AI og data som skaper reell effekt

AI endrer grunnleggende hvordan virksomheter jobber, skaper verdi og konkurrerer. Brukt riktig hever det både tempoet og kvaliteten i beslutninger som tidligere krevde dager med manuelt underlag. Men reell effekt krever mer enn teknologi.

Vi ser samme mønster hos bedrift etter bedrift: AI-verktøyene er allerede på plass. Medarbeiderne bruker dem hver dag til å oppsummere tekst, skrive utkast og rydde i innboksen. Det som mangler er koblingen til virksomhetens egne tall. Så snart spørsmålet handler om egen forretning – hvilke kunder mister vi, hva har skjedd med marginen, hvordan ser lageret ut – står AI-en uten underlag og begynner å gjette.

Forskjellen mellom et hyggelig eksperiment og noe som faktisk endrer arbeidsmåten ligger nesten alltid i dataene under. Ikke i hvilken modell man valgte.

At de fleste AI-satsingene ikke løfter er ikke vår magefølelse – det er godt dokumentert.

95 prosent uten målbar effekt

MITs NANDA-initiativ gjennomgikk vel 300 AI-satsinger i rapporten The GenAI Divide: State of AI in Business 2025. Konklusjonen: tross anslagsvis 30–40 milliarder dollar i investeringer ga 95 % av de gjennomgåtte initiativene ingen målbar effekt på resultatregnskapet, mens bare 5 % skapte betydelig verdi. Forfatterne peker ikke på modellenes kvalitet som årsak, men på gapet mellom verktøy og virkelige arbeidsflyter (Forbes om MIT-rapporten). Et forbehold: tallet gjelder spesifikt målbar resultateffekt, og mange piloter manglet en nullmåling å sammenligne med. Det skal leses som at de fleste satsingene ikke kan dokumenteres – ikke som at AI ikke fungerer.

Gartner peker på det samme fra datasiden. I en undersøkelse blant 248 datasjefer svarte 63 % at de enten mangler riktig datahåndtering for AI eller er usikre på om de har den, og Gartner forutsier at organisasjoner innen 2026 legger ned 60 % av de AI-prosjektene som ikke støttes av AI-klare data (Gartner, februar 2025).

Slik ser underlaget ut i de fleste virksomheter

Mønsteret gjentar seg i virkeligheten. Et AI-svar er aldri bedre enn underlaget det bygger på, og i de fleste virksomheter ser underlaget omtrent slik ut:

• forretningsdataene ligger i ERP-systemet, i tabeller bygget for transaksjoner
• viktige begreper mangler felles definisjon, så «omsetning» betyr ulike ting
• deler av sannheten finnes i regneark som fungerer som masterdata
• historikken er ufullstendig, fordi systemet overskriver i stedet for å lagre

Kobler man en AI-assistent rett mot et slikt miljø, får man svar som høres bra ut men ikke holder. Og et svar som høres bra ut men er feil er farligere enn ingen svar i det hele tatt – det oppdages sjelden før noen har tatt en beslutning på det.

Derfor mener vi at AI-spørsmålet i bunn og grunn er et dataspørsmål. Rekkefølgen betyr noe: strukturer først, prompt etterpå.

Veien dit trenger ikke være lang, men den må være riktig. Kort fortalt handler den om å:

• samle forretningsdataene fra systemene der de faktisk oppstår
• definere begrepene én gang, slik at alle beregner margin på samme måte
• kvalitetssikre nøkkeltallene i en modell som både rapporter og AI leser fra
• åpne modellen for AI, i stedet for å la AI-en lete i rå tabeller
• styre tilgangen, slik at hver bruker bare ser det den skal se

Det er nøyaktig den rekkefølgen Vellox er bygget for. Dataene dine hentes fra forretningssystemet, struktureres i en semantisk modell og brukes deretter av både rapportene dine og AI-assistenten din. Samme tall, samme definisjoner, uansett hvor spørsmålet stilles.

1. Legg grunnlaget – en semantisk modell over virksomheten din

Vi henter data direkte fra Business Central, Jeeves, Monitor, Pyramid eller Visma Business og strukturerer dem i Vellox datalager. Modellen dekker salg, innkjøp, lager, produksjon og økonomi, og den er ferdigkonfigurert for ditt forretningssystem fra start.

2. Prompt dataene dine

Med Vellox MCP kobles Claude eller ChatGPT direkte mot din semantiske modell. Assistenten forstår modulene og nøkkeltallene dine og henter oppdaterte tall i stedet for å gjette. Spørsmål som tidligere krevde en analytiker og noen timer besvares på sekunder – med et underlag du kan gå tilbake til og kontrollere.

3. Bygg eget oppå

Vårt REST API leverer samme verifiserte data som driver Vellox-modulene. Det gjør det mulig å bygge kundeportaler, innebygde dashboards, automatiseringer og egne AI-agenter uten å bygge et nytt datagrunnlag for hvert initiativ.

4. Hold det ansvarlig

AI mot virksomhetsdata reiser rimelige spørsmål om sikkerhet og styring. Koblingen mot Vellox er lesende – ingen skriveoperasjoner er mulige – og du bestemmer hvilke deler av modellen som eksponeres og for hvem. Med EUs AI-forordning på plass blir det dessuten stadig viktigere å kunne vise hvor et svar kommer fra. En modell med sporbare definisjoner gjør det spørsmålet enkelt å besvare.

5. Få det inn i hverdagen

Nytten oppstår når controlleren, salgssjefen og produksjonslederen selv stiller spørsmålene. Vi hjelper til med de første bruksområdene, viser hvordan man spør og sørger for at svarene ender i beslutninger i stedet for i enda en rapport ingen åpner.

Noen eksempler på spørsmål kundene våre stiller direkte til sine egne data:

• Hvilke ti kunder mistet vi mest omsetning på i siste kvartal?
• Hvor mye av leverandørenes prisøkninger har vi ført videre til kunde?
• Hvilke artikler binder kapital på lager uten å ha beveget seg på seks måneder?

Det som gjør svarene nyttige er ikke at de kommer raskt. Det er at de bygger på samme tall som ledelsesrapporten – og at den som får svaret kan stille oppfølgingsspørsmålet direkte i stedet for å bestille en ny analyse.

Vil du ha flere eksempler å teste med en gang? Vi har samlet ti spørsmål du kan stille til dine egne forretningsdata.

Hvis AI føles som noe som burde gi mer enn det gjør i dag, er det sjelden modellen som er feil. Det er oftest at den mangler noe å jobbe med.

Bestill en demo, så viser vi hvordan Claude eller ChatGPT svarer på spørsmål om nettopp din virksomhet – med dine egne data. Har du et spørsmål før det, går det like godt å ta kontakt direkte.