Tankeledere

Bedriftenes KI-styring begynner i databaseinfrastrukturen

Phillip Merrick
Legg til Unite.AI blant dine foretrukne kilder på Google
Viktige punkter% av AI-pilotprosjekter i virksomheter mislykkes fordi styring ikke er innebygd på…
Vis mer
  • % av AI-pilotprosjekter i virksomheter mislykkes fordi styring ikke er innebygd på datalaget.
  • Autonome agenter krever kontroller på datalaget, siden ustyrte skrivinger kan forplante seg på tvers av systemer.
  • Infrastruktur-først-styring på databasenivå tetter gapet mellom pilot og produksjon.

Bedriftenes KI-eksperimentering går raskere enn noen gang, men veien til produksjon er fortsatt påfallende langsom. Team starter piloter, tester modeller og viser lovende resultater i løpet av uker, noen ganger dager. Når systemene skal tas i bruk i stor skala, stopper fremdriften likevel ofte opp. Sikkerhetsbekymringer dukker opp, kravene til etterlevelse skjerpes og spørsmålene om styring blir flere. 

MITs rapport The GenAI Divide: State of AI in Business 2025 fant at 95 prosent av bedriftenes KI-piloter ikke gir målbar forretningsmessig effekt. Bare fem prosent når produksjon og gir reell økonomisk avkastning. Studien omfattet mer enn 300 KI-innføringer og 150 intervjuer med ledere. Konklusjonen var at det viktigste hinderet ikke er modellenes evner, men mangelfull integrasjon i bedriftens systemer. De fleste organisasjoner behandler dette som et spørsmål om retningslinjer som må løses på ledernivå. Jeg vil hevde at KI-styring er en systemutfordring, og at den begynner i datalaget.

Hvorfor KI-prosjekter stopper på pilotstadiet

Mange KI-tiltak mislykkes fordi miljøene som brukes til å utvikle prototyper, i utgangspunktet ikke samsvarer med kravene til drift i en bedrift. Utviklere oppmuntres til å arbeide raskt med fleksible verktøy, løst styrte datasett og selvbetjent infrastruktur for å dokumentere verdi så fort som mulig. Dette passer godt til eksperimentering, men lar seg ikke uten videre overføre til produksjonsmiljøer som krever etterprøvbarhet, strenge tilgangskontroller, regelverksetterlevelse og robust drift.

Derfor innføres styring ofte først etter at en konseptutprøving har lykkes. Da blir laget som skulle ha muliggjort arbeidet, en begrensning. Team må tilpasse sikkerhetsmodeller i etterkant, utforme datastrømmer på nytt og revurdere forutsetninger om etterlevelse som burde ha vært en del av grunnlaget fra starten.

Dette skaper et voksende gap mellom det KI-systemer kan vise i kontrollerte miljøer, og det bedrifter trygt og pålitelig kan sette i produksjon.

Samtidig har dagens KI-teknologistakk utviklet seg i retning av høy fart og tilgjengelighet, ofte på bekostning av kontroll. Utviklervennlige plattformer gjør pilotering enkelt, men kan skjule hvor dataene befinner seg, hvordan de brukes og hvem som har tilgang. 

Dette skaper reelle driftsmessige og regulatoriske risikoer, blant annet utilsiktet eksponering av data, uklare datagrenser mellom miljøer og utilstrekkelig mulighet til å granske systemenes atferd. Slike problemer kommer direkte frem i vurderinger av produksjonsberedskap og etterlevelse. Bedriftsundersøkelser viser gjennomgående at problemer med datakvalitet og styring er blant de viktigste årsakene til mislykkede KI-prosjekter, og nevnes i 60–70 prosent av tilfellene. Problemet forverres av økende avhengighet av ekstern infrastruktur og administrerte databasetjenester. Det kan fragmentere dataeierskapet ytterligere og komplisere tilpasningen til regelverket. I mange tilfeller antar organisasjoner at plattformene automatisk tar hånd om styringen, mens ansvaret i realiteten er fordelt på flere lag i teknologistakken.

Resultatet er et paradoks. Verktøyene som gjør KI-eksperimentering raskere, er ofte de samme som skaper friksjon ved overgangen til produksjon.

Databasen er det egentlige styringslaget

For å håndtere dette misforholdet må vi tenke nytt om hvor styring faktisk skjer.

Styring fremstilles ofte som en funksjon for retningslinjer, definert av juridiske team, etterlevelsesansvarlige eller ledelsen, og gjennomført med dokumentasjon og kontrollprosesser. Disse mekanismene er nødvendige, men ikke tilstrekkelige alene. Styring får først reell betydning når den håndheves på systemnivå.

I praksis skjer dette der data lagres, brukes og omformes. Databasen og infrastrukturen rundt den blir derfor det viktigste styringslaget i KI-teknologistakken.

Moderne databaser er ikke passive lagringssteder. De definerer tilgangsrettigheter, håndhever krav til hvor data kan lagres, styrer kryptering og nøkkelkontroller og produserer revisjonsloggene som kreves for etterlevelse og sikkerhetstilsyn. I økende grad er de også kontrollpunktet der KI-systemer samhandler med bedriftens data.

Dette er viktig fordi KI-systemer arver styringsnivået i datainfrastrukturen de er avhengige av. Hvis det underliggende databaselaget mangler struktur, kontroller eller innsyn, videreføres svakhetene direkte til KI-systemene som bygges oppå det. Ingen senere retningslinjer på applikasjonsnivå kan fullt ut kompensere for et datagrunnlag uten styring.

Dette fører til en større arkitekturendring: Styring må bygges inn i infrastrukturen fra starten, ikke legges til etter utrulling. Å ta utgangspunkt i infrastrukturen ved KI-utvikling betyr å utforme systemer der styring er en innebygd egenskap, ikke en ytre begrensning. Datatilgang formidles gjennom kontrollerte grensesnitt. Spørringer og samhandling mellom systemer logges som standard. Regler om tilgangsbegrensninger, oppbevaring og lagringssted håndheves på systemnivå i stedet for gjennom manuell oppfølging eller etterfølgende validering.

Dette krever arkitekturmønstre som sikre lag for formidling av spørringer, retningslinjestyrte tilgangskontroller og sentralisert observerbarhet i distribuerte datamiljøer. Mekanismene sikrer at styring håndheves kontinuerlig og ikke bare kontrolleres med jevne mellomrom.

Forskjellen mellom proaktiv og reaktiv styring er grunnleggende. Reaktive tilnærminger forsøker å rette opp problemer etter at systemene er bygget og tatt i bruk. Proaktive tilnærminger hindrer at problemene oppstår, ved å bygge kontroller direkte inn i systemarkitekturen.

I KI-miljøer avgjør denne forskjellen om systemene kan skaleres eller stopper opp.

Når agenter kommer inn i bildet

Autonome agenter endrer forutsetningene for styring på måter de fleste organisasjoner ikke er klare for. En agent leser ikke bare data. Den skriver også data og utløser handlinger på tvers av systemer, i begge tilfeller uten et menneske inne i beslutningsløpet.

Dette endrer måten feil oppstår på fullstendig. En dårlig styrt spørring gir et feilaktig svar. En dårlig styrt agent handler deretter ut fra svaret: Den oppdaterer poster, starter etterfølgende arbeidsflyter og sprer beslutninger mellom systemer før noen oppdager at noe gikk galt.

Derfor kan sikkerhetsmekanismene ikke ligge bare i applikasjonslaget. En agent som opererer på tvers av flere systemer, vil alltid finne minste motstands vei. Kontrollene må håndheves i datalaget, der hver lese- og skriveoperasjon formidles gjennom et kontrollert mellomledd og logges, uansett hva som utløste den.

Gartner anslår at mer enn 40 prosent av agentbaserte KI-prosjekter vil bli forsinket eller avlyst på grunn av problemer med styring og pålitelighet. Tallet virker lavt, fordi det forutsetter at organisasjoner identifiserer styring som årsak i stedet for å skylde på modellen eller verktøyene. Grunnårsaken er vanligvis usynlig frem til den blir kostbar.

Fra eksperimentering til produksjonsklar KI

Organisasjoner som lykkes med å flytte KI fra eksperimentering til produksjon, har ofte det til felles at de samordner utviklings- og produksjonsmiljøene tidlig. 

I stedet for å la eksperimentsystemene fjerne seg fra produksjonens begrensninger, utformer de begge miljøene med felles prinsipper for styring, sikkerhet og datatilgang. Det reduserer friksjonen senere i livssyklusen, når modellene går fra prototyper til arbeidslaster i produksjon.

Denne samordningen blir stadig viktigere fordi de fleste bedrifter fortsatt mangler moden KI-infrastruktur som holder produksjonsstandard. Det er vedvarende mangler innen sikker datatilgang, overvåking, observerbarhet og håndheving av etterlevelse. Dette er ikke isolerte problemer, men strukturelle utfordringer som blir synlige når KI skaleres fra pilotmiljøer til virksomhetskritiske arbeidsflyter.

Et annet stort misforhold mellom prototyping og produksjon oppstår når produksjonsapplikasjoner og databaser må driftes i egne lokaler eller på strengt styrte skykontoer, mens prototypene er utviklet på skybaserte databaseplattformer.

I modne organisasjoner behandles KI-arbeidslaster med samme strenghet som andre regulerte systemer. Det betyr konsekvent logging, strenge tilgangskontroller, kontinuerlig overvåking og klart definerte ansvarsstrukturer mellom team. Det krever også tettere samordning mellom datautvikling, plattformutvikling, sikkerhet og etterlevelse fra starten, ikke som en ettertanke.

Fordelene strekker seg utover redusert risiko. Organisasjonene får også raskere utrullingssykluser, færre produksjonsfeil og større intern tillit til KI-systemene. I denne sammenhengen handler skalering av KI mindre om modellinnovasjon og mer om infrastrukturens modenhet.

Styring er et arkitekturkrav

Til syvende og sist må diskusjonen om KI-styring bevege seg fra bare retningslinjer til arkitektur. 

Styring behandles ofte som en tilsynsfunksjon, men håndheves i praksis gjennom systemene som bestemmer hvordan data gjøres tilgjengelige og brukes. Databasen er ikke bare et lagringslag, men kontrollpunktet for sikkerhet, etterlevelse og driftsmessig integritet i hele KI-teknologistakken.

Etter hvert som KI bygges dypere inn i bedriftenes arbeidsflyter, blir kontrollpunktet betydelig viktigere. Hver samhandling mellom en modell og bedriftsdata blir en hendelse som er underlagt styring, enten organisasjonen uttrykkelig har utformet den slik eller ikke.

Ved å prioritere styring som tar utgangspunkt i infrastrukturen, med start i databaselaget, kan bedrifter lukke gapet mellom pilot og produksjon. Slik flytter de KI fra isolerte eksperimenter til en varig, skalerbar evne integrert i hele organisasjonen.

Phillip Merrick er medgründer og CPO i pgEdge. Gründer, teknolog og erfaren leder med dype røtter i datainfrastruktur og skyplattformer som driver dagens AI-systemer. Medgründer og/eller CEO i webMethods, EDB, SparkPost, Fugue og pgEdge; ledet selskaper fra startup til IPO og tre eksitter i det ni- til tisifrede området.