Företags-AI behöver ackumulerad kontext innan den kan förtjäna autonomi

Föreställ dig att det är måndag morgon, bara några timmar före mötet om kvartalsprognosen. En ekonomichef frågar en AI-agent: ”Varför sjönk bruttomarginalen? Vilka antaganden behöver ändras? Och vad bör företaget göra härnäst?” Inom några sekunder hämtar agenten information från flera system, identifierar en handfull drivkrafter och rekommenderar att företaget skär ned på diskretionära utgifter eller ser över rekryteringsplanen. Svaret är tydligt, detaljerat och rimligt. Ingenting i det verkar uppenbart fel.

Det är det som gör det så farligt. 

En närmare granskning avslöjar flera detaljer som saknas. Agenten använde fel version av prognosen. Den missade en godkänd redovisningsjustering från föregående kvartal. Den tog inte hänsyn till att en region följer andra affärsregler. Inga av de underliggande uppgifterna behövde vara fel; agenten visste helt enkelt inte hur organisationen tolkade uppgifterna eller hur delarna hängde ihop. Problemet ligger inte i modellen på ett sätt som enkelt kan lösas genom att byta till en annan modell. Problemet är att modellen inte känner till den här verksamheten. 

En stor del av utvecklingen inom företags-AI har fokuserat på modellernas förmåga och agenternas autonomi. Men en modell kan inte komma fram till en tillförlitlig slutsats som är specifik för företaget utan att förstå hur organisationen definierar sina siffror och kopplar dem till hur verksamheten bedrivs. 

Det lager som saknas är ackumulerad verksamhetskontext, det vill säga en styrd förståelse av vad företagets data betyder: dess definitioner, samband, antaganden, beräkningar, arbetsflöden, undantag och de beslut som samlas över tid.

Den här kontexten utvecklas genom planering, prognostisering, scenariomodellering, avvikelseanalys, korrigeringar, återkoppling, bokslutsarbete och godkända beslut. Utan den riskerar organisationer att ge AI större ansvar utan att ge den tillräcklig förståelse för verksamheten för att kunna bära det ansvaret på ett tillförlitligt sätt. 

AI:s förmåga utvecklas snabbare än företagens beredskap

Enligt Stanford AI Index 2026 använde 88 % av de tillfrågade organisationerna AI under 2025, men användningen av AI-agenter låg kvar på ensiffriga tal inom nästan alla verksamhetsområden. 

Den här statistiken visar att företag har tillgång till AI-förmågor, men att många inte är redo att låta AI utföra arbete med betydande konsekvenser. Ledare vet att de behöver utveckla verksamheten med AI, men måste fortfarande avgöra om de bygger på rätt nivå för att lösa problemet.

En modell kan läsa data utan att förstå verksamheten

Grundmodeller är bra på mönsterigenkänning, syntes, interaktion på naturligt språk och utforskning av stora datamängder. Även om detta är betydande framsteg blir själva modellen allt mindre särskiljande. 

Den svårare utmaningen för företag är att lära AI vad företagets information betyder och, inte minst, hur den används i beslutsfattande och analys.

Mycket av diskussionen om AI-styrning har handlat om rena data. Det är ett nödvändigt steg, men inte tillräckligt när AI ska införas brett i företag. Två rena datamängder kan fortfarande bygga på olika definitioner, tidsperioder och affärsregler. 

IBM:s vd-studie från 2025 visade att 25 % av AI-initiativen gav förväntad avkastning på investeringen, och att endast 16 % skalades upp i hela företaget. Detta mönster stämmer överens med en större implementeringsutmaning: tillgång till modeller och data garanterar inte att ett AI-system kan förena de organisatoriska regler som avgör hur information ska användas.

Det är enkelt att skaffa mer kapabla modeller. En förståelse som är specifik för företaget måste byggas upp. 

Kontext vid informationshämtning är inte ackumulerad kontext

Mycket av det som beskrivs som kontext inom företags-AI tillförs fortfarande genom informationshämtning när en fråga ställs. Systemet hittar ett relevant dokument, en post eller en datapunkt och använder den för att skapa ett svar. Nästa gång det får en fråga börjar det om från början. 

Informationshämtning är värdefull, men skapar inte i sig ett ackumulerat organisatoriskt minne. Den för lite vidare, vilket innebär att AI:n kan möta verksamheten som en främling vid varje ny interaktion.

Det är som att introducera en briljant ny analytiker varje morgon. Analytikern förstår ekonomi och vet hur man granskar en datamängd, men behöver ändå lära sig hur just det här företaget definierar sina nyckeltal, vilken prognos som gäller, varför ett undantag godkändes och vilka antaganden som gång på gång visar sig vara fel.

Ackumulerad kontext fyller en annan funktion. I stället för att nollställas med varje prompt eller planeringscykel byggs kontexten på över tid. Varje utredning, scenario, korrigering, godkännande och beslut kan bidra till en styrd förståelse av hur organisationen fungerar. Det innebär att senare cykler kan bygga vidare på det som tidigare cykler har fastställt, i stället för att vid varje prompt på nytt upptäcka samma samband, logik och arbetssätt. 

Det betyder inte att allt ska bevaras för all framtid. Användbar företagskontext måste avgränsas med omsorg, kunna korrigeras, ta hänsyn till behörigheter och kunna spåras till sin källa. Organisationer behöver bevara det som är viktigt och samtidigt se till att föråldrade antaganden, tillfälliga undantag och felaktiga tolkningar går att identifiera och ändra över tid.

Förtroende bygger på lagret under modellen

Modellen är den mest synliga delen av ett AI-system, men det är sällan den som avgör om ett företag kan lita på resultatet.

En kapabel modell kan undersöka en avvikelse, utforska möjliga förklaringar och rekommendera en åtgärd. Om ett företag kan förlita sig på rekommendationen beror på arkitekturen runt modellen.

Gartner fann att organisationer som rapporterar framgångsrika AI-initiativ investerar upp till fyra gånger mer, som andel av intäkterna, i grundförutsättningar som datakvalitet, styrning, AI-kompetens och förändringsledning än organisationer med dåliga resultat.

Det styrda kontextlagret är en del av den grunden och ligger mellan källsystem, modeller och affärsåtgärder.

Det är också här intelligens och determinism måste skiljas åt. AI kan undersöka, utarbeta förslag och rekommendera. När en åtgärd har granskats och godkänts bör genomförandet ske via styrda beräkningar, behörighetskontroller, kontroller för återföring av data och revisionsspår. Den flexibilitet som gör en modell användbar för utforskning är inte alltid lämplig när en förändring genomförs i verksamheten.

En modell kan rekommendera vad som bör göras. Den omgivande arkitekturen, inklusive mänskligt godkännande och systemkontroller, avgör vad som får göras.

Begränsningar som gör agenter användbara

Agenter tas i bruk snabbare än de kontrollmekanismer som ska omgärda dem. KPMG fann att andelen organisationer som använder åtminstone vissa AI-agenter ökade från 11 % under första kvartalet 2025 till 42 % under tredje kvartalet. Gartner rapporterade samtidigt att endast 13 % av organisationerna instämde helt i att de hade lämpliga styrningsstrukturer för agenter på plats.

Den skillnaden är viktig eftersom förmåga och befogenhet är separata designbeslut. Ett system kan rent tekniskt ha möjlighet att komma åt en databas, revidera en prognos eller utlösa ett arbetsflöde. Det betyder inte att det ska få göra sådant på egen hand.

Organisationer bör införa tre begränsningar innan de delegerar betydande arbetsuppgifter.

• Skapa en gemensam förståelse

Definitioner, mätetal, hierarkier, räkenskapsårskalendrar och beräkningsregler måste samordnas innan en agent kan resonera konsekvent kring dem.

Man bör inte förvänta sig att AI i tysthet löser meningsskiljaktigheter som organisationen själv inte har hanterat. Utan en gemensam förståelse kan systemet behandla motstridiga definitioner som utbytbara och ge ett svar som är logiskt sammanhängande men felaktigt i verksamheten.

• Avgör vad som ska föras vidare

Organisationer måste fastställa vilka korrigeringar, godkännanden, beslut och resultat som ska bli återanvändbar kontext. De behöver också policyer för lagring, åtkomst och korrigering.

Användbart minne väljs ut och styrs, det samlas inte på hög urskillningslöst. Annars kan ett föråldrat antagande eller ett engångsundantag i det tysta påverka framtida rekommendationer.

• Skilj rekommendation från genomförande

Analys, en rekommendation, ett föreslaget ändringsförslag, genomförande efter mänskligt godkännande och begränsat autonomt genomförande utgör olika befogenhetsnivåer. Agenter bör ha identiteter och behörigheter som är anpassade till respektive nivå.

Utvärderingen måste också omfatta hela handlingskedjan: vilken information som hämtades, vilken kontext som användes, vilka verktyg som anropades, vad som ändrades och om ändringen går att återställa.

Om man bara testar det slutliga svaret missar man de flesta sätt som ett agentbaserat arbetsflöde kan fallera på.

Förmåga beskriver vad en agent kan göra, och styrningen definierar vad den får göra.

Autonomi kräver mer än förmåga

I scenariot om marginalen i inledningen är snabbhet bara användbar om systemet också vet vilken prognos som gäller, vilket undantag som har godkänts, vilken åtgärd det får vidta och vem som fortfarande är ansvarig.

Jag anser att AI i företag bara kommer att vinna förtroende när det för vidare rätt kontext och kan visa hur det kom fram till ett resultat med betydande konsekvenser.

Organisationer bör bygga upp det här kontext- och kontrollagret innan de utökar agenternas autonomi. Arbetet kommer att förändras, men ansvaret kommer inte att flyttas.