Revisor finner ikke dataproblemene dine. AI gjør det

mai 4, 2026

Innholdsfortegnelse

Mange bedriftsledere vet at datakvaliteten ikke er perfekt. Det som er vanskeligere å se, er hva det faktisk koster selskapet- helt frem til AI avslører det.

Svak datakvalitet er ofte et usynlig problem. Tallene stemte godt nok. Rapportene gikk ut. Avvikene ble forklart manuelt, og ingen gravde grundig nok etter hvor tallene egentlig kom fra.

Dette er i ferd med å endre seg. Ikke fordi virksomheter plutselig har blitt mer ryddige, men fordi AI og automatisering setter datakvalitet under press på en måte manuell jobbing aldri gjorde.

AI tolererer ikke tvetydighet. AI skalerer det.

Hva som faktisk skjer når AI møter dårlige data

Manuell rapportering har en innebygd buffer: mennesker som kjenner systemet vet hvilke tall som ikke stemmer, og kompenserer stille. De vet at «produkt» betyr noe annet i CRM enn i ERP. De husker at Q3-tallene alltid må justeres for en spesifikk leverandørkategori. De er den usynlige kvalitetskontrollen.

Når AI og automatisering overtar disse prosessene, forsvinner bufferen. Systemet kjører på det som faktisk finnes i dataene, ikke på det som burde vært der.

Feil som tidligere ble fanget av en erfaren controller, skaleres nå til 10 000 transaksjoner i sekundet.

Forskning viser at virksomheter som starter AI eller automatiseringsprosjekter uten et ryddig datagrunnlag, bruker rundt 70 prosent av prosjekttiden på datavask. Ikke på selve løsningen. Resultatet er ikke bare dårlige analyser. Det er feil beslutningsgrunnlag, ukorrekte rapporter og i verste fall compliance brudd som revisor oppdager etter at de har gått ut.

3 dataproblemer som ikke synes før det, er for sent

Duplikater på tvers av systemer

Samme kunde, samme transaksjon, samme produkt, registrert ulikt i CRM, ERP og regnskapssystemet. I manuell drift merkes det knapt. En erfaren controller kjenner igjen at «VIEW Group AS» og «VIEW Group Norway» er samme selskap. AI vet det ikke med mindre noen har fortalt det systemet eksplisitt. Det gir dobbeltelling, feil segmentering og rapporter som ser presise ut, men ikke er det.

Data som ikke er designet for AI bare for mennesker

Mange felt i eksisterende systemer er fylt ut av mennesker, for mennesker. Fritekstkommentarer i fakturalinjer. Ustrukturerte notater i kundekortet. Kategorier som betyr «annet» fordi ingen orket å lage en ny. Disse dataene er teknisk sett tilgjengelige for AI men de er ubrukelige uten betydelig opprydding.

Historiske data som reflekterer gamle prosesser, er ikke dagens virkelighet

AI og maskinlæring trener på historiske data. Problemet er at mange virksomheter har hatt fusjoner, omorganiseringer, systemskifter og endrede rutiner underveis. Dataene fra 2019 følger en annen logikk enn dataene fra 2025 uten at dette er dokumentert noe sted. En modell som trener på slik historikk lærer ikke av erfaring. Den lærer av støy.

Governance er ikke et IT-prosjekt

Data governance har et ufortjent rykte som teknisk og kjedelig. Det er det ikke, når du forstår hva som faktisk står på spill.

Data governance svarer blant annet på hvem som eier et tall og hvem som er ansvarlig for at det stemmer. Uten et svar på det spørsmålet kan ikke AI brukes til beslutningsstøtte på en forsvarlig måte. Ikke fordi teknologien ikke fungerer, men fordi ingen kan stå inne for outputen.

For CFO-er betyr dette at data governance ikke er et IT-budsjettspørsmål. Det er et styringsansvarsspørsmål. Den som signerer på årsrapporten, godkjenner også implisitt kvaliteten på dataene under.

Det regulatoriske presset som kommer

CSRD-rapportering krever sporbare, verifiserbare ikke-finansielle data på tvers av virksomheten. ESG-krav fra banker og investorer krever konsistente datadefinisjoner. Automatisert skatteinnberetning krever at tallene i systemene faktisk stemmer med virkeligheten.

Felles for alle: de avslører datakvalitetsproblemer som tidligere levde usynlig under overflaten. Virksomheter som etablerer god datakvalitet og governance nå, bygger en evne de kan høste gevinsten av på tvers av alle disse kravene. De som venter, gjør det under press- dyrt, raskt og i feil rekkefølge.

Her bør bedriftsledere starte

Du trenger ikke starte med et stort governance-prosjekt. Men egentlig med 3 spørsmål:

Er de viktigste styringstallene våre definert likt på tvers av systemer?
Hvem eier hvert tall med ansvar for kvalitet og konsistens?
Kan vi dokumentere kjeden fra rådata til styret, og ville vi vært komfortable med at revisor så den?

Kunne du svare?

Hvis ikke, kan det indikere at selskapets datagrunnlaget ikke klart for å utnytte teknologi på en optimal og effektiv måte.

Vi i VIEW Group tilbyr en strukturert kartleggingssamtale der vi går gjennom styringstallene dine, identifiserer hvor kvaliteten svikter og hva som må på plass før AI og automatisering kan brukes forsvarlig.