SAP-rapport: AI-ROI stiger, men governance

De virksomheder, der rapporterer det stærkeste afkast af deres AI-investeringer, deler et fælles kendetegn: de har brugt tid på at rydde op i deres datalag, før de skalerede AI-brugen op. Det er ikke tilfældigt. En AI-agent, der trækker på inkonsistente, forældede eller dubletfyldte data, leverer svar der ser rigtige ud, men som reelt hviler på et usikkert fundament. Det koster mere at rette op på bagefter, end det ville have kostet at fikse datagrundlaget først.

De fleste virksomheder befinder sig et andet sted i den udvikling. De har adgang til de samme modeller som de bedst performende konkurrenter, men de har brugt AI på isolerede opgaver, en chatbot her, en tekstgenerator der, uden at have investeret i den datainfrastruktur, der gør det muligt at koble AI ind i kernedriften. Resultatet er, at gevinsterne forbliver punktvise. Man sparer tid på enkelte opgaver, men man flytter ikke virksomhedens samlede produktivitet.

Det er en pointe, der ofte drukner i AI-debatten, fordi modelfremskridt er det, der får overskrifter. Men den reelle flaskehals ligger sjældent i, hvilken model man har adgang til. Den ligger i, om virksomheden kan levere ren, struktureret og opdateret data til modellen, og om den har processer, der sikrer, at det data forbliver troværdigt, når det ændrer sig.

Governance er det ord, der binder rapportens fund sammen, og det er værd at være konkret om, hvad det betyder i praksis. Det handler om at have klare regler for, hvem der kan bruge AI til hvad, hvordan output valideres, hvordan fejl fanges, og hvordan ansvar placeres, når en AI-agent træffer en beslutning, der påvirker en kunde eller en leverandør.

Virksomheder, der har bygget den slags rammer op, kan flytte AI fra pilotprojekt til produktion uden at skabe ny risiko for hver ny anvendelse. Virksomheder, der ikke har det, ender med at holde AI i afgrænsede sandkasser, fordi ledelsen simpelthen ikke har tillid til, at systemet fungerer korrekt, når det først rulles bredt ud. Den tillid bygges ikke af bedre modeller. Den bygges af dokumenterede processer, revisionsspor og klare eskaleringsveje, når noget går skævt.

Det er også her, mange virksomheder underdimensionerer opgaven. Jeg siger det samme til mine egne kunder: AI-governance er ikke en compliance-øvelse, man klarer med en politik-pdf. Det er en driftsdisciplin, der skal leve i de samme systemer som selve AI-anvendelsen. Ellers bliver den aldrig fulgt i praksis. Boundary'en, altså hvad en agent må røre ved, hvad den skal spørge om først, og hvad der sker, når den tager fejl, er det egentlige ingeniørarbejde. Alle kan prompte en model.

Et af de mere ubehagelige fund i rapporten handler om, hvor meget AI-brug der sker uden om virksomhedens officielle systemer. Medarbejdere finder deres egne værktøjer, indsætter fortrolige data i offentligt tilgængelige chatbots, eller bygger små automatiseringer med API-nøgler, ingen i IT-afdelingen ved eksisterer. Det sker, fordi de officielle AI-tilbud ofte er langsommere at få adgang til eller mindre fleksible end det, medarbejderne selv kan finde online.

Problemet er, at den slags skyggebrug ikke bare er et sikkerhedsproblem i teorien. Det er en direkte kanal for datalækage og en kilde til beslutninger, der træffes på baggrund af AI-output, som ingen i organisationen har kvalitetssikret. Når en medarbejder bruger et ukendt AI-værktøj til at generere et kundesvar eller en kontraktformulering, er der ingen governance-lag, der fanger fejlen, før den rammer en kunde eller en leverandør.

Den voksende brug af agentiske AI-systemer, der selv kan handle på tværs af systemer, gør risikoen skarpere. Hvor en chatbot i værste fald leverer et forkert svar, kan en AI-agent med adgang til produktionssystemer eller finansielle transaktioner udføre reelle handlinger baseret på et fejlbehæftet grundlag. Jeg ser samme mønster, når jeg kortlægger AI-projekter for danske virksomheder: den enkeltstående AI-anvendelse er ofte let at sætte i gang, men det er koblingen til virksomhedens data og adgangsstyring, der afgør, om den kan skaleres sikkert.

For danske virksomheder, der allerede har AI-agenter kørende i produktion, mod kundeservice, indkøb eller intern databehandling, er rapportens pointe ikke abstrakt. Den er direkte relevant for, hvordan man planlægger næste fase af udrulningen. Jeg driver selv agentisk AI i produktion, blandt andet hos Agent Enterprise, hvor jeg har bygget og kører deres agent-operation fra bunden. Det, der holder den slags i drift over tid, er aldrig modellen. Det er data, adgangsstyring og et revisionsspor, jeg kan vise frem, hvis nogen spørger.

Det betyder konkret, at investeringen i datakvalitet og governance bør komme før, man udvider en agents adgang til flere systemer eller flere beslutninger. En agent, der i dag kun besvarer simple spørgsmål, kan i morgen få adgang til at oprette ordrer eller ændre kundedata. Den udvidelse bør ledsages af samme grundighed, man ville anvende, hvis man gav en ny medarbejder de samme rettigheder: klare retningslinjer, logning af handlinger, og en plan for, hvad der sker, når systemet begår en fejl.

Det betyder også, at de virksomheder, der vil undgå at ende i skyggebrugens fælde, må gøre de officielle AI-værktøjer lettere at bruge end alternativerne. Hvis medarbejderne vælger et ukendt tredjepartsværktøj, fordi det er hurtigere, er problemet sjældent medarbejderens manglende disciplin. Det er, at det officielle værktøj ikke er godt nok integreret i den daglige arbejdsgang.

SAPs rapport bekræfter det, jeg har set gennem et år med AI Enterprise Konsulenten: den næste bølge af AI-værdi kommer ikke fra bedre modeller. Den kommer fra virksomheder, der er villige til at gøre det mindre glamourøse arbejde med data og styring, før de skalerer op.