För tre år sedan handlade i stort sett alla samtal om data och dashboards. Idag handlar de om AI. De flesta företag vill använda AI på sina data, och helst redan igår, viket är förståeligt. Det finns något nästan magiskt i att kunna ställa en fråga och få svar direkt.
Men det finns en fråga som få ställer till sig innan de trycker på svarsknappen: Vad är det egentligen AI:n har att arbeta med när den kommer in i ditt företag och får tillgång till datat?
För en AI-assistent svarar alltid. Det är ju hela poängen med den. Du frågar om täckningsbidraget för dina tre största kunder under förra kvartalet, och den ger dig en siffra. Snabbt, välformulerat och med full övertygelse. Om siffran är korrekt eller ej är en helt annan fråga – och det är här det blir allvarligt. För medan en felaktig formel i ett Excel-ark åtminstone stannade inom en avdelnings kalkylblad, kan AI:n nu på några sekunder producera fel svar, snyggt förpackat till vem som helst som frågar. Utan att någon kan se hur siffran kom till.
Det här handlar inte om AI-skepticism. Tekniken kan verkligen mycket och möjligheterna är både reella och stora. Men de blir bara till verklighet om grunden är på plats. Och innan vi ens talar om grunden måste vi enas om vad AI egentligen är i ett datakontext år 2026 – för ordet har blivit så stort och diffust att det nästan har slutat betyda något.
Fem begrepp för ungefär samma sak
Så låt oss reda ut begreppen. Idag omfattar ”AI på dina data” minst fem ganska olika saker:
1. Chatta med dina data. Du skriver en fråga i vanligt språk och får svar – en siffra, en tabell, en graf. Här handlar det om Copilot i Power BI och liknande verktyg, och det är den användningen som de flesta tänker på när de säger AI. Det känns som att prata med en kollega som kan siffrorna. Frågan är bara om det faktiskt stämmer.
2. Augmented analytics. Här hittar AI:n själv mönstren. Du frågar inte bara ”vad var DB under Q2?”, utan ”varför sjönk det?”, och maskinen pekar ut de faktorer som drog ner resultatet – en kund, ett segment, en rabatt som spårade ur. Det förflyttar analysen från att visa vad som hände till att föreslå varför, och det är en större skillnad än det låter.
3. Prognoser och ”vad händer om”-scenarier. AI:n räknar framåt: försäljningsprognoser, likviditet, efterfrågan. Och den låter dig leka med dessa antaganden – vad händer med resultatet om råvarupriserna stiger med 10 %? Ur ett ekonomiskt perspektiv är det här det blir riktigt intressant, för det är precis den övning som man tidigare ägnade veckor åt i ett kalkylblad (och som var föråldrad så fort den blev klar).
4. Generativ AI för dem som bygger. AI:n skriver DAX, SQL, dokumentation och modellförslag. Den riktar sig inte till beslutsfattaren utan till utvecklaren – och det gör arbetet med att bygga lösningen betydligt snabbare och billigare. Det som tidigare krävde dagar av manuellt arbete kan nu vara klart på några minuter.
5. Agenter. Det senaste steget: AI som inte bara svarar utan agerar. Tänk på det som ett makro – men där det klassiska makrot var fast i ett enda kalkylblad, arbetar agenten tvärs över dina system. Den hämtar data på ett ställe, berikar den på ett annat, skapar rapporten, lägger den i ledningsgruppens inkorg på måndag morgon och gör det på egen hand, vecka efter vecka. Vi befinner oss i ett tidigt skede av denna utveckling men det är den riktningen det går åt.
Vi har alltså fem kategorier med vitt skilda mognadsgrader. Men ett gemensamt dilemma...
Det som få talar om
Var och en av de fem kategorierna står och faller med något som många inte ens funderar på: om maskinen förstår vad dina data betyder eller ej.
Låt oss vara konkreta. De flesta företags ”dataplattform” är i själva verket ett lager. Tabellerna från ERP-systemet, CRM-systemet, webbutiken och lönesystemet har mer eller mindre kopierats rakt över till ett gemensamt lager, och sedan har man kallat det en plattform. Men det finns ingen översättning. ”Kund” finns i fem tabeller med fem definitioner. Omsättning är en bokföringsrad, inte ett affärstal – och ingenstans står det skrivet att de tre kontona ska dras av, eller att transaktioner ska elimineras, eller att returer hör hemma i en annan period. Det finns i controllerns huvud. Eller i en formel i ett Excel-ark.
Sådant förtjänar ett namn: en spagettiplattform. Den ser imponerande ut i ett arkitekturdiagram och har kostat väldigt mycket pengar, men den innehåller ingen affärslogik. Den är lagring, inte intelligens.
Och nu lägger vi en AI ovanpå den. Vad händer då? Den läser tabellerna precis som de är – utan att veta att ”DB” i den ena och ”täckningsbidrag” i den andra är samma sak, utan att känna till de tre kontona som ska dras av, utan att ha en aning om att den ena regionen bokför på ett annat sätt än de andra. Den gissar. Och den gissar med full övertygelse, för det är så språkmodeller är uppbyggda: de tvekar inte.
Resultatet blir inte att AI säger ”det vet jag inte”. Resultatet blir en siffra. En snygg, självklar, felaktig siffra som levereras till en chef som fattar ett beslut utifrån den.
Problemet blir inte mindre med AI. Det blir tydligare.
Här är poängen som varje ledningsgrupp bör ta till sig: Vi har alltid haft flera versioner av sanningen. Det är därför ett ledningsmöte kan inledas med tjugo minuter där man enas om vilket tal som gäller. Det är priset för att varje avdelning har byggt upp sin egen logik i sitt eget kalkylblad, eftersom plattformen aldrig gav dem svaret.
AI löser inte det problemet utan förvärrar det. Den producerar versionerna av sanningen snabbare och formulerar dem mer övertygande, men utan att det syns – tidigare kunde man öppna Controller-arket och se formeln, men ingen kan öppna språkmodellen och se hur den kom fram till siffran. Vi går alltså från ett problem som vi åtminstone kunde granska, till ett problem som vi inte kan granska. Och värst av allt: en agent med en bristfällig grund nöjer sig inte med att göra fel en gång – den automatiserar felet och sprider det, vecka efter vecka.
Det som behövs är det som branschen kallar ett semantiskt lager: modellen som ligger mellan de råa tabellerna och användaren och som översätter data till företagets begrepp. Där ”kund” har en enda definition. Där omsättningen beräknas på det sätt som ekonomi- och försäljningsavdelningarna är överens om. Där reglerna för vad som räknas med och vad som inte gör det är nedskrivna på ett ställe – och därmed gäller för alla, även för AI. Det är inte ett tekniskt prydnadslager. Det är platsen där ditt företags språk finns.
Och det är precis det som spagettiplattformen saknar.
Därför är det inte en IT-fråga
Det leder till den poäng som den här artikeln egentligen handlar om – och som de kommande artiklarna kommer att utveckla.
IT kan bygga plattformen. IT kan koppla in AI. Men för att AI ska kunna ge svar som går att lita på måste någon ha gjort det tråkiga, tidskrävande arbetet med att lägga in verksamhetens logik i modellen – och det arbetet kan varken IT-avdelning eller verksamheten göra på egen hand. IT-avdelningen känner inte verksamheten tillräckligt väl, samtidigt som verksamheten inte känner till datat tillräckligt väl. Jobbet ligger i spänningsfältet däremellan. Det är hela anledningen till att BI aldrig har varit och aldrig kommer att bli ett renodlat IT-projekt.
Så när nästa leverantör lovar "AI på era data", ställ inte frågan vad AI kan göra. Den kan göra en hel del. Ställ istället frågan vad den har att arbeta med. Om svaret är en spagettiplattform, då är AI inte en genväg till bättre beslut. Det är en snabbare väg till fel beslut.
Skriven av Lars Taagaard Christiansen, BI Konsult och CEO Random Forest Danmark
Det här är den första delen i en serie om varför så många dataplattformar inte levererar det som verksamheten behöver – och vad som krävs för att lyckas. I de kommande artiklarna gräver jag lite djupare i spagettiplattformen, spänningsfältet mellan IT, data och verksamhet, och i det semantiska lager som binder ihop det hela.
