For tre år siden handlede stort set alle samtaler om data om dashboards. I dag handler de om AI. Stort set alle virksomheder vil have AI ind på deres data, og helst i går. Og det er forståeligt — der er noget næsten magisk over at kunne stille et spørgsmål i almindeligt dansk og få svaret med det samme.
Men der er ét spørgsmål, de færreste stiller sig selv, før de trykker på knappen: Hvad er det egentlig, AI'en har at arbejde med, når den kommer ind i din virksomhed?
For en AI-assistent svarer altid. Det er hele pointen med den. Du spørger om dækningsbidraget på dine tre største kunder sidste kvartal, og den giver dig et tal. Hurtigt, velformuleret, skråsikkert. Om tallet er rigtigt, er en helt anden sag — og det er her, det bliver alvorligt. For hvor en forkert formel i et Excel-ark i det mindste sad fast i én afdelings regneark, kan AI'en nu producere det forkerte svar på sekunder, pænt pakket ind, til hvem som helst der spørger. Uden at nogen kan se, hvordan tallet blev til.
Lad det være sagt med det samme: det her er ikke AI-skepsis. Teknologien kan rigtig meget, og mulighederne er både reelle og store. Men de bliver kun til noget, hvis fundamentet er på plads. Og før vi overhovedet taler om fundamentet, er vi nødt til at blive enige om, hvad AI faktisk er i en data-sammenhæng anno 2026 — for ordet er blevet så stort og så diffust, at det næsten er holdt op med at betyde noget.
Fem ting vi kalder det samme
Så lad os rydde op. I dag dækker ”AI på dine data” over mindst fem ret forskellige ting:
1. Chat med dine data. Du skriver et spørgsmål i almindeligt sprog og får svar — et tal, en tabel, en graf. Det er Copilot i Power BI og lignende værktøjer, og det er den anvendelse, de fleste tænker på, når de siger AI. Det føles som at tale med en kollega, der kender tallene. Spørgsmålet er bare, om kollegaen rent faktisk gør det.
2. Augmented analytics. Her finder AI'en selv mønstrene. Du spørger ikke bare ”hvad var DB i Q2”, men ”hvorfor faldt det”, og maskinen peger på de faktorer, der trak ned — en kunde, et segment, en rabat der løb løbsk. Det flytter analysen fra at vise, hvad der skete, til at foreslå hvorfor. Og det er en større forskel, end den lyder.
3. Forecast og what-if. AI'en regner fremad: salgsprognoser, likviditet, efterspørgsel. Og den lader dig lege med antagelserne — hvad sker der med bundlinjen, hvis råvarepriserne stiger 10%. Set fra økonomistolen er det her, det for alvor bliver interessant, for det er præcis den øvelse, man før brugte uger på i et regneark, og som var forældet i samme øjeblik, den var færdig.
4. Generativ AI til dem, der bygger. AI'en skriver DAX, SQL, dokumentation og modelforslag. Det er ikke vendt mod beslutningstageren, men mod udvikleren — og det gør arbejdet med at bygge løsningen markant hurtigere og billigere. En stor del af det håndværk, der før tog dage, er ved at blive til minutter.
5. Agenter. Det nyeste skridt: AI, der ikke bare svarer, men handler. Tænk på det som en makro — men hvor den klassiske makro sad fast inde i ét regneark, arbejder agenten på tværs af dine systemer. Den henter data ét sted, beriger det et andet, bygger rapporten, lægger den i indbakken hos ledergruppen mandag morgen, og gør det selv, uge efter uge. Vi er tidligt i den udvikling, men det er den retning, det går.
Fem kategorier, vidt forskellige modenheder, ét fælles træk. Og her bliver det nødvendigt at ødelægge stemningen lidt.
Det, de færreste taler om
For hver eneste af de fem ting står og falder med noget, ingen sætter på en slide, når de drømmer om AI: at maskinen forstår, hvad dine data betyder.
Lad os være konkrete. De fleste virksomheders ”dataplatform” er i virkeligheden et lager. Tabellerne fra ERP-systemet, fra CRM'et, fra webshoppen, fra lønsystemet er kopieret mere eller mindre råt over i et fælles lag, og så har man kaldt det en platform. Men der er ingen oversættelse. ”Kunde” findes i fem tabeller med fem definitioner. Omsætning er en posteringslinje, ikke et forretningstal — og ingen steder står det skrevet, at de tre konti skal trækkes fra, eller at intercompany skal elimineres, eller at returneringer hører til i en anden periode. Det ligger i hovedet på Controlleren. Eller i en formel i hendes Excel-ark.
Den slags fortjener et navn: en spaghetti-platform. Den ser imponerende ud i et arkitekturdiagram, og den har kostet rigtig mange penge, men den indeholder ingen forretningslogik. Den er storage, ikke intelligence.
Og nu sætter vi en AI oven på den. Hvad sker der så? Den læser tabellerne, præcis som de står — uden at vide, at ”DB” i den ene og ”dækningsbidrag” i den anden er det samme, uden at kende de tre konti, der skal ud, uden at ane, at den ene region bogfører anderledes end de andre. Den gætter. Og den gætter med fuld overbevisning, for det er sådan, sprogmodeller er bygget: de tøver ikke.
Resultatet er ikke, at AI siger ”det ved jeg ikke”. Resultatet er et tal. Et pænt, skråsikkert, forkert tal — leveret til en direktør, der træffer en beslutning på det.
AI gør ikke problemet mindre. Den mangfoldiggør det.
Her er pointen, der bør sidde fast hos enhver ledergruppe: Vi har altid haft flere versioner af sandheden. Det er derfor, et ledelsesmøde kan starte med tyve minutter, hvor man bliver enige om, hvilket tal der gælder. Det er prisen for, at hver afdeling har bygget sin egen logik i sit eget regneark, fordi platformen aldrig gav dem svaret.
AI løser ikke det problem. Uden et fundament gør den det værre. Den producerer versionerne af sandheden hurtigere, formulerer dem mere overbevisende, og gør det usynligt — for hvor du før kunne åbne Controllerens ark og se formlen, kan ingen åbne sprogmodellen og se, hvordan den nåede frem til tallet. Vi går fra et problem, vi i det mindste kunne revidere, til et problem, vi ikke kan. Og værst af alt: en agent på et dårligt fundament nøjes ikke med at tage fejl én gang — den automatiserer fejlen og sender den ud, uge efter uge.
Det, der skal til, er det, branchen kalder et semantisk lag: modellen, der ligger mellem de rå tabeller og brugeren, og som oversætter data til forretningens begreber. Hvor ”kunde” har én definition. Hvor omsætning er regnet, som økonomi og salg er enige om at regne den. Hvor reglerne for, hvad der tæller med, og hvad der ikke gør, er skrevet ind ét sted — og dermed gælder for alle, også for AI. Det er ikke et teknisk pyntelag. Det er stedet, hvor din virksomheds sprog bor.
Og det er præcis det, en spaghetti-platform ikke har.
Derfor er det ikke et IT-spørgsmål
Det fører til den pointe, som denne artikel egentlig handler om — og som de næste artikler folder ud.
IT kan rejse platformen. IT kan koble AI på. Men om AI giver dig svar, du kan stole på, afhænger af, om nogen har gjort det uskønne, langsommelige arbejde med at lægge forretningens logik ind i modellen — og det arbejde kan ingen IT-afdeling gøre alene, for de kender ikke forretningen godt nok, og forretningen kan heller ikke gøre det alene, for de kender ikke data godt nok. Det lever i spændingsfeltet imellem. Det er hele grunden til, at BI aldrig har været og aldrig bliver et IT-projekt.
Så når næste leverandør lover jer AI på jeres data, så stil ham ikke spørgsmålet om, hvad AI kan. Den kan en masse. Stil ham spørgsmålet om, hvad den har at arbejde med. Og hvis svaret er en spaghetti-platform, så er AI ikke en genvej til bedre beslutninger. Den er en hurtigere vej til de forkerte.
Skrevet af Lars Taagaard Christiansen
Det her er den første i en serie om, hvorfor så mange dataplatforme ikke leverer det, forretningen har brug for — og hvad der skal til. I de næste artikler graver jeg et spadestik dybere i spaghetti-platformen, i spændingsfeltet mellem IT, data og forretning, og i det semantiske lag, der binder det hele sammen.