Arbejdsretslig Identitet: Når strukturen lyver, men data fortæller sandheden

Jeg skulle afdække en større koncern med flere forbundne selskaber. Bestyrelsesformanden havde været direktør i det ene selskab, så det andet. P-numrene flyttede rundt. Jeg kunne se, at der var noget — men hvordan skulle jeg gøre det tydeligt, at der faktisk var tale om arbejdsretslig identitet?

Jeg lavede en hurtig mockup der hjalp mig, og pludselig stod alle faktorerne tydeligt frem. Det var det øjeblik, der siden er blevet til et plugin.

Hvad er arbejdsretslig identitet — og hvorfor er det svært?

Inden for arbejdsretten er det afgørende at fastslå, hvornår to virksomheder i juridisk forstand udgør samme arbejdsgiver. Det sker f.eks. ved virksomhedsoverdragelser, hvor spørgsmålet er, om en overenskomst kan frasiges — eller om den følger med, fordi der reelt er tale om den samme enhed under et nyt navn eller en ny struktur.

Det er ikke altid synligt på overfladen. Ejerskab kan ligge gemt i holdingselskaber. En direktør kan optræde i begge virksomheder — men på skift. Adressen kan flytte. P-numrene kan reorganiseres. Og tilsammen fortæller det en historie, der er svær at holde overblik over, når man sidder med CVR-udtræk i et regneark.

Det er præcis det problem, pluginnet Arbejdsretslig Identitet løser.

Hvad gør pluginnet konkret?

Du taster to CVR-numre. Pluginnet gør resten.

Det trækker automatisk data fra CVR og analyserer de to virksomheder på tværs af ni indikatorer:

Indikator    Max point
Fælles direktører    30 pt pr. person
Fælles bestyrelsesmedlemmer    15 pt pr. person
Fælles ejere (person/virksomhed)    15 pt pr. ejer
Direkte ejerskab (A ejer B)    55 pt
Nuværende adressesammenfald    20 pt
Historisk adressesammenfald    5 pt
Navnelighed ≥ 90 %    20 pt
Fælles kontaktoplysninger    10 pt
Resultatet er en score fra 0–100 med et klart risikoniveau:

LAV (0–39): Begrænsede overlap — separate arbejdsgivere
MODERAT (40–69): Yderligere undersøgelse anbefales
HØJ (70+): Virksomhederne bør behandles som samme arbejdsgiver
Og der følger en konkret anbefaling med, ikke bare en score.

Dybde, som et regneark aldrig giver dig

Det er ikke kun overfladesøgning. Ejerskabsanalysen graver sig op til tre niveauer dybt i ejerstrukturen via BFS-søgning (breadth-first search) — altså through holdingselskaber, datterselskaber og mellemled. Udenlandske enheder uden dansk CVR-nummer håndteres via forretningsnøgle.

To visualiseringer giver dig det overblik, som manuelt arbejde sjældent kan matche:

Netværksgraf — en interaktiv visualisering af alle relationer mellem de to virksomheder, deres ejere og ledelsespersoner. Du kan se præcis, hvor forbindelserne opstår.

Tidslinjer — én tidslinje for ejerskab, én for entiteter. Du kan se, hvornår en direktør forlod det ene selskab og dukkede op i det andet. Du kan se, om adressesammenfaldene er historiske eller aktuelle.

Det er den slags præcision, der gør det muligt at skrive: "I perioden fra januar 2019 til marts 2021 var X registreret som direktør i begge selskaber samtidig."

Eksporter og arbejd videre med AI

Her er den funktion, jeg selv bruger mest: Kopier til AI.

Med ét klik genererer pluginnet en komplet markdown-streng med en klar AI-prompt, alle fundne sammenfald formuleret som naturlig tekst, og en fuld tabel over alle tilknyttede personer og P-enheder.

Du klipper det ind i din foretrukne AI-agent — ChatGPT, Claude, Mistral, Gemini — og spørger: "Kan du finde supplerende oplysninger i artikeldatabaser, retspraksis eller offentlige registre, der understøtter eller afkræfter arbejdsretslig identitet her?"

Pludselig har du et menneskeligt overblik kombineret med maskinens evne til at søge bredt. Det er ikke snyd. Det er effektivt journalistisk og juridisk arbejde.

Tid sparet — konkret

Hvad ville det koste at gøre dette manuelt?

At trække CVR-data for to selskaber, gennemgå alle deltagerrelationer, sammenligne adressehistorik, kortlægge personoverlap over tid, beregne navnelighed og strukturere det i en rapport: 4–8 timer for en erfaren person, afhængigt af koncernens kompleksitet.

Med pluginnet: under to minutter til analysen. Plus den tid, du bruger på at læse og vurdere resultatet.

For fagforeningsansatte, der arbejder med overenskomstspørgsmål ved virksomhedsoverdragelser, og som kan have mange sager i luften på én gang, er det ikke en marginal forbedring. Det er en fundamental ændring af, hvad der er muligt inden for en arbejdsdag.

Til dig der arbejder med arbejdsretslig identitet

Dette plugin er bygget med mange timers erfaring fra research i virksomhedsstrukturer. Ikke som en akademisk øvelse, men fra det konkrete arbejde: de sager, hvor P-numrene er flyttet rundt, hvor en bestyrelses­formand har skiftet titel, og hvor strukturen er sat op til at sløre kontinuitet.

Det er uundværligt for alle fagforeningsansatte, der skal afdække om overenskomster kan frasiges ved virksomhedsoverdragelser — og for journalister, jurister og rådgivere, der arbejder med arbejdsretslig identitet i al sin kompleksitet.

Og har du brug for mere? Eksportér analysen, og lad AI-agenten grave videre.

Pluginnet er tilgængeligt på uniteapps.dk · Analysen er vejledende — konsultér altid en jurist ved tvivl.