Datahold er døde, længe leve datahold

Ja, overskriften er klikvenlig og provokerende, men som en CTO med mange års erfaring inden for data, har jeg oplevet en transformation, der retfærdiggør dramatikken. Den traditionelle “datahold” – det bagkontor, der knuser rapporter og dashboards – er effektivt død. I stedet er en ny type datahold ved at opstå: en AI-først, produkt-dreven kraft med direkte indvirkning på omsætningen. De er ikke længere en omkostningscenter, men en profit-genererende gruppe.

Rejsen fra Business Intelligence til Machine Learning

For ikke så længe siden var datahold synonymt med business intelligence (BI). Vi var de historiske fortællere om virksomhedens data, boende i SQL og regneark, og havde til opgave at svare på “Hvad skete der sidste kvartal?” Da store data-teknologier som Hadoop opstod, og begrebet “data scientist” blev det nye sexy job, udviklede datahold sig. I midten af 2010’erne gjorde vi mere end blot rapportering; vi gik ind i data visualisering og interaktive analyser, og producerede dynamiske dashboards til alle afdelinger. Arbejdet bestod i at håndtere data, blande datasæt fra forskellige kilder og former, og forsøge at forstå domæneviden.

Derefter bragte slutningen af 2010’erne machine learning-æraen. Datahold begyndte at ansætte data scientists til at bygge prædiktive modeller og afsløre indsigt i enorme datasæt. Vi skiftede fra at beskrive fortiden til at forudsige fremtiden: churn-modeller, anbefalingsmotorer, efterspørgselsprognoser – du navn det. Men selv dengang var vores outputs slide-decks og indsigt, ikke live-produkter. Vi fungerede som en intern servicebureau, der rådgav virksomheden gennem analyse. Med andre ord var vi omkostningscentre – værdifulde, ja, men et skridt fjernet fra kerneproduktet og omsætningen.

I de bedste tilfælde var machine learning-hold spredt ud i separate enheder eller integreret i produktgrupper, så deres modeller og slutninger kunne være fuldt integreret i platforme. Den store skilleledte til mange fejlslåede projekter, sunkne investeringer og tabte muligheder.

GenAI: Fra supportfunktion til profitcenter

Derefter ankom GenAI og ændrede alt. Udgivelsen af kraftfulde store sprogmodeller, såsom GPT-familien og open-source-variationer som Llama, ændrede landskabet næsten over nat. Pludselig var datahold ikke længere kun analytikerne af virksomheden, men blev integreret i opbygningen af AI-produkter og -oplevelser. Når du med held integrerer en LLM i en kundeorienteret ansøgning eller en intern arbejdsgang, er du ikke længere kun underrettet om virksomheden; du driver den. En velimplementeret GenAI-system kan automatisere kundesupport, generere markedsføringsindhold, personliggøre brugeroplevelser eller endda levere de nødvendige data til at informere og træne opkommende agente AI-systemer. Disse evner har direkte indvirkning på omsætningsstrømme. I virkeligheden har dataholdets arbejdsprodukt skiftet fra PowerPoint-slides til live AI-drevne ansøgninger.

GenAI-hold begyndte med innovationsgrupper, der leverede bevis for begrebet “wow-faktor”. Og snart var alle AI-ingeniører, der spredte skygge-IT over organisationer.

Datahold fandt sig snart selv over for en ny spørgsmål: “Når bliver du et profitcenter?” Da AI-ingeniører begyndte at skabe fantastiske værktøjer, var det klart, at tiden var inde til at slå to hold sammen: dem, der kontrollerede data, og dem, der byggede ansøgningerne.

Overvej en detailhandelsvirksomhed, der udruller en GenAI-chatbot til at håndtere salgsforespørgsler, eller en bank, der lancerer en AI-dreven, personlig investeringsrådgiver. Disse er ikke traditionelle IT-sideprojekter – de er digitale produkter, der skaber kundevalue og genererer omsætning. Men på samme tid kræver opbygning af disse systemer i stor skala, at AI-ingeniørhold kan få adgang til og operationalisere de data, som traditionelle hold har forberedt.

Direktører har bemærket det. Forventningerne til datahold er skyhøje nu, med bestyrelser og CEO’er, der ser til os for at levere den næste AI-drevne vækstvektor. Vi er gået fra at være bagkantanalytikere til frontline-innovatører. Det er en spændende position at være i, men det kommer med intens pres for at levere resultater i stor skala.

Fra udforskning til produkt – en envejsdør

Skiftet fra udforskende analyse til produktcentreret AI er dybtgående og uændret. Hvorfor uændret? Fordi GenAIs indvirkning på virksomheden viser sig at være for stor til at føre tilbage til en R&D-legetøj. Ifølge en ny global undersøgelse har 96% af IT-ledere nu integreret AI i deres kerneprocesser – op fra 88% blot et år tidligere. Med andre ord har næsten hver virksomhed gået fra at eksperimentere med AI til at integrere det i mission-kritiske arbejdsgange. Når du først har overskredet denne tærskel, hvor AI leverer værdi i produktion, er der ingen vej tilbage.

Dette nye AI-drevne fokus ændrer dataholdets tempo og mindset. I fortiden havde vi luksusen af lange opdagelsesprojekter og åbne analyser. I dag, hvis vi bygger en AI-funktion, skal den være produktionsklar, overholdende og pålidelig – ligesom enhver kundeorienteret produkt. Vi er gået ind i det, som nogen kalder “Den autonome æra” for datavidenskab. Spørgsmålet, der vejleder vores arbejde, er ikke længere “hvad indsigt kan vi afsløre?” men “hvad intelligent system kan vi bygge, der handler på indsigt i realtid?”

GenAI-systemer er ikke kun til at besvare spørgsmål; de er begyndt at træffe beslutninger. Det er en envejsdør: efter at have oplevet denne type autonomi og indvirkning, vil virksomheder ikke gå tilbage til statiske rapporter og manuel beslutningstagning. Nu mere end nogensinde har datahold brug for at være stakeholder- og produktorienteret.

Den hårde sandhed: Hvorfor de fleste GenAI-initiativer fejler

Midt i al ophidselse er der en nøgtern realitet: de fleste GenAI-initiativer fejler. Det viser sig, at det at deployere GenAI med succes er ekstremt udfordrende. En ny MIT-undersøgelse fandt, at en overvældende 95% af enterprise GenAI-pilotprojekter aldrig leverer en målbart ROI. Kun omkring 5% af AI-pilotprojekter opnår hurtige omsætningsgevinster eller betydelig virksomhedsindvirkning. Dette skyldes ikke mangel på potentiale – det skyldes kompleksiteten af at gøre AI rigtigt.

Når vi dykker ned i årsagerne til fejlen, tegner MIT-forskningen et klart billede. Mange projekter snubler, fordi de jagter flashy demo-brugstilfælde i stedet for at investere i de kedelige grundlæggende ting som integration, validering og overvågning. Andre fejler på grund af det klassiske “skrald ind, skrald ud”-syndrom – dårlig datakvalitet og siloede datapipelines ødelægger projektet, før AI-over modellen får chancen. Det er ofte ikke AI-modellen, der er fejl, men den omgivende miljø. Som forskerne siger, fejler GenAI ikke i laboratoriet; det fejler i virksomheden, når det kolliderer med vagt mål, dårlig data og organisatorisk træghed. I praksis stopper de fleste AI-pilotprojekter på proof-of-concept-stadiet og kommer aldrig i fuld produktion.

Denne realitetscheck er en værdifuld lektion. Den fortæller os, at selvom datahold nu er i rampelyset, kæmper de fleste for at møde de højere forventninger. For GenAI at lykkes i stor skala, må vi overskride en betydeligt <strong"højere bar end vi gjorde i de gamle BI-dage.

Beyond Clever Prompts: Data, Governance & Infrastructure Matter

Hvad adskiller de 5% af AI-projekter, der trives, fra de 95%, der fejler? Ifølge min erfaring (og som forskning bekræfter) fokuserer vinderne på grundlæggende evner – data, governance og infrastruktur. GenAI er ikke magi; det er bygget på data. Uden højkvalitets, velstyrede datapipelines, der føder modellerne, vil selv den bedste AI producere ujævne resultater. Summit Partners sagde det godt i en ny analyse: “succesen af ethvert system eller proces, der bruger AI, afhænger af kvaliteten, strukturen og tilgængeligheden af de data, der driver det.”

I praktisk forstand betyder dette, at organisationer må satse dobbelt på dataarkitektur og governance, når de adopterer GenAI. Har du unified, tilgængelige data butikker, som din AI kan trække på (og jeg mener alle data butikker, herunder datacentre, hyperscalers og tredjeparts SaaS-systemer osv.)? Er disse data rengjort, kurateret og overholdende med reguleringer? Er der klar data linje og revision (så du kan stole på AI-outputs og vide, hvordan de kom til at være)? Disse spørgsmål er nu i forgrunden.

GenAI tvinger virksomheder til at få deres datahus i orden

Governance har også fået en ny betydning. Når en AI-model kan potentielt generere en forkert besked (eller en krænkende), er robust governance ikke valgfrit – det er obligatorisk. Kontroller som versionering, bias-checks, human-in-the-loop-gennemgang og strenge sikkerhedsforanstaltninger omkring følsomme data-indtastninger er essentielle. Uden ordentlig governance, træning og klart definerede mål vil selv et stærkt AI-værktøj have svært ved at få fodfæste i virksomheden.

Og lad os ikke glemme infrastruktur. At deployere GenAI i stor skala kræver betydelig beregningskraft og rigorøs ingeniørarbejde. Modeller skal serveres i realtid, på tværs af muligvis millioner af forespørgsler med lav ventetid. De kræver ofte GPU’er eller specialiseret hardware samt løbende overvågning, vedligeholdelse og livscyklusstyring. Kort sagt har du brug for industrial-grade AI-infrastruktur, der er sikker, skalerbar og robust. Dette er, hvor konceptet Private AI kommer ind som rammen, der samler infrastruktur med data og governance. Private AI refererer til udviklingen af AI inden for en kontrolleret og sikker miljø, der sikrer datasikkerhed og overholdelse.

Bundlinjen er, at GenAIs succes afhænger af harmonien mellem tre søjler: data, governance og infrastruktur. Uden en af dem risikerer du at slutte dig til de 95% af projekter, der aldrig skalerer ud over demo-stadiet.

Hvorfor AI-ingeniører ikke kan gøre det alene

Givet disse krav er det klart, at blot at ansætte nogle talentfulde AI-ingeniører ikke er en sølvkugle. Vi har lært denne lektion over de seneste år i dataindustrien. I de tidlige dage af data science-boomet prøvede virksomheder at finde “enhjørninger” data scientists, der kunne gøre alt – bygge modeller, skrive kode, håndtere data og deployment. Denne myte er siden blevet afvist. Som en erfaren data scientist sagde: “En model, der sidder i en notesbog, gør ikke rigtig noget for virksomheden.” Du har brug for at integrere den model i en ansøgning eller proces for at skabe værdi. Og det kræver et holdarbejde, der spænder over multiple kompetencer.

I slutningen af 2010’erne så vi datahold diversificere sig i separate roller: data-ingeniører begyndte at bygge robuste pipelines, machine learning-ingeniører fokuserede på at producere modeller, analytics-ingeniører styrede analytics-laget osv.

I dag løfter GenAI bar’en endnu højere. Ja, du har brug for AI-specialister (prompt-ingeniører, LLM-fine-tunere osv.), men disse specialister vil ramme en mur, hvis de ikke har modne datapipelines, governance-rammer og sikre platforme at arbejde med. En AI-ingeniør kan prototypere en fantastisk sprogmodel i en sandkasse, men at omdanne det til et produkt, der bruges af tusinder eller millioner, kræver samarbejde med sikkerhedshold, compliance-officerer, data-arkitekter, site-reliability-ingeniører og mere.

AI er et holdspil. Det er fristende at tro, du kan slippe en state-of-the-art-model ind i din virksomhed og pludselig have en AI-dreven virksomhed. De virksomheder, der lykkes med AI, er dem, der har bygget tværfaglige hold, eller “AI-fabrikker”, der bringer alle disse dele sammen. Deres datahold har effektivt udviklet sig til full-stack AI-produkt-hold, der kombinerer data, modeling, ingeniørarbejde og ops-ekspertise. De bygger og deployer deres værktøjer på en data-dreven, produkt-led måde, med værdigenerering indlejret i hvert KPI.

Den næste generation af datahold

Så hvad holder fremtiden for det nye “datahold”? Her er et glimt af, hvad der kommer for disse hold i de næste få år:

• Færre manuelle ETL/ELT: Tidkrævende data-håndtering vil aftage. Med mere automatiserede datapipelines og AI-assisteret integration vil hold ikke bruge halvdelen af deres tid på at rengøre og flytte data. Grundarbejdet med data-forberedelse vil blive håndteret af intelligente systemer, der tillader mennesker at fokusere på højere niveau-design og kvalitetskontrol.
• Færre dashboards: Æraen med uendeligt tilpassing af dashboard-filtre er på vej ud. AI vil enable mere naturlig sprogforespørgsel og dynamisk indsigt-levering. I stedet for forudbyggede dashboards til hver spørgsmål vil brugere få konversations-svar fra AI (med kilde-data vedhæftet). Datahold vil bruge mindre tid på at udvikle statiske rapporter og mere tid på at træne AI til at generere indsigt på flyvet.
• Flere AI-native produktudvikling: Datahold vil være i hjertet af produktinnovation. Enten det er udvikling af en ny kundeorienteret AI-funktion eller en intern AI-værktøj, der optimerer operationer, vil disse hold fungere som produkt-hold. De vil anvende software-udviklingspraksis, hurtig prototypering, A/B-test og brugeroplevelsesdesign – ikke kun data-analyse. Hvert datahold vil i virkeligheden blive et AI-produkt-hold, der leverer direkte forretningsværdi.
• Autonome agenter på vej: I ikke så fjerne fremtid vil datahold deployere autonome AI-agenter til at håndtere rutinebeslutninger og -opgaver. I stedet for blot at forudsige resultater vil disse agenter være autoriseret til at træffe visse handlinger (med oversigt). Forestil dig en AI-ops-agent, der kan detektere en anomali og automatisk åbne en remedieringstikket, eller en salgs AI-agent, der justerer e-handelspriser i realtid. Datahold vil være ansvarlige for at bygge og styre disse agenter, der udvider grænserne for, hvad automation kan opnå.

I lyset af disse ændringer kan man sagtens sige, at “datahold, som vi kendte dem, er døde.” Regnearks-jockierne og dashboard-rørhanerne har givet plads til noget nyt: AI-først-hold, der er flydende i data, kode og forretningsstrategi. Men langt fra at være en nekrolog er dette en fejring. Den nye generation af datahold er lige begyndt, og de er mere værdifulde end nogensinde

Så husk, data-ingeniøren er død, længe leve data-ingeniøren! Datahold, som vi kendte dem, er gået, men længe leve de nye datahold – må de regere i denne AI-dreven verden med indsigt, ansvar og audacitet.