Din AI-agent er kun så god som ditt arkiveringssystem

Den 30. desember 2025 leverte Danmarks posttjeneste siste brevet i sin 401‑årige historie. De 1 500 gjenværende postkassene ble fjernet fra gatene i løpet av året. I mellomtiden godkjente den tyske føderale regjeringen i juli 2026 GeDIG, loven om helsedata og digital innovasjon, som faset ut faksen fra legekontorene innen høsten 2029 og gjør elektroniske henvisninger obligatoriske.

Hvordan kan det være at ett land kan gjennomføre slike endringer mens et annet fortsatt faset ut bruken av faksmaskiner i dette århundret? Når man tar hensyn til hvert lands bruk av AI i næringslivet, brukte 42 % av danske bedrifter minst én AI‑teknologi i 2025, den høyeste andelen i Europa. Tyskland lå på 26 %, over EU‑gjennomsnittet men seksten prosentpoeng bak Danmark.

For meg får kontrasten oss til å revurdere våre oppfatninger om AI‑adopsjon. Spesielt troen på at valg av modell er startpunktet for AI‑adopsjon, mens man ignorerer tilstanden til systemene rundt modellen. Begge land har tilgang til de samme modellene og skyleverandørene, men forskjellen ligger i om forretnings‑ og offentlige prosesser allerede produserer pålitelige digitale registre. Siden en AI‑agent ikke arbeider direkte med virkeligheten, men med den versjonen av virkeligheten som er tilgjengelig i et system, medfører dette naturlig noen begrensninger.

Den første begrensningen: Informasjonen ble aldri digitalisert

En agent kan ikke hente et dokument som aldri ble lagt inn i systemet. Organisasjonens informasjonsflyt bestemmer hva en agent i det hele tatt kan oppfatte som en oppgave.

På landsnivå viser Eurostat‑data at bedrifts‑AI‑adopsjon korrelerer med digitaliseringen av administrative prosesser. Men den viktigste mekanismen er at land hvor innbyggerne allerede mottar offisielle dokumenter digitalt, har færre uten‑system‑interaksjoner som bedrifter må avstemme, noe som reduserer mengden tolkingsarbeid som kreves før AI trygt kan brukes i driften.

På bedriftsnivå viser en studie basert på syv år med skydata fra 2026 på 1 907 danske selskaper at en økning på én standardavvik i digitalisering er forbundet med 8–10 prosentpoeng høyere sannsynlighet for å ta i bruk kjerne‑AI‑systemer. Dette antyder at AI‑adopsjon avhenger av om selskapets interne operasjoner allerede er organisert på en digitalt strukturert, maskinlesbar måte. Hvis prosessene er fragmenterte, finnes det lite stabil informasjon som AI‑systemer eller agenter kan handle på.

Dette kan også bidra til å forklare hvorfor politikkdrevet digitalisering ikke automatisk fører til AI‑beredskap. Italias obligatoriske B2B‑e‑fakturering skapte en fullt digital kanal, men den samlede AI‑adopsjonen ligger fortsatt under EU‑gjennomsnittet. Å digitalisere ett enkelt steg fjerner ikke det omkringliggende analoge systemet.

Den andre begrensningen: Informasjonen finnes kun i noens hode

Mennesker driver operasjonene, noe som betyr at de fleste ganger kjenner de til detaljer som AI‑en ikke vet. En økonomiadministrator vet at en leietaker betalte kontant, men betalingen ble aldri registrert i regnskapssystemet. Som følge av dette stemmer ikke bankopplysningene og systemet overens. Administratoren forstår hvorfor, mens AI bare ser inkonsistente data. En eiendomsforvalter husker at en utleier ba om å ikke bli kontaktet i to uker. Et team kjenner en omgåelsesløsning for en bygning eller kunde, men ingen har dokumentert den.

ClarEval testet oppgaver med manglende mål, manglende premisser og tvetydig terminologi. Modellens ytelse falt fra omtrent 89 % etter avklaring til rundt 9 % når tvetydigheten forble uløst. I mellomtiden fant Ambig‑SWE at det å la en modell stille spørsmål til en bruker som hadde den manglende informasjonen, gjenopprettet opptil 74 % av den tapte ytelsen. Dette innebærer at ingeniører bør bygge et system som fra starten av kan be om avklaring.

Den tredje begrensningen: Informasjonen finnes, men kan ikke overføres

Noen data er tilgjengelige i selskapet, men kan fortsatt ikke nå modellen på grunn av personvernregler, sikkerhetskontroller, kontrakter eller interne retningslinjer.

En studie basert på syv år med skydata fant at GDPR – EUs sentrale personvernlov – reduserte datalagring med 26 % og databehandling med 15 % blant EU‑bedrifter sammenlignet med tilsvarende amerikanske selskaper. Med andre ord gjorde personvernreguleringer selskapene mindre datakrevende ved å begrense mengden informasjon de kunne beholde og behandle for analyse og AI. Adopsjon av generativ AI var nesten lik, med 37 % av EU‑bedrifter og 36 % av amerikanske bedrifter. Men gapet i dybden av AI‑adopsjon er stort, med 81 % av amerikanske selskaper som bruker AI i minst to interne prosesser, sammenlignet med 55 % i EU. En mulig årsak er at informasjon som allerede finnes i organisasjoner ofte er vanskeligere å gjenbruke for AI i Europa. Kundeservice‑samtaler inneholder for eksempel ofte personopplysninger samlet inn for å løse kundespørsmål. I henhold til GDPRs formålsbegrensningsprinsipp (Artikkel 5(1)(b)) kan disse dataene ikke bare omdisponeres til AI‑trening uten et gyldig juridisk grunnlag. Amerikanske selskaper møter generelt færre tilsvarende føderale restriksjoner på gjenbruk av slike data.

Hvordan bygge det riktige systemet

Gjenfinning fungerer kun når svaret finnes i systemet. Agenter bør spørre når informasjon mangler, aldri gjette, og omgjøre samtaler eller uformelle beslutninger til strukturerte registre. Bedrifter bør også fjerne parallelle papirarbeidsflyter fordi dersom en oppgave kan utføres utenfor systemet, vil en del av konteksten forbli usynlig.

Hver bedrift må forholde seg til sine egne hull. Mål om en nødvendige fakta for korrekt handling var tilgjengelig i systemet eller ikke. Test arbeidsflytene med og uten de ekskluderte personvern‑gjennomgangsfeltene. Til slutt, for arbeidsflyten som kan fullføres på papir, er det den agenten som bør bygges sist.

Agenter kan forbedre menneskelig produksjon, men de reparerer ikke det som mangler.