Företag investerar miljardbelopp i AI, men många organisationer försöker fortfarande bygga intelligenta verksamheter ovanpå fragmenterade systemlandskap, manuella arbetsflöden och otydliga dataflöden.
När AI nu flyttar närmare affärskritiska processer blir dataarkitektur, governance och operativ överblick allt mer avgörande. Annars riskerar företag att skapa nästa generations legacy redan innan AI-satsningarna hunnit leverera verkligt affärsvärde, skriver Thomas Aardal, CTO på Nagarro Nordic.
Många organisationer behandlar fortfarande AI som ytterligare ett lager ovanpå den befintliga verksamheten. Ett nytt verktyg implementeras. En copilot kopplas på. Ett analysprojekt startas. Samtidigt fortsätter data att röra sig genom ett komplext nät av ERP-system, molntjänster, integrationslager, lokala databaser, Excel-flöden och verksamhetsapplikationer som vuxit fram under många år.
Resultatet blir ofta att AI introduceras i miljöer där organisationen saknar tillräcklig kontroll över hur data faktiskt flödar genom verksamheten. Systemen fungerar var för sig, men helheten är svår att överblicka. Det saknas gemensamma definitioner, tydligt dataägarskap och sammanhängande styrning och governance. När AI sedan börjar användas för analys, automatisering och operativa beslut förstärks dessa problem ytterligare.
Många företag underskattar hur beroende AI är av sammanhängande och verksamhetsnära data. Diskussionen fokuserar ofta på modeller, gränssnitt och nya AI-funktioner, trots att den verkliga flaskhalsen i många fall handlar om arkitektur och operativ mognad. Om organisationen inte kan säkerställa datakvalitet, governance och integration mellan olika system riskerar AI-satsningarna att fastna i pilotprojekt, skapa motstridiga beslutsunderlag eller bidra till ökad komplexitet.
Samtidigt håller AI på att förändra hur företag arbetar med verksamhetsstyrning och beslutsfattande. AI används inte längre enbart för historisk analys eller experimentella initiativ i isolerade innovationsprojekt. Tekniken används i allt större utsträckning för att identifiera avvikelser, prioritera åtgärder, automatisera arbetsflöden och stödja operativa beslut i realtid. Det innebär att kvaliteten i de underliggande dataflödena blir direkt affärskritisk.
Thomas Aardal, CTO på Nagarro Nordic
I många organisationer börjar AI därmed fungera som ett stresstest av hela verksamhetsarkitekturen. Fragmenterade systemlandskap, teknisk skuld och otydliga integrationsstrukturer som tidigare kunnat hanteras manuellt blir plötsligt betydligt mer synliga när AI ska skalas upp över flera delar av verksamheten. Det gäller inte minst i hybridmiljöer där ERP-system, IoT-plattformar, molntjänster och externa datakällor behöver samverka i realtid.
Det är också här många företag riskerar att bygga nästa generations legacy. När AI införs snabbt utan en långsiktig strategi för dataarkitektur och governance ökar risken att organisationer skapar nya beroenden, nya silos och nya integrationsproblem ovanpå redan komplexa miljöer. På kort sikt kan det skapa snabb innovation. På längre sikt riskerar det att göra verksamheten svårare att styra, utveckla och förändra.
Utvecklingen syns redan i många större verksamheter där AI och avancerad analys används i allt mer affärskritiska processer. Ett exempel är den amerikanska SaaS-aktören Oversight Systems, som analyserar miljontals finansiella transaktioner för att identifiera avvikelser, risker och ineffektivitet i realtid.
När verksamheten växte blev det tydligt att den befintliga infrastrukturen inte längre kunde hantera ökande datamängder, AI-arbetslaster och krav på snabbare verksamhetsinsikter. Tillsammans med Nagarro moderniserades därför plattformen med en ny molnbaserad arkitektur på AWS och Databricks för att skapa en skalbar och sammanhängande miljö för dataanalys och intelligent automatisering. Det intressanta är inte tekniken i sig, utan vad projektet illustrerar: att AI i praktiken kräver moderna, integrerade och operativt fungerande datamiljöer för att kunna skapa verkligt affärsvärde.
För organisationer som vill skapa långsiktigt värde med AI blir därför några frågor särskilt viktiga:
- Hur ser våra dataflöden och beroenden faktiskt ut mellan olika system och verksamheter?
- Har vi gemensamma definitioner, governance och tillräcklig kontroll över affärskritisk data?
- Bygger vi flexibla och skalbara miljöer, eller riskerar vi att skapa nya former av teknisk skuld och legacy?
- Hur säkerställer vi att AI integreras i verksamhetsprocesser och inte bara blir isolerade pilotprojekt?
- Har ledning och verksamhet tillräcklig förståelse för hur AI påverkar affärsarkitektur, risk och operativ styrning?
- Är våra data- och AI-miljöer byggda för långsiktig förändring och innovation, eller enbart för kortsiktig implementation?
AI-readiness handlar därför allt mindre om tillgång till AI-verktyg och allt mer om organisatorisk förmåga. Företag behöver förstå hur deras dataflöden ser ut, vilka beroenden som finns mellan systemen och hur governance, säkerhet och verksamhetsmål ska integreras i AI-användningen. När AI blir en del av kärnverksamheten kan dessa frågor inte längre hanteras isolerat inom IT-avdelningen. De blir en fråga för ledning, styrning och affärsarkitektur.
De organisationer som lyckas med AI kommer sannolikt inte att vara de som implementerar flest modeller eller lanserar flest pilotprojekt. De kommer att vara de som lyckas skapa sammanhängande, flexibla och styrbara datamiljöer där AI kan användas operativt utan att verksamheten samtidigt bygger upp nya lager av komplexitet och teknisk skuld.
AI förändrar inte bara hur företag använder teknik. Den förändrar hur verksamheter behöver organiseras, styras och förstå sina egna informationsflöden. Och det arbetet börjar långt innan den första modellen sätts i produktion. Det börjar med att skapa en datagrund som verksamheten kan lita på.
/ Thomas Aardal, CTO på Nagarro Nordic
