AI som flyger i blindo: Varför stora företag inte längre förstår sina egna data

Den underskattade AI-risken: Varför datakaos kan kosta företag miljoner

Hajpen kring artificiell intelligens ger alltmer vika för en allvarlig verklighet på ledningsnivå. Medan språkmodellerna från OpenAI, Google och andra blir allt kraftfullare, misslyckas deras produktiva användning i praktiken vanligtvis på grund av ett massivt, men ofta ignorerat, problem: internt datakaos. När kontrakt, chatthistorik, e-postmeddelanden och kalkylblad är utspridda ostrukturerade över otaliga silos och avdelningar, lämnas även de mest intelligenta AI-agenterna med ingenting eller hallucinerar helt enkelt. Det är just vid denna sårbarhet som en snabbt växande marknad på flera miljarder dollar framträder. Specialiserade startups och etablerade teknikjättar bygger så kallade semantiska datalager – det nya, centrala operativsystemet för företagsdata. Men denna teknik ger inte bara enorma effektivitetsvinster och revolutionerande betalningsmodeller, den medför också konkreta risker när det gäller cybersäkerhet och beroende. Den här artikeln erbjuder en djupdykning i arkitekturen för AI-framtiden och utforskar vad denna omvandling innebär för ekonomin – från stora företag till medelstora företag.

Relaterat till detta:

• Unframe AI | AI-klar data. Byggd från de system du redan använder.

En miljardmarknad växer fram ur ett gammalt problem

Debatten kring artificiell intelligens inom näringslivet har fundamentalt förändrats under de senaste två åren. Medan det ursprungliga fokuset låg på vilken språkmodell som gav de bästa svaren, har en betydligt mer pragmatisk aspekt nu hamnat i centrum: kvaliteten, aktualiteten och tillgängligheten hos den data som dessa modeller är avsedda att fungera med. En undersökning av hundra ledande data- och teknikchefer från företag med över två miljarder amerikanska dollar i intäkter och mer än fem tusen anställda målar upp en allvarlig bild. Nästan alla respondenter – nittionio procent, för att vara exakt – kämpar med att definiera konsekventa affärsmått för olika verktyg och avdelningar. Nästan åttio procent av datateamen lägger mer än hälften av sin tid på att förbereda data istället för att faktiskt få insikter från den. Dessa siffror visar att semantisk inkonsekvens inte längre är en marginell fråga, utan snarare själva operativsystemet som många stora företag fortfarande använder.

En ny kategori av leverantörer kliver in i just denna lucka och positionerar sig som en länk mellan företagens fragmenterade verklighet och kraven från moderna AI-system. Deras löfte är att konsolidera alla ett företags datakällor – från e-postmeddelanden och kontrakt till ERP- och CRM-system – till ett kontinuerligt synkroniserat, styrningsaktiverat lager. Framgången med detta löfte är tydlig i fallet med den kalifornisk-israelisk-tyska startupen Unframe, som inom tolv månader efter sin officiella marknadslansering säkrade mer än hundra miljoner amerikanska dollar i kontraktsvolym. Dess senaste finansieringsrunda på femtio miljoner amerikanska dollar, ledd av Highland Europe, ökade det totala insamlade beloppet till hundra miljoner amerikanska dollar. Sådana tillväxtsiffror är en anmärkningsvärd signal om ett genuint, inte bara påstått, behov i ett marknadssegment som bara har funnits i några år.

Varför traditionella dataarkitekturer hindrar AI

För att förstå konsekvenserna av denna utveckling är det värt att titta på datalagers historiska funktion. I årtionden optimerades dessa för ett enda syfte: retrospektiv rapportering. Kvartalssiffror, försäljningsstatistik, nyckeltal för ledningen – allt detta kunde representeras tillfredsställande med hjälp av periodiskt uppdaterade, mycket strukturerade databaser. Artificiell intelligens, särskilt agentbaserade system utformade för att fatta oberoende beslut eller utlösa åtgärder, kräver dock något fundamentalt annorlunda. Den behöver operativ information som är aktuell i realtid och kopplad till faktiska affärsprocesser. En AI-agent avsedd att stödja ett beslut i leveranskedjan kan inte arbeta med data som är tre veckor gammal och som enbart har förberetts för retrospektiv analys.

Denna skillnad förvärras av ett annat strukturellt problem. Uppskattningar från stora teknikföretag tyder på att upp till 90 procent av företagsdata är ostrukturerad, utspridd över dokument, chatthistorik, supportärenden, fakturor och kalenderposter. Denna enorma mängd information ligger till stor del utanför traditionella, kalkylbladsbaserade datalager och var helt enkelt oåtkomlig för traditionella analysverktyg. Utan ett enhetligt semantiskt lager som konsekvent representerar både strukturerat och ostrukturerat innehåll är det fortfarande praktiskt taget omöjligt att konsolidera information från olika källor och tillhandahålla den till en AI-modell som ett tillförlitligt sammanhang.

Ett separat benchmarkprojekt som utvärderar datamognad för generativ AI kommer fram till ett strukturellt liknande resultat, om än med annan viktning. I denna studie angav 59 procent av de tillfrågade cheferna datakvalitet och konsekvens som det största hindret för produktiv användning av generativ AI, följt av fragmenterade datalandskap med 50 procent och datasäkerhets- och integritetsproblem, också med 50 procent. Det är också anmärkningsvärt att endast 13 procent av företag som redan använder generativ AI kan förhindra att känsliga data, såsom kund- eller medarbetarinformation, flödar ofiltrerat in i språkmodeller. Detta pekar på en styrningsgap som sträcker sig långt bortom tekniska kompatibilitetsproblem och leder direkt in i området för dataskydd och regelansvar.

Affärsmodellen bakom det nya datalagret

Den grundläggande principen som leverantörer som Unframe eftersträvar kan beskrivas i fyra funktionella steg. Först ansluts affärssystem, applikationer, datalager, filer och API:er till plattformen. Därefter omvandlas dessa heterogena källor till ett enda, styrningsaktiverat datalager som gäller för hela organisationen. Det tredje steget innebär kontinuerlig synkronisering med källsystemen, vilket säkerställer att datalagret inte bara blir ytterligare en föråldrad ögonblicksbild, utan snarare återspeglar verksamhetens faktiska tillstånd. Först i det fjärde steget används denna grund för att driva artificiell intelligens, analys och automatisering – allt byggt på samma konsekventa grund.

Konceptuellt sett liknar detta tillvägagångssätt en sorts digital tvilling till organisationen, men inte primärt för att simulera fysiska processer. Istället tjänar det till att kartlägga kunder, produkter, kontrakt och transaktioner i en enhetlig representation. Den ekonomiska fördelen med en sådan modell ligger i det faktum att varje ny AI-applikation inte behöver börja från grunden för att få tillgång till relevant affärsdata. Istället bygger varje applikation på samma, redan rengjorda och berikade grund. Detta minskar potentiellt kostnaderna för varje efterföljande AI-initiativ avsevärt, eftersom den mest komplexa och ofta underskattade delen av ett AI-projekt – dataintegration och rensning – bara behöver göras en gång.

Unframe beskriver sitt erbjudande som modulära, återanvändbara byggstenar som kan sättas samman till anpassade lösningar utan att kräva separat modellträning för varje användningsfall. Det så kallade Framery fungerar som ett öppet plattformslager som kan ansluta till alla Software-as-a-Service-erbjudanden, API, databas eller filformat, oavsett om infrastrukturen drivs i molnet, lokalt eller i en hybridmiljö. För europeiska, och särskilt tyska, företag är en annan aspekt av stor betydelse: plattformen fungerar oberoende av någon specifik språkmodellleverantör, vilket innebär att det inte finns någon koppling till en viss leverantör. Dessutom marknadsförs efterlevnaden av den europeiska dataskyddsförordningen (GDPR) och EU:s AI-lag uttryckligen. Data bör som standard inte lämna kundens systemgränser om det inte uttryckligen begärs.

Resultatbaserad prissättning som en förtroendesignal på en misstroende marknad

En särskilt avslöjande aspekt av affärsstrategin ligger i prissättningsmodellen. Till skillnad från traditionella mjukvaruleverantörer som tar ut licensavgifter oavsett faktisk nytta, förlitar sig Unframe på en resultatbaserad faktureringsmodell. Kunderna betalar bara när en lösning bevisligen fungerar och levererar resultat. Detta beslut är inte på något sätt en slump, utan snarare ett direkt svar på djupt rotad skepticism i styrelserummen. Som företagets medgrundare offentligt har sagt är företag trötta på att finansiera lösningar som misslyckas i de allra flesta fall, vilket är anledningen till att de kräver en modell där betalning sker för faktisk framgång.

Denna observation stämmer överens med den bredare erfarenheten hos många företag som har experimenterat med så kallade proof-of-concept-projekt i åratal utan att integrera dem i produktionssystem. En betydande eftersläpning av lovande AI-användningsfall, många pilotprojekt, och ändå nästan ingenting som faktiskt används i den dagliga verksamheten – detta sammanfattar utgångspunkten för många företag som vänder sig till denna nya kategori av leverantörer. Den ekonomiska kärnan i detta löfte ligger i att flytta risken för ett misslyckat projekt från kunden ensam till åtminstone en del av leverantörens egen risk. Detta förändrar fundamentalt incitamentsstrukturen och är sannolikt en av de viktigaste orsakerna till den observerade tillväxtdynamiken, särskilt den tidigare nämnda nettointäktsinnehållningen på 400 procent, vilket innebär att befintliga kunder har fyrdubblat sina utgifter i genomsnitt inom ett år.

Vilka kunderna är och vad det säger om marknadens mognad

De nämnda referenskunderna ger en intressant bild av de olika branscherna. Bland de som nämns finns fastighetsbolagen Cushman & Wakefield och Avison Young, cybersäkerhetsföretaget Armis och det schweiziska förlaget NZZ. Dessutom rapporteras användningsfall för flygbolag för att optimera besättningsplanering och för återförsäljare för att planera säljkampanjer. Denna fördelning över fastigheter, media, säkerhet, flyg och detaljhandel tyder på att detta inte är en nischlösning för en enda bransch, utan snarare ett branschövergripande infrastrukturproblem som uppenbarligen uppstår i mycket olika ekonomiska sammanhang.

Av intresse är också företagets geografiska och organisatoriska struktur. Med huvudkontor i Cupertino, Kalifornien, och ytterligare kontor i Tel Aviv och Berlin, förkroppsligar Unframe en transatlantisk eller transkontinental struktur typisk för tekniksektorn, som kombinerar amerikanskt kapital, israelisk teknisk utveckling och närhet till den europeiska marknaden. För ett företag med tyskt fokus är det särskilt relevant att den operativa medgrundaren uttryckligen arbetar från Berlin och att företaget upprepade gånger har deltagit i europeiska digitala evenemang som Mind the Tech-konferensen i Berlin. Detta signalerar ett medvetet strategiskt fokus på den europeiska marknaden, som på grund av strängare dataskyddskrav och en generellt mer försiktig inställning till okontrollerad överföring av företagsdata till amerikanska molnleverantörer har andra krav än den nordamerikanska marknaden.

Konkurrenslandskapet och teknikjättarnas kapplöpning

Den beskrivna trenden är inte på något sätt begränsad till specialiserade startups. Etablerade teknikföretag har också identifierat problemet med fragmenterad företagsdata som ett viktigt tillväxtområde. Dell Technologies har tillsammans med Nvidia utvecklat en AI-dataplattform vars uttalade mål är att omvandla årtionden av fragmenterad företagsdata till handlingsbar intelligens. En senior produktmarknadschef på Dell konstaterade träffande att lösningen på dataproblemet inte bara måste adressera lagringsnivån, utan måste omfatta hela processen från datainmatning och kurering till orkestrering, så att data slutligen når grafikprocessorernas datorkraft på ett tillförlitligt sätt.

I sin bedömning av viktiga datatrender för 2026 betonade IBM också att utan en konvergerad plattform som erbjuder enhetlig åtkomst till strukturerad och ostrukturerad data kommer företag inte att kunna implementera analyser och autonom automatisering med nödvändig hastighet och tillförlitlighet. Denna bedömning från ett av världens äldsta och största IT-företag understryker att detta inte är en nischfråga för små leverantörer, utan snarare en grundläggande strukturell utmaning som identifierats som en kritisk flaskhals i hela branschen. Det är viktigt att notera att IBM uttryckligen betonar att ingen enskild leverantör kan lösa detta problem ensam, eftersom integrationen av distribuerad data och utvecklingen av den nödvändiga infrastrukturen för autonoma AI-system kräver ett brett ekosystem av partners och teknologier.

Denna bedömning belyser den faktiska konkurrensdynamiken på ett viktigt sätt. Det framträder inte en marknad där en enda vinnare dominerar hela värdekedjan, utan snarare en mängd leverantörer med olika fokus, vissa kompletterar varandra, vissa konkurrerar med varandra. Specialiserade leverantörer som K2View fokuserar explicit på operativa, produktionsklara dataarkitekturer, medan infrastrukturföretag som Dell och Nvidia tillhandahåller den underliggande datorkapaciteten, och plattformsleverantörer som Unframe överbryggar klyftan mellan rådata och driftsättbara AI-applikationer.

Hanterad AI-plattform - Bild: Xpert.Digital

Här får du lära dig hur ditt företag kan implementera skräddarsydda AI-lösningar snabbt, säkert och utan höga inträdesbarriärer.

En hanterad AI-plattform är din heltäckande och bekymmersfria lösning för artificiell intelligens. Istället för att behöva hantera komplex teknik, dyr infrastruktur och långa utvecklingsprocesser får du en färdig lösning skräddarsydd efter dina behov från en specialiserad partner – ofta inom bara några dagar.

De viktigaste fördelarna i korthet:

⚡ Snabb implementering: Från idé till färdig applikation på dagar, inte månader. Vi levererar praktiska lösningar som skapar omedelbart mervärde.

🔒 Maximal datasäkerhet: Dina känsliga uppgifter stannar hos dig. Vi garanterar säker och korrekt behandling utan att dela data med tredje part.

💸 Ingen ekonomisk risk: Du betalar bara för resultat. Höga initiala investeringar i hårdvara, mjukvara eller personal elimineras helt.

🎯 Fokusera på din kärnverksamhet: Koncentrera dig på det du gör bäst. Vi tar hand om hela den tekniska implementeringen, driften och underhållet av din AI-lösning.

📈 Framtidssäkert och skalbart: Din AI växer med dig. Vi säkerställer kontinuerlig optimering och skalbarhet, och anpassar modellerna flexibelt till nya krav.

Mer information här:

• Hanterad AI-plattform

Styrning som en underskattad konkurrensfaktor

En aspekt som ofta förbises i den offentliga debatten om artificiell intelligens är frågan om styrning – det vill säga kontroll över vem som har tillgång till vilka data, hur de behandlas och hur de kan spåras tillbaka till specifika AI-beslut. Undersökningen av ett hundra datahanterare som nämns ovan visar att åttiosju procent av de svarande kräver större transparens kring hur artificiell intelligens använder och tolkar deras data. Detta är en anmärkningsvärt hög siffra och tyder på att förtroendet för AI-systems tillförlitlighet inte är en bifråga, utan snarare en viktig förutsättning för deras bredare acceptans inom organisationer.

De undersökta företagens medellångsiktiga prioriteringar för de kommande tre till fem åren bekräftar denna bild. Skalbarhet över olika datakällor anges som en prioritet av 92 procent, portabilitet av data och nyckeltal (KPI:er) av 83 procent, och styrning och observerbarhet av artificiell intelligens av 82 procent. Dessa tre prioriteringar är nära sammankopplade. Utan skalbara datastrukturer som är konsekventa över systemgränser kan tillförlitlig styrning inte etableras, och utan styrning förblir all skalning förknippad med betydande juridiska och anseendemässiga risker, särskilt med avseende på den europeiska allmänna dataskyddsförordningen (GDPR) och den nu gällande AI-lagen i Europeiska unionen.

Detta är särskilt viktigt för tyska och europeiska företag, eftersom regelverket är betydligt strängare än i USA eller stora delar av Asien. Europeiska företag som implementerar ett datalager för artificiell intelligens måste från början överväga hur personuppgifter ska skyddas, hur behandlingsprocedurer ska dokumenteras och hur AI-systembeslut kan göras transparenta i händelse av en tvist. Leverantörer som införlivar dessa krav i sin arkitektur från början, till exempel genom att låta data förbli helt inom deras egna systemgränser, får en strukturell fördel gentemot konkurrenter som främst förlitar sig på amerikanska molninfrastrukturer med mindre stränga regler.

Ekonomiska konsekvenser för tyska små och medelstora företag

Även om de referenskunder som hittills nämnts huvudsakligen är stora, internationellt verksamma företag, uppstår den berättigade frågan om relevansen av detta ämne för tyska små och medelstora företag, som traditionellt utgör ryggraden i den tyska ekonomin. Vid första anblicken verkar situationen för mindre företag mindre dramatisk, eftersom de naturligtvis har färre system och mindre mängder data. En närmare granskning visar dock att små och medelstora företag som har vuxit organiskt under åren och implementerat olika isolerade lösningar för redovisning, lagerhantering, kundrelationshantering och kommunikation står inför ett strukturellt liknande fragmenteringsproblem – bara i mindre skala.

Den avgörande ekonomiska frågan är därför inte om problemet existerar, utan om en investering i ett enhetligt datalager kan vara ekonomiskt motiverad med tanke på begränsade IT-budgetar. Framväxten av resultatbaserade prissättningsmodeller, som Unframe banade väg för, kommer sannolikt att spela en betydande roll här, eftersom denna modell avsevärt minskar den finansiella risken för mindre företag. Samtidigt kan man anta att mer avancerade, specialiserade lösningar kommer att etableras för medelstora företag snarare än de omfattande plattformar som är utformade för mångmiljardföretag. Den grundläggande logiken att ett konsekvent, kontinuerligt synkroniserat datalager är en förutsättning för alla meningsfulla AI-tillämpningar förblir dock giltig oavsett företagsstorlek.

Risker och öppna frågor gällande det nya datalagret

Även om denna utveckling förtjänar avsevärd uppmärksamhet, får de därmed sammanhängande riskerna inte förbises. Att migrera hela företagets datalandskap till ett enhetligt, centralt lager skapar oundvikligen ett extremt attraktivt mål för cyberbrottslingar. En lyckad intrång i detta centrala datalager kan få betydligt mer omfattande konsekvenser än ett intrång i ett enda, isolerat system, eftersom det omedelbart kan ge åtkomst till kund-, avtals- och finansiell data för hela företaget. Säkerhetsarkitekturen för sådana plattformar måste därför vara exceptionellt robust, och företag bör kritiskt granska hur detaljerade åtkomsträttigheter kontrolleras och krypteringsstandarder implementeras när de väljer en leverantör.

En annan, mer strategisk risk, ligger i beroendet av en enda plattformsleverantör. Även om Unframe uttryckligen betonar att det inte är knutet till en specifik språkmodell, representerar det underliggande datalagret fortfarande ett betydande strukturellt beroende. Om ett företag beslutar att byta till en annan leverantör är det sannolikt ett betydande åtagande att migrera ett företagsomfattande datalager som har vuxit under åren, liknande de välkända utmaningarna med att byta stora ERP-system. Denna typ av inlåsningseffekt tas naturligtvis sällan upp av leverantörerna själva, men den bör beaktas i utvärderingen av varje strategiskt beslut.

Slutligen kvarstår frågan om resultatens faktiska kvalitet. Inte ens det mest avancerade datalagret kan garantera att de AI-beslut som härleds från det är felfria. Särskilt med autonoma, agentbaserade system som självständigt initierar åtgärder förblir frågan om ansvar vid fel olöst. Om en AI-agent fattar ett felaktigt affärsbeslut baserat på ett felaktigt synkroniserat datalager – till exempel misstolkar en avtalsklausul eller fattar ett bristfälligt beslut i leveranskedjan – uppstår frågan om ansvar omedelbart, en fråga som hittills har behandlats otillräckligt både kontraktuellt och regulatoriskt.

En nykter bedömning av faktiska framsteg

En kritisk bedömning av denna utveckling motiverar försiktighet gällande överdrivna löften om räddning. Uppfattningen att artificiell intelligens kan implementeras och göras produktionsklar inom en etablerad företagsmiljö inom några dagar kan stämma i utvalda, tydligt definierade användningsfall, men för den stora majoriteten av komplexa affärsprocesser är det sannolikt en betydande förenkling av verkligheten. Erfarenheter från tidigare vågor av digital transformation, såsom införandet av molninfrastruktur eller implementeringen av ERP-system, visar att även tekniskt sofistikerade lösningar regelbundet misslyckas på grund av organisatoriskt motstånd, otillräcklig datakvalitet i källsystemen och bristande vilja till förändring bland arbetskraften.

Samtidigt är den underliggande diagnosen onekligen korrekt. Fragmenteringen av företagsdata är verklig, väl dokumenterad empiriskt och representerar faktiskt en av de viktigaste flaskhalsarna för produktiv användning av artificiell intelligens. Frågan handlar därför mindre om huruvida ett enhetligt, AI-kompatibelt datalager är meningsfullt, utan snarare vilken specifik väg att uppnå det som är den mest ekonomiskt hållbara för ett visst företag med dess unika historiska systemlandskap, risktolerans och tillgängliga budget. För företag som hittills har tvekat att ta itu med denna fråga ger marknadsutvecklingen under de senaste två åren en viktig ledtråd: de som fortsätter att experimentera med isolerade, okoordinerade pilotprojekt kommer att hamna efter konkurrenter som tidigt investerade i en konsekvent databas på medellång sikt.

Att bryta ner datasilos: Vägen till interoperabel AI för företag

Utvecklingen under de kommande åren kommer i hög grad att bero på huruvida enhetliga standarder för interoperabilitet mellan olika datalager och AI-plattformar etableras. Om branschen lyckas utveckla öppna protokoll som gör det möjligt för olika leverantörer av datalager och AI-modeller att arbeta tillsammans sömlöst, skulle detta avsevärt minska befintliga beroenderisker och intensifiera konkurrensen till kundernas fördel. Initiala steg i denna riktning är redan synliga, till exempel genom stöd för öppna gränssnittsprotokoll som möjliggör integration med befintliga, interna AI-assistenter utan att de behöver ersättas helt.

För tyska företag, som traditionellt sett har varit ganska tveksamma till att anamma nya digitala tekniker, men ändå har en dataskyddskultur som är strikt enligt internationella standarder och exemplarisk i många avseenden, innebär denna utveckling en intressant strategisk möjlighet. Leverantörer som integrerar europeiska efterlevnadskrav i sin arkitektur från början skulle kunna få en betydande fördel i form av förtroende, särskilt i tysktalande länder, jämfört med rent amerikanska leverantörer vars databehandlingsmetoder traditionellt sett är mindre transparenta och omfattas av mindre stränga regler. Tyska företag som tidigt etablerar ett konsekvent, styrningsklart datalager kommer att få inte bara en teknisk utan också en regulatorisk konkurrensfördel, vilket sannolikt kommer att visa sig alltmer värdefullt under de kommande åren i takt med att det praktiska genomförandet av europeisk AI-lagstiftning får ytterligare fart.

Konrad Wolfenstein

Jag skulle gärna fungera som din personliga rådgivare.

Du kan kontakta mig på wolfenstein∂xpert.digital eller

Ring mig bara på +49 7348 4088 965 .

LinkedIn