[KUNSKAPSSAMARBETE] Virksomheders implementering af AI går langsommere end forventet ikke fordi modellerne er utilstrækkelige, men fordi organisationerne kæmper med at få styr på deres interne data.
Uden AI-klare data er det svært at træne og finjustere de AI-agenter, der skal skabe reel forretningsværdi.
De fleste virksomheder har allerede de nødvendige data til at drive intelligente AI-løsninger. Udfordringen er at gøre dataene klar til AI.
Hvorfor konsolidering ikke er nok
År med vækst, fusioner og opkøb har efterladt mange virksomheder med omfattende datasiloer isolerede systemer og platforme, som ofte omtales som ”federerede datalakes”, men som stadig er vanskelige at analysere som én samlet datakilde. Dataene findes, men de kan ikke besvare forretningsspørgsmål på tværs af organisationen.
At flytte alle data til platforme som Snowflake eller Databricks løser det tekniske problem: Dataene ligger nu ét sted. Men AI har stadig svært ved at forstå dem. Hvert forretningsområde bruger sine egne definitioner, begreber og datamodeller, og der mangler ofte et lag, der oversætter rå data til forretningsmæssig betydning.
Konsolidering løser infrastrukturen ikke forståelsen.
Valery Krasovsky, CEO og medstifter, Sigma Software Group
Flere undersøgelser peger på den samme konklusion: Virksomheders AI-initiativer mislykkes sjældent på grund af modellerne. De mislykkes på grund af dataene bag dem.
- Cloudera og Harvard Business Review har fundet, at kun 7 procent af virksomhederne vurderer deres data som fuldt AI-klare, mens 27 procent mener, at de slet ikke er klar.
- Gartner forventer, at organisationer vil opgive 60 procent af AI-projekter uden AI-klare data inden 2026.
- S&P Global rapporterer, at 42 procent af virksomhederne opgav størstedelen af deres AI-initiativer i 2025, med en gennemsnitlig tabt investering på 7,2 millioner dollar pr. projekt.
Det semantiske lag
For at gøre konsoliderede data reelt anvendelige for AI kræves et ekstra lag oven på den fysiske datamodel: det semantiske lag.
Det semantiske lag definerer præcist, hvad dataene repræsenterer fakta, dimensioner, KPI’er og relationer mellem dem. Når dette lag dækker den underliggende datamodel, kan AI forstå forretningskonteksten, koble spørgsmål til de rette data, generere korrekte forespørgsler og levere svar på samme forretningssprog, som spørgsmålet blev stillet på.
Branchen er begyndt at bevæge sig i denne retning. Snowflake introducerer SQL Entities til at beskrive datasemantik sammen med agentbaserede AI-funktioner. Databricks følger en tilsvarende kurs.
Det er efter min vurdering et vigtigt signal. Diskussionen handler ikke længere om blot at samle data ét sted. Fokus flytter sig nu mod semantiske lag og de metoder, der gør data forståelige og anvendelige for AI.
Fra AI-klare data til AI i produktion
De fleste virksomheder har allerede de data, der skal til for at bygge intelligente AI-agenter i CRM-systemer, ERP-platforme, supportsager og dokumentarkiver.
Næste skridt er at omdanne fragmenterede og ofte følsomme virksomhedsdata til sikre, AI-klare datasæt, som AI-agenter faktisk kan arbejde med.
Hos Sigma Software låser vi ikke kunder fast til én bestemt leverandør eller platform. Vi kombinerer markedets stærkeste teknologier med vores egne løsninger og tilpasser dem til kundernes forretningsmål. Uanset om organisationen bygger på Snowflake, Databricks eller en anden platform, hjælper vi med at forberede data, etablere semantiske lag, sikre governance og compliance samt bringe AI-løsninger hele vejen i produktion.
Af Valery Krasovsky, CEO og medstifter, Sigma Software Group
Artikeln är ett kunskapsamarbete mellan Sigma Software Group och IT Media Group. Sponsrade inlägg och kunskapsamarbeten är en del av IT Media Groups annonserbjudande. Om du har frågor kring sponsrade inlägg, hör av dig till info@itmediagroup.se
