Text: Jan Hygstedt, Nordenchef på Denodo

Generativ AI är inte längre något som tillhör framtiden. Den är redan här, och många svenska företag har börjat experimentera. Men trots investeringar i data lakes och molnbaserade datalager skapas ofta flaskhalsar som hindrar projekten från att leverera det värde som finns inom räckhåll.

I teorin sägs det att lakehouse-arkitekturer ska kombinera flexibiliteten hos data lakes med styrningen från datalager. Det låter bra i teorin, men i praktiken ser vi gång på gång att företagens data fortfarande är utspridd i silos och att AI-modellerna inte får den data de behöver när de behöver den.

Vad är det egentligen som händer?

GenAI kräver mer än bara stora språkmodeller och processorkraft. Den kräver också att all relevant data, från patientjournaler och produktionsdata till ekonomiska transaktioner, är direkt tillgängliga och konsekventa. Lakehouse-lösningar erbjuder visserligen en struktur, men de löser inte automatiskt problemet med att koppla samman alla dessa källor i realtid.

Resultatet?

Sjukvården: Kliniker som vill använda GenAI för att ge personal beslutsstöd eller skriva bättre journalanteckningar – möts av patientdata som ligger utspridda i olika system, med oförenliga format och inkonsekvent kvalitet.

Banker: Banker som vill låta AI generera personliga riskanalyser och investeringsråd får ofta vänta i timmar, eller dagar, på att data ska samlas in från olika avdelningar innan AI:n kan ge svar.

Tillverkningsindustrin: Industribolag som försöker använda AI för att förutsäga maskinunderhåll eller optimera produktionslinjer tvingas arbeta med ofullständig data, eftersom sensor- och lagerdata inte kan konsumeras i realtid.

Så vad krävs för att lösa flaskhalsarna?

Det handlar inte om ännu en migrering eller en dyr ETL-process. Det handlar om att skapa ett semantiskt, virtuellt lager som gör data tillgänglig där den finns – direkt och i realtid.
För att lyckas behöver man kunna koppla samman patientdata, ekonomiska data och produktionsdata utan att duplicera den. Dessutom måste systemen tala ett gemensamt dataspråk så att termer som “kund”, “patient” eller “order” betyder samma sak i alla system. Först då kan organisationer med hjälp av AI hämta och analysera data utan att tappa vare sig fart eller precision.

Potentialen om vi lyckas

Företag och organisationer som tar itu med flaskhalsarna nu kommer inte bara att få ut värde ur sina GenAI-projekt – de kommer också att skapa en ny nivå av effektivitet och konkurrensfördelar.

Inom sjukvården kan AI erbjuda mer skräddarsydd vård, snabbare diagnoser och bättre resursanvändning.

Bankerna kan erbjuda kunderna råd och tjänster som bygger på realtidsinsikter – inte gamla datafiler.

Industrin kan skapa smartare fabriker där AI-optimerade flöden kan förutsäga avbrott innan de inträffar.

Men de som inte gör det? De riskerar att fastna i samma mönster som vi sett i decennier: projekt som aldrig lämnar pilotstadiet, data som blir ett hinder istället för en katalysator, och AI som förblir en vision snarare än verklighet.

Generativ AI är redo. Datan finns där. Nu är det dags att även din dataarkitektur blir det.