[KUNSKAPSSAMARBETE] Införandet av AI i företag går långsammare än många hade hoppats inte på grund av brister i modellerna, utan för att organisationer inte får ordning på sin interna data.
Utan AI-anpassad data blir det svårt att träna och finjustera de AI-agenter som ska skapa verkligt affärsvärde.
De flesta större företag har redan tillräckligt med data för att driva intelligenta AI-lösningar. Utmaningen är att göra datan redo för AI.
Varför konsolidering inte räcker
Efter år av tillväxt, fusioner och företagsförvärv sitter många organisationer med omfattande datasilos isolerade system och plattformar som ofta beskrivs som ”federerade datalager”, men som i praktiken fortfarande är svåra att analysera som en sammanhållen helhet. Informationen finns där, men den kan inte ge svar på affärsfrågor som spänner över flera delar av verksamheten.
Att samla all data i plattformar som Snowflake eller Databricks löser det tekniska problemet: datan finns på samma plats. Men AI kan fortfarande ha svårt att förstå innehållet. Olika verksamhetsområden använder olika begrepp, definitioner och datamodeller, och det saknas ofta ett lager som översätter rådata till affärsmässig betydelse.
Konsolidering löser infrastrukturen inte förståelsen.
Valery Krasovsky, vd och medgrundare, Sigma Software Group
Flera undersökningar pekar på samma slutsats: företagens AI-satsningar bromsas inte främst av modellerna, utan av datakvaliteten bakom dem.
- En studie från Cloudera och Harvard Business Review visar att endast 7 procent av företagen anser att deras data är helt AI-redo, medan 27 procent uppger att den inte är redo alls.
- Gartner bedömer att organisationer kommer att överge 60 procent av AI-projekt som saknar AI-anpassad data före 2026.
- S&P Global rapporterar att 42 procent av företagen lade ned merparten av sina AI-initiativ under 2025, med en genomsnittlig förlust på 7,2 miljoner dollar per projekt.
Det semantiska lagret
För att göra konsoliderad data verkligt användbar för AI krävs ytterligare ett lager ovanpå den fysiska datamodellen: det semantiska lagret.
Det semantiska lagret definierar tydligt vad datan representerar fakta, dimensioner, nyckeltal och relationer mellan olika datapunkter. När detta lager täcker den underliggande datamodellen kan AI förstå affärskontexten, koppla frågor till rätt data, skapa korrekta sökningar och leverera svar på samma affärsspråk som användaren ställer frågan på.
Branschen börjar nu röra sig i denna riktning. Snowflake introducerar så kallade SQL Entities för att beskriva datasemantik tillsammans med agentbaserade AI-funktioner. Databricks utvecklas i samma riktning.
Enligt mig är det en viktig signal. Diskussionen handlar inte längre om att samla all data på ett ställe. Fokus flyttas nu mot semantiska lager och de arbetssätt som krävs för att göra data begriplig och användbar för AI.
Från AI-redo data till AI i produktion
De flesta företag har redan den data som krävs för att bygga intelligenta AI-agenter i CRM-system, ERP-plattformar, supportärenden och dokumentarkiv.
Nästa steg är att omvandla fragmenterad och ofta känslig företagsdata till säkra, AI-anpassade datamängder som AI-agenter faktiskt kan använda.
På Sigma Software låser vi inte in kunder i en specifik leverantör eller plattform. I stället kombinerar vi marknadens ledande teknologier med våra egna lösningar och anpassar dem efter kundernas affärsmål. Oavsett om verksamheten bygger på Snowflake, Databricks eller någon annan plattform hjälper vi till att förbereda datan, bygga semantiska lager, etablera styrning och säkerhet samt ta AI-lösningar hela vägen till produktion.
Av Valery Krasovsky, vd och medgrundare, 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
