Den verkliga AI-flaskhalsen är dataägarskap, inte modellval

Många AI-diskussioner börjar med modellen.

Vilken modell ska vi använda? Ska det vara OpenAI, Anthropic, Microsoft, open source, lokal drift, finjustering, en modell inbyggd i en plattform eller en del av ett agentramverk?

Det är relevanta frågor. Men de är sällan den första flaskhalsen.

För de flesta operationella företag begränsas AI-värdet mindre av modellvalet och mer av om organisationen vet vem som äger datan, var den kommer ifrån, hur kvaliteten styrs och vilka beslut eller arbetsflöden den ska stödja.

Kort svar: AI blir användbart när det kan arbeta med pålitlig data, tydligt ägarskap, kontrollerad åtkomst, definierade affärsregler och ett verkligt arbetsflöde. Modellval spelar roll, men först efter att organisationen vet vilken data som är tillräckligt tillförlitlig för beslut, automation eller AI-agenter.

Det gäller särskilt företag där vardagen bygger på ERP-data, master data, planeringsdata, kundinformation, leverantörsregister, produktdata, dokument och affärsregler.

I den miljön är modellen bara en del av systemet. Den viktigare frågan är om verksamheten kan lita på den kontext modellen ska använda.

Därför får modellvalet för mycket uppmärksamhet

Modellval är synligt. Det är lätt att jämföra leverantörer, funktioner, benchmarks och licenser.

Dataägarskap är mindre synligt. Det finns i processkartor, ERP-strukturer, fältdefinitioner, godkännanderutiner, dataavvikelser, behörigheter och otydliga överlämningar mellan team.

Därför är det ofta enklare att prata om modeller än att svara på svårare frågor:

• Vem äger artikeldata ur ett verksamhetsperspektiv?
• Vilken kundpost är den betrodda?
• Vad händer när leverantörsdata är ofullständig?
• Vilka fält måste valideras innan en order, faktura eller artikeluppdatering kan gå vidare?
• Vem avgör om ett AI-resultat är tillräckligt bra för att användas?
• Vilken data får en agent läsa, och vilken data får den skriva tillbaka till ett system?

Det här är inte sidofrågor. De avgör om AI kan stödja verkligt arbete på ett säkert sätt.

AI Swedens material om den strategiska dataresan är användbart här eftersom det beskriver datastyrning genom roller, kvalitet och ansvar, inte bara infrastruktur. I det kompletterande materialet till din strategiska dataresa förklaras bland annat master data, data lineage, datakvalitet, datakataloger, dataägare och dataförvaltare. Den praktiska poängen är tydlig: organisationer behöver veta vad data betyder, var den kommer ifrån, vem som ansvarar för den och hur den ska underhållas.

Det är det arbetet AI bygger på.

Dataägarskap är ett verksamhetsansvar

Dataägarskap behandlas ibland som en IT-fråga. Det är ett misstag.

IT kan hantera system, pipelines, integrationer, behörigheter och plattformar. Men verksamheten äger oftast betydelsen av datan.

Verksamheten vet om en produktpost är tillräckligt komplett för försäljning, produktion, inköp, ekonomi, logistik eller regelefterlevnad. Verksamheten vet vilka kund- eller leverantörsfält som skapar risk när de är fel. Verksamheten vet vilka avvikelser som spelar roll och vilka som är acceptabla.

Därför behöver dataägarskap både mandat och operativ förståelse.

En dataägare bör kunna svara på:

• Vad representerar den här datamängden?
• Vilka beslut eller arbetsflöden är beroende av den?
• Vad betyder god kvalitet i det här sammanhanget?
• Vilka regler styr hur datan skapas, ändras och godkänns?
• Vilka användare, system eller agenter ska ha åtkomst?
• Vad ska hända när datan är fel?

Utan tydligt ägarskap blir datakvalitet allas ansvar. I praktiken innebär det ofta att ingen har mandat att lösa problemet.

För AI blir det här ett skalningsproblem. En pilot kan överleva på manuella korrigeringar och lokal kunskap. Produktionssatt automation kan inte göra det.

Dataproblemet blir operativt när AI agerar

Dålig data har alltid skapat problem. Den leder till felaktiga rapporter, manuellt merarbete, dubbelkontroller, missade uppföljningar och låg tillit till analys.

AI höjer insatsen eftersom tekniken kan komma närmare handling.

En AI-assistent kan hjälpa en användare att hitta information eller sammanfatta ett dokument. En AI-agent kan samla in data, kontrollera regler, förbereda en rekommendation, skapa ett utkast till uppdatering, anropa ett API eller stödja ett arbetsflöde i ERP eller ett annat verksamhetssystem.

Det betyder inte att varje process ska bli autonom. Det betyder att datagrunden måste matcha risknivån.

AI Swedens AI Implementation Spectrum gör en användbar skillnad mellan att bygga, anpassa, återanvända och integrera AI. Rapporten argumenterar för ett praktiskt spektrum där många organisationer bör återanvända eller integrera befintliga förmågor innan de bygger från grunden. Den visar också att metoder som RAG och agentbaserad AI flyttar komplexiteten till integration, datakvalitet och styrning.

Det är en viktig poäng för ledare.

Om rätt väg är att integrera befintliga modeller med företagets data och arbetsflöden, då är modellvalet inte den centrala förmågan. Den centrala förmågan är att veta vilken data, vilka regler, vilka system och vilka granskningspunkter AI kan lita på.

ERP-data är ofta den kritiska kontexten

För många operationella företag är ERP-data en av de viktigaste grunderna för AI.

System som Infor CloudSuite M3 innehåller central affärskontext: artiklar, kunder, leverantörer, order, lager, ekonomi, planering, priser, statusar, villkor och processregler.

Den datan avgör ofta om ett AI-stött arbetsflöde kan skapa verkligt värde.

Om artikelregistret är inkonsekvent kan en agent hjälpa till att hitta problem, men den bör inte få automatisera ändringar utan tydliga regler och granskning. Om kundposter är dubblerade kan AI hämta kontext, men organisationen behöver fortfarande bestämma vilken källa som gäller. Om orderdata är utspridd över ERP, mejl, PDF:er och transportsystem behöver arbetsflödet integration och validering innan automation kan bli pålitlig.

Därför hänger AI-readiness nära ihop med moderna dataplattformar och styrning av ERP-data.

Vår artikel om vad en modern dataplattform är beskriver plattformen som en styrd grund för analys, automation och AI. Det praktiska värdet är inte bara bättre rapportering. Det handlar om att göra operationell data tillförlitlig, återanvändbar och tillgänglig för rätt personer, applikationer och arbetsflöden.

Samma logik gäller när företag jämför moderna dataplattformar 2026. Plattformvalet spelar roll, men det bör följa arbetsflödet, styrmodellen, integrationsbehoven och dataägarskapet.

AI-mognad går från experiment till drift

RISE rapport The State of AI by RISE beskriver en förflyttning från AI-experiment till implementering, där tillämpad AI rör sig in i infrastruktur, industriella processer, vård, styrning, testning och långsiktig drift.

Den förflyttningen ändrar vad företag behöver få på plats.

I ett experiment kan det räcka att visa att AI kan klassificera, sammanfatta, rekommendera eller generera något användbart.

I drift ser kraven annorlunda ut:

• Kan systemet komma åt rätt data på ett tillförlitligt sätt?
• Kan resultatet förklaras eller granskas?
• Hanteras behörigheter och känslig data korrekt?
• Vem följer upp kvalitet och avvikelser efter lansering?
• Hur påverkas arbetsflödet när källsystem förändras?
• Vem äger förbättringsarbetet när processen ändras?

Det är här många AI-initiativ tappar fart. Inte för att modellen inte kan producera ett svar, utan för att organisationen inte är redo att använda svaret i en styrd affärsprocess.

Vad dataägare bör kontrollera före AI-agenter eller automation

Innan företag startar AI-agenter eller bredare automation bör dataägare och verksamhetsteam svara på en praktisk checklista.

1. Arbetsflöde

Vilket arbetsflöde ska AI förbättra?

Var specifik. "Förbättra verksamheten med AI" är för brett. "Hjälpa master data-teamet att hitta ofullständiga leverantörsposter innan de påverkar inköp och ekonomi" är mycket lättare att styra.

Definiera process, ägare, användare, problem, förväntad förbättring och mätbart resultat.

2. Källdata

Vilka system, dokument och datafält är arbetsflödet beroende av?

Ta med ERP, CRM, planering, lager, ekonomi, leverantörsportaler, mejl, PDF:er, kalkylark och kunskapsbaser där det är relevant. AI behöver ofta både strukturerad och ostrukturerad data.

3. Källa till sanning

Var finns den betrodda versionen av varje viktig post?

Om samma kund, leverantör, produkt eller artikel finns på flera platser behöver ni definiera vilken källa som gäller eller hur konflikter ska lösas.

4. Ägarskap

Vem äger datan ur ett verksamhetsperspektiv?

Det bör omfatta betydelse, kvalitetskrav, godkännanderätt, tillåten användning och ansvar när något förändras.

5. Kvalitetsregler

Vad betyder "tillräckligt bra" för det här arbetsflödet?

AI Swedens strategiska datamaterial beskriver datakvalitet genom dimensioner som korrekthet, fullständighet, konsekvens, unikhet, aktualitet och validitet. Översätt de dimensionerna till de fält och poster som spelar roll i arbetsflödet.

6. Åtkomst och behörigheter

Vem eller vad får läsa, använda, kombinera eller uppdatera datan?

En agent ska inte ge användare tillgång till information som de annars inte skulle få se. Åtkomst bör följa roll, syfte, känslighet och risk i arbetsflödet.

7. Affärsregler

Vilka regler ska AI använda när den förbereder eller rekommenderar en åtgärd?

Regler kan komma från ERP-konfiguration, processdokumentation, ekonomipolicyer, kundavtal, produktstrukturer, regelverk eller lokal verksamhetspraxis.

8. Mänsklig granskning

Var ska en människa vara kvar i flödet?

Många AI-arbetsflöden bör börja som beslutsstöd eller human-in-the-loop. Agenten samlar kontext, validerar information och förbereder åtgärden. En person granskar innan något skrivs tillbaka till ett verksamhetssystem.

9. Uppföljning

Hur ska arbetsflödet följas upp efter lansering?

Följ upp resultatkvalitet, fel, avvikelser, användning, sparad tid, manuella korrigeringar, datakvalitetsproblem och förbättringsbehov. AI i drift behöver löpande ägarskap, inte bara ett lanseringsprojekt.

10. Återanvändning

Skapar arbetet återanvändbar dataförmåga?

En bra AI-pilot bör förbättra mer än ett isolerat användningsfall. Den bör skapa bättre definitioner, pipelines, dataprodukter, behörighetsregler eller styrningsrutiner som framtida arbetsflöden kan återanvända.

Var Elvenite passar in

Vi arbetar med Data Intelligence som en affärsdisciplin, inte som en dashboard-fabrik.

Det innebär att koppla datastrategi, ERP-data, dataplattformar, master data, styrning, automation och AI-stödda arbetsflöden till praktiskt affärsvärde.

För företag med operationellt komplexa processer börjar arbetet ofta nära ERP och det dagliga arbetet. Infor CloudSuite M3 kan innehålla centrala transaktioner och master data. Dokument, mejl, kundinput, leverantörsregister, planeringssignaler och andra system kan innehålla den omgivande kontexten. AI blir användbart när dessa källor kan kopplas ihop, styras och användas i ett kontrollerat arbetsflöde.

Vår guide till AI-agenter förklarar det bredare begreppet. Artikeln om AI agents in Infor M3 for order management, item data and customer setup visar samma poäng i en mer konkret ERP-kontext: agenter behöver processlogik, rätt data, affärsregler och rätt nivå av mänsklig kontroll.

Därför bör den första AI-frågan ofta vara en fråga om dataägarskap:

Kan vi lita på datan tillräckligt mycket för det här arbetsflödet, och finns det någon som äger ansvaret för att den fortsätter vara tillförlitlig?

Om svaret är oklart är nästa steg inte ännu en modelljämförelse. Det är att stärka datagrunden, ägarskapet och styrningen runt det användningsfall som faktiskt spelar roll.

FAQ

Varför är dataägarskap viktigt för AI?

Dataägarskap gör ansvar synligt. AI behöver tydliga regler för vad data betyder, var den kommer ifrån, hur kvalitet kontrolleras, vem som får använda den och vem som godkänner ändringar. Utan ägarskap kan AI-resultat se användbara ut men vara svåra att lita på eller agera på.

Är modellval fortfarande viktigt?

Ja, men det är oftast inte den första flaskhalsen. Modellval bör följa användningsfallet, datakänsligheten, integrationsbehoven, prestandakraven, kostnaden och styrmodellen. För många affärsflöden är den större frågan om modellen kan använda tillförlitlig och välstyrd verksamhetskontext.

Vilken data är viktigast innan företag börjar med AI-agenter?

Det beror på arbetsflödet. För operationella företag handlar det ofta om ERP-data, master data, kund- och leverantörsregister, artikel- och produktdata, order, fakturor, planeringsunderlag, dokument, mejl, affärsregler och intern kunskap.

Hur gör företag ERP-data redo för AI?

Börja med att kartlägga arbetsflödet, identifiera nödvändiga ERP-fält och omgivande datakällor, tilldela verksamhetsägarskap, definiera kvalitetsregler, dokumentera källor till sanning, sätta behörigheter och bestämma var mänsklig granskning behövs innan systemuppdateringar.

Bör AI-agenter vara helt autonoma?

Inte som standard. Många arbetsflöden bör börja med beslutsstöd eller human-in-the-loop. Vald autonom exekvering är bara rimlig när datakvalitet, behörigheter, affärsregler, uppföljning och risknivå stödjer det.

Vad är bästa första steget för ledare?

Välj ett viktigt arbetsflöde där bättre data och automation kan skapa synligt värde. Kartlägg sedan data, ägarskap, kvalitetsregler, åtkomstbehov, granskningspunkter och framgångsmått innan ni väljer AI-implementation.