AI-projekter går i stå, når data ligger i 17 systemer

Mange ledelser siger, at de vil have AI i drift. Færre har ryddet op i dataarbejdet først. En ny rapport omtalt af AI News viser ret brutalt, hvorfor så mange projekter går i stå. Undersøgelsen bygger på svar fra 250 ledere i britiske og amerikanske forsikringsselskaber. Her siger 82 procent, at AI kommer til at dominere branchen, men kun 14 procent har fuldt integreret AI i driften. Seks procent bruger slet ikke AI endnu.

💡 Tallene, der gør ondt

14 procent af driftsbudgetterne går til at rette manuelle fejl.

Næsten halvdelen kører afregningsforløb på over 60 dage.

Selskaberne håndterer i gennemsnit 17 datakilder, og transaktionsvolumen ventes at stige 29 procent på to år.

Det er ikke kun et problem for forsikring. Det er en ret god beskrivelse af mange danske organisationer, både private og offentlige. Man vil gerne automatisere, men data ligger spredt i gamle fagsystemer, regneark, mails og lokale særregler. Så ender AI-projektet som en pæn demo oven på et rodet maskinrum. Rapporten peger på, at 22 procent ser afstemningskompleksitet som en væsentlig årsag til højere omkostninger, og omkring 22 procent forbinder ineffektiv drift med governance- og revisionsrisici. Det er præcis den slags, der gør ledelsen utålmodig og compliance-folk nervøse.

Kilden peger også på noget nyttigt: det første AI-projekt bør ligge i et afgrænset, regelstyret flow. I forsikring nævnes reconciliation, altså afstemning, som et oplagt startsted. Den pointe kan overføres direkte til danske kommuner, regioner, banker og større virksomheder. Start i processer, hvor der er klare felter, kendte undtagelser og målbare fejl. Ikke i de mest politiske eller kreative opgaver.

Der er også en mere nøgtern lektie i tallene. Hvis en organisation i gennemsnit sidder på 17 datakilder, er problemet sjældent manglen på en stærk model. Problemet er, at ingen er enige om, hvilke data der gælder, hvem der ejer dem, og hvordan de hænger sammen. Derfor giver det mening, at rapporten peger på standardisering, integration og governance før skalering.

Mandag morgen kan man bruge historien til noget helt konkret. Vælg én arbejdsgang med høj fejlrate eller lang gennemløbstid. Kortlæg datakilderne. Mål hvor mange rettelser mennesker laver i dag. Først derefter giver det mening at tale om AI. Hvis man springer de trin over, ender teknologien som et dyrt lag oven på det samme gamle rod.