Tankeledere

Virksomheders AI-styring begynder i databaseinfrastrukturen

Phillip Merrick
Føj Unite.AI til dine foretrukne kilder på Google
Nøglepunkter% af virksomheders AI-pilotprojekter fejler, fordi governance ikke er indlejret i…
Vis mere
  • % af virksomheders AI-pilotprojekter fejler, fordi governance ikke er indlejret i datalaget.
  • Autonome agenter kræver kontroller på datalaget, da ustyrede skrivninger kan brede sig kaskadeagtigt på tværs af systemer.
  • Infrastruktur-først-governance på databaseniveau lukker kløften mellem pilot og produktion.

Virksomhedernes AI-eksperimenter går hurtigere end nogensinde, men vejen til produktion er stadig vedholdende langsom. Teams starter pilotprojekter, tester modeller og viser lovende resultater på få uger, nogle gange dage. Når systemerne skal tages i brug i stor skala, går fremgangen dog ofte i stå. Sikkerhedsbekymringer dukker op, kravene til regelefterlevelse skærpes, og spørgsmålene om styring bliver flere. 

MIT’s rapport The GenAI Divide: State of AI in Business 2025 viste, at 95 procent af virksomhedernes AI-pilotprojekter ikke skaber målbar forretningsmæssig effekt. Kun fem procent når produktion og skaber reelt økonomisk afkast. Undersøgelsen omfattede mere end 300 AI-implementeringer og 150 interviews med ledere. Konklusionen var, at den primære hindring ikke er modellernes evner, men mangelfuld integration i virksomhedens systemer. De fleste organisationer behandler det som et spørgsmål om politikker, der skal løses på ledelsesniveau. Jeg mener, at AI-styring er en systemudfordring, som begynder i datalaget.

Hvorfor AI-projekter går i stå på pilotstadiet

Mange AI-initiativer mislykkes, fordi de miljøer, der bruges til at udvikle prototyper, grundlæggende ikke passer til kravene ved implementering i virksomheder. Udviklere tilskyndes til at arbejde hurtigt med fleksible værktøjer, løst styrede datasæt og selvbetjent infrastruktur for at bevise værdien hurtigst muligt. Det er ideelt til eksperimenter, men kan ikke uden videre overføres til produktionsmiljøer, der kræver mulighed for revision, strenge adgangskontroller, regelefterlevelse og driftsmæssig robusthed.

Derfor indføres styring ofte først, når en konceptafprøvning er lykkedes. På det tidspunkt bliver det lag, der skulle have understøttet arbejdet, en begrænsning. Teams må tilpasse sikkerhedsmodeller bagefter, ombygge datastrømme og revidere antagelser om regelefterlevelse, som burde have været en del af grundlaget fra begyndelsen.

Det skaber en voksende kløft mellem det, AI-systemer kan vise i kontrollerede miljøer, og det, virksomheder sikkert og pålideligt kan sætte i produktion.

Samtidig har den moderne AI-teknologistak udviklet sig mod at prioritere hastighed og tilgængelighed, ofte på bekostning af kontrol. Udviklervenlige platforme gør det let at starte piloter, men kan skjule, hvor data findes, hvordan de bruges, og hvem der har adgang. 

Det medfører reelle driftsmæssige og regulatoriske risici, herunder utilsigtet eksponering af data, uklare datagrænser mellem miljøer og utilstrækkelig mulighed for at revidere systemernes adfærd. Problemerne viser sig direkte ved vurderinger af produktionsberedskab og regelefterlevelse. Virksomhedsundersøgelser viser konsekvent, at problemer med datakvalitet og styring er blandt de vigtigste årsager til mislykkede AI-projekter og nævnes i 60–70 procent af tilfældene. Problemet forværres af den voksende afhængighed af ekstern infrastruktur og administrerede databasetjenester. Det kan fragmentere dataejerskabet yderligere og gøre det sværere at opfylde regulatoriske krav. I mange tilfælde antager organisationer, at platformene automatisk håndterer styringen, mens ansvaret i virkeligheden er fordelt på flere lag i teknologistakken.

Resultatet er et paradoks. De værktøjer, der sætter fart på AI-eksperimenter, er ofte de samme, som skaber friktion ved overgangen til produktion.

Databasen er det egentlige styringslag

For at håndtere dette misforhold er det nødvendigt at gentænke, hvor styring faktisk foregår.

Styring fremstilles ofte som en funktion for politikker, defineret af juridiske teams, ansvarlige for regelefterlevelse eller ledelsen og gennemført via dokumentation og kontrolprocesser. Disse mekanismer er nødvendige, men utilstrækkelige alene. Styring får først reel betydning, når den håndhæves på systemniveau.

I praksis sker håndhævelsen dér, hvor data lagres, tilgås og omformes. Det gør databasen og den omgivende datainfrastruktur til det vigtigste styringslag i AI-teknologistakken.

Moderne databaser er ikke passive lagringssteder. De fastlægger adgangsrettigheder, håndhæver krav til datas geografiske placering, administrerer kryptering og nøglekontroller og skaber de revisionslogfiler, der kræves til regelefterlevelse og sikkerhedstilsyn. I stigende grad fungerer de også som kontrolpunktet, hvor AI-systemer interagerer med virksomhedsdata.

Det er vigtigt, fordi AI-systemer arver styringsniveauet i den datainfrastruktur, de er afhængige af. Hvis det underliggende databaselag mangler struktur, kontroller eller indsigt, overføres svaghederne direkte til AI-systemerne ovenpå. Ingen senere politik på applikationsniveau kan fuldt ud kompensere for et datagrundlag uden styring.

Det fører til et bredere arkitektonisk skift: Styring skal bygges ind i infrastrukturen fra begyndelsen, ikke lægges til efter implementering. At tage udgangspunkt i infrastrukturen ved AI-udvikling betyder at designe systemer, hvor styring er en indbygget egenskab frem for en ydre begrænsning. Dataadgang formidles gennem kontrollerede grænseflader. Forespørgsler og systeminteraktioner logges som standard. Regler om eksempelvis adgangsbegrænsninger, opbevaring og geografisk placering håndhæves på systemniveau frem for gennem manuelt tilsyn eller efterfølgende validering.

Det kræver arkitekturmønstre som sikre lag til formidling af forespørgsler, politikstyrede adgangskontroller og centraliseret observerbarhed i distribuerede datamiljøer. Mekanismerne sikrer, at styringen håndhæves løbende og ikke blot kontrolleres med mellemrum.

Forskellen mellem proaktiv og reaktiv styring er grundlæggende. Reaktive tilgange forsøger at rette problemer, efter at systemerne er bygget og implementeret. Proaktive tilgange forhindrer, at problemerne opstår, ved at bygge kontroller direkte ind i systemarkitekturen.

I AI-miljøer afgør denne forskel, om systemerne kan skaleres eller går i stå.

Når agenter kommer ind i billedet

Autonome agenter ændrer vilkårene for styring på måder, som de fleste organisationer ikke er klar til. En agent læser ikke kun data. Den skriver også data og udløser handlinger på tværs af systemer, i begge tilfælde uden et menneske i beslutningsforløbet.

Det ændrer fejlforløbet fuldstændigt. En dårligt styret forespørgsel giver et forkert svar. En dårligt styret agent handler derefter på svaret: Den opdaterer poster, starter efterfølgende arbejdsgange og spreder beslutninger mellem systemer, før nogen opdager, at noget er gået galt.

Derfor kan sikkerhedsmekanismerne ikke alene ligge i applikationslaget. En agent, der arbejder på tværs af flere systemer, finder altid den letteste vej. Kontrollerne skal håndhæves i datalaget, hvor hver læsning og skrivning formidles gennem et kontrolleret mellemled og logges, uanset hvad der udløste den.

Gartner forudser, at mere end 40 procent af agentbaserede AI-projekter bliver forsinket eller aflyst på grund af problemer med styring og pålidelighed. Tallet føles lavt, fordi det forudsætter, at organisationer korrekt identificerer styring som årsagen frem for at give modellen eller værktøjerne skylden. Grundårsagen er som regel usynlig, indtil den bliver dyr.

Fra eksperimenter til produktionsklar AI

Organisationer, der med succes flytter AI fra eksperimenter til produktion, har ofte det til fælles, at de tidligt samordner udviklings- og produktionsmiljøerne. 

I stedet for at lade forsøgssystemerne fjerne sig fra produktionens begrænsninger designer de begge miljøer ud fra fælles principper for styring, sikkerhed og dataadgang. Det mindsker friktionen senere i livscyklussen, når modeller går fra prototyper til arbejdsbelastninger i produktion.

Denne samordning bliver stadig vigtigere, fordi de fleste virksomheder fortsat mangler moden AI-infrastruktur på produktionsniveau. Der er vedvarende mangler i sikker dataadgang, overvågning, observerbarhed og håndhævelse af regelefterlevelse. De er ikke isolerede, men strukturelle udfordringer, som viser sig, når AI skaleres fra pilotmiljøer til forretningskritiske arbejdsgange.

Et andet stort misforhold mellem prototyper og produktion opstår, når produktionsapplikationer og databaser skal køre lokalt hos organisationen eller i stramt styrede cloudkonti, mens prototyperne er udviklet på cloudbaserede databaseplatforme.

I modne organisationer behandles AI-arbejdsbelastninger med samme omhu som andre regulerede systemer. Det betyder konsekvent logning, strenge adgangskontroller, løbende overvågning og klart definerede ansvarsstrukturer mellem teams. Det kræver også tættere samordning mellem dataudvikling, platformsudvikling, sikkerhed og regelefterlevelse fra begyndelsen, ikke som en eftertanke.

Fordelene rækker ud over færre risici. Organisationerne får også hurtigere implementeringscyklusser, færre produktionsfejl og større intern tillid til AI-systemerne. I denne sammenhæng handler skalering af AI mindre om modelinnovation og mere om infrastrukturens modenhed.

Styring er et arkitekturkrav

I sidste ende skal samtalen om AI-styring bevæge sig ud over politikker og ind i arkitekturen. 

Styring behandles ofte som en tilsynsfunktion, men håndhæves i praksis gennem de systemer, der bestemmer, hvordan data tilgås og bruges. Databasen er ikke blot et lagringslag, men kontrolpunktet for sikkerhed, regelefterlevelse og driftsmæssig integritet i hele AI-teknologistakken.

Når AI indlejres dybere i virksomhedernes arbejdsgange, vokser kontrolpunktets betydning markant. Hver interaktion mellem en model og virksomhedsdata bliver en hændelse, der er underlagt styring, uanset om organisationen udtrykkeligt har designet den sådan eller ej.

Ved at prioritere styring med infrastrukturen som udgangspunkt, begyndende i databaselaget, kan virksomheder bygge bro mellem pilot og produktion. Dermed flytter de AI fra isolerede eksperimenter til en varig, skalerbar kapacitet, der er integreret i hele organisationen.

Phillip Merrick er medstifter og CPO i pgEdge. Iværksætter, teknolog og erfaren leder med dybe rødder i datainfrastruktur og cloud-platforme, der driver dagens AI-systemer. Medstifter og/eller CEO af webMethods, EDB, SparkPost, Fugue og pgEdge; har ledet virksomheder fra startup til børsnotering og tre exit i det ni- til ticifrede område.