Enterprise AI afhænger af data, som folk kan stole på

I 2025 investerede virksomheder anslået 30 til 40 milliarder dollars i generativ AI, men MIT’s Project NANDA fandt, at kun 5 procent af de mere end 300 virksomhedsinvesteringer, den undersøgte, leverede målbare økonomiske resultater. det undersøgte.

Jeg har arbejdet i mere end 25 år i virksomheders dataprogrammer. Længe før generativ AI kom ind i billedet, så jeg, hvor hurtigt teknologien mistede troværdighed, når folk ikke kunne stole på de data, den bygger på. Generativ AI hæver indsatsen, fordi den kan omdanne tvivlsomme data til et selvsikkert svar.

Vi plejede at sige ‘garbage in, garbage out’. Nu er det ‘garbage in, disaster out’. Når data så mistænkelige ud, kunne en person bruge sin dømmekraft og kontakte en dataspecialist. Specialisten ville udføre en årsagsanalyse, identificere problemet og anvende en løsning. I dag kan agenter handle på de data, de møder. Uden kyndig menneskelig kontrol kan resultatet blive en del af driften, blive brugt i beslutninger og skalere på tværs af organisationen.

Det samme problem kan opstå i en chatbot. Springet over governance kan forvandle dårlige eller dårligt forståede data til et svar, der lyder autoritativt, med det samme og i stor skala.

Tillid er den reelle flaskehals for adoption

Når en intern chatbot giver nogen et selvsikkert men forkert svar, vil den pågældende muligvis ikke stole på den igen. I en stor organisation vil AI også finde de data, du hellere ville have, at den ikke fandt. Jeg sammenligner det med de beskidte sokker under sengen: de data kan være uden for syne, men AI vil finde de mørke data og bruge dem.

Kontekst skal rejse sammen med dataene og være grundlaget, som LLM’er trækker på. Før en AI-model bruger data, skal folk vide, hvad de betyder, hvor de kommer fra, hvem der ejer dem, og hvilke forretningsregler og politikker der omgiver dem.

Ledelsen kan overse dette, fordi systemet sjældent går ned. AI kan være selvsikkert forkert; den kan foreslå lim til din pizza (et meget gammelt eksempel). Overvej en chatbot, der giver et selvsikkert men forkert svar, og arbejdsstyrken mister tilliden til den. At genopbygge den tillid tager meget længere end at etablere de rette kontroller på forhånd.

Den erosion viser sig også i dataene. Medarbejdere i mere end 90 procent af virksomhederne MIT studerede fortsætter med at bruge personlige AI‑værktøjer ved siden af, selv efter at den officielle pilot, som deres arbejdsgiver byggede, ikke vandt deres tillid. Når det godkendte værktøj ikke har opnået deres tillid, finder medarbejderne en anden måde at få arbejdet gjort på.

Meget af årets AI‑forskning peger på det samme problem: organisationer går videre med AI, før de har gjort arbejdet med at gøre deres data troværdige. Gartner har estimeret at næsten to tredjedele af organisationerne enten mangler de rette datastyringspraksisser for AI eller ikke er sikre på, om de har dem. Separat forskning fra IDC fandt et lignende hul på tillidssiden: 78 procent af organisationerne siger, de har fuld tillid til deres AI, men kun 40 procent har faktisk investeret i governance‑ og forklaringsarbejdet, der ville retfærdiggøre den tillid.

Uoverensstemmelsen mellem selvtillid og investering hjælper med at forklare, hvorfor så mange AI‑initiativer stopper, før de når produktion, eller mislykkes med at matche den tilsigtede værdi.

AI‑governance er nu den konkurrencefordel

I store dele af min karriere var data‑governance en af de mindst glamourøse dele af enterprise‑IT. Katalogisering af metadata,, fastlæggelse af ejerskab, profilering af data og styring af arbejdsprocesser kunne føles som rengøringsarbejde. Folk sprang ofte over det, fordi indsatsen syntes større end den værdi, den skabte.

AI har ændret dette. Det bliver en governance‑kapacitet inden for områder som design af datablåtryk, oprettelse af branchekuraterede glossarer samt anbefaling og aktivering af datapolitikker. Selv data‑linjeage kan nu udledes og strømlines hurtigere end før, hvilket gør værdien af styrede datapipelines og observabilitet lettere at realisere.

Regulering gør også datatransparens mere presserende. EU AI Act trådte i bred anvendelse den 2. august 2026, inklusive gennemsigtighedsregler for visse systemer og AI‑genereret indhold. Loven fastsætter også separate krav til high-risk systems, herunder dokumentation og information, der hjælper implementører med at fortolke deres output, selvom nogle højrisikobestemmelser følger senere tidsplaner.

For virksomheder er den praktiske lektie enkel: klar linjeage og governance gør det lettere at dokumentere, hvilke data der blev brugt, hvor de kom fra, og hvordan systemet skal fungere.

Det regulatoriske billede i USA er stadig usikkert. Uden en omfattende føderal AI‑lov skal virksomheder navigere i forskellige statslige krav, selvom Det Hvide Hus forsøger at begrænse statters evne til at skabe og håndhæve deres egne AI‑regler. Colorado’s AI Act, den mest omfattende statslige ramme, er allerede blevet udsat og omskrevet én gang i denne kamp, med sine kerneforpligtelser skubbet til 2027. For mange amerikanske virksomheder er fristelsen at vente på, at usikkerheden aftager.

Jeg vil argumentere for, at det er den forkerte instinkt. Uanset hvilken reguleringsmodel der til sidst lykkes i USA, vil det grundlæggende krav ikke forsvinde. Kend, hvor dine data kommer fra. Kend, om nogen faktisk har valideret dem, før AI’en bruger dem. At udvikle denne disciplin nu vil hjælpe virksomheder med at forberede sig på ny regulering og gøre lovende AI‑piloter til værktøjer, som forretningen kan bruge med selvtillid.

Hvad adskiller de 5 procent

Lad mig fortælle om en kunde. Deres hovedbogsteam måtte gennemgå 300 separate regneark hver gang en uoverensstemmelse dukkede op i regnskaberne. Trehundrede. En person byggede til sidst hele rodet om til en enkelt styret data‑asset med beregningerne, rapporterne og de underliggende data samlet og valideret på forhånd. Næste gang et problem opstod, tog løsningen kun en brøkdel af den indsats, det tidligere krævede. Kun i denne proces alene sparede man omkring 750 arbejdsdage. Det svarer til millioner af dollars i omkostningsbesparelser blot ved at rydde op.

Forbedringen kom af at gøre de rigtige data nemme at finde og pålidelige nok til at bruge uden at tvivle på dem. Samarbejde og genbrug gjorde det muligt. Betroede data‑produkter kan tilpasses virksomhedens standarder, udvides og opgraderes over tid, vurderes efter tillid og styres for værdi. Denne tilgang reducerer behovet for at skabe hundredvis eller tusinder af produkter knyttet til enkelte fysiske databastabeller.

Stærke programmer gør den tillid synlig. I de datamarkeder, jeg arbejder med, kan assets klassificeres som guld, sølv eller bronze baseret på faktorer som kvalitet, kuratering, brug og ejerskab. En forretningsbruger kan se, hvor pålidelig en asset er, før den anvendes. Denne synlighed hjælper folk med at stoppe med at gætte og gør dem mere villige til at genbruge eksisterende data.

Tallet 95 procent er en advarsel om, hvor uformelt mange virksomheder har behandlet dataene bag generativ AI. De organisationer, der gør fremskridt, giver folk et klart overblik over, hvor deres data kommer fra, hvordan de er valideret, og om de er egnede til opgaven. Efter år med, at datastyring blev betragtet som baggrundsarbejde, gør AI endelig sin værdi synlig.