AI flyver i blinde: Hvorfor store virksomheder ikke længere forstår deres egne data

Den undervurderede AI-risiko: Hvorfor datakaos kan koste virksomheder millioner

Hypen omkring kunstig intelligens viger i stigende grad for en ædruelig virkelighed i C-suiten. Mens sprogmodellerne fra OpenAI, Google og andre bliver stadig mere kraftfulde, mislykkes deres produktive anvendelse i praksis normalt på grund af et massivt, men ofte ignoreret, problem: internt datakaos. Når kontrakter, chathistorik, e-mails og regneark er spredt ustruktureret på tværs af utallige siloer og afdelinger, står selv de mest intelligente AI-agenter tilbage med ingenting eller hallucinerer simpelthen. Det er netop ved denne sårbarhed, at et hurtigt voksende milliardmarked opstår. Specialiserede startups og etablerede tech-giganter bygger såkaldte semantiske datalag – det nye, centrale operativsystem til virksomhedsdata. Men denne teknologi bringer ikke kun enorme effektivitetsgevinster og revolutionerende betalingsmodeller, den rummer også håndgribelige risici med hensyn til cybersikkerhed og afhængighed. Denne artikel giver et dybdegående indblik i arkitekturen af ​​AI-fremtiden og udforsker, hvad denne transformation betyder for økonomien – fra store virksomheder til mellemstore virksomheder.

Relateret til dette:

• Unframe AI | AI-klare data. Bygget ud fra de systemer, du allerede kører.

Et milliardmarked er ved at komme ud af et gammelt problem

Debatten omkring kunstig intelligens i erhvervslivet har ændret sig fundamentalt i de seneste to år. Mens det oprindelige fokus var på, hvilken sprogmodel der gav de bedste svar, har et langt mere pragmatisk aspekt nu taget overhånd: kvaliteten, aktualiteten og tilgængeligheden af ​​de data, disse modeller er beregnet til at arbejde med. En undersøgelse af hundrede ledende data- og teknologichefer fra virksomheder med en omsætning på over to milliarder amerikanske dollars og mere end fem tusinde ansatte tegner et tankevækkende billede. Næsten alle respondenter – 99 procent, for at være præcis – kæmper med at definere ensartede forretningsmålinger på tværs af forskellige værktøjer og afdelinger. Næsten 80 procent af datateams bruger mere end halvdelen af ​​deres tid på at forberede data i stedet for rent faktisk at få indsigt fra dem. Disse tal afslører, at semantisk inkonsistens ikke længere er et marginalt problem, men snarere selve operativsystemet, som mange store virksomheder stadig kører på.

En ny kategori af udbydere træder netop ind i dette hul og positionerer sig som et bindeled mellem virksomhedernes fragmenterede virkelighed og kravene fra moderne AI-systemer. Deres løfte er at konsolidere alle en virksomheds datakilder – fra e-mails og kontrakter til ERP- og CRM-systemer – til et kontinuerligt synkroniseret, governance-aktiveret lag. Succesen med dette løfte er tydelig i tilfældet med den californisk-israelsk-tyske startup Unframe, som inden for tolv måneder efter sin officielle markedslancering sikrede sig kontraktvolumen på mere end hundrede millioner amerikanske dollars. Dens seneste finansieringsrunde på halvtreds millioner amerikanske dollars, ledet af Highland Europe, bragte det samlede kapitalbeløb op på hundrede millioner amerikanske dollars. Sådanne væksttal er et bemærkelsesværdigt signal om et reelt, ikke blot påstået, behov i et markedssegment, der kun har eksisteret i få år.

Hvorfor traditionelle dataarkitekturer hindrer AI

For at forstå konsekvenserne af denne udvikling er det værd at se på datalagre'ernes historiske funktion. I årtier var disse optimeret til ét formål: retrospektiv rapportering. Kvartalsvise tal, salgsstatistikker, nøgleindikatorer for ledelsen – alt dette kunne repræsenteres tilfredsstillende ved hjælp af periodisk opdaterede, meget strukturerede databaser. Kunstig intelligens, især agentbaserede systemer designet til at træffe uafhængige beslutninger eller udløse handlinger, kræver dog noget fundamentalt anderledes. Den har brug for operationelle oplysninger, der er opdaterede i realtid og knyttet til faktiske forretningsprocesser. En AI-agent, der har til formål at understøtte en beslutning i forsyningskæden, kan ikke arbejde med data, der er tre uger gamle og udelukkende er udarbejdet til retrospektiv analyse.

Denne uoverensstemmelse forværres af et andet strukturelt problem. Skøn fra store teknologivirksomheder tyder på, at op til 90 procent af virksomhedsdata er ustruktureret, spredt ud over dokumenter, chathistorik, supportsager, fakturaer og kalenderposter. Denne enorme mængde information ligger i vid udstrækning uden for traditionelle, regnearksbaserede datalagre og var simpelthen utilgængelig for traditionelle analyseværktøjer. Uden et samlet semantisk lag, der konsekvent repræsenterer både struktureret og ustruktureret indhold, er det fortsat praktisk talt umuligt at konsolidere information fra forskellige kilder og levere den til en AI-model som en pålidelig kontekst.

Et separat benchmarkprojekt, der vurderer datamodenhed for generativ AI, når frem til et strukturelt lignende resultat, omend med en anden vægtning. I denne undersøgelse angav 59 procent af de adspurgte ledere datakvalitet og -konsistens som den største hindring for produktiv brug af generativ AI, efterfulgt af fragmenterede datalandskaber med 50 procent og datasikkerheds- og privatlivsproblemer, også med 50 procent. Det er også bemærkelsesværdigt, at kun 13 procent af de virksomheder, der allerede bruger generativ AI, kan forhindre følsomme data, såsom kunde- eller medarbejderoplysninger, i at flyde ufiltreret ind i sprogmodeller. Dette peger på et styringskløft, der rækker langt ud over tekniske kompatibilitetsproblemer og fører direkte ind i databeskyttelse og lovgivningsmæssigt ansvar.

Forretningsmodellen bag det nye datalag

Det grundlæggende princip, der forfølges af udbydere som Unframe kan beskrives i fire funktionelle trin. Først forbindes virksomhedssystemer, applikationer, datalagre, filer og API'er til platformen. Dernæst transformeres disse heterogene kilder til et enkelt, governance-aktiveret datalag, der gælder for hele organisationen. Det tredje trin involverer kontinuerlig synkronisering med kildesystemerne, hvilket sikrer, at datalaget ikke blot bliver endnu et forældet øjebliksbillede, men snarere afspejler virksomhedens faktiske tilstand. Først i det fjerde trin bruges dette fundament til at drive kunstig intelligens, analyser og automatisering – alt sammen bygget på det samme konsistente grundlag.

Konceptuelt set ligner denne tilgang en slags digital tvilling af organisationen, men ikke primært til simulering af fysiske processer. I stedet tjener den til at kortlægge kunder, produkter, kontrakter og transaktioner i en ensartet repræsentation. Den økonomiske appel ved en sådan model ligger i, at hver ny AI-applikation ikke behøver at starte forfra for at få adgang til relevante forretningsdata. I stedet trækker hver applikation på det samme, allerede rensede og berigede fundament. Dette reducerer potentielt omkostningerne ved hvert efterfølgende AI-initiativ betydeligt, da den mest komplekse og ofte undervurderede del af et AI-projekt - dataintegration og -rensning - kun skal udføres én gang.

Unframe beskriver sit tilbud som modulære, genanvendelige byggesten, der kan samles til skræddersyede løsninger uden at kræve separat modeltræning for hver use case. Det såkaldte Framery fungerer som et åbent platformslag, der kan oprette forbindelse til ethvert Software-as-a-Service-tilbud, API, database eller filformat, uanset om infrastrukturen drives i skyen, on-premises eller i et hybridmiljø. For europæiske, og især tyske, virksomheder er et andet aspekt af betydelig betydning: platformen fungerer uafhængigt af en specifik sprogmodeludbyder, hvilket betyder, at der ikke er nogen binding til en bestemt udbyder. Derudover annonceres overholdelse af den europæiske generelle forordning om databeskyttelse (GDPR) og EU's AI-lovgivning eksplicit. Data bør som standard ikke forlade kundens systemgrænser, medmindre det udtrykkeligt anmodes om.

Resultatbaseret prisfastsættelse som et tillidssignal i et mistillidsfuldt marked

Et særligt afslørende aspekt af forretningsstrategien ligger i prismodellen. I modsætning til traditionelle softwareudbydere, der opkræver licensgebyrer uanset den faktiske fordel, bruger Unframe en resultatbaseret faktureringsmodel. Kunderne betaler kun, når en løsning påviseligt fungerer og leverer resultater. Denne beslutning er på ingen måde tilfældig, men snarere et direkte svar på dybtliggende skepsis i bestyrelseslokaler. Som virksomhedens medstifter offentligt har udtalt, er virksomheder trætte af at finansiere løsninger, der i langt de fleste tilfælde fejler, og derfor kræver de en model, hvor der betales for faktisk succes.

Denne observation stemmer overens med den bredere erfaring fra mange virksomheder, der i årevis har eksperimenteret med såkaldte proof-of-concept-projekter uden at integrere dem i produktionssystemer. En betydelig pukkel af lovende AI-use cases, adskillige pilotprojekter, og alligevel næsten intet, der rent faktisk anvendes i den daglige drift – dette opsummerer udgangspunktet for mange virksomheder, der vender sig mod denne nye kategori af udbydere. Den økonomiske kerne i dette løfte ligger i at flytte risikoen for et mislykket projekt fra kunden alene til i det mindste en del af udbyderens egen risiko. Dette ændrer fundamentalt incitamentsstrukturen og er sandsynligvis en af ​​hovedårsagerne til den observerede vækstdynamik, især den førnævnte nettoomsætningsfastholdelse på 400 procent, hvilket betyder, at eksisterende kunder i gennemsnit har firedoblet deres forbrug inden for et år.

Hvem kunderne er, og hvad det afslører om markedets modenhedsniveau

De nævnte referencekunder tegner et interessant billede af de forskellige brancher. Blandt de nævnte er ejendomsselskaberne Cushman & Wakefield og Avison Young, cybersikkerhedsvirksomheden Armis og det schweiziske forlag NZZ. Derudover rapporteres der om use cases for flyselskaber til at optimere besætningsplanlægning og for detailhandlere til at planlægge salgskampagner. Denne fordeling på tværs af ejendomme, medier, sikkerhed, luftfart og detailhandel antyder, at dette ikke er en nicheløsning for en enkelt branche, men snarere et tværfagligt infrastrukturproblem, der tydeligvis opstår i meget forskellige økonomiske sammenhænge.

Virksomhedens geografiske og organisatoriske struktur er også interessant. Med hovedkontor i Cupertino, Californien, og yderligere kontorer i Tel Aviv og Berlin, repræsenterer Unframe en transatlantisk eller transkontinental struktur, der er typisk for teknologisektoren, og som kombinerer amerikansk kapital, israelsk teknologisk udvikling og nærhed til det europæiske marked. For en virksomhed med et tysk fokus er det særligt relevant, at den operationelle medstifter eksplicit arbejder fra Berlin, og at virksomheden gentagne gange har deltaget i europæiske digitale begivenheder såsom Mind the Tech-konferencen i Berlin. Dette signalerer et bevidst strategisk fokus på det europæiske marked, som på grund af strengere databeskyttelseskrav og en generelt mere forsigtig holdning til ukontrolleret overførsel af virksomhedsdata til amerikanske cloududbydere har andre krav end det nordamerikanske marked.

Konkurrencelandskabet og tech-giganternes kapløb

Den beskrevne tendens er på ingen måde begrænset til specialiserede startups. Etablerede teknologivirksomheder har også identificeret problemet med fragmenterede virksomhedsdata som et centralt vækstområde. Dell Technologies har sammen med Nvidia udviklet en AI-dataplatform, hvis erklærede mål er at transformere årtiers fragmenterede virksomhedsdata til brugbar intelligens. En ledende produktmarketingchef hos Dell udtalte passende, at løsningen på dataproblemet ikke kun skal adressere lagringsniveauet, men skal omfatte hele pipelinen fra dataindtagelse og kuratering til orkestrering, så dataene i sidste ende når grafikprocessorernes computerkraft pålideligt.

I sin vurdering af centrale datatendenser for 2026 understregede IBM også, at uden en konvergeret platform, der tilbyder samlet adgang til strukturerede og ustrukturerede data, vil virksomheder ikke være i stand til at implementere analyser og autonom automatisering med den nødvendige hastighed og pålidelighed. Denne vurdering fra en af ​​verdens ældste og største IT-virksomheder understreger, at dette ikke er et nicheproblem for små leverandører, men snarere en fundamental strukturel udfordring, der er identificeret som en kritisk flaskehals i hele branchen. Det er vigtigt at bemærke, at IBM eksplicit understreger, at ingen enkelt leverandør kan løse dette problem alene, da integrationen af ​​distribuerede data og udviklingen af ​​den nødvendige infrastruktur til autonome AI-systemer kræver et bredt økosystem af partnere og teknologier.

Denne vurdering kaster vigtigt lys over den faktiske konkurrencedynamik. Der er ikke ved at opstå et marked, hvor en enkelt vinder dominerer hele værdikæden, men snarere en lang række udbydere med forskellige fokusområder, nogle komplementerer, nogle konkurrerer med hinanden. Specialiserede udbydere som K2View fokuserer eksplicit på operationelle, produktionsklare dataarkitekturer, mens infrastrukturvirksomheder som Dell og Nvidia leverer den underliggende computerkapacitet, og platformudbydere som Unframe bygger bro mellem rådata og implementeringsklare AI-applikationer.

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

Ledelse som en undervurderet konkurrencefaktor

Et aspekt, der ofte overses i den offentlige debat om kunstig intelligens, er spørgsmålet om governance – det vil sige kontrol over, hvem der har adgang til hvilke data, hvordan de behandles, og hvordan de kan spores tilbage til specifikke AI-beslutninger. Undersøgelsen af ​​hundrede dataansvarlige, der er nævnt ovenfor, viser, at 87 procent af respondenterne kræver større gennemsigtighed med hensyn til, hvordan kunstig intelligens bruger og fortolker deres data. Dette er et bemærkelsesværdigt højt tal og antyder, at tillid til pålideligheden af ​​AI-systemer ikke er et biproblem, men snarere en central forudsætning for deres bredere accept i organisationer.

De adspurgte virksomheders mellemfristede prioriteter for de næste tre til fem år bekræfter dette billede. Skalerbarhed på tværs af forskellige datakilder nævnes som en prioritet af 92 procent, dataportabilitet og nøglepræstationsindikatorer (KPI'er) af 83 procent, og styring og observerbarhed af kunstig intelligens af 82 procent. Disse tre prioriteter er tæt forbundet. Uden skalerbare datastrukturer, der er konsistente på tværs af systemgrænser, kan der ikke etableres pålidelig styring, og uden styring er enhver skalering fortsat forbundet med betydelige juridiske og omdømmemæssige risici, især med hensyn til den europæiske generelle forordning om databeskyttelse (GDPR) og den nu gældende AI-lov i Den Europæiske Union.

Dette er især vigtigt for tyske og europæiske virksomheder, da de lovgivningsmæssige rammer er betydeligt strengere end i USA eller store dele af Asien. Europæiske virksomheder, der implementerer et datalag til kunstig intelligens, skal fra starten overveje, hvordan personoplysninger skal beskyttes, hvordan behandlingsprocedurer skal dokumenteres, og hvordan AI-systembeslutninger kan gøres transparente i tilfælde af en tvist. Udbydere, der fra starten inkorporerer disse krav i deres arkitektur, for eksempel ved at tillade data at forblive helt inden for deres egne systemgrænser, opnår en strukturel fordel i forhold til konkurrenter, der primært er afhængige af amerikanske cloudinfrastrukturer med mindre strenge regler.

Økonomiske konsekvenser for tyske SMV'er

Selvom de hidtil nævnte referencekunder overvejende er store, internationalt opererende virksomheder, opstår det berettigede spørgsmål om relevansen af ​​dette emne for tyske SMV'er, som traditionelt udgør rygraden i den tyske økonomi. Ved første øjekast virker situationen for mindre virksomheder mindre dramatisk, da de naturligt har færre systemer og mindre datamængder. En nærmere undersøgelse viser dog, at SMV'er, der er vokset organisk gennem årene og har implementeret forskellige isolerede løsninger til regnskab, lagerstyring, CRM og kommunikation, står over for et strukturelt lignende fragmenteringsproblem – bare i mindre skala.

Det afgørende økonomiske spørgsmål er derfor ikke, om problemet eksisterer, men om en investering i et samlet datalag kan retfærdiggøres økonomisk givet begrænsede IT-budgetter. Fremkomsten af ​​resultatbaserede prismodeller, som Unframe har udviklet, vil sandsynligvis spille en betydelig rolle her, da denne model reducerer den økonomiske risiko for mindre virksomheder betydeligt. Samtidig kan det antages, at mere effektive og specialiserede løsninger vil blive etableret for mellemstore virksomheder i stedet for de omfattende platforme, der er designet til milliardvirksomheder. Den grundlæggende logik om, at et konsistent, kontinuerligt synkroniseret datalag er en forudsætning for enhver meningsfuld AI-applikation, forbliver dog gyldig uanset virksomhedens størrelse.

Risici og åbne spørgsmål vedrørende det nye datalag

Selvom denne udvikling fortjener betydelig opmærksomhed, må de tilknyttede risici ikke overses. Migrering af hele virksomhedens datalandskab til et samlet, centralt lag skaber uundgåeligt et ekstremt attraktivt mål for cyberkriminelle. En vellykket kompromittering af dette centrale datalag kan have langt mere omfattende konsekvenser end et brud på et enkelt, isoleret system, da det øjeblikkeligt kan give adgang til kunde-, kontrakt- og økonomiske data for hele virksomheden. Sikkerhedsarkitekturen på sådanne platforme skal derfor være exceptionelt robust, og virksomheder bør kritisk undersøge, hvordan detaljerede adgangsrettigheder kontrolleres, og hvordan krypteringsstandarder implementeres, når de vælger en udbyder.

En anden, mere strategisk risiko ligger i afhængigheden af ​​en enkelt platformudbyder. Selvom Unframe eksplicit understreger, at det ikke er bundet til en specifik sprogmodel, repræsenterer det underliggende datalag stadig en betydelig strukturel afhængighed. Hvis en virksomhed beslutter at skifte til en anden udbyder, vil det sandsynligvis være en betydelig opgave at migrere et virksomhedsomspændende datalag, der er vokset over år, svarende til de velkendte udfordringer ved at skifte store ERP-systemer. Denne type fastlåsningseffekt adresseres naturligvis sjældent af udbyderne selv, men den bør tages med i betragtning i evalueringen af ​​enhver strategisk beslutning.

Endelig står spørgsmålet om resultaternes faktiske kvalitet tilbage. Selv det mest avancerede datalag kan ikke garantere, at de AI-beslutninger, der udledes deraf, er fejlfri. Især med autonome, agentbaserede systemer, der uafhængigt initierer handlinger, forbliver spørgsmålet om ansvar i tilfælde af fejl uløst. Hvis en AI-agent træffer en forkert forretningsbeslutning baseret på et fejlagtigt synkroniseret datalag – for eksempel ved at fejlfortolke en kontraktklausul eller træffe en mangelfuld beslutning i forsyningskæden – opstår spørgsmålet om ansvar straks, et spørgsmål, der hidtil har været utilstrækkeligt behandlet både kontraktligt og lovgivningsmæssigt.

En nøgtern vurdering af de faktiske fremskridt

En kritisk vurdering af denne udvikling berettiger til forsigtighed med hensyn til overdrevne løfter om redning. Forestillingen om, at kunstig intelligens kan implementeres og gøres produktionsklar i et etableret virksomhedsmiljø inden for få dage, kan være sand i udvalgte, klart definerede use cases, men for langt de fleste komplekse forretningsprocesser er det sandsynligvis en betydelig forenkling af virkeligheden. Erfaringer med tidligere bølger af digital transformation, såsom introduktionen af ​​cloud-infrastruktur eller implementeringen af ​​ERP-systemer, viser, at selv teknisk sofistikerede løsninger regelmæssigt fejler på grund af organisatorisk modstand, utilstrækkelig datakvalitet i kildesystemerne og manglende forandringsvilje blandt arbejdsstyrken.

Samtidig er den underliggende diagnose unægtelig korrekt. Fragmenteringen af ​​virksomhedsdata er reel, veldokumenteret empirisk og repræsenterer faktisk en af ​​de vigtigste flaskehalse for produktiv brug af kunstig intelligens. Spørgsmålet handler derfor mindre om, hvorvidt et samlet, AI-kompatibelt datalag giver mening, men snarere hvilken specifik vej til at opnå det er den mest økonomisk rentable for en bestemt virksomhed med dens unikke historiske systemlandskab, risikotolerance og tilgængelige budget. For virksomheder, der hidtil har været tøvende med at adressere dette problem, giver markedsudviklingen i løbet af de sidste to år et vigtigt fingerpeg: De, der fortsætter med at eksperimentere med isolerede, ukoordinerede pilotprojekter, vil på mellemlang sigt sakke bagud i forhold til konkurrenter, der tidligt investerede i et ensartet datagrundlag.

Nedbrydning af datasiloer: Vejen til interoperabel virksomheds-AI

Udviklingen i de kommende år vil i høj grad afhænge af, om der etableres ensartede standarder for interoperabilitet mellem forskellige datalag og AI-platforme. Hvis det lykkes branchen at udvikle åbne protokoller, der giver forskellige udbydere af datalag og AI-modeller mulighed for at arbejde problemfrit sammen, vil dette reducere eksisterende afhængighedsrisici betydeligt og intensivere konkurrencen til gavn for kunderne. Indledende skridt i denne retning er allerede synlige, for eksempel gennem understøttelse af åbne grænsefladeprotokoller, der muliggør integration med eksisterende, interne AI-assistenter uden at kræve fuldstændig udskiftning af dem.

For tyske virksomheder, som traditionelt har været ret tøvende med at indføre nye digitale teknologier, men som alligevel har en databeskyttelseskultur, der er streng efter internationale standarder og eksemplarisk på mange måder, repræsenterer denne udvikling en interessant strategisk mulighed. Udbydere, der integrerer europæiske compliance-krav i deres arkitektur fra starten, kan opnå en betydelig fordel med hensyn til tillid, især i tysktalende lande, i forhold til rent amerikanske udbydere, hvis databehandlingspraksis traditionelt er mindre gennemsigtig og underlagt mindre strenge regler. Tyske virksomheder, der tidligt etablerer et ensartet, governance-klar datalag, vil ikke kun opnå en teknologisk, men også en regulatorisk konkurrencefordel, som sandsynligvis vil vise sig at være stadig mere værdifuld i de kommende år, efterhånden som den praktiske implementering af europæisk AI-lovgivning tager yderligere fart.

Konrad Wolfenstein

Jeg vil med glæde fungere som din personlige rådgiver.

Du kan kontakte mig på wolfenstein∂xpert.digital eller

Bare ring til mig på +49 7348 4088 965 .

LinkedIn