Enterprise AI afhænger af data, som folk kan have tillid til

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

Jeg har arbejdet i mere end 25 år i enterprise‑dataprogrammer. Længe før generativ AI kom på dagsordenen, så jeg, hvor hurtigt teknologi mistede troværdighed, når folk ikke kunne stole på dataene bag den. 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 foretog en årsagsanalyse, identificerede problemet og implementerede en løsning. I dag kan agenter handle på de data, de møder. Uden kyndig menneskelig overvågning kan resultatet blive en del af driften, bruges i beslutninger og skalere på tværs af organisationen.

Det samme problem kan opstå i en chatbot. Når styringen springes over, kan dårlig eller dårligt forstået data blive 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 sandsynligvis miste tilliden til den. I en stor organisation vil AI også finde de data, du helst ikke vil have, den finder. Jeg sammenligner det med de beskidte sokker under sengen: de data er måske uden for syne, men AI vil finde de mørke data og bruge dem.

Kontekst skal rejse sammen med dataene og udgøre grundlaget, som LLM‑erne 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 (meget gammelt eksempel). Forestil dig en chatbot, der giver et selvsikkert men forkert svar, og arbejdsstyrken holder op med at stole på den. At genopbygge den tillid tager meget længere tid end at etablere de rette kontroller fra starten.

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

Mere end dette års 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 anslået, at næsten to‑tredjedele af organisationerne enten mangler de rette datastyringspraksisser for AI eller er usikre på, om de har dem. Separat forskning fra IDC fandt et lignende hul på tillidsfronten: 78 procent af organisationerne siger, de har fuld tillid til deres AI, men kun 40 procent har faktisk investeret i de styrings‑ og forklaringsarbejder, 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 levere den tilsigtede værdi.

AI‑styring er nu den konkurrencemæssige fordel

I størstedelen af min karriere var datastyring en af de mindst glamourøse dele af enterprise‑IT. At katalogisere metadata, definere ejerskab, profilere data og håndtere arbejdsgange 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 styringskapacitet inden for områder som design af data‑blueprints, oprettelse af branchekuraterede glossarer og anbefaling og aktivering af datapolitikker. Selv data‑linjer 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 kraft bredt den 2. august 2026, inklusive gennemsigtighedsregler for visse systemer og AI‑genereret indhold. Loven fastsætter også separate krav til systemer med høj risiko, herunder dokumentation og information, der hjælper implementører med at fortolke deres output, selvom nogle af de højriskoprovisioner følger senere tidsplaner.

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

Det amerikanske reguleringsbillede forbliver 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 på bordet, er allerede blevet udsat og omskrevet én gang i den kamp, og de centrale forpligtelser er nu skubbet til 2027. For mange amerikanske virksomheder er fristelsen at vente på usikkerheden.

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

Hvad adskiller de 5 procent

Lad mig fortælle om en kunde. Deres hovedbogsteam skulle gennemgå 300 separate regneark hver gang en uoverensstemmelse dukkede op i regnskabet. Tre hundrede. En eller anden byggede til sidst hele rodet om til et enkelt styret data‑aktiv, med beregningerne, rapporterne og de underliggende data samlet og valideret på forhånd. Næste gang et problem opstod, tog løsningen kun en brøkdel af den tidligere indsats. Kun for den proces alene sparede de ca. 750 arbejdsdage. Det svarer til millioner af dollars i omkostningsbesparelser blot ved at rydde op i det.

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

Stærke programmer gør den tillid synlig. I de datamarkedspladser, jeg arbejder med, kan aktiver klassificeres som guld, sølv eller bronze baseret på faktorer som kvalitet, kuratering, brug og ejerskab. En forretningsbruger kan se, hvor pålidelig en aktiv er, før den anvendes. Den synlighed hjælper folk med at holde op med at gætte og gør dem mere villige til at genbruge data, der allerede findes.

Tallet 95 procent er en advarsel om, hvor afslappet mange virksomheder har behandlet dataene bag generativ AI. De organisationer, der gør fremskridt, giver folk et klart overblik over, hvor deres data kom fra, hvordan de blev valideret, og om de er egnet til opgaven. Efter årtiers datahåndtering som baggrundsarbejde gør AI endelig værdien synlig.