Gå direkte til indhold

Nytt avsnitt: AI kräver mer än data - den kräver data ni kan lita på

lästid I minuter: 4

Skrivet 17 nov. 2026 16:00:17 av 

AI kan hjälpa oss att hitta mönster, svara på frågor och fatta beslut snabbare. Men vad händer om informationen bakom svaren ligger utspridd i olika system, omsättning beräknas på olika sätt eller ingen riktigt vet vilken version som är den senaste?

I veckans AI-kontoret går vi ett steg bakom AI-lösningarna och pratar om det som måste fungera för att vi faktiskt ska kunna lita på svaren: företagets data.

 

Lyssna på veckans avsnitt av AI-kontoret

Therése Andén och Magnus Ryberg fortsätter samtalet om Data Agents, men den här gången tittar de under huven. Vad krävs av datan för att AI ska kunna ge användbara svar? Varför spelar gemensamma definitioner så stor roll? Och hur gör man information mer tillgänglig utan att samtidigt göra den mindre säker?

Med en restaurang som exempel tar de sig från råvaror i köket till den färdiga måltiden på tallriken och visar vad som faktiskt behöver hända med data på vägen.

AI kan inte kompensera för data ni inte litar på

Tänk dig att du frågar en AI-agent hur marginalen utvecklades förra månaden. Frågan verkar enkel. Men bakom svaret finns betydligt fler frågor.

Vilka system innehåller informationen? Är datan uppdaterad? Räknar ekonomi och försäljning marginal på samma sätt? Och vilken information ska just du få tillgång till?

Det är här en dataplattform kommer in.

I avsnittet använder Magnus en restaurang för att förklara principen. Data som kommer från olika källsystem kan liknas vid råvarorna som levereras till köket. Först behöver de tas emot och sparas. Sedan tvättas, sorteras och förbereds de. Till sist kombineras de till något som faktiskt går att använda.

För användaren är det måltiden som är intressant, inte arbetet i köket. På samma sätt vill den som ställer en fråga till en AI-agent få ett begripligt och korrekt svar, utan att behöva känna till varje tabell och datakälla bakom det.

Men någon måste ha gjort jobbet i köket.

 

Gemensamma definitioner är minst lika viktiga som tekniken

En dataplattform löser inte automatiskt problemet bara för att informationen hamnar på samma plats.

Verksamheten behöver också vara överens om vad informationen betyder.

Ta ett begrepp som omsättning. Om ekonomi, försäljning och andra delar av organisationen räknar på olika sätt kan resultatet skilja sig beroende på var AI-agenten hämtar sin information. Samma problem kan uppstå med marginal, aktiv kund, leveranstid eller andra verksamhetskritiska begrepp.

Det är därför den semantiska modellen blir viktig. Den beskriver verksamhetens gemensamma begrepp, definitioner och relationer så att data kan tolkas på ett konsekvent sätt.

Först när människor är överens om vad de frågar efter blir det möjligt för AI att ge svar som verksamheten faktiskt kan använda.

Det här är alltså inte bara en IT-fråga. Ekonomi, försäljning, verksamhet och IT behöver tillsammans bestämma vad centrala begrepp betyder.

 

Mer tillgänglig data betyder inte att alla ska se allt

När AI gör det enklare att fråga efter information blir behörigheter ännu viktigare.

En säljare ska kanske kunna fråga om kunder inom sitt eget område, medan en chef behöver en bredare bild. Känslig information ska fortfarande bara vara tillgänglig för personer som har rätt att se den.

Poängen är viktig: en AI-agent ska inte bli en genväg runt företagets säkerhet.

Med rätt behörighetsstyrning utgår agenten från användarens åtkomst. Om personen inte har rätt att läsa informationen ska agenten inte heller kunna hämta den.

Samtidigt behöver organisationen tänka bredare än tekniska behörigheter. När information kopieras till lokala filer, skickas vidare eller matas in i icke godkända AI-tjänster kan kontrollen försvinna. Säker datahantering handlar därför både om plattformen och om hur människor arbetar med informationen.

 

Microsoft Fabric samlar grunden för AI och analys

I avsnittet använder Therése och Magnus Microsoft Fabric som exempel på hur en modern dataplattform kan fungera.

Tanken är inte att användaren ska behöva förstå varje tekniskt lager. Poängen är att skapa en gemensam grund där information från olika system kan samlas, struktureras, definieras och göras tillgänglig för exempelvis rapporter, analys och AI-agenter.

Det skapar också något som blir allt viktigare när AI får större betydelse: spårbarhet. Om ett svar verkar fel behöver det gå att förstå var informationen kommer från och hur den har förändrats på vägen.

AI gör med andra ord inte behovet av ordning på data mindre. Tvärtom.

 

Så kommer ni igång: börja med verksamhetsfrågan

Ni behöver inte börja med att flytta all data eller bygga färdigt hela dataplattformen.

Börja i stället med en fråga som verksamheten behöver kunna besvara.

  • 1. Välj en konkret verksamhetsfråga. Vilket beslut eller vilken analys tar onödigt lång tid idag? Börja där i stället för att börja med vilken AI-teknik ni vill använda.
  • 2. Ta reda på vilken data som krävs. Vilka system innehåller informationen? Håller den tillräcklig kvalitet? Finns gemensamma definitioner för de viktigaste begreppen?
  • 3. Bestäm vem som får se vad. Sätt behörigheterna från början. AI-agenten ska bara kunna ge användaren tillgång till information som personen har rätt att se.
  • 4. Börja litet och utvärdera svaren. Testa inom ett avgränsat område. Ställ enkla frågor först, kontrollera svaren och bygg sedan vidare.

Målet är inte en perfekt dataplattform från dag ett. Målet är att skapa en tillräckligt bra och kontrollerad grund för att lösa ett verkligt verksamhetsbehov.

 

Vanliga frågor om dataplattformar och AI

 

Prenumerera på AI-podden

AI blir inte bättre än informationen den arbetar med. I AI-kontoret fortsätter vi därför att titta både på vad AI kan göra och vad företag behöver få på plats för att använda tekniken på ett sätt som faktiskt fungerar i verksamheten.

Prenumerera på AI-kontoret i din favoritspelare för fler konkreta samtal om AI, data och modern teknik.


Prenumerera på AI-kontoret


 

Ska vi prata?

Fyll i formuläret så hör vi av oss.