Dataoverblik før dataklassificering: en hurtigere vej til ansvarlig kunstig intelligens

Mange virksomheder går i gang med datastyring ved at forsøge at klassificere “alt” fra dag ét. Det lyder ansvarligt – men i praksis ender det ofte som et langvarigt dokumentationsprojekt, hvor man ikke når frem til de beslutninger, der gør brugen af kunstig intelligens sikker og lovlig i hverdagen.

I et indlæg på Modern Data 101 (22. januar 2026) argumenterer Winfried Adalbert Etzel for en mere pragmatisk rækkefølge: Start med at få styr på, hvad der findes, før I diskuterer, hvad det bør betyde.

Kort fortalt

Datastyring går ofte i stå, når man starter med tung dataklassificering af alt
Begynd i stedet med overblik: hvilke data har I, hvor ligger de, og hvem bruger dem?
Tre byggesten skaber hurtigst fremdrift: datakatalog, dataopdagelse og dataoprindelsesspor
Overblik først gør det lettere at leve op til GDPR og at bruge kunstig intelligens i drift med færre overraskelser

Hvad betyder det for danske virksomheder?

Pointen er ikke, at dataklassificering (mærkning af data efter følsomhed og krav) er ligegyldig. Pointen er, at klassificering bliver dyr, langsom og upræcis, hvis man ikke først ved, hvilke datasæt der findes, og hvordan de bliver brugt.

Tilgangen starter med:

Datakatalog (en oversigt over organisationens datasæt, hvor de ligger, og hvem der bruger dem)
Dataopdagelse (metoder til at finde data på tværs af systemer – også det “glemte”)
Dataoprindelsesspor (overblik over hvor data kommer fra, og hvordan de flyder mellem systemer)

For danske virksomheder hænger det tæt sammen med GDPR: En behandlingsfortegnelse (GDPR artikel 30) og en konsekvensanalyse (GDPR artikel 35) bliver markant lettere, når I kan svare konkret på “hvilke data”, “hvor”, “hvem” og “til hvad”. Det er også netop de spørgsmål, der typisk dukker op, når man vil bruge kunstig intelligens i drift, fx til sagsbehandling, kundeservice eller intern videnssøgning.

Fokus	Tung klassificering først	Overblik først
Starter med	Regler og mærkater	Fakta om data og brug
Typisk effekt	Lang opstart, lav fremdrift	Hurtig prioritering af de vigtigste datasæt
Resultat for kunstig intelligens	Svært at komme i gang	Lettere at styre adgang, kvalitet og dokumentation

Det kan du gøre nu

Lav en én-sides oversigt over jeres vigtigste datasæt: hvad, hvor og hvem (datakatalog i “minimumsversion”).
Vælg 3–5 datakilder, der allerede er forretningskritiske, og kortlæg dataoprindelsesspor for dem.
Aftal én dataansvarlig pr. datasæt (en forretningsperson kan ofte gøre det bedre end “ingen”).
Tjek om jeres GDPR-dokumentation (artikel 30/35) matcher virkeligheden – og brug overblikket til at lukke hullerne.
Udskyd bred dataklassificering til fase to, og start med de datasæt, der faktisk bruges i løsninger med kunstig intelligens.

Kilder

Modern Data 101: Path forward for Data Governance: Existence Over Essence (22. jan. 2026)
https://moderndata101.substack.com/p/path-forward-for-data-governance?utm_source=tldrdata
GDPR (dansk fuldtekst), EUR-Lex
https://eur-lex.europa.eu/legal-content/DA/TXT/?uri=CELEX%3A32016R0679
Datatilsynet: vejledning om kunstig intelligens
https://www.datatilsynet.dk/regler-og-vejledning/kunstig-intelligens