AI behøver ikke perfekte data: Misforståelsen, der koster virksomheder år – Stop migrationsmyten

Slut på endeløs forberedelse: Hvordan AI endelig leverer reel merværdi

Kunstig intelligens rummer et enormt potentiale, men i forretningspraksis udarter den ofte til en dyr illusion. Årsagen er lige så simpel, som den er fatal: Virksomheder omdanner ubevidst deres ambitiøse AI-initiativer til gigantiske, ressourcekrævende datamigreringsprojekter. Det oprindelige mål om at opnå hurtige og målbare forretningsresultater bliver en langvarig kamp for den perfekte datainfrastruktur og problemfri konsolidering i centrale datalagre. Mens milliarder bruges på forberedelse, sidder to tredjedele af virksomhederne fast i pilotfasen – og den faktiske værdiskabelse falder fra hinanden.

Denne artikel afslører, hvorfor det regelmæssigt fører til fiasko at holde sig til en "infrastruktur-først"-strategi, og hvorfor en komplet datamigrering ikke nødvendigvis er nødvendig for AI-succes. Den skitserer et tiltrængt paradigmeskift: De, der planlægger baglæns ud fra konkrete forretningsresultater og er afhængige af samlet dataadgang, behøver ikke at vente på færdiggørelsen af ​​årelange IT-megaprojekter. Lær, hvordan du opbevarer data, hvor de er, giver AI kun den specifikke kontekst, den har brug for, og opnår målbar succes gennem målrettede "hurtige gevinster" på meget kort tid. Det er tid til at flytte fokus væk fra ren dataperfektion og hen imod pragmatisk AI-værdiskabelse.

Relateret til dette:

• UNFRAME.AI: Datamigrering var aldrig pointen. Det var AI-resultater.

At undslippe datafælden: At tænke på AI fra resultatets perspektiv

Den største AI-dræber er datamigration

AI-projekter mislykkes normalt ikke på grund af selve teknologien, men fordi de udarter til rene IT-infrastrukturprojekter. Konsolidering af alle data anses fejlagtigt for at være et obligatorisk krav.

Tænk ud fra resultatet (reverse engineering)

I stedet for at spørge, hvordan man forbereder alle data til AI, er det afgørende spørgsmål: Hvilken specifik datakontekst har AI brug for her og nu for at levere et konkret forretningsresultat?

Kontekst i stedet for kopi (Federated Access)

AI behøver ikke hele datalageret. Teknologier som federeret dataadgang, datavirtualisering og RAG (Retrieval-Augmented Generation) gør det muligt at opbevare data i kildesystemerne og kun samle konteksten i forespørgselsøjeblikket. Dette sparer enormt meget tid og omkostninger.

Parallel drift i stedet for stilstand

Langsigtet datamigrering (ETL-processer for rapportering, historik osv.) kan og vil fortsætte. AI-initiativet behøver dog ikke at vente på dette, men kan tilgå de eksisterende, distribuerede data parallelt.

Agilitet slår perfektionisme

Det er ineffektivt at forsøge at opbygge et omfattende dataskema. Domæneorienterede, use-case-specifikke kontekstmodeller (svarende til data mesh-tilgangen) er betydeligt mere lovende.

Styrken ved "hurtige sejre"

For at genvinde interessenternes ofte svækkede tillid skal AI-projekter hurtigt demonstrere et investeringsafkast (ROI). En ideel initial use case (høj frekvens, målbart grundlag, eksisterende data) leverer håndgribelige resultater inden for få uger, hvilket retfærdiggør yderligere investeringer.

Hvorfor virksomheder investerer milliarder i infrastruktur i stedet for endelig at levere merværdi

Digital transformation har i de senere år skabt et paradoksalt mønster, der går på tværs af alle brancher. Virksomheder investerer betydelige summer i kunstig intelligens, men i de fleste tilfælde lever den faktiske værdiskabelse ikke op til forventningerne. Årsagen ligger sjældent i selve teknologien. Den ligger i den måde, organisationer griber vejen til AI an på. I stedet for at fokusere på målbare forretningsresultater, forvandles AI-initiativer gradvist til massive datainfrastrukturprojekter, der udvikler et eget liv og mister deres oprindelige formål af syne. Det, der begyndte som et strategisk initiativ til at udnytte AI, ender ofte som års datamigrering uden synligt investeringsafkast.

Ifølge Gartners prognose fra december 2025 vil de globale udgifter til kunstig intelligens nå cirka 1,8 billioner dollars i 2025 og forventes at vokse til 4,7 billioner dollars inden 2029. Samtidig viser McKinsey Global Survey 2025 om tilstanden af ​​AI, at 88 procent af de undersøgte virksomheder allerede bruger AI i mindst én forretningsfunktion, men næsten to tredjedele er stadig i forsøgs- eller pilotfasen. Kun omkring seks procent af virksomhederne kvalificerer sig som såkaldte AI-højtydende virksomheder, hvor mere end fem procent af EBIT kan tilskrives AI. Disse tal illustrerer en fundamental uoverensstemmelse mellem de penge, der strømmer ind i AI, og den værdi, der i sidste ende genereres. Analyse af denne uoverensstemmelse afslører et strukturelt problem, der rækker langt ud over tekniske problemer.

Hvordan infrastrukturprojektet opslugte AI-initiativet

Den logiske kæde, der fører virksomheder ind i denne situation, virker ved første øjekast plausibel. AI har brug for data. Dataene er fragmenteret på tværs af adskillige systemer. Så de skal konsolideres. Konsolidering kræver migrering. Migrering kræver transformation. Transformation kræver styring. Styring kræver datakvalitetsprogrammer. Hver enkelt beslutning i denne kæde er rimelig i sig selv. Men samlet set forvandler de et AI-initiativ til et datainfrastrukturprogram, der tager år, før et enkelt AI-resultat bliver synligt.

Dette fænomen er slående tydeligt i dataene. Ifølge Caylents 2025 Data Migration Report rapporterede kun seks procent af de adspurgte virksomheder, at de havde gennemført deres mest komplekse migreringsprojekter til tiden. Næsten halvdelen af ​​respondenterne oplevede mere end fem timers nedetid under kritiske migreringer, hvilket resulterede i problemer med kundeoplevelsen, omsætningstab og driftsforsinkelser. En analyse af over 500 virksomhedsanmeldelser afslører, at cirka 73 procent af datamigreringsprojekter mislykkes på grund af utilstrækkelig planlægning, huller i styringen og mangel på platformspecifik ekspertise. Tidsoverskridelser på i gennemsnit 150 procent er ikke undtagelsen, men reglen.

Disse migreringsprojekter udvikler deres egen dynamik. De tiltrækker dedikerede teams, genererer deres egne nøgleindikatorer (KPI'er) og får deres egne sponsorer på bestyrelsesniveau, som sætter deres omdømme på spil på projektets færdiggørelse. De oprindelige AI-anvendelsesscenarier udskydes til den næste fase, derefter til perioden efter migreringen, og endelig forsvinder de stille og roligt fra planlægningsdiskussionerne. Ingen planlægger dette resultat. Det opstår som følge af tusind små beslutninger, der hver især er berettigede, men som samlet set resulterer i en strategisk forkert fordeling af ressourcer og opmærksomhed.

Et typisk scenarie illustrerer problemet. Den kvartalsvise forretningsgennemgang begynder, som den har gjort de sidste to år. Datatransformationsteamet præsenterer sine fremskridt. Migreringen er 73 procent færdig. Datakvalitetsmålingerne er forbedret på tværs af seks domæner. Datawarehouse-arkitekturen har bestået sin seneste revision. Den udøvende sponsor nikker anerkendende til milepælsdiagrammerne. Så stiller nogen det spørgsmål, som alle har undgået: Hvornår går AI'en live? Stilhed følger. Nogen nævner fase to. En anden peger på afhængigheder. Den oprindelige tidslinje, som lovede AI-drevet indsigt inden for atten måneder, er blevet en fodnote i et datainfrastrukturprojekt, der har fået sit eget liv.

Milliard-dollar-boodoggle af ufærdige forberedelser

Den økonomiske dimension af dette problem er betydelig. Gartner forudsiger, at organisationer uden AI-klare data ved udgangen af ​​2026 vil opleve, at over 60 procent af deres AI-projekter mislykkes og opgives. Harvard Business Review anslår den samlede fejlrate for AI-projekter til 80 procent, næsten dobbelt så høj som fejlraten for IT-projekter, der ikke involverer AI. Ifølge en undersøgelse fra 2025 foretaget af S&P Global Market Intelligence havde 42 procent af virksomhederne opgivet størstedelen af ​​deres AI-initiativer, en dramatisk stigning fra blot 17 procent året før. Den gennemsnitlige organisation kasserede 46 procent af sine AI-proofs of concept, før de overhovedet nåede produktion.

Gartner forudsiger også, at mindst 30 procent af generative AI-projekter vil blive opgivet efter proof of concept-fasen på grund af dårlig datakvalitet, utilstrækkelig risikokontrol, eskalerende omkostninger eller uklar forretningsværdi. Informatica CDO Insights Survey 2025 identificerer tydeligt de største hindringer for AI-succes: datakvalitet og modenhed (43 procent), manglende teknisk modenhed (også 43 procent) og mangel på kvalificeret personale (35 procent).

Disse tal fremhæver en fundamental misforståelse, der er udbredt i mange organisationer. Problemet er ikke, at AI-use cases fejler. Problemet er, at migrering er blevet selve opgaven snarere end midlet til et mål. Konsolidering af alle data i et centralt datalager er blevet et mål i sig selv, mens den oprindelige forretningsværdi falder i baggrunden. I mellemtiden eksploderer investeringerne i AI-klare data. Gartner forudsiger, at markedet for AI-data vil vokse fra 134 millioner dollars i 2024 til 14,6 milliarder dollars i 2029, hvilket repræsenterer en sammensat årlig vækstrate på 155 procent. Pengene flyder, men de går i den forkerte retning, hvis dataforsyning gribes an som et monolitisk, forberedende projekt snarere end en iterativ proces.

Tænk i resultatet i stedet for at planlægge ud fra infrastrukturens perspektiv

Den alternative tilgang begynder med et fundamentalt anderledes spørgsmål. I stedet for at spørge, hvordan man forbereder data til AI, bør man spørge, hvilken kontekst AI har brug for for at levere et specifikt forretningsresultat. Denne vending af perspektiv ændrer hele projektarkitekturen.

De fleste AI-anvendelsessager kræver kontekst fra tre til fem systemer, ikke en fuldt migreret dataportefølje. Kontekstkrav er specifikke. En AI til kontraktanalyse har brug for kontrakter, ændringer, parter og forpligtelser. Den behøver ikke hele datalageret. En AI til kundeservice har brug for interaktionshistorik, produktdata og sagsstyringsposter. Den behøver ikke alle tabeller i alle kildesystemer.

Den minimalt krævede datasti er næsten altid smallere end migreringsprojektets omfang. Migrering er optimeret til enhver tænkelig fremtidig forespørgsel. AI har brug for den rette kontekst til specifikke use cases i nuet. Disse to krav er fundamentalt forskellige, og det at behandle dem som ækvivalente er netop den mekanisme, hvormed infrastrukturprojekter fortærer AI-initiativer.

Når man arbejder baglæns fra AI-resultatet, opdager man ofte, at de nødvendige data allerede er tilgængelige. De behøver ikke at blive flyttet. De skal forbindes, organiseres til brugsscenariet og gøres tilgængelige under kørsel. Effektiv AI-datahåndtering begynder med denne erkendelse: Definer først resultatet, og find derefter den enkleste vej til den kontekst, der muliggør dette resultat.

Administreret AI-platform - Billede: Xpert.Digital

Her lærer du, hvordan din virksomhed kan implementere skræddersyede AI-løsninger hurtigt, sikkert og uden høje adgangsbarrierer.

En administreret AI-platform er din altomfattende og bekymringsfri løsning til kunstig intelligens. I stedet for at skulle håndtere kompleks teknologi, dyr infrastruktur og langvarige udviklingsprocesser, får du en færdiglavet løsning skræddersyet til dine behov fra en specialiseret partner – ofte inden for få dage.

De vigtigste fordele på et overblik:

⚡ Hurtig implementering: Fra idé til brugsklar applikation på dage, ikke måneder. Vi leverer praktiske løsninger, der skaber øjeblikkelig merværdi.

🔒 Maksimal datasikkerhed: Dine følsomme data forbliver hos dig. Vi garanterer sikker og kompatibel behandling uden at dele data med tredjeparter.

💸 Ingen økonomisk risiko: Du betaler kun for resultater. Store forudgående investeringer i hardware, software eller personale elimineres fuldstændigt.

🎯 Fokuser på din kerneforretning: Koncentrer dig om det, du er bedst til. Vi tager os af hele den tekniske implementering, drift og vedligeholdelse af din AI-løsning.

📈 Fremtidssikret og skalerbar: Din AI vokser med dig. Vi sikrer løbende optimering og skalerbarhed og tilpasser modellerne fleksibelt til nye krav.

Mere information her:

• Administreret AI-platform

Federeret dataadgang som en alternativ arkitektonisk model

AI uden datamigrering er ikke en genvej. Det er en anderledes arkitektur, der afspejler, hvordan AI rent faktisk fungerer i produktionsmiljøer. Tre grundlæggende principper karakteriserer denne tilgang.

For det første forbinder fødereret adgang AI med kildesystemerne, hvor dataene findes, uden at det kræver forudgående centralisering. CRM-data forbliver i CRM'et. Dokumenter forbliver i dokumentarkivet. Driftsdata forbliver i ERP'et. AI-laget kan tilgå alt dette uden at vente på synkronisering. Federeret dataadgang holder data på deres oprindelige placering, udnytter virtualiseringsteknikker til at give et samlet overblik og muliggør realtidsindsigt efter behov. I modsætning til datalagring, hvor data fysisk flyttes til en central placering, eliminerer fødereret adgang de risici og omkostninger, der er forbundet med dataduplikering, og forbedrer den operationelle effektivitet.

For det andet definerer use-case-specifikke kontekstmodeller, hvad hver AI-applikation specifikt har brug for. I stedet for at opbygge et universelt skema, der forsøger at dække alt, definerer systemet de specifikke enheder, relationer og signaler, der er relevante for hver enkelt use-case. Dette princip stemmer overens med konceptet med data mesh-arkitektur, hvor domæneorienterede teams uafhængigt administrerer deres respektive data og vedligeholder skræddersyede styringsstandarder, der afspejler specifikke forretningskrav.

For det tredje samler runtime-assembling konteksten i beslutningsøjeblikket i stedet for på forhånd gennem batch-pipelines. Når AI'en skal besvare et spørgsmål, kompilerer den den relevante kontekst fra alle kilder, uanset hvor konteksten måtte være. Ingen synkroniseringsforsinkelse. Ingen forældede snapshots. Opdaterede data, samlet efter behov. Dette princip har gennemgået teknologisk modning med udbredelsen af ​​Retrieval Augmented Generation (RAG). RAG-arkitekturer gør det muligt for AI-systemer at hente relevant ekstern information i forespørgselsøjeblikket og integrere den i konteksten i stedet for udelukkende at stole på foruddannet viden. I midten af ​​2026 vil over 66 procent af virksomhedsgenerative AI-implementeringer anvende RAG-arkitekturer.

Den praktiske implementering af denne arkitektur er tydelig i virkelige virksomhedsmiljøer. SAP's Federated Machine Learning Library udnytter for eksempel SAP Dataspheres data federation-arkitektur til intelligent at eksponere SAP- og ikke-SAP-data til maskinlæring uden at kræve replikering eller dataflytning. Virksomheder som Downer, en af ​​Australiens største integrerede serviceudbydere, har implementeret en fødereret data- og AI-platform, der kombinerer decentraliseret agilitet med centraliseret styring, hvilket gør det muligt for forretningsenheder at innovere uafhængigt, samtidig med at de problemfrit og sikkert deler virksomhedsdata.

Datavirtualisering og batchbehandling sammenlignet

Valget mellem fødereret adgang via datavirtualisering og traditionel ETL-baseret konsolidering er ikke et binært valg, men snarere et spørgsmål om at tilpasse det til kravene i den respektive arbejdsbyrde. Datavirtualisering leverer hurtigere svartider ved forespørgsler på mindre, distribuerede datasæt. Med stigende datamængder og komplekse transformationskrav kan ETL dog være mere effektiv på grund af dets evne til at behandle store datasæt ved hjælp af foruddefinerede transformationsregler.

Den grundlæggende afvejning er, at datavirtualisering erstatter fysisk konsolidering med logisk integration. Du får nyere data, da forespørgsler tilgår kildesystemerne direkte, og du undgår omkostningerne og kompleksiteten ved at kopiere alle data til et enkelt lager. Samtidig bliver du afhængig af tilgængeligheden og ydeevnen af ​​hvert underliggende system. For tunge analytiske forespørgsler i petabyte-området overgår lagre med forudberegnede aggregater og kolonneformat lager fødererede forespørgsler på tværs af netværk med en faktor ti eller mere.

Den smarte løsning er at bruge begge tilgange komplementært. ETL håndterer behandlingen af ​​strukturerede, historiske data til rapportering og sikrer konsistens. Datavirtualisering muliggør agil adgang til live- eller distribuerede data til tidskritiske forespørgsler. Når man integrerer en ny datakilde, kan det tage dage eller uger at ændre ETL-arbejdsgange. Datavirtualisering muliggør øjeblikkelig integration af midlertidige eller eksperimentelle datakilder. Denne hybride tilgang optimerer ydeevne, omkostninger og fleksibilitet i lige grad.

Den korteste vej til målbare AI-resultater

Den økonomiske logik bag den resultatorienterede tilgang er overbevisende. Den gennemsnitlige varighed af AI-projekter følger et velkendt mønster: tre måneders planlægning, seks måneders udvikling, seks måneders test, tre måneders implementering, i alt atten måneder indtil investeringsafkast. Ifølge Gartner når i gennemsnit kun 48 procent af AI-projekter produktion, og vejen fra AI-prototype til produktion tager otte måneder. Kun 35 procent af AI-projekter når overhovedet produktionsberedskab.

Men der er en anden måde. Ifølge en IDC-undersøgelse leverer 92 procent af succesfulde AI-implementeringer et positivt investeringsafkast inden for tolv måneder. 40 procent af virksomhederne rapporterer et positivt afkast inden for seks måneder. Nøglen ligger i at vælge den rigtige indledende use case og undgå overambitiøse infrastrukturforberedelser.

Rammerne for hurtigt AI-afkast af investeringer er baseret på fire principper. Det ideelle første use case er karakteriseret ved høj frekvens; den pågældende opgave udføres dagligt eller ugentligt. Det har en klar baseline, og den nuværende ydeevne kan måles. Data findes allerede, og use casen har begrænsede afhængigheder af andre systemer. Hvis disse kriterier er opfyldt, kan målbare resultater opnås inden for få uger.

Virkningen af ​​sådanne hurtige gevinster rækker langt ud over det umiddelbare økonomiske afkast. En telekommunikationsudbyder implementerede en AI-chatbot til de fem hyppigste kundehenvendelser vedrørende fakturering. Inden for 60 dage løste løsningen 35 procent af henvendelserne uden menneskelig indgriben, reducerede den gennemsnitlige løsningstid fra 24 timer til 10 minutter og forbedrede kundetilfredsheden med 22 procent. En mellemstor producent implementerede AI-drevet prædiktiv vedligeholdelse på en kritisk produktionslinje. Det 45 dage lange pilotprojekt leverede en reduktion på 62 procent i uplanlagt nedetid, 157.000 dollars i undgåede produktionstab og en reduktion på 28 procent i vedligeholdelsesomkostninger. Klarnas AI-assistent løste to tredjedele af alle kundechathenvendelser i den første måned og reducerede den gennemsnitlige løsningstid fra elleve minutter til under to minutter.

Hvorfor interessenttillid er den sværeste valuta

Disse hurtige succeser tjener en funktion, der rækker ud over blot omkostningsbesparelser. De genopretter interessenternes tillid, som er blevet svækket gennem årevis med infrastrukturprojekter uden synlige resultater. Hurtige succeser giver et hurtigt og håndgribeligt bevis på, at AI skaber forretningsværdi. Dette opbygger beslutningstagernes tillid, reducerer modstanden mod implementering og baner vejen for større AI-investeringer.

Succesfulde hurtige gevinster skaber positive feedback-loops, der accelererer AI-adoptionen. Indledende succes genererer entusiasme og ressourcer til bredere implementering. Udvidelse af implementeringen skaber yderligere værdi og organisatorisk læring. Denne læring muliggør mere sofistikerede applikationer og større fordele. De større fordele retfærdiggør øgede investeringer i AI-kapaciteter.

McKinseys data understreger denne mekanisme. Virksomheder med høj AI-præstation – de seks procent af virksomhederne med et målbart EBIT-bidrag fra AI – er tre gange mere tilbøjelige end andre til at rapportere, at deres organisation har til hensigt at bruge AI til transformative forandringer. Disse virksomheder er næsten tre gange mere tilbøjelige end andre til fundamentalt at redesigne arbejdsgange, og denne bevidste redesign af arbejdsgange demonstrerer et af de stærkeste bidrag til at opnå målbar forretningsmæssig effekt. Virksomheder med høj AI anvender regelmæssigt AI på tværs af flere forretningsfunktioner end deres peer-gruppe og er tre gange mere tilbøjelige til at udvide brugen af ​​AI-agenter.

Parallel operation i stedet for sekventiel afhængighed

Migrationsprojektet behøver ikke at blive stoppet. Det kan tjene formål ud over kunstig intelligens. Regulatorisk rapportering, historiske analyser eller ledelsesdashboards på den interne køreplan kan ganske vist kræve konsoliderede data. Investeringen i at opbygge dette fundament er ikke spildt til disse formål.

Men AI behøver ikke at vente på, at migreringen er færdig. De to kan køre parallelt. Migreringen fortsætter efter sin egen tidsplan til de tilsigtede formål. AI leverer resultater nu, baseret på de data, der findes i dag.

Den pragmatiske tilgang begynder med at identificere to til tre AI-use cases, der kan levere målbar forretningsværdi. Dette efterfølges af en kortlægning af den specifikke datakontekst, der kræves for hver use case. Derefter undersøges det, om denne kontekst er direkte tilgængelig uden at kræve migrering. Endelig afprøves AI'en på den smalest mulige datasti.

Denne tilgang stemmer overens med resultaterne fra Gartner-analytiker Haritha Khandabattu, der beskriver et gradvist skift fra generativ AI som det centrale fokus til de grundlæggende faktorer, der understøtter bæredygtig AI-implementering, herunder AI-klare data og AI-agenter. Investeringer bevæger sig fra en infrastruktur-først strategi til en data-og-kapacitet-først arkitektur. Organisationer, der behandler databeredskab som en eftertanke, er dem, der har størst sandsynlighed for at forblive blandt de 94 procent, der aldrig går videre end pilotfasen.

Reorganisering af investeringslogikken

Gartners udgiftsdata afslører et tektonisk skift i investeringslogikken. Mens AI-infrastruktur fortsat er den absolut største udgiftskategori med 965 milliarder dollars i 2025, er dens vækstrate forholdsvis moderat på 29 procent om året. Accelerationen sker andre steder: AI-data vokser med 155 procent årligt, AI-cybersikkerhed med 74 procent og AI-modeller med 68 procent. Pengene følger flaskehalsene, ikke overskrifterne.

Inden for AI-datamarkedet er vækstfaktorerne endnu tydeligere. Generering af syntetisk data vokser med en årlig rate på 178 procent, fra 41 millioner dollars til 6,8 milliarder dollars i 2029. AI-klare datasæt – det vil sige prækuraterede data struktureret til AI-arbejdsgange – vokser med 136 procent årligt. Virksomheder er villige til at betale for genveje til produktion. Dette er et klart signal om, at markedet værdsætter hurtig databeredskab frem for langsom, omfattende migrering.

De vindende organisationer, dem der virkelig høster værdien af ​​denne transformation, investerer i de funktioner, der får AI-systemer til at fungere i virksomhedsskala: databeredskab, styring, integration og sikkerhed. De vender de typiske udgiftsforhold og dedikerer 50 til 70 procent af deres tid og budget til databeredskab – det vil sige udtrækning, normalisering, styringsmetadata, kvalitetsdashboards og opbevaringskontroller. Denne databeredskab forstås dog ikke som et monolitisk migreringsprojekt, men snarere som en iterativ, use-case-drevet proces.

Fra dataperfektionisme til AI-pragmatisme

Den centrale konklusion i denne analyse kan opsummeres i ét princip: Målet var aldrig en perfekt infrastruktur. Målet var at opnå resultater fra AI, og heldigvis kræver dette ikke fuldstændig datakonsolidering. De teams, der anerkender dette, holder op med at behandle migration som en forudsætning og begynder at se AI-resultater som den metriske måling, der virkelig betyder noget.

Dataene taler for sig selv. 88 procent af virksomhederne bruger AI, men kun en tredjedel er begyndt at skalere det. 73 procent af migreringsprojekter mislykkes på grund af implementeringsproblemer, ikke selve teknologien. 42 procent af virksomhederne vil have opgivet størstedelen af ​​deres AI-initiativer inden 2025. Samtidig viser de øverste seks procent, at vejen til succes ligger i ambitiøse mål, redesignede arbejdsgange og hurtig skalering, ikke i at færdiggøre migreringsprojekter.

Dette repræsenterer en klar opfordring til handling for IT-chefer og teknologidirektører. Spørgsmålet er ikke længere, hvordan man konsoliderer alle data, før AI kan implementeres. Spørgsmålet er, hvilken specifik datakontekst der er nødvendig for den næste AI-use case, og hvordan denne kontekst kan leveres hurtigst og mest omkostningseffektivt. Federated access, use-case-specifikke kontekstmodeller og runtime-assemblering er de arkitektoniske værktøjer, der muliggør denne tilgang. De erstatter paradigmet om komplet forberedelse med paradigmet om iterativ værdiskabelse.

Virksomheder, der ikke ser AI som en sekundær modtager af infrastrukturprojekter, men som en drivkraft, der bestemmer datakrav, vil være dem, der kommer hurtigst fra pilotfasen til skaleringsfasen. Migreringsprojektet kan fortsætte, men AI'en behøver ikke at vente.

Konrad Wolfenstein

Jeg vil med glæde fungere som din personlige rådgiver.

kontakte mig på wolfenstein ∂ xpert.digital

Bare ring til mig på +49 89 89 674 804 (München) .

LinkedIn