4 KB 6 downloads

Nu skal vi have produceret noget løsninger

Jeg lægger nu min færdige prompt ind i tråden med ChatGPT og krydser fingre for at den producerer nogle relevante idéer, som jeg så skal forholde mig til. Vær lige opmærksom på at ChatGPT her nævner den præcises investering. Det er et postulat/en hallucination. Det kan den ikke vide uden yderligere detaljer. Forhold dig kritisk til data. 

 

Her er de forslag som jeg fik:

 

AI-baseret reduktion af madspild i enkeltstående fastfoodaktører

1. Dynamisk produktionsstyring pr. time

Spildproblem
Overproduktion i stille timer for at sikre servicegrad.

Overordnet idé
Indfør timebaseret produktionsjustering baseret på salgsrytme fremfor faste batchstørrelser.

AI-anvendelse
Simpel forecasting-model baseret på historisk salg pr. time, ugedag og vejr. Output: anbefalet produktionsmængde næste 2–4 timer.

Hypotetisk scenarie
En burgerrestaurant producerer fast 40 enheder pr. time mellem 17–19. Modellen viser, at tirsdage kl. 18 reelt kræver 28. Produktion reduceres dynamisk – uden at øge udsolgte varer.

Proof-of-concept
Test i 20 restauranter i 6 mdr. Sammenlign kg spild pr. time før/efter.
Mål: ≥10 % reduktion uden øget tabt salg.

Investering
700.000 kr.

 

 

2. Spild-heatmap på SKU-niveau

Spildproblem
Skjult systematisk spild på specifikke råvarer.

Overordnet idé
Visualisér spild i kg pr. vare, tidspunkt og kampagneperiode.

AI-anvendelse
Mønsteridentifikation i kombination af salg og kassation. Ikke avanceret AI – men struktureret datalogik og afvigelsesmarkering.

Hypotetisk scenarie
En kæde opdager, at salatspild topper efter kampagner, hvor forecast ikke justeres. Justering reducerer kg-spild markant.

Proof-of-concept
Identificér top 5 spild-SKU’er og mål reduktion over 6 mdr.

Investering
400.000 kr.

 

 

3. Servicegrad vs. spild-balanceværktøj

Spildproblem
Bevidst overproduktion som “forsikring” mod tabt salg.

Overordnet idé
Synliggør den økonomiske balance mellem spild og udsolgt-situationer.

AI-anvendelse
Simulationsmodel der viser optimal balance mellem bufferproduktion og risiko for tabt salg.

Hypotetisk scenarie
Restaurantchefen ser, at 5 % lavere buffer kun øger risikoen for udsolgt med 1 %, men reducerer spild med 12 %.

Proof-of-concept
Test justerede buffergrænser i 20 enheder og mål kg-spild og servicegrad.

Investering
600.000 kr.

 

 

4. Automatisk genbestilling baseret på faktisk forbrug

Spildproblem
Overlager og forældelse af råvarer.

Overordnet idé
Skift fra statisk bestillingsrytme til forbrugsbaseret genbestilling.

AI-anvendelse
Forbrugsforecast kombineret med simpel lagerprognose.

Hypotetisk scenarie
Restauranten bestiller i dag fast mængde hver uge. Nyt system justerer mængde baseret på reelt forbrugsmønster. Mindre kassation ved udløb.

Proof-of-concept
3 nøglevarer testes over 6 mdr. Mål reduktion i kg kasseret pga. holdbarhed.

Investering
800.000 kr.

 

 

5. Fælles læringsforum for spilddata mellem kæder

Spildproblem
Manglende erfaringsdeling på tværs af aktører.

Overordnet idé
Kvartalsvis deling af anonymiserede spildnøgletal og bedste praksis.

AI-anvendelse
Benchmark-algoritme der viser afvigelser uden at afsløre forretningshemmeligheder.

Hypotetisk scenarie
En kæde ser, at deres spild pr. 1.000 solgte enheder er 15 % over gennemsnittet. De adopterer en andens produktionspraksis.

Proof-of-concept
Fælles dashboard og 4 møder over 6 mdr. Mål samlet kg-reduktion.

Investering
500.000 kr.

 

 

Prioritering (1–5)

1. Dynamisk produktionsstyring pr. time
Høj direkte effekt og høj implementerbarhed.

2. Automatisk genbestilling
Stor strukturel effekt, moderat kompleksitet.

3. Servicegrad vs. spild-balanceværktøj
Strategisk vigtig – kræver ledelsesmæssig disciplin.

4. Spild-heatmap på SKU-niveau
Relativt enkel – middel effekt isoleret set.

5. Fælles læringsforum
Langsigtet strukturel effekt – afhængig af samarbejdsvilje.

 

 

Samlet set skaber de fem initiativer en ramme, hvor AI ikke er teknologi for teknologiens skyld, men et konkret beslutningsværktøj til at reducere madspild i kg – samtidig med at servicegrad og konkurrenceevne bevares. Tilgangen er praktisk, testbar og skalerbar inden for 24 måneder.

 

 

Hvilken idé ønsker jeg at kvalificere yderligere?

Jeg har nu fået 5 forskellige idéer ved at bruge den divergente tilgang med højt til loftet. Jeg har også bedt ChatGPT prioritere idéerne sat i sammenhæng med forventet effekt og implementerbarhed. 

For eksemplets skyld vælger jeg at arbejde videre med kvalificering (næste fase) af idé 1 som fokuserer på Dynamisk produktionsstyring pr. time. Denne idé forventes af have høj direkte effekt og implementerbarhed. 

 

AI-baseret reduktion af madspild i enkeltstående fastfoodaktører

1. Dynamisk produktionsstyring pr. time

Spildproblem
Overproduktion i stille timer for at sikre servicegrad.

Overordnet idé
Indfør timebaseret produktionsjustering baseret på salgsrytme fremfor faste batchstørrelser.

AI-anvendelse
Simpel forecasting-model baseret på historisk salg pr. time, ugedag og vejr. Output: anbefalet produktionsmængde næste 2–4 timer.

Hypotetisk scenarie
En burgerrestaurant producerer fast 40 enheder pr. time mellem 17–19. Modellen viser, at tirsdage kl. 18 reelt kræver 28. Produktion reduceres dynamisk – uden at øge udsolgte varer.

Proof-of-concept
Test i 20 restauranter i 6 mdr. Sammenlign kg spild pr. time før/efter.
Mål: ≥10 % reduktion uden øget tabt salg.

Investering
700.000 kr.