Hvorfor Agentic AI vil fejle uden pålidelig Asset Data

Agentic AI bevæger sig hurtigt fra diskussion til implementering i brancher med intensivt ejendomsbrug. I modsætning til generativ AI, der sammenfatter information eller udarbejder anbefalinger, kan agentic AI tage et mål, bryde det ned i trin, hente data fra multiple systemer og handle på det. Den kan gennemgå vedligeholdelseshistorik, tjekke åbne arbejdsordrer, sammenligne besætningsplaner og generere en anbefaling uden at kræve, at en person manuelt skal tilkoble hver enkelt informationsdel.

Denne evne er netop årsagen til, at så mange organisationer skynder sig at implementere det. Ifølge Gartner CIO og Technology Executive Survey fra 2026, har kun 17% af organisationerne implementeret AI-agenter, mens mere end 60% forventer at gøre det inden for de næste to år. Det er hurtigere end for nogen anden opkomment teknologi, der er inkluderet i undersøgelsen.

I de implementeringer, jeg har støttet, har teamene længe brugt for meget tid på at skifte mellem systemer, regneark, inspektioner og e-mails, bare for at træffe en enkelt operationel beslutning. Agentic AI lover at reducere denne friktion, hvilket hjælper planlæggere med at forberede arbejde hurtigere og giver teknikere en klarere oversigt over ejendomshistorikken uden at være afhængig af institutionel hukommelse.

Men dette løfte kommer med en betingelse, der let kan oversees i hasten til at implementere: fra hvad jeg har set, er agentic AI mindre et modellingsproblem end et operationelt tillidsproblem.

I brancher med intensivt ejendomsbrug, såsom utiliteter, transport, minedrift, telekommunikation og fremstilling, er en AI-agent kun så god som de data, den handler på. Hvis disse data er ufuldstændige, forældede eller inkonsistente, vil agenten ikke nødvendigvis fejle højlydt. Den kan fejle selvbevidst, anbefale arbejde på den forkerte ejendom, overse en afhængighed, undervurdere risikoen eller misforstå, hvad der skal prioriteres.

Fodrer en agent med dårlige data, vil den ikke skabe intelligens. Den vil skabe operationel risiko.

De samme gamle data-problemer, i en ny hastighed

De datakvalitetsproblemer, agentic AI afslører, er ikke nye. I mere end 17 år med arbejde på systemer og enterprise asset management-implementeringer, har jeg set de samme problemer dukke op igen og igen: duplikerede poster, manglende ejendomsrelationer, inkonsistente navnekonventioner, forældede kritikalitetsvurderinger og dårlig fejlkode for år.

Hvad der er ændret, er ikke problemernes natur, men deres potentielle rækkevidde.

En erfaren tekniker kan fange en dårlig post, før han handler på den, og trække på år med institutionel viden, der aldrig blev fanget i systemet. En AI-agent har ikke den samme intuition. Den kan behandle tusinder af poster langt hurtigere, end en person kan gennemgå dem manuelt, og anvende den samme fejlbehæftede antagelse i stor målestok, før nogen lægger mærke til det.

Det bredere enterprise-implementeringsproblem er allerede synligt. En foreløbig MIT Project NANDA-rapport fra 2025 fandt, at 95% af de studerede organisationer ikke havde opnået målbart profit- og tab-impact fra deres generative AI-initiativer. Rapporten tilskrev skellen primært til lærings- og integrationsgap, herunder værktøjer, der ikke beholder kontekst eller tilpasse sig effektivt til eksisterende arbejdsprocesser. I ejendomsintensive operationer, hvor en dårlig anbefaling kan påvirke fysisk udstyr og ikke kun et dashboard, er gapet mellem AI-ambition og data-reality endnu mere konsekvensfuldt.

Hvor dårlige data bliver til en farlig beslutning

I operationelle sammenhænge bliver konsekvenserne fysiske.

Tag vedligeholdelsesprioritering som eksempel. Hvis en agent ikke kan se en seneste fejl, en forsinket arbejdsordre eller en ændring i ejendommens tilstand, kan den tildelere den forkerte prioritet. Dette kan skabe unødvendigt arbejde på ét område, mens en større risiko bliver uløst et andet sted.

Spilleinsatsen stiger yderligere, når ejendomsrelationerne selv er forkerte. Dette er scenariet, der rejser en rød flag. Hvis et system ikke nøjagtigt afspejler, hvilke ejendomme der er forbundet, hvilket udstyr der skal isoleres, før arbejdet påbegyndes, eller hvilke begrænsninger der gælder på en bestemt lokalitet, kan dets anbefalinger blive virkelig farlige.

Det er derfor, organisationer bør tænke omhyggeligt, før de giver agentic AI fuld autonomi over kritiske beslutninger. Den frivillige NIST AI Risk Management Framework tilbyder en struktur for at inkorporere tillid i hele AI-systemets livscyklus, snarere end at adressere det kun efter implementering. AI kan samle information hurtigt, fremhæve muligheder og sammenfatte beviserne bag en anbefaling. Men når sikkerhed, overholdelse eller servicetilgængelighed er på spil, skal mennesker være involveret.

I hvert fald initialt bør målet være AI, der understøtter beslutninger, ikke AI, der tager dem alene.

Hvorfor Enterprise Asset Management er grundlaget, ikke bagkontoret

Enterprise asset management, eller EAM, er, hvor operationel virkelighed er organiseret. Det er, hvor arbejdsordrer, vedligeholdelsesstrategier, inspektioner, godkendelser, ejendomsrelationer og udstyrshistorik er optaget og styret.

Et stærkt EAM-grundlag giver en AI-agent pålidelige operationelle data at arbejde med. Et svagt grundlag er sandsynligvis at blive afsløret næsten med det samme. En EY-analyse af AI-aktiveret enterprise asset management understreger ligeledes rollen af realtidsdata og -analyse i at flytte organisationer fra reaktiv til proaktiv vedligeholdelse.

Snarere end at behandle EAM som et bagkontorsystem, bør organisationer, der forbereder sig på agentic AI, behandle det som en del af den operationelle kontrolskikt. Det former, hvad AI kan få adgang til, hvilke processer det må følge, hvilke beviser det hviler på, og hvor menneskelig godkendelse stadig er nødvendig.

EAM hjælper også med at give konteksten bag en operationel beslutning. En vedligeholdelsesanbefaling bør ikke kun baseres på tilstanden af en enkelt ejendom. Den kan også afhænge af ejendommens kritikalitet, seneste fejl, forbundne udstyr, tilgængelige dele, sikkerhedsprocedurer, besætnings tilgængelighed og den effekt, downtime ville have på den bredere operation.

Uden denne kontekst kan selv en teknisk avanceret AI-agent anbefale den forkerte handling.

Er dine data faktisk “AI-klar”?

Snarere end at lancere en bred og abstrakt datakvalitetsgennemgang, er organisationer bedst tjent med at starte med et specifikt brugstilfælde, såsom AI-understøttet vedligeholdelsesplanlægning, og stille målrettede spørgsmål.

Disse er de spørgsmål, jeg stiller først: Kan vi stole på ejendomshierarkiet? Er fejlhistorikken pålidelig? Er jobplaner aktuelle? Er besætnings tilgængelighed nøjagtig? Er sikkerhedsplaner opdaterede?

Data behøver ikke at være perfekte. Få organisationer vil nogensinde have perfekte operationelle data. De skal være nøjagtige, aktuelle og godt styret nok til, at AI kan virkelig understøtte de mennesker, der tager beslutninger.

Dette tilgangsmåde gør det også mere håndterbart at forbedre data. Snarere end at forsøge at rense hver post på tværs af organisationen, kan teamene fokusere på den information, der direkte påvirker det valgte brugstilfælde.

Risikoen for at gøre noget galt er ikke jævnt fordelt. Brancher, hvor digitale beslutninger påvirker fysiske operationer, har den største eksponering, hvilket er, hvorfor NIST udvikler en dedikeret AI Risk Management Framework-profil til at vejlede kritisk infrastrukturoperatører, der bruger AI-aktiverede funktioner. I en lav-risiko-proces kan en dårlig AI-anbefaling kun medføre ulemper eller ekstra arbejde. I et kraftnet, vandforsyningssystem, mine, transportnet eller telekommunikationsmiljø kan det påvirke sikkerhed, forårsage downtime, skabe overholdelsesproblemer eller forstyrre servicen.

Det betyder ikke, at disse brancher skal undgå agentic AI. Det betyder, at de skal være mere bevidste om datakvalitet, styre og menneskelig oversigt, før de øger dets ansvar.

En praktisk vej til Agentic AI

En praktisk implementeringsvej begynder med et specifikt brugstilfælde, hvor AI kan tilføje værdi uden at introducere for megen risiko.

Derefter skal organisationen kortlægge de data, brugstilfældet afhænger af, og ærligt vurderer, om den information kan tillides. Teamene skal derefter korrigere de mest kritiske ejendomsdata, tildele tydelig ejerskab og standardisere, hvordan arbejde, fejl og operationelle ændringer optages.

AI skal operere inden for eksisterende styreprocesser, snarere end omkring dem. I de tidlige faser kan agenten understøtte planlæggere, pålidelighedsteams og teknikere med at samle information, identificere mønstre og anbefale mulige handlinger.

Dette giver organisationen tid til at sammenligne agentens anbefalinger med virkelige resultater, identificere data-gaps og bekræfte, at de nødvendige kontroller fungerer.

Først efter, at resultaterne er forstået, skal organisationen overveje at give AI større ansvar. Autonomi skal øges gradvist og kun, når de tilknyttede risici er klare, kontrollerede og revisionssikre.

En succesfuld agentic AI-strategi kobler AI til pålidelig ejendomsdata og stærke EAM-arbejdsprocesser, understøttet af tydelig styre og menneskelig ansvarlighed. Deloittes 2026 State of AI in the Enterprise når frem til samme konklusion fra toppen og ned, og beskriver en samlet, pålidelig datagrundlag som afgørende for at skala AI. Organisationer forbliver ansvarlige for de handlinger, AI anbefaler eller tager. Det ansvar forsvinder ikke bare, fordi en beslutning blev genereret af en algoritme.

Agentic AI skal tjene sin vej ind i operationer, ikke blive givet dem. Start smalt, check anbefalingerne mod, hvad der faktisk sker, ret data-gaps, der dukker op, og udvid dens rol kun, når beviserne berettiger det. Jeg ville hellere se en agent tjene en lille mængde tillid og fastholde den end give den en stor mængde og tabe den. I brancher med intensivt ejendomsbrug er det tålmodighed, der er forskellen på AI, der tjener tillid, og AI, der stille og roligt mister den.