Att skala upp AI ska inte innebära att man måste bygga om datagrunden varje gång

Planeringssäsongen för 2027 står för dörren för företag, och AI-investeringar står återigen högt på ledningsgruppernas agenda. Akeneos senaste undersökning bland IT-beslutsfattare visade att 93 % rapporterade produktivitetsvinster med AI, men samtidigt uppgav 43 % att AI också har medfört nya ansvarsområden i deras roller.

Resultaten visar hur mycket grundarbete som krävs för att förverkliga AI-projekt. Databeredning utgör en betydande del av arbetet. Bland de IT-chefer som Akeneo tillfrågade uppgav 36 % att deras organisationer lägger mer än hälften av den totala arbetsinsatsen för ett AI-projekt på att förbereda data. Ytterligare 53 % uppgav att de lägger mellan 26 % och 50 % av arbetsinsatsen för sina AI-projekt på databeredning. Även om detta förberedelsearbete är nödvändigt ligger möjligheten i att se till att arbetet med en AI-implementering kan återanvändas som stöd för nästa.

AI kan eliminera arbetsuppgifter inom en del av verksamheten och samtidigt skapa nya uppgifter för IT-team, som förbereder data och återskapar sammanhang inför varje ny implementering. Möjligheten nu är att göra mer av arbetet återanvändbart, så att varje implementering bygger vidare på den föregående i stället för att börja från början.

Människan i centrum för AI

Människor är fortsatt centrala i alla AI-pilotprojekt och implementeringar. IT-team är involverade under hela livscykeln för ny teknik, från att förstå verksamhetens behov och utvärdera lösningar till implementering, utbildning, processutveckling och löpande säkerhetsarbete. Med tiden kan teamen låta bli att dokumentera undantagen och de oskrivna regler de stöter på, däribland fall där samma term definieras olika i olika system. Det sammanhanget blir ofta en del av den institutionella kunskap som enskilda teammedlemmar besitter, snarare än information som hela organisationen på ett tillförlitligt sätt kan komma åt.

Arbetet kan fortsätta tills personen som känner till svaret inte längre är tillgänglig. När anställda byter roll, lämnar organisationen eller helt enkelt inte är tillgängliga när ett problem uppstår, går sammanhanget förlorat. Om kunskapen fångas upp i ett strukturerat format som är digitalt tillgängligt kan fler än en enskild person ta del av den. Det gör också att enskilda team kan behålla ägarskapet över sin expertis, samtidigt som kunskapen kan nås och återanvändas i hela organisationen i stället för att upptäckas på nytt vid varje ny implementering.

Goda data är inte alltid data som är redo för AI

Det är frestande att beskriva allt detta som ännu ett datakvalitetsproblem, men Akeneos undersökning pekar på något mer komplext. 92 % av IT-cheferna bedömer att produkt- och verksamhetsdata som deras AI-system använder är bra eller utmärkta. Trots det lägger den stora majoriteten mer än en fjärdedel av den totala arbetsinsatsen för ett AI-projekt på databeredning.

Goda data innebär inte automatiskt att de är redo för AI, särskilt eftersom vad som räknas som ”bra” kan bero på vem eller vad som använder dem. Modeller och agenter behöver mer än korrekt information. De måste förstå varifrån data kommer, hur de förhåller sig till annan information, vilken källa som ska prioriteras och under vilka förutsättningar de får användas. Sådana regler är lätta att förbise eftersom de ofta är underförstådda i det sätt som erfarna team redan arbetar på.

McKinseys senaste forskning om datas beredskap för AI lyfter på liknande sätt fram betydelsen av sammanhang. All information är inte värdefull för modeller eller agenter. Men när information är värdefull måste sammanhanget kunna föras vidare. När information flyttas från sin ursprungliga källa måste dess ursprung och kopplingar till närliggande data förbli tydliga, så att dess innebörd inte går förlorad.

Det är här arkitekturen bakom AI blir minst lika viktig som själva modellen. Till skillnad från traditionell programvara kan stora språkmodeller ofta arbeta med fragmenterade data och system som inte är sammankopplade, även när informationen är strukturerad eller märkt på olika sätt i olika källor. De kan identifiera samband som kanske inte tidigare har definierats uttryckligen. Den större utmaningen är att data helt saknas. När modeller och agenter arbetar över flera system måste den information och det sammanhang de behöver finnas och vara tillgängliga från början.

PwC:s forskning från 2026 om glappet mellan AI-ambitioner och genomförande visade att integration fortfarande är den främsta orsaken till att teknikens investeringar inte lever upp till förväntningarna. Det tar tid att koppla samman ett omfattande nätverk av ostrukturerade data, vilket ofta bromsar projekt innan de når fullskalig implementering.

Det arbete som krävs för att lösa sådana problem vid en implementering kan göra nästa implementering enklare.

Gör AI-infrastrukturen återanvändbar

I ett enskilt AI-projekt kan en stor del av förberedelsearbetet ske bakom kulisserna. IT-teamen åtgärdar inkonsekvenser, förbereder den information som en applikation behöver och integrerar den med andra system för att få projektet i drift.

Problemet uppstår när arbetet bara löser det omedelbara behovet. Databeredning kommer alltid att vara en del av AI-implementering, men mycket av arbetet bör kunna föras vidare. Om ett team upptäcker att samma fält eller term har olika betydelser i två system bör arbetet med att reda ut tvetydigheten leda till en definition som framtida applikationer kan återanvända. Om teamet avgör vilken källa som ska anses tillförlitlig när systemen inte är överens bör det beslutet följa med till framtida implementeringar.

Samma princip gäller för integrationer. I stället för att skapa en ny väg till produkter och information för varje modell eller agent bör organisationer etablera enhetliga sätt för AI-system att hitta och använda tillförlitlig information.

Den första implementeringen kan fortfarande kräva betydande arbete, eftersom teamen upptäcker definitioner, samband och undantag som tidigare fanns i människors erfarenhet. Det arbetet kan tas till vara även framöver, i takt med att organisationens samlade kunskap i allt högre grad blir en del av dess infrastruktur. Efterföljande driftsättningar kan dra nytta av det arbetet, och nyttans omfattning beror på hur mycket gemensamt som finns i deras data och användningsområden.

Det blir allt viktigare i takt med att AI går från att generera svar till att börja utföra åtgärder i företagssystem. NIST:s initiativ för standarder för AI-agenter betonar vikten av att agenter kan samverka säkert med interna data och externa system. När agenter får större ansvar och samverkar med fler system och modeller måste organisationer se till att rätt sammanhang och kontroller finns på plats för varje användningsområde, utan att behöva börja om helt.

Styrning måste bli en del av miljön

Återanvändbar infrastruktur kräver också återanvändbar styrning. EY:s undersökning om AI-risker och AI-styrning från september 2026 visade att 91 % av ledande AI-chefer uppgav att deras organisationer testade eller driftsatte agentisk AI, men att 49 % av de svarande vars organisationer använder agenter sade att deras befintliga styrningsramverk inte hade uppdaterats specifikt för agentisk AI:s krav och risker.

I takt med att AI får större ansvar inom en affärsprocess måste reglerna för processen bli en del av den miljö där AI:n verkar. En agent kan ha möjlighet att självständigt komma åt viss information, medan andra steg i processen kan kräva mänsklig granskning eller godkännande innan den får gå vidare. Sådana beslut kan inte enbart finnas i ett policydokument eller i någons förståelse av hur processen är tänkt att fungera.

Styrningsbeslut måste sträcka sig bortom interna granskningar och omfatta de system där AI verkar. De policyer, behörigheter och godkännandesteg som vägleder ett system bör definieras som en del av själva driftsättningen. Om dessa kontroller inte byggs in i systemet tvingas teamen tolka policyer och behörigheter på nytt varje gång ett nytt AI-användningsområde driftsätts.

Förberedelser inför nästa våg av AI

När företag börjar använda sina växande AI-budgetar under 2027 kommer IT-teamen att ansvara för ett allt större antal modeller, integrationer och system. Det större testet blir om organisationerna bygger infrastruktur som klarar av att stödja det som kommer härnäst.

Om teamen fortfarande löser samma definitionsfrågor, bygger om samma kopplingar och översätter samma regler kan AI växa snabbare än den infrastruktur som behövs för att stödja den.

Det ger ett annat sätt att se på AI-beredskap. Framsteg bör inte enbart mätas i hur många modeller eller agenter som tas i produktion, utan också i om varje implementering gör företaget bättre förberett inför nästa.

AI gör redan enskilda arbetsuppgifter snabbare. Nästa produktivitetsökning kommer av att göra arbetet bakom systemen enklare att återanvända. AI integreras i allt högre grad i affärsprocesser, vilket gör att fler system behöver bygga på samma datagrund. Att bygga den grunden nu avgör hur enkelt organisationer kan ta nästa generation AI i bruk.