AI och data som skapar verklig effekt

AI förändrar i grunden hur verksamheter arbetar, skapar värde och konkurrerar. Rätt använt höjer det både tempot och kvaliteten i beslut som tidigare krävde dagar av manuellt underlag. Men verklig effekt kräver mer än teknik.

Vi ser samma mönster hos företag efter företag: AI-verktygen finns redan på plats. Medarbetarna använder dem varje dag för att sammanfatta text, skriva utkast och rensa i inkorgen. Det som saknas är kopplingen till verksamhetens egna siffror. Så fort frågan handlar om den egna affären – vilka kunder tappar vi, vad har hänt med marginalen, hur ser lagret ut – står AI:n utan underlag och börjar gissa.

Skillnaden mellan ett trevligt experiment och något som faktiskt förändrar arbetssättet ligger nästan alltid i datan under. Inte i vilken modell man valde.

Att de flesta AI-satsningar inte lyfter är inte vår magkänsla – det är väl dokumenterat.

95 procent utan mätbar effekt

MIT:s NANDA-initiativ granskade drygt 300 AI-satsningar i rapporten The GenAI Divide: State of AI in Business 2025. Slutsatsen: trots uppskattningsvis 30–40 miljarder dollar i investeringar gav 95 % av de granskade initiativen ingen mätbar effekt på resultaträkningen, medan bara 5 % skapade betydande värde. Författarna pekar inte ut modellernas kvalitet som orsak, utan glappet mellan verktyg och verkliga arbetsflöden (Forbes om MIT-rapporten). En brasklapp: siffran gäller specifikt mätbar resultateffekt, och många piloter saknade en nollmätning att jämföra mot. Den ska läsas som att de flesta satsningar inte går att belägga – inte som att AI inte fungerar.

Gartner sätter fingret på samma sak från datahållet. I en undersökning bland 248 datachefer svarade 63 % att de antingen saknar rätt datahantering för AI eller är osäkra på om de har den, och Gartner förutspår att organisationer till och med 2026 lägger ner 60 % av de AI-projekt som inte stöds av AI-redo data (Gartner, februari 2025).

Så ser underlaget ut i de flesta verksamheter

Mönstret går igen i verkligheten. Ett AI-svar är aldrig bättre än underlaget det bygger på, och i de flesta verksamheter ser underlaget ut ungefär så här:

• affärsdatan ligger i ERP-systemet, i tabeller byggda för transaktioner
• viktiga begrepp saknar gemensam definition, så "omsättning" betyder olika saker
• delar av sanningen finns i kalkylblad som fungerar som masterdata
• historiken är ofullständig, eftersom systemet skriver över i stället för att spara

Kopplar man en AI-assistent rakt mot en sådan miljö får man svar som låter bra men inte håller. Och ett svar som låter bra men är fel är farligare än inget svar alls – det upptäcks sällan förrän någon har fattat ett beslut på det.

Det är därför vi menar att AI-frågan i grunden är en datafråga. Ordningen spelar roll: strukturera först, prompta sedan.

Vägen dit behöver inte vara lång, men den behöver vara rätt. I korthet handlar den om att:

• samla affärsdatan från de system där den faktiskt uppstår
• definiera begreppen en gång, så att alla räknar marginal likadant
• kvalitetssäkra nyckeltalen i en modell som både rapporter och AI läser från
• öppna upp modellen för AI, i stället för att låta AI:n leta i råa tabeller
• styra åtkomsten, så att varje användare bara ser det den ska se

Det är precis den ordningen Vellox är byggt för. Din data hämtas från affärssystemet, struktureras i en semantisk modell och används sedan av både dina rapporter och din AI-assistent. Samma siffror, samma definitioner, oavsett var frågan ställs.

1. Lägg grunden – en semantisk modell över din verksamhet

Vi hämtar data direkt från Business Central, Jeeves, Monitor, Pyramid eller Visma Business och strukturerar den i Vellox datalager. Modellen täcker sälj, inköp, lager, produktion och ekonomi, och den är färdigkonfigurerad för ditt affärssystem från start.

2. Prompta din data

Med Vellox MCP kopplas Claude eller ChatGPT direkt mot din semantiska modell. Assistenten förstår dina moduler och nyckeltal och hämtar aktuella siffror i stället för att gissa. Frågor som tidigare krävde en analytiker och några timmar besvaras på sekunder – med ett underlag du kan gå tillbaka till och granska.

3. Bygg eget ovanpå

Vårt REST API serverar samma verifierade data som driver Vellox moduler. Det gör det möjligt att bygga kundportaler, inbäddade dashboards, automationer och egna AI-agenter utan att bygga en ny datagrund för varje initiativ.

4. Håll det ansvarsfullt

AI mot verksamhetsdata väcker rimliga frågor om säkerhet och styrning. Kopplingen mot Vellox är läsande – inga skrivoperationer är möjliga – och du bestämmer vilka delar av modellen som exponeras och för vem. Med EU:s AI-förordning på plats blir det dessutom allt viktigare att kunna visa var ett svar kommer ifrån. En modell med spårbara definitioner gör den frågan enkel att besvara.

5. Få in det i vardagen

Nyttan uppstår när controllern, säljchefen och produktionsledaren själva ställer frågorna. Vi hjälper till med de första användningsfallen, visar hur man frågar och ser till att svaren landar i beslut i stället för i ännu en rapport ingen öppnar.

Några exempel på frågor våra kunder ställer direkt till sin egen data:

• Vilka tio kunder tappade vi mest omsättning på senaste kvartalet?
• Hur mycket av leverantörernas prisökningar har vi fört vidare till kund?
• Vilka artiklar binder kapital i lager utan att ha rört sig på sex månader?

Det som gör svaren användbara är inte att de kommer snabbt. Det är att de bygger på samma siffror som ledningsrapporten – och att den som får svaret kan ställa följdfrågan direkt i stället för att beställa en ny analys.

Vill du ha fler exempel att testa direkt? Vi har samlat tio frågor du kan ställa till din egen affärsdata.

Om AI känns som något som borde ge mer än det gör idag är det sällan modellen det är fel på. Det är oftast att den saknar något att arbeta med.

Boka en demo, så visar vi hur Claude eller ChatGPT svarar på frågor om just din verksamhet – med din egen data. Har du en fråga innan dess går det lika bra att höra av sig direkt.