Når datakvalitet får en “digital vagthund”: Kunstig intelligens rykker ind i datarengøringen

Datakvalitet bliver typisk først et problem, når noget går galt: rapporter viser forskellige tal, en revision stiller spørgsmål, eller driften bruger tid på at rette manuelle fejl. En ny retning, beskrevet i en artikel i InfoWorld, peger på et skifte fra faste, regelbaserede kontroller til datakvalitetsarbejde understøttet af kunstig intelligens – hvor systemer kan opdage fejl, foreslå oprydning og overvåge databrud automatisk.

Kort fortalt

Klassiske “hvis/så”-regler fanger ikke alt og er tunge at vedligeholde, når data kommer fra mange kilder

Kunstig intelligens kan finde afvigelser og mønstre, som ingen har beskrevet på forhånd

En “tillidsscore” kan gøre datakvalitet synlig i drift og rapportering

Kræver styring, dokumentation og menneskelig kvalitetssikring for at undgå fejl og falske alarmer

Hvad er nyheden i praksis?

I stedet for kun at tjekke, om data lever op til faste regler (format, grænseværdier, obligatoriske felter), kan kunstig intelligens vurdere sandsynligheden for, at noget er “skævt” – og pege på, hvad der bør undersøges. Pointen er ikke bare at opdage fejl, men også at kunne foreslå oprydning (fx ensretning af navne, dubletter eller manglende felter) og følge udviklingen over tid.

InfoWorld fremhæver samtidig idéen om en samlet tillidsscore for et datasæt: et enkelt mål for, hvor meget man kan stole på data lige nu – typisk baseret på ting som korrekthed, fuldstændighed, konsistens, aktualitet og sporbarhed (om man kan se, hvor data kommer fra).

Hvad betyder det for danske virksomheder?

For danske virksomheder rammer det især data i ERP-systemer (økonomi- og lagerstyring) og CRM-systemer (kundesystem). Og i takt med at ESG (miljø, sociale forhold og ledelse) fylder mere – og CSRD (EU-krav til bæredygtighedsrapportering) stiller større krav til dokumentation – bliver det dyrt, hvis datagrundlaget ikke kan forklares og efterprøves.

I det offentlige kan samme tilgang være relevant i sags- og borgersystemer, hvor databrud eller gradvist forringet kvalitet kan få direkte konsekvenser i sagsbehandlingen.

Vigtigste forbehold: Styring før automation

Kunstig intelligens kan komme med falske alarmer – eller foreslå “rettelser”, der ser rigtige ud, men er forkerte. Derfor skal der være klare retningslinjer for, hvornår en person godkender ændringer, og hvordan man dokumenterer beslutninger. Hvis der indgår persondata, skal man være ekstra varsom og tænke GDPR ind fra start (uden at gøre det til et rent it-projekt).

Det kan du gøre nu

Start der, hvor det gør ondt mandag morgen: rapportering, regnskab, nøgletal og myndighedsrapportering.
Indfør en simpel tillidsscore (selv hvis den starter manuelt) og brug den til at prioritere oprydning.
Aftal menneskelig kvalitetssikring: Hvilke datatyper må et system foreslå ændringer til – og hvad kræver godkendelse?
Log og dokumentér: hvad blev flaget, hvad blev ændret, og hvorfor – så I kan forklare det bagefter.

Kilder

InfoWorld: Artikel om datakvalitet understøttet af kunstig intelligens (Sunil Kumar Mudusu, 9. feb. 2026)