Å skalere KI skal ikke bety at man må bygge opp datagrunnlaget på nytt hver gang

Planleggingssesongen for 2027 nærmer seg for store virksomheter, og KI-investeringer står igjen øverst på agendaen i toppledelsen. Akeneos nylige undersøkelse blant IT-beslutningstakere viste at 93 % rapporterte om produktivitetsgevinster fra KI, men 43 % sa at KI også hadde ført til nye ansvarsområder i rollene deres.

Disse funnene viser hvor mye grunnarbeid som kreves for å realisere KI-prosjekter. Særlig dataklargjøring utgjør en betydelig del av arbeidet. Blant IT-lederne Akeneo spurte, sa 36 % at organisasjonene deres bruker mer enn halvparten av den samlede innsatsen i et KI-prosjekt på å klargjøre data. Ytterligere 53 % oppga at de bruker mellom 26 % og 50 % av innsatsen i KI-prosjektet på dataklargjøring. Selv om denne klargjøringen er nødvendig, ligger muligheten i å sørge for at arbeidet som gjøres for én KI-utrulling, kan gjenbrukes til å støtte den neste.

KI kan fjerne arbeidsoppgaver i én del av virksomheten, samtidig som det skaper et annet sett med oppgaver for IT-teamene, som må klargjøre data og bygge opp konteksten på nytt for hver nye utrulling. Muligheten nå er å gjøre mer av dette arbeidet gjenbrukbart, slik at hver utrulling bygger videre på den forrige i stedet for å starte fra bunnen av.

Menneskelig kontekst står sentralt i KI

Mennesker står fortsatt sentralt i alle KI-piloter og -utrullinger. IT-teamene er involvert gjennom hele livssyklusen til ny teknologi, fra å forstå virksomhetens behov og evaluere løsninger til implementering, opplæring, utvikling av prosesser og løpende sikkerhetsarbeid. Over tid kan team unnlate å dokumentere unntakene og de uskrevne reglene de støter på, blant annet tilfeller der samme begrep defineres forskjellig på tvers av systemer. Denne konteksten blir ofte til institusjonell kunnskap som enkeltmedarbeidere sitter på, i stedet for informasjon som resten av organisasjonen på en pålitelig måte kan få tilgang til.

Dette arbeidet kan fortsette helt til personen som kjenner svaret, ikke lenger er tilgjengelig. Når ansatte bytter rolle, forlater organisasjonen eller rett og slett ikke er tilgjengelige når et problem oppstår, går konteksten tapt. Når kunnskapen fanges opp i et strukturert format som er digitalt tilgjengelig, blir den tilgjengelig for flere enn én enkeltperson. Det gjør det også mulig for de enkelte teamene å beholde eierskapet til sin ekspertise, samtidig som kunnskapen kan nås og gjenbrukes i hele organisasjonen, i stedet for å måtte oppdages på nytt for hver nye utrulling.

Gode data er ikke alltid KI-klare

Det er fristende å beskrive alt dette som enda et problem med datakvaliteten, men Akeneos forskning tyder på at saken er mer sammensatt. 92 % av IT-lederne vurderer produkt- og driftsdataene som KI-systemene deres bruker, som gode eller svært gode. Dette til tross for at det store flertallet bruker mer enn en fjerdedel av den samlede innsatsen i et KI-prosjekt på dataklargjøring.

Gode data er ingen garanti for at de er KI-klare, særlig fordi hva som regnes som «godt», kan avhenge av hvem eller hva som bruker dem. Modeller og agenter trenger mer enn nøyaktig informasjon. De må forstå hvor dataene kommer fra, hvordan de henger sammen med annen informasjon, hvilken kilde som skal prioriteres, og under hvilke betingelser de kan brukes. Disse reglene kan være lette å overse fordi de ofte ligger implisitt i måten erfarne team allerede arbeider på.

McKinseys nylige forskning på hvor klare dataene er for KI fremhever på lignende måte betydningen av kontekst. Ikke all informasjon vil være nyttig for modeller eller agenter. Men når informasjon er nyttig, må konteksten kunne videreformidles. Når informasjon flyttes bort fra den opprinnelige kilden, må opphavet og forbindelsene til omkringliggende data fortsatt være tydelige, slik at meningsinnholdet ikke går tapt.

Det er her arkitekturen bak KI begynner å bli like viktig som selve modellen. I motsetning til tradisjonell programvare kan store språkmodeller ofte arbeide på tvers av fragmenterte data og frakoblede systemer, selv når informasjonen er strukturert eller merket forskjellig i ulike kilder. De kan identifisere forbindelser som kanskje ikke har vært uttrykkelig definert tidligere. Den større utfordringen er at dataene mangler helt. Når modeller og agenter arbeider på tvers av systemer, må informasjonen og konteksten de trenger, finnes og være tilgjengelig fra starten av.

PwCs forskning fra 2026 på gapet mellom KI-ambisjoner og gjennomføring viste at integrering fortsatt er den viktigste årsaken til at teknologi investeringer ikke innfrir forventningene. Det tar tid å koble sammen et omfattende nettverk av ustrukturerte data, noe som ofte forsinker prosjekter før de når full utrulling.

Arbeidet som kreves for å løse disse problemene i én implementering, kan gjøre den neste enklere.

Gjør KI-infrastrukturen gjenbrukbar

I et enkelt KI-prosjekt kan mye av denne klargjøringen foregå i bakgrunnen. IT-teamene retter opp inkonsekvenser, klargjør informasjonen en applikasjon trenger, og integrerer applikasjonen med andre systemer for å sette prosjektet i produksjon.

Problemet oppstår når arbeidet bare løser det umiddelbare behovet. Dataklargjøring vil alltid være en del av KI-utrullingen, men mye av innsatsen bør kunne videreføres. Hvis et team oppdager at det samme feltet eller begrepet har ulik betydning i to systemer, bør avklaringen føre til en definisjon som fremtidige applikasjoner kan gjenbruke. Hvis teamet avgjør hvilken kilde som skal anses som pålitelig når systemer er uenige, bør denne beslutningen også gjelde for fremtidige utrullinger.

Det samme prinsippet gjelder integrasjoner. I stedet for å opprette en ny vei til produkter og informasjon for hver modell eller agent bør organisasjoner etablere enhetlige måter KI-systemer kan finne og bruke pålitelig informasjon på.

Den første implementeringen kan fortsatt kreve betydelig arbeid fordi teamene avdekker definisjoner, sammenhenger og unntak som tidligere lå i folks erfaring. Dette arbeidet kan videreføres etter hvert som organisasjonens institusjonelle kunnskap i stadig større grad blir en del av infrastrukturen. Senere utrullinger kan dra nytte av dette arbeidet, og hvor mye de får ut av det, avhenger av hvor mye felles grunnlag det finnes på tvers av dataene og bruksområdene deres.

Dette blir stadig viktigere etter hvert som KI går fra å generere svar til også å utføre handlinger på tvers av virksomhetssystemer. NISTs initiativ for standarder for KI-agenter understreker hvor viktig det er at agenter kan samhandle sikkert med interne data og eksterne systemer. Etter hvert som agentene får mer ansvar og samhandler med flere systemer og modeller, må organisasjoner sørge for at riktig kontekst og kontrollmekanismer er på plass for hvert bruksområde, uten å måtte begynne helt på nytt.

Styring må bli en del av omgivelsene

Infrastruktur som kan gjenbrukes, krever også styring som kan gjenbrukes. EYs undersøkelse om KI-risiko og -styring fra september 2026 viste at 91 % av ledende KI-ledere sa at organisasjonene deres testet eller tok i bruk agentisk KI, men at 49 % av respondentene i organisasjoner som bruker agenter, sa at de eksisterende rammeverkene for styring ikke var blitt oppdatert spesifikt med tanke på kravene og risikoene knyttet til agentisk KI.

Etter hvert som KI får mer ansvar i en forretningsprosess, må reglene som styrer prosessen, bli en del av omgivelsene KI opererer i. En agent kan ha mulighet til å hente fram visse opplysninger på egen hånd, mens andre punkter i prosessen kan kreve menneskelig gjennomgang eller godkjenning før den kan fortsette. Slike beslutninger kan ikke bare stå i et policydokument eller være basert på noens forståelse av hvordan prosessen er ment å fungere.

Beslutninger om styring må omfatte mer enn interne gjennomganger og også gjelde systemene KI opererer i. Retningslinjene, tilgangstillatelsene og godkjenningspunktene som styrer et system, bør defineres som en del av selve utrullingen. Hvis disse kontrollmekanismene ikke bygges inn i systemet, må teamene tolke retningslinjer og tilgangstillatelser på nytt hver gang et nytt KI-bruksområde tas i bruk.

Slik forbereder du deg på neste bølge av KI

Når virksomheter setter sine voksende KI-budsjetter i arbeid i 2027, får IT-teamene ansvar for stadig flere modeller, integrasjoner og systemer. Den største prøven blir om organisasjonene bygger infrastruktur som kan støtte det som kommer.

Hvis teamene fortsatt må avklare de samme definisjonene, bygge opp de samme forbindelsene på nytt og oversette de samme reglene, kan KI vokse raskere enn infrastrukturen som skal støtte den.

Dette gir en annen måte å tenke på beredskap for KI. Framgang bør ikke bare måles etter hvor mange modeller eller agenter som settes i produksjon, men også etter om hver implementering gjør virksomheten bedre rustet for den neste.

KI gjør allerede enkeltoppgaver raskere. Den neste produktivitetsgevinsten kommer av å gjøre arbeidet bak disse systemene enklere å gjenbruke. KI integreres stadig mer i forretningsprosesser, noe som gjør at flere systemer må bygge på det samme datagrunnlaget. Å bygge dette grunnlaget nå vil avgjøre hvor enkelt organisasjoner kan ta i bruk neste generasjon KI.