Gør virksomhedens data klar til AI
Gør de data klar, som den første anvendelse kræver. Hele virksomheden behøver ikke være ryddet op, men kritiske oplysninger skal have en kendt betydning, ejer og kvalitet. Et lille forsøg skal afdække fejl i grundlaget, så de ikke bliver skjult af et overbevisende AI-svar.
Datakvalitet afhænger af formålet. En produktbeskrivelse kan være god nok til et tekstudkast og utilstrækkelig til at vælge en reservedel. Et kunderegister kan være godt nok til en samlet analyse og for usikkert til automatisk kontakt med den enkelte kunde.
OECDs parathedsværktøj fremhæver datakvalitet og adgang som relevante forhold. [2] Vi anbefaler at vurdere dem i forbindelse med en bestemt arbejdsgang. Det gør oprydningen mere målrettet og giver ledelsen et konkret grundlag for at prioritere indsatsen.
Afgør hvilke oplysninger løsningen skal stole på
Lav et kort over de nødvendige kilder. Hvilket system er autoritativt for kunde, produkt, pris og ordrestatus? Hvem kan forklare felternes betydning? Hvem retter en fejl? Hvis to systemer bruger samme ord forskelligt, skal forskellen beskrives, før modellen forventes at forstå den.
Registrér enheder, valuta, tidspunkt og gyldighed. En pris uden valuta eller en lagerstatus uden tidspunkt kan være misvisende. Brug stabile identifikatorer frem for alene navne. To kunder kan hedde næsten det samme, og ét produkt kan have flere versioner.
For dokumenter kræves ejer, status, version og kildelink. For strukturerede data kræves også tydelige felter og regler for manglende værdier. RAG fra dokumenter til brugbar viden (AI-07-001) og Systemmodenhed klar til agentisk AI (AI-03-001) beskriver disse krav i henholdsvis videnssøgning og agentiske arbejdsgange.
Mål kvalitet i flere dimensioner
Den britiske datakvalitetsramme beskriver blandt andet fuldstændighed, entydighed, konsistens, aktualitet, gyldighed og rigtighed. [1] Vi bruger dimensionerne som spørgsmål til den konkrete anvendelse frem for som en samlet karakter.
| Kvalitetsproblem | Eksempel | Konsekvens for AI |
|---|---|---|
| Mangler | Produktets enhed er tom | Et tilsyneladende præcist svar kan være forkert |
| Dubletter | Samme kunde har flere ID’er | Oplysninger kan kobles til den forkerte sag |
| Uenighed | To aktive returpolitikker | Modellen kan vælge et forældet vilkår |
| Forældelse | Lagerudtræk er fra sidste uge | En handling bygger på forkert tilgængelighed |
| Forkert indhold | En værdi følger formatet men er usand | Teknisk validering opdager ikke fejlen |
En udfyldt værdi er ikke nødvendigvis korrekt. En database kan være teknisk gyldig og fagligt forkert. Kombinér derfor automatiske kontroller med stikprøver fra en person, der kender arbejdet. Prioritér fejl, som påvirker den ønskede beslutning eller handling.
Ryd op ved kilden og gør ansvaret varigt
Find årsagen til fejlene. Hvis medarbejderne bruger et felt forskelligt, hjælper en engangsrettelse kun kort. En bedre definition, ændring i skærmbilledet eller validering ved registrering kan være mere værdifuld. Dataejeren skal kunne ændre processen, der skaber oplysningerne.
Lav en synlig liste med fejltype, berørt anvendelse, ansvarlig og næste handling. Adskil nødvendige rettelser før MVP fra forbedringer, der kan vente. En manglende kundeadskillelse kan blokere brugen, mens uens skrivemåde af en ufarlig beskrivelse måske kan håndteres midlertidigt.
NIST AI RMF behandler kontekst og risiko som en del af styringen. [3] Vores anbefaling er derfor at vælge datakrav efter konsekvensen. Der behøver ikke være samme kontrolniveau for alle felter, men kritiske mangler må ikke forsvinde i et gennemsnit.
Et eksempel med teknisk produktviden
Producenten i dette eksempel vil hjælpe supporten med at finde kompatible reservedele. Den har mange manualer, men nogle mangler produktversion. Teamet fristes til at indlæse alt og lade modellen vælge. Det ville gøre en eksisterende uklarhed hurtigere at sprede.
I stedet udvælger teamet ét produktområde og gennemgår de nødvendige kilder. Det tilføjer version, gyldighed og ejer, fjerner dubletter fra det aktive grundlag og samler kendte undtagelser. Forsøget kan nu vise, om assistenten finder den rigtige information og beder om afklaring, når versionen mangler.
Oprydningen har direkte værdi for supporten og potentiel indirekte værdi for salg og oplæring. De senere anvendelser beskrives særskilt. Teamet undgår at begrunde en total datarenovering med gevinster, som ingen endnu har undersøgt.
Lad AI hjælpe uden at gøre den til facit
AI kan foreslå kategorier, metadata og mulige dubletter. Den kan også udtrække oplysninger fra dokumenter. Forslagene skal kontrolleres, især når de påvirker rettigheder, økonomi eller tekniske valg. En automatisk sammenfatning kan fjerne en vigtig undtagelse.
Bevar sporbarhed fra bearbejdet information til originalen. Registrér, hvilke regler eller modeller der har ændret data. Ved fejl skal I kunne rette kilden og de afledte kopier. I RAG gælder det også tekstuddrag, søgeindeks og relevante caches. Brug virksomhedens viden med RAG (Q14) beskriver processen.
Adgang og lovlig brug skal afklares samtidig med kvalitet. Offentligt tilgængelige oplysninger er ikke automatisk frie til enhver anvendelse, og persondata kræver et passende grundlag. Brug personoplysninger lovligt i AI (Q17) behandler personoplysninger.
Udbyg grundlaget i takt med anvendelsen
Eksperimentet undersøger et repræsentativt udsnit. MVP’en får testede kilder, ansvarlige ejere og en procedure for rettelser. Ved skalering automatiseres relevante kontroller og opdateringer, og flere datakilder tilføjes efter behov. Håndtér teknisk gæld og datagæld løbende (A09) viser, hvordan datagæld kan styres sammen med teknisk gæld.
Næste ledelsesbeslutning: Udpeg de kritiske data til én anvendelse, navngiv ejerne og finansier de rettelser, som er nødvendige for en troværdig MVP. Bevar de øvrige forbedringer som prioriterede muligheder med tydelig begrundelse.
Kundeeksempel med mål og opfølgning
Dataplatformen i kundeeksemplet koster 200.000 kr. og skal blandt andet gøre en ny partnerkanal mulig. Første bevis kan være, at de produkter, kanalen skal sælge, har entydige identifikatorer, aktuelle priser og en ansvarlig dataejer.
Det dokumenterer et brugbart datagrundlag, ikke kanalens indtjening. Den kommercielle ejer tester efterspørgsel, før yderligere 100.000 kr. bruges. Datakvalitet kobles dermed til en navngiven fremtidig anvendelse og en konkret investeringsbeslutning.
Brug den samlede VP/SE-model, VP-vejledningen og SE-vejledningen. Begge estimater revurderes før Hypotese, MVP og Skalering. VP/SE er et lokalt præferenceindeks, ikke økonomisk ROI eller WSJF. Lær anvendelsen på halvdag 1 om VP og halvdag 2 om SE og prioritering, hver fire timer inklusive pause.
Kilder og videre læsning
Eksempler og handlingsforslag er EnableAIs faglige vurdering. Virksomhedseksempler og regnetal er illustrative. Artiklen er opdateret med konkrete regneeksempler og henvisninger den 15. september 2026.
[1] UK Government · The Government Data Quality Framework