Av: Jan Hygstedt, Nordenchef Denodo
Forskning från toppuniversitetet MIT visar att 95 procent av alla GenAI-initiativ i företag misslyckas med att leverera positiv ROI. Trots höga ambitioner och betydande investeringar fastnar många AI-satsningar i pilotstadiet. För företagsledningar innebär detta en växande klyfta mellan den förväntade effekten av AI och den faktiska affärsnyttan.
Det grundläggande problemet är sällan AI-modellen i sig – det är den dataarkitektur som modellerna är beroende av. I många företag präglas den fortfarande av silos, statiska flöden, datakopior, manuell hantering och bristande styrning. När data inte kan hanteras på ett enhetligt sätt, när den snabbt blir inaktuell eller är beskriven i ett språk som verksamheten inte förstår, kan AI inte leverera tillräckligt värde.
De strukturella orsakerna bakom misslyckade AI-satsningar
MIT:s analys pekar på fyra återkommande orsaker till att GenAI inte skalar:
1/Statisk och fragmenterad data. Många AI-initiativ bygger på utdrag, datakopiering eller system som inte är integrerade. Modellerna arbetar då mot en fryst bild av verkligheten och saknar den kontinuerliga realtidsåtkomst som krävs för att förstå förändringar och variationer i verksamheten.
2/Bristande datastyrning och förklarbarhet. När metadata ,spårbarhet, policyer och åtkomstkontroller saknas går det inte att spåra hur ett AI-svar uppstod. Det underminerar både intern tillit och organisationens förmåga att leva upp till regulatoriska krav på transparens och säkerhet.
3/Svag koppling till affärsprocesser. Data organiseras ofta utifrån systemlogik snarare än verksamhetslogik. Därigenom riskerar AI att generera svar som är tekniskt korrekta men operativt irrelevanta för exempelvis försäljning, finans eller kundservice. Det är en huvudorsak till att AI-lösningar inte får genomslag.
4/Begränsad förmåga att lära och anpassa sig. Många system saknar minnesfunktioner och mekanismer för feedback. Resultatet blir statiska modeller som kräver att användare gång på gång tillhandahåller samma information, vilket snabbt försämrar användarupplevelsen.
I grunden är detta ett dataproblem, inte AI-problem.
Vad organisationer som lyckas gör annorlunda
De företag som lyckas med sina AI-satsningar bygger en dataarkitektur som är logisk, styrd, kontextualiserad och tillgänglig i realtid.
Här är det fyra funktioner som är avgörande:
1/Federerad åtkomst till realtidsdata – utan kopiering. Genom att etablera ett logiskt datalager som sammanfogar datakällor utan att flytta eller duplicera information får AI enhetlig och uppdaterad tillgång till verksamhetens data. Det minskar kostnad, risk och komplexitet.
2/En betrodd dataplattform med effektiva governance-funktioner. Metadatahantering, spårbarhet, policyer och åtkomstkontroller ger AI ett förtroendekapital. Det gör att AI-rekommendationer kan granskas, förklaras och användas i reglerade processer.
3/Ett semantiskt affärslager. Genom att beskriva data utifrån verksamhetens språk och processer kan AI-genererade insikter direkt omsättas i beslut och åtgärder. Det är denna koppling som avgör om AI skapar faktisk affärsnytta.
4/tillgång till realtidsdata. Moderna arkitekturer låter AI identifiera vilken data som är relevant i stunden och hämta den direkt från källsystemen. Det ger bättre förmåga att hantera variationer och möjlighet att förbättra sig över tid.
Vägen framåt
När AI-satsningar inte skalar är det en signal om att dataarkitekturen inte är redo. Genom att etablera en modern, logisk dataarkitektur med stark governance och affärskontext kan organisationer ta sig över AI-klyftan och realisera den effekt som ledning och marknad förväntar sig.
