Datagrunnlaget er viktigere enn KI-modellen

Samtalen om kunstig intelligens handler nesten alltid om modellene, om hvilken som er smartest, nyest og best. Men i praksis er det sjelden modellen som avgjør om KI faktisk gir verdi i en virksomhet. Det er datagrunnlaget under. 

Lesetid: 5 minutter

Det er lett å bli revet med av kappløpet mellom KI-modellene, for det kommer stadig en ny som er raskere og litt flinkere enn den forrige, og da er det fristende å tro at veien til å lykkes med KI handler om å velge den mest avanserte av dem. Men når vi jobber med norske virksomheter som ønsker å ta i bruk KI, er det nesten aldri modellen som viser seg å være flaskehalsen. Det er tilstanden på dataene. 

En KI-modell er tross alt bare så god som det den har å jobbe med. Kobler du den på et rotete og fragmentert datagrunnlag, får du selvsikre svar bygget på gale tall, og da spiller det liten rolle hvor smart modellen egentlig er. Dette er kanskje det viktigste poenget i hele KI-diskusjonen akkurat nå, og samtidig det som oftest blir oversett. 

Alle snakker om KI, nesten ingen snakker om datagrunnlaget 

Interessen for KI i norsk næringsliv er enorm, men den fordeler seg ikke jevnt mellom begeistring og handling. I den nordiske CFO-undersøkelsen til Hypergene (2025) peker 23 prosent på KI som den viktigste driveren de neste tre årene, mens nøyaktig like mange trekker frem usikkerhet og manglende kunnskap som den største barrieren. KI representerer altså den største muligheten og den største frykten på samme tid. 

Det er verdt å stoppe litt ved hvorfor det er sånn. Frykten handler nemlig sjelden om teknologien i seg selv, den handler om en anelse mange ledere bærer på, men som få setter ord på, nemlig at vi egentlig ikke vet om dataene våre er gode nok til at dette blir riktig. Og den anelsen er som regel velbegrunnet. Norge ligger allerede bak de andre nordiske landene når det gjelder å ta i bruk KI, ifølge både NHO (2025) og Deloitte (2024), og det skyldes ikke mangel på tilgang til verktøy. Verktøyene er noen tastetrykk unna for hvem som helst. Det som mangler, er tilliten til at grunnlaget under tåler vekten av det man vil bygge oppå. 

Det samme bildet dukker opp på økonomisiden. Åtte av ti nordiske CFO-er bruker fortsatt Excel som sentralt styringsverktøy, og over halvparten kombinerer det med to eller flere andre systemer (Hypergene, 2025). To av tre har tatt viktige beslutninger på magefølelsen fremfor på data, og det er ikke fordi de er uvillige til å bruke tall, men fordi tallene kom for sent, lå spredt, eller rett og slett ikke fantes da beslutningen måtte tas. Dette er virkeligheten KI skal inn i, og det sier egentlig seg selv at hvis dataene ikke strekker til for et menneske i dag, så strekker de heller ikke til for en KI i morgen. 

Hva skjer når du kobler KI på et dårlig datagrunnlag 

La oss gjøre det konkret. Se for deg en virksomhet med data spredt utover CRM, ERP, kassesystemer, timeføring, HR og en anselig samling regneark, der ingen egentlig har blitt enige om hva de sentrale begrepene betyr. Betyr omsetning det samme i økonomisystemet som i salgsrapporten? Er en aktiv kunde en som har kjøpt noe i år, eller en som har en gyldig avtale? Ulike systemer gir ulike svar, rett og slett fordi ingen har bestemt hva som er fasiten. 

Kobler du en KI oppå dette og ber den om innsikt, gjør den akkurat det den er laget for. Den henter tall, kombinerer dem og gir deg et svar, formulert med full overbevisning. Problemet er bare at ingen har fortalt den hvilke tall som er de riktige, eller hvordan de skal forstås, så den ender opp med å velge selv. Resultatet blir et svar som ser troverdig ut, men som hviler på feil grunnlag. På mange måter er det en farligere situasjon enn å ikke ha noe svar i det hele tatt, for et selvsikkert feilsvar er langt vanskeligere å oppdage enn et tomt felt. 

Konsekvensene kjenner nok mange seg igjen i. En leder får en rapport der tallene ikke helt stemmer med det vedkommende vet fra før. En ledergruppe slutter stille og rolig å stole på dashboardet, fordi det har vist feil en gang for mye. Og i det øyeblikket tilliten forsvinner, mister verktøyet all verdi, uansett hvor avansert teknologien bak måtte være. Tillit til tallene er ikke en hyggelig bonus på toppen, det er hele forutsetningen. 

Hva datagrunnlag først betyr i praksis 

Å sette datagrunnlaget først kan høres abstrakt ut, men i praksis er det svært konkret. Det handler om noen få ting som må være på plass før KI, dashboards og rapporter kan bygges trygt oppå. 

Det starter med å hente dataene ut fra kildesystemene og samle dem, i stedet for å la dem ligge isolert i hvert sitt hjørne. Deretter må de vaskes og struktureres, slik at de faktisk henger sammen på tvers av systemene. Så kommer det avgjørende steget som teknologien ikke kan løse på egen hånd, nemlig at noen må legge inn forretningslogikken. Noen må bestemme hva omsetning betyr, hva en aktiv kunde er, hvordan en margin regnes ut, og hva som skal gjelde når systemene er uenige seg imellom. Til slutt må det styres hvem og hva som får se hvilke data, både av hensyn til sikkerheten og for at KI bare skal ha tilgang til det den faktisk skal bruke. 

Når dette er på plass, endrer alt seg. Da kan de samme dataene brukes til rapporter, dashboards og KI, med den samme tilliten i bunn. Da svarer KI riktig, fordi noen har fortalt den hva riktig faktisk er, og den ser bare det den skal se, i stedet for å få fritt leide gjennom alt som finnes. 

Det er også nettopp derfor dette ikke er et rent IT-prosjekt. Å bestemme hva omsetning betyr, eller hvem som skal ha tilgang til hva, er forretningsbeslutninger. Datakvalitet, felles definisjoner og tilgangsstyring er noe ledelsen må eie, ikke noe som kan settes bort til teknologene alene. Det er egentlig et ledelsesprosjekt, forkledd som et teknisk et. 

Derfor er grunnlaget viktigere enn modellen 

Vi ser dette mønsteret igjen og igjen hos virksomhetene vi jobber med. De som lykkes med KI, er sjelden de som jaktet på den nyeste modellen, men de som først tok seg tid til å få orden på datagrunnlaget, og som dermed kunne stole på det KI ga dem tilbake. 

Regelverket peker i samme retning. Etter hvert som EUs AI-regelverk fases gradvis inn og kravene til rapportering skjerpes, blir sporbarhet, dokumentasjon og kontroll på egne data ikke lenger bare en fordel, men et krav. De som allerede har ryddet i grunnlaget sitt, står da langt bedre rustet enn de som må begynne helt fra bunnen den dagen kravene treffer. 

Så neste gang samtalen om KI dreier over på hvilken modell som er best, kan det være verdt å snu litt på spørsmålet. Det handler nemlig sjelden om modellen. Det handler om hva den har å jobbe med. Bygg grunnlaget først, så skal nok teknologien ta seg av resten. 

Kilder
Deloitte (2024). State of Generative AI in the Enterprise, Nordic Cut. Deloitte AI Institute.
Hypergene (2025). Confessions of a Nordic CFO 2025. Undersøkelse gjennomført av Analysesjefene, 438 CFO-er og finansledere i Sverige, Norge og Finland.
NHO (2025). Veien til vekst. Næringslivets Hovedorganisasjon.