AI-prosjektene som feiler, feiler ikke på AI

Vi har levert innsikt til bedriftsledere og økonomiavdelinger lenge, og ser at AI-prosjekter som ikke leverer, feiler nesten aldri på teknologien. De feiler på datagrunnlaget modellen er bygget på, sier Jarle Soland, daglig leder i analyseselskapet Avito – som er en del av VIEW Group.

Et typisk eksempel

Ledergruppen bestemmer seg for å bruke AI til å automatisere rapportering, forbedre prognoser eller redusere manuelt arbeid. Forventningen er raskere innsikt, lavere kostnad, bedre beslutninger. Fair enough – det er en riktig forventning.

Men 3 måneder inn oppdager teamet at «kundereferanse» heter tre forskjellige ting i tre systemer. At en betydelig andel salgsordrer mangler kostsenter. At «produkt» i ERP ikke matcher «produkt» i CRM. At datavarehuset fra 2019 har tre definisjoner av «margin», avhengig av hvem som ba om rapporten den gang.

Så blir AI-prosjektet til et datavaskprosjekt. Budsjettet som skulle gå til modellutvikling, brukes på å rydde opp i master data som burde vært ryddet for fem år siden.

Usynlig ROI

I AI- og analyseprosjekter brukes typisk 70–80 % av tiden på dataforberedelse. 20–30 % på faktisk modellbygging, anslår Jarle.

Det er ikke et problem som løses med en smartere modell. Det løses med et ryddigere datagrunnlag. Når ledelsen skal vurdere ROI på AI-investeringer, er det denne fordelingen som dikterer resultatet. Og den er usynlig i de fleste business caser.

3 ting vi ser gå galt

1. Master data har ingen eier. I de fleste norske mellomstore selskaper er kundenummer, produktkode og leverandørreferanse ulike på tvers av systemer. Det fungerer i daglig drift fordi mennesker oversetter manuelt. Det fungerer ikke for AI, som tar det bokstavelig.
2. «Sannhet» finnes ikke ett sted. Salg rapporterer omsetning fra CRM. Økonomi rapporterer fra ERP. Ledelsen ser en tredje variant i Power BI. Alle tre er «riktige». Alle tre er ulike. En AI-modell må vite hvilken kilde som gjelder — og i de fleste selskaper er svaret «det kommer an på hvem du spør».
3. Data governance er ikke etablert som funksjon. Det finnes ingen som eier definisjonene, kvaliteten eller flyten. Det blir alles ansvar, som i praksis er ingens. Når AI introduseres, blir dette synlig — og dyrt.

Dette er ikke unike problemer. Det er det vanlige utgangspunktet i norsk SMB i 2026.

Sekvenseringen som gjør forskjell

Her er poenget vi sjelden ser diskutert: det koster ikke mer å bygge datagrunnlaget først. Det koster mindre.

Bygger du datagrunnlag → BI → AI i den rekkefølgen, betaler du for grunnmuren én gang. Alle senere investeringer bygger på det samme fundamentet.

Bygger du AI først, betaler du for grunnmuren likevel — bare fragmentert, i ett prosjekt av gangen, og ofte flere ganger i forskjellige retninger. I tillegg kommer kostnaden av AI-prosjektet som ikke leverte forventet verdi.

Den andre sekvensen er dyrere. Ikke med 10–20 %. Ofte med det dobbelte, over tre år.

Hva ledelsen faktisk bør spørre om

Ikke start med «hvilken AI-modell skal vi kjøpe?». Det er feil spørsmål på feil tidspunkt.

Start med:

• Har vi én kilde til sannhet for våre viktigste styringstall?
• Er master data eid av noen, med definert kvalitet?
• Kan vi hente et rent datasett med fjorårets tall på tvers av datterselskaper uten store anstrengelser?
• Har vi en dataarkitektur som tåler nye kilder uten å bygge om alt

Hvis tre eller flere av disse får et «nei», er AI-investeringen en andreprioritet. Datamodenhet er førsteprioritet — ikke fordi AI ikke er interessant, men fordi AI ikke gir avkastning på et svakt grunnlag.

AI er en forsterker

Det mest undervurderte ved AI i 2026 for bedrifts- og økonomiledere, er at det ikke først og fremst er et teknologivalg. Det er et prosess, eierskap og infrastrukturvalg.

Virksomhetene som henter reell verdi ut av AI fremover, er ikke de som har den mest avanserte modellen. Det er de som har det reneste, mest standardiserte, mest tilgjengelige datagrunnlaget. Modellene kommer og går. Grunnlaget består.

AI forsterker både bra data og dårlig data. Valget er hvilket du vil ha forsterket.

Er datagrunnlaget ditt klart for AI?

Vi hjelper selskaper gjøre en strukturert vurdering av datamodenhet for virksomheter som vurderer AI-investeringer. Den sier hvor du står, hvor de største svakhetene ligger, og hvilken rekkefølge som gir best avkastning.

Ta kontakt med oss her eller direkte kontakt med Jarle under.

Jarle Soland

jarle.soland@viewgroup.no
Tlf. 475 00 620