Text: Jan Hygstedt, Regional Director, Nordics på Denodo

När svenska företag skalar upp sina AI-satsningar handlar kostnadsdiskussionen ofta om fel saker. Vilken AI-modell ska vi välja? Vad kostar licensen? Hur mycket beräkningskraft behöver vi? Det är relevanta frågor, men de missar ett växande problem. När AI går från att svara på frågor till att själv utföra uppgifter kan stora kostnader uppstå redan innan modellen har levererat ett svar – helt enkelt på grund av mängden data som en AI-agent måste hämta in och bearbeta.

Det här är särskilt relevant för stora företag inom bank, tillverkningsindustri och telekom, där informationen ofta är utspridd över affärssystem, datalager, molntjänster, dokument och äldre system. Vår undersökning visar att AI-projekt i stora organisationer i genomsnitt använder fler än 400 datakällor. Att låta varje AI-agent själv försöka hitta ett effektivt sätt att arbeta i den här djungeln är inte hållbart.

Låt inte AI göra databasens jobb

AI-agenter kan söka efter information, använda olika verktyg, kontrollera resultaten och försöka igen när något går fel. Problemet är att varje sådant steg innebär mer data och information som modellen måste bearbeta.

Om en agent hämtar stora mängder rådata och sedan försöker sortera, jämföra och kombinera dem, betalar företaget i praktiken AI för att göra sådant som databaser och sökmotorer redan gör bättre. Det kan likställas med att anlita en dyr expertkonsult och låta personen leta igenom hundratals dokument och själv sammanställa grundläggande information, i stället för att ge konsulten den information som faktiskt behövs för att fatta ett beslut.

Men det handlar inte bara om kostnader. Ju mer information som skickas till en AI-modell, desto större är risken att känslig eller irrelevant information följer med. För banker och andra hårt reglerade verksamheter hänger därför kostnader, informationssäkerhet och datastyrning nära ihop.

Att flytta all data är inte lösningen

Traditionellt har företag flyttat eller kopierat data till ett centralt system. Men när organisationer har hundratals datakällor, hybrida molnmiljöer och information som av säkerhets- eller regelverksskäl måste ligga kvar där den finns, blir det allt svårare att motivera den modellen.

I stället för att samla all data fysiskt behöver företagen göra den tillgänglig utan att flytta den. Med ett gemensamt AI-datalager kan information från olika system göras tillgänglig utan att den först behöver flyttas eller kopieras. Gemensamma definitioner, behörigheter och regler kan tillämpas redan innan informationen når AI-modellen. En AI-agent kan då exempelvis fråga efter en kunds riskexponering och få ett aktuellt och relevant svar utifrån rätt behörigheter, i stället för att själv försöka pussla ihop information från flera olika system.

Bättre AI kräver bättre dataarkitektur

När AI går från experiment till att bli en del av företagens faktiska processer räcker det inte med bättre AI-modeller. Företagen behöver också en dataarkitektur som gör AI effektiv och säker. Dagens AI-satsningar riskerar annars att bli morgondagens integrationsproblem, med högre kostnader, sämre kontroll och ännu mer teknisk skuld.

Frågan är därför inte hur mycket av företagets data vi kan göra tillgängliga för AI. Frågan är hur vi ser till att AI får rätt data, med rätt innebörd, rätt behörighet och vid rätt tidpunkt. Smart AI handlar inte om att ge modellen så mycket data som möjligt. Tvärtom: ge den så lite data som möjligt – men exakt de data den behöver.