At skalere AI bør ikke betyde, at datagrundlaget skal bygges op igen hver gang

Planlægningsperioden for 2027 nærmer sig for virksomhederne, og investeringer i AI står igen øverst på dagsordenen i de øverste ledelseslag. Akeneos seneste undersøgelse blandt beslutningstagere inden for IT viste, at 93 % oplevede produktivitetsgevinster ved brug af AI, mens 43 % sagde, at AI også havde ført nye ansvarsområder med sig i deres roller.

Resultaterne understreger, hvor meget forarbejde der kræves for at føre AI-projekter ud i livet. Især dataforberedelse udgør en væsentlig del af arbejdet. Blandt de IT-ledere, Akeneo spurgte, sagde 36 %, at deres organisationer bruger mere end halvdelen af den samlede indsats på et AI-projekt på at forberede data. Yderligere 53 % oplyste, at de bruger mellem 26 % og 50 % af indsatsen på deres AI-projekter på dataforberedelse. Denne forberedelse er nødvendig, men muligheden ligger i at sikre, at det arbejde, der udføres i forbindelse med én AI-implementering, kan genbruges til at understøtte den næste.

AI kan fjerne arbejdsopgaver ét sted i virksomheden, samtidig med at IT-teams får andre opgaver, når de forbereder data og genskaber konteksten til hver ny implementering. Muligheden består nu i at gøre mere af dette arbejde genanvendeligt, så hver implementering bygger videre på den foregående i stedet for at begynde helt forfra.

Menneskelig kontekst i centrum for AI

Mennesker er fortsat centrale i alle AI-pilotprojekter og -implementeringer. IT-teams er involveret gennem hele nye teknologiers livscyklus – fra forståelse af forretningsbehov og evaluering af løsninger til implementering, oplæring, procesudvikling og løbende sikkerhedsarbejde. Med tiden kan teams undlade at dokumentere de undtagelser og uskrevne regler, de støder på, herunder tilfælde, hvor det samme begreb defineres forskelligt på tværs af systemer. Denne kontekst bliver ofte til institutionel viden, som enkelte teammedlemmer ligger inde med, frem for information, som resten af organisationen pålideligt kan få adgang til.

Arbejdet kan fortsætte, indtil den person, der kender svaret, ikke længere er tilgængelig. Når medarbejdere skifter rolle, forlader organisationen eller blot ikke er til rådighed, når et problem opstår, går konteksten tabt. Når denne viden indfanges i et struktureret format, der er tilgængeligt digitalt, bliver den tilgængelig ud over den enkelte person. Det gør det også muligt for de enkelte teams at bevare ejerskabet over deres ekspertise og samtidig sikre, at viden kan tilgås og genbruges på tværs af organisationen i stedet for at skulle genopdages ved hver ny implementering.

Gode data er ikke altid klar til AI

Det er fristende at beskrive alt dette som endnu et problem med datakvaliteten, men Akeneos undersøgelse peger på noget mere komplekst. 92 % af IT-lederne vurderer, at de produkt- og driftsdata, som deres AI-systemer bruger, er gode eller fremragende. Selv om det store flertal bruger mere end en fjerdedel af den samlede indsats på et AI-projekt på at forberede data.

Gode data er ikke nødvendigvis klar til AI, især fordi det afhænger af, hvem eller hvad der bruger dem, hvad der betragtes som »godt«. Modeller og agenter har brug for mere end præcise oplysninger. De skal forstå, hvor data kommer fra, hvordan de hænger sammen med andre oplysninger, hvilken kilde der har forrang, og under hvilke betingelser dataene kan bruges. Disse regler kan være lette at overse, fordi de ofte ligger implicit i den måde, erfarne teams allerede arbejder på.

McKinseys seneste undersøgelse af datas parathed til AI fremhæver på lignende vis betydningen af kontekst. Ikke alle oplysninger vil være værdifulde for modeller eller agenter. Men når oplysninger er værdifulde, skal deres kontekst kunne overføres. Når oplysninger flyttes væk fra deres oprindelige kilde, skal deres oprindelse og relationer til de omkringliggende data fortsat være tydelige, så deres betydning ikke går tabt.

Det er her, arkitekturen bag AI begynder at være lige så vigtig som selve modellen. I modsætning til traditionel software kan LLM’er ofte arbejde på tværs af fragmenterede data og adskilte systemer, selv når oplysningerne er struktureret eller mærket forskelligt på tværs af kilder. De kan identificere relationer, som måske ikke tidligere har været defineret eksplicit. Den større udfordring er, når data slet ikke findes. Når modeller og agenter arbejder på tværs af systemer, skal de nødvendige oplysninger og den nødvendige kontekst først og fremmest eksistere og være tilgængelige.

PwC’s undersøgelse fra 2026 af kløften mellem AI-forventninger og -resultater viste, at integration fortsat er den vigtigste årsag til, at teknologi-investeringer ikke lever op til forventningerne. Det tager tid at forbinde et omfattende netværk af ustrukturerede data, og det forsinker ofte projekter, inden de når fuld implementering.

Det arbejde, der kræves for at løse disse problemer i én implementering, kan gøre den næste implementering lettere.

Sådan gøres AI-infrastruktur genanvendelig

I forbindelse med ét AI-projekt kan en stor del af forberedelsen foregå i baggrunden. IT-teams løser uoverensstemmelser, klargør de oplysninger, som en applikation har brug for, og integrerer applikationen med andre systemer for at sætte projektet i drift.

Problemet opstår, når arbejdet kun løser det umiddelbare behov. Dataforberedelse vil altid være en del af AI-implementering, men en stor del af indsatsen bør kunne videreføres. Hvis et team opdager, at det samme felt eller begreb har forskellige betydninger i to systemer, bør afklaringen føre til en definition, som fremtidige applikationer kan genbruge. Hvis teamet fastslår, hvilken kilde der skal betragtes som pålidelig, når systemer er uenige, bør denne beslutning også gælde for fremtidige implementeringer.

Samme princip gælder for integrationer. I stedet for at skabe en ny adgang til produkter og information for hver model eller agent bør organisationer etablere ensartede måder, hvorpå AI-systemer kan finde og bruge pålidelige oplysninger.

Den første implementering kan stadig kræve en betydelig indsats, fordi teams afdækker definitioner, relationer og undtagelser, som tidligere beroede på folks erfaringer. Denne indsats kan komme til gavn fremover, efterhånden som den fælles viden i stigende grad bliver en del af organisationens infrastruktur. Efterfølgende implementeringer kan også drage nytte af arbejdet, og hvor meget de får ud af det, afhænger af, hvor meget fælles grundlag der er på tværs af deres data og anvendelsesområder.

Det bliver stadig vigtigere, efterhånden som AI bevæger sig ud over at generere svar og begynder at handle på tværs af virksomhedens systemer. NIST’s initiativ for standarder for AI-agenter fremhæver, hvor vigtigt det er, at agenter kan interagere sikkert med interne data og eksterne systemer. Efterhånden som agenter får mere ansvar og interagerer med flere systemer og modeller, skal organisationer sikre, at den rette kontekst og de rette kontrolforanstaltninger er på plads for hver anvendelse, uden at det er nødvendigt at begynde helt forfra.

Styring skal være en del af driftsmiljøet

Infrastruktur, der kan genbruges, kræver også styring, der kan genbruges. EY’s undersøgelse om AI-risici og -styring fra september 2026 viste, at 91 % af ledende AI-chefer sagde, at deres organisationer var i gang med at afprøve eller implementere agentisk AI, men at 49 % af respondenterne fra organisationer, der bruger agenter, sagde, at deres eksisterende styringsrammer ikke var blevet opdateret specifikt med henblik på kravene og risiciene ved agentisk AI.

Efterhånden som AI får mere ansvar i en forretningsproces, skal reglerne for processen være en del af det miljø, AI arbejder i. En agent kan muligvis selv få adgang til visse oplysninger, mens andre trin i processen kan kræve, at et menneske gennemgår eller godkender dem, før agenten kan fortsætte. Sådanne beslutninger kan ikke kun stå i et politikdokument eller bero på, at nogen ved, hvordan processen er tænkt til at fungere.

Styringsbeslutninger skal række ud over interne gennemgange og indarbejdes i de systemer, som AI arbejder i. De politikker, adgangstilladelser og godkendelsespunkter, der styrer et system, bør fastlægges som en del af selve implementeringen. Uden disse kontrolforanstaltninger indbygget i systemet vil teams være nødt til at fortolke politikker og adgangstilladelser på ny, hver gang et nyt AI-anvendelsesområde implementeres.

Forberedelse på den næste bølge af AI

Når virksomhederne sætter deres voksende AI-budgetter i arbejde i 2027, får IT-teams ansvaret for et stadigt større antal modeller, integrationer og systemer. Den største prøve bliver, om organisationerne bygger en infrastruktur, der kan understøtte det, der kommer næste gang.

Hvis teams stadig er ved at afklare de samme definitioner, genopbygge de samme forbindelser og oversætte de samme regler, kan AI skalere hurtigere end den infrastruktur, der skal understøtte teknologien.

Det giver en anden måde at tænke på AI-parathed. Fremskridt bør ikke kun måles på, hvor mange modeller eller agenter der sættes i produktion, men også på, om hver implementering gør virksomheden bedre rustet til den næste.

AI gør allerede de enkelte opgaver hurtigere. Den næste produktivitetsgevinst kommer af at gøre det lettere at genbruge arbejdet bag disse systemer. AI bliver i stigende grad indlejret i forretningsprocesser, hvilket betyder, at flere systemer må bygge på det samme datafundament. Hvis dette fundament bygges nu, vil det afgøre, hvor let organisationer kan tage næste generation af AI i brug.