Varför Agentic AI kommer att misslyckas utan tillförlitliga tillgångsdata

Agentic AI flyttar snabbt från diskussion till distribution i tillgångsintensiva branscher. Till skillnad från generativ AI, som sammanfattar information eller utarbetar rekommendationer, kan agentic AI ta ett mål, bryta det ner i steg, hämta data från flera system och agera på det. Den kan granska underhållshistorik, kontrollera öppna arbetsorder, jämföra besättnings scheman och generera en rekommendation utan att en person behöver manuellt ansluta varje bit av information.

Den här funktionen är exakt varför så många organisationer flyttar snabbt för att anta det. Enligt 2026 Gartner CIO och teknikutvecklingsundersökning, har endast 17% av organisationerna distribuerat AI-agenter, medan mer än 60% förväntar sig att göra det inom de närmaste två åren. Det är snabbare än för någon annan ny teknik som ingår i undersökningen.

I distributionerna jag har stött, har teamen länge spenderat för mycket tid på att växla mellan system, kalkylblad, inspektionsanteckningar och e-postmeddelanden bara för att fatta ett enda operativt beslut. Agentic AI lovar att minska den friktionen, hjälpa planerare att förbereda arbete snabbare och ge tekniker en tydligare bild av tillgångshistorik utan att förlita sig enbart på institutionell minnesförmåga.

Men det löftet kommer med en hake som är lätt att förbise i rusningen att distribuera: från vad jag har sett, är agentic AI mindre ett modellproblem än ett operativt förtroendeproblem.

I tillgångsintensiva branscher som t.ex. energi, transport, gruvdrift, telekommunikation och tillverkning, är en AI-agent bara så bra som de data den agerar på. Om dessa data är ofullständiga, föråldrade eller inkonsekventa, behöver agenten inte nödvändigtvis misslyckas högljutt. Den kan misslyckas med tillförsikt, rekommendera arbete på fel tillgång, missa en beroende, underskatta risk eller missbedöma vad som ska prioriteras.

Mata en agent med dåliga data, och den kommer inte att skala intelligens. Den kommer att skala operativ risk.

De gamla dataproblemen, i en ny hastighet

De datorkvalitetsproblem som agentic AI exponerar är inte nya. Under mer än 17 år av arbete med system och företags tillgångshantering, har jag sett samma problem dyka upp om och om igen: duplicerade poster, saknade tillgångsrelationer, inkonsekventa namngivningskonventioner, föråldrade kritikalitetsbetyg och dålig felkodning under år.

Vad som har förändrats är inte problemens natur, utan deras potentiella räckvidd.

En erfaren tekniker kan upptäcka en dålig post innan de agerar på den, med stöd av år av institutionell kunskap som aldrig fångades i systemet. En AI-agent har inte den instinkten. Den kan bearbeta tusentals poster mycket snabbare än en person kan granska dem manuellt, och tillämpa samma felaktiga antagande i skala innan någon märker det.

Det bredare företagsimplementeringsproblemet är redan synligt. En preliminär 2025 MIT Project NANDA-rapport fann att 95% av de undersökta organisationerna inte hade uppnått mätbar vinst- och förlustpåverkan från sina generativa AI-initiativ. Rapporten tillskrev klyftan främst till inlärnings- och integrationsgap, inklusive verktyg som inte behöll kontext eller anpassade sig effektivt till befintliga arbetsflöden. I tillgångsintensiva operationer där en dålig rekommendation kan påverka fysisk utrustning snarare än bara en instrumentpanel, är gapet mellan AI-ambition och dataverklighet ännu mer betydelsefullt.

Där dåliga data blir ett farligt beslut

I operativa miljöer blir konsekvenserna fysiska.

Ta underhållsprioritering. Om en agent inte kan se en nylig fel, en försenad arbetsorder eller en förändring i en tillgångs tillstånd, kan den tilldela fel prioritet. Detta kan skapa onödigt arbete på ett område medan en större risk tillåts förbli olöst på ett annat ställe.

Insatserna ökar ytterligare när tillgångsrelationer i sig är felaktiga. Det är den scenariot som höjer en röd flagga. Om ett system inte korrekt återger vilka tillgångar som är anslutna, vilken utrustning som måste isoleras innan arbetet påbörjas eller vilka begränsningar som gäller på en viss plats, kan dess rekommendationer bli verkligt farliga.

Därför bör organisationer tänka noga innan de ger agentic AI full autonomi över kritiska beslut. Den frivilliga NIST AI Risk Management Framework erbjuder en struktur för att inkorporera tillförlitlighet genom hela en AI-systems livscykel snarare än att bara adressera det efter distribution. AI kan samla in information snabbt, presentera alternativ och sammanfatta bevisen bakom en rekommendation. Men när säkerhet, regelefterlevnad eller servicetillförlitlighet är på spel, behöver människor förbli involverade.

Åtminstone initialt bör målet vara AI som stöder beslut, inte AI som fattar dem ensam.

Varför företags tillgångshantering är grunden, inte bakkontoret

Företags tillgångshantering, eller EAM, är där operativ verklighet är organiserad. Det är där arbetsorder, underhållsstrategier, inspektioner, godkännanden, tillgångsrelationer och utrustningshistorik är registrerade och hanterade.

En stark EAM-grund ger en AI-agent tillförlitliga operativa data att arbeta med. En svag grund är troligen att bli utsatt nästan omedelbart. En EY-analys av AI-aktiverad företags tillgångshantering betonar likaså rollen för realtidsdata och analyser i att flytta organisationer från reaktiv till proaktiv underhåll.

Snarare än att behandla EAM som ett bakkontorssystem, bör organisationer som förbereder sig för agentic AI behandla det som en del av den operativa kontrollskiktet. Det formar vad AI kan komma åt, vilka processer den måste följa, vilka bevis den förlitar sig på och var mänskligt godkännande fortfarande krävs.

EAM hjälper också till att ge sammanhanget bakom ett operativt beslut. En underhållsrekommendation bör inte baseras enbart på tillståndet för en enskild tillgång. Den kan också bero på tillgångens kritikalitet, nyliga fel, ansluten utrustning, tillgängliga delar, säkerhetsförfaranden, besättnings tillgänglighet och den effekt som driftstopp skulle ha på den bredare verksamheten.

Utan det sammanhanget kan även en tekniskt sofistikerad AI-agent rekommendera fel kurs.

Är dina data verkligen “AI-klara”?

Snarare än att starta en bred och abstrakt datakvalitetsgranskning, är organisationer bättre betjänta av att börja med ett specifikt användningsfall, som t.ex. AI-assisterad underhållsplanering, och ställa riktade frågor.

Detta är de frågor jag ställer först: Kan vi lita på tillgångshierarkin? Är felhistoriken tillförlitlig? Är jobbplanerna aktuella? Är besättnings tillgänglighet korrekt? Är säkerhetsplaner uppdaterade?

Data behöver inte vara perfekta. Få organisationer kommer någonsin att ha perfekta operativa data. De behöver vara korrekta, aktuella och väl hanterade nog för att AI ska kunna stödja människor som fattar beslut.

Detta tillvägagångssätt gör också dataförbättringen mer hanterbar. Snarare än att försöka rensa varje post över hela organisationen, kan team fokusera på den information som direkt påverkar det valda användningsfallet.

Riskerna med att göra detta fel är inte jämnt fördelade. Branscher där digitala beslut påverkar fysiska operationer bär den största exponeringen, vilket är varför NIST utvecklar en dedikerad AI Risk Management Framework-profil för att vägleda kritisk infrastrukturoperatörer som använder AI-aktiverade funktioner. I en lägre riskprocess kan en dålig AI-rekommendation orsaka besvär eller extra arbete. I ett elkraftnät, vattensystem, gruva, transportnät eller telekommunikationsmiljö kan det påverka säkerhet, orsaka driftstopp, skapa regelefterlevnadsproblem eller störa tjänsten.

Det betyder inte att dessa branscher bör undvika agentic AI. Det betyder att de behöver vara mer medvetna om datakvalitet, styrning och mänsklig tillsyn innan de ökar dess ansvar.

En praktisk väg till Agentic AI

En praktisk implementeringsväg börjar med ett specifikt användningsfall där AI kan lägga till värde utan att införa alltför stor risk.

Därifrån bör organisationen kartlägga de data som användningsfallet är beroende av och ärligt bedöma om den informationen kan lita på. Team bör sedan korrigera de mest kritiska tillgångsdata, tilldela tydligt ägarskap och standardisera hur arbete, fel och operativa förändringar registreras.

AI bör operera inom befintliga styrprocesser snarare än runt dem. I de tidiga skedena kan agenten stödja planerare, tillförlitlighetsteam och tekniker genom att samla in information, identifiera mönster och rekommendera möjliga åtgärder.

Detta ger organisationen tid att jämföra agentens rekommendationer med verkliga resultat, identifiera data luckor och bekräfta att nödvändiga kontroller fungerar.

Först när resultaten är förstådda bör organisationen överväga att ge AI större ansvar. Autonomi bör öka gradvis och endast när de associerade riskerna är tydliga, kontrollerade och granskbara.

En lyckad agentic AI-strategi kopplar AI till tillförlitliga tillgångsdata och starka EAM-arbetsflöden, stödd av tydlig styrning och mänskligt ansvar. Deloittes 2026 State of AI in the Enterprise når samma slutsats från toppen och ner, beskriver en enhetlig, tillförlitlig datagrund som avgörande för att skala AI. Organisationer förblir ansvariga för de åtgärder som AI rekommenderar eller vidtar. Det ansvar försvinner inte bara för att ett beslut genererades av en algoritm.

Agentic AI bör förtjäna sin plats i verksamheten, inte bli given den. Börja smalt, kontrollera dess rekommendationer mot vad som faktiskt händer, åtgärda data luckor som dyker upp och expandera dess roll endast när bevisen motiverar det. Jag skulle hellre se en agent förtjäna ett litet förtroende och behålla det än bli given ett stort förtroende och förlora det. I tillgångsintensiva branscher är den tålamod skillnaden mellan AI som förtjänar förtroende och AI som tyst förlorar det.