Din AI-agent är bara lika bra som ditt arkiveringssystem

Den 30 december 2025 levererade Danmarks posttjänst det sista brevet i sin 401‑åriga historia. De 1 500 återstående brevlådorna togs bort från gatorna under det året. Samtidigt godkände den tyska federala regeringen i juli 2026 GeDIG, lagen om hälso‑data och digital innovation, som fasar ut faxen från läkares kontor till hösten 2029 och gör elektroniska remisser obligatoriska.

Så, hur kommer det sig att ett land kan genomföra sådana förändringar medan ett annat fortfarande fasar ut sitt beroende av faxmaskiner under detta århundrade? Med hänsyn till varje lands användning av AI i näringslivet använde 42 % av danska företag minst en AI‑teknik år 2025, den högsta andelen i Europa. Tyskland låg på 26 %, över EU‑genomsnittet men sexton procentenheter bakom Danmark.

För mig pekar kontrasten på att vi bör ompröva våra föreställningar om AI‑adoption. Speciellt föreställningen att modellvalet är startpunkten för AI‑adoption, och att vi ignorerar förutsättningarna i systemen kring modellen. Båda länderna har tillgång till samma modeller och molnleverantörer, men skillnaden ligger i huruvida affärs‑ och offentliga processer redan producerar pålitliga digitala register. Eftersom en AI‑agent inte arbetar med verkligheten direkt, utan med den version av verkligheten som finns i ett system, medför detta naturligtvis vissa begränsningar.

Den första begränsningen: Informationen digitaliserades aldrig

En agent kan inte hämta ett dokument som aldrig har kommit in i systemet. Organisationsflödets utformning bestämmer vad en agent ens kan uppfatta som en uppgift.

På landsnivå visar Eurostat‑data att företags‑AI‑adoption korrelerar med digitaliseringen av administrativa processer. Den centrala mekanismen är dock att länder där medborgarna redan får officiella dokument digitalt har färre off‑system‑interaktioner för företag att avstämma, vilket minskar den tolkning som krävs innan AI kan användas säkert i verksamheten.

På företagsnivå visar en IZA‑studie från 2026 av 1 907 danska företag att en ökning av digitalisering med en standardavvikelse är förknippad med 8–10 procentenheter högre sannolikhet att anta centrala AI‑system. Detta tyder på att AI‑adoption beror på om företagets interna verksamhet redan är organiserad på ett digitalt strukturerat, maskinläsbart sätt. Om processerna är fragmenterade finns det lite stabil information för AI‑system eller agenter att agera på.

Det kan också hjälpa till att förklara varför policy‑driven digitalisering inte automatiskt leder till AI‑beredskap. Italiens obligatorisk B2B‑e‑fakturering skapade en helt digital kanal, men den totala AI‑adoptionen ligger fortfarande under EU‑genomsnittet. Att digitalisera ett enda steg eliminerar inte det omgivande analoga systemet.

Den andra begränsningen: Informationen finns bara i någons huvud

Människor driver verksamheter, vilket innebär att de oftast känner till detaljer som AI:n inte gör. En ekonomiadministratör vet att en hyresgäst betalade kontant, men betalningen registrerades aldrig i bokföringssystemet. Som en följd stämmer inte bankens register och systemet överens. Administratören förstår varför, medan AI bara ser inkonsekventa data. En fastighetsförvaltare minns att en hyresvärd bad om att inte bli kontaktad på två veckor. Ett team känner till en lösning för en byggnad eller kund, men ingen har dokumenterat den.

ClarEval testade uppgifter med saknade mål, saknade premisser och tvetydig terminologi. Modellens prestanda föll från cirka 89 % efter förtydligande till ungefär 9 % när tvetydigheten förblev olöst. Samtidigt fann Ambig‑SWE att låta en modell ställa frågor till en användare som innehar den saknade informationen återställde upp till 74 % av den förlorade prestandan. Detta innebär att ingenjörer bör bygga ett system som redan från början kan begära förtydliganden.

Den tredje begränsningen: Informationen finns men kan inte överföras

Viss data är tillgänglig inom företaget men kan ändå inte nå modellen på grund av sekretessregler, säkerhetskontroller, kontrakt eller intern policy.

En studie baserad på sju år av molndata fann att GDPR — EU:s centrala dataskyddslag—minskade datalagring med 26 % och bearbetning med 15 % bland EU‑företag jämfört med motsvarande amerikanska företag. Med andra ord gjorde sekretessreglerna företagen mindre dataintensiva genom att begränsa hur mycket information de kunde behålla och bearbeta för analys och AI. Generativ AI‑adoption var nästan lika stor, 37 % av EU‑företagen och 36 % av de amerikanska. Men klyftan i djupet av AI‑adoption är stor, med 81 % av amerikanska företag som använder AI i minst två interna processer, jämfört med 55 % i EU. En möjlig förklaring är att information som redan finns inom organisationer ofta är svårare att återanvända för AI i Europa. Kundsupportkonversationer innehåller till exempel ofta personuppgifter som samlats in för att lösa kundproblem. Enligt GDPR:s ändamålsbegränsningsprincip (Artikel 5(1)(b)) får dessa data inte helt enkelt återanvändas för AI‑träning utan en giltig rättslig grund. Amerikanska företag möter generellt färre motsvarande federala begränsningar för återanvändning av sådan data.

Hur man bygger rätt system

Hämtning fungerar bara när svaret finns i systemet. Agenter bör fråga när information saknas, aldrig gissa, och omvandla samtal eller informella beslut till strukturerade register. Företag bör också avskaffa parallella pappersarbetsflöden eftersom om en uppgift kan ske utanför systemet blir en del av kontexten osynlig.

Varje företag måste förhålla sig till sina egna luckor. Mät om ett faktum som behövs för att agera korrekt fanns i systemet eller inte. Testa arbetsflödena med och utan de uteslutna sekretessgranskningsfälten. Slutligen, för det arbetsflöde som kan slutföras på papper är det den agenten som byggs sist.

Agenter kan förbättra mänsklig produktion, men de reparerar inte det som saknas.