AI:n är bara så bra som definitionerna den litar på.

Det går nu att fråga en AI-assistent "hur går försäljningen i öst?" och få ett svar hämtat ur er egen data, utan att öppna en rapport eller vänta på att någon bygger en. Därmed flyttar kunskapen som tidigare satt hos den som byggde rapporten över till den som ställer frågan.

Det ändrar på riktigt vem i organisationen som kommer åt siffrorna. Men förskjutningen bygger på en förutsättning som sällan syns i demot, nämligen att AI:n vet exakt vad orden i frågan betyder hos just er.

Vad ett semantiskt lager faktiskt är

AI:n gissar inte fram ett bra svar av sig själv. Under ytan behöver den en samling gemensamma definitioner som beskriver vad "kund", "intäkt", "region" och "försäljning" betyder i er verksamhet, hur begreppen hänger ihop och vilka regler som gäller för dem. I branschen kallas det ibland ett semantiskt lager och ibland en ontologi, men namnet spelar mindre roll än vad lagret gör: det ser till att alla, människor som AI, menar samma sak när de säger "försäljning".

Saknas lagret kan tre personer få tre olika svar på samma fråga, beroende på vilken definition systemet råkar hitta först: bruttointäkt, nettointäkt eller orderingång. Ingen av dem är fel i sig, men bara en av dem svarar på frågan som faktiskt ställdes.

Vad som händer om det saknas

Det farliga är att AI:n svarar fel med samma självsäkerhet som när den svarar rätt. Ett dåligt underbyggt svar från ett Excel-ark är lätt att ifrågasätta, eftersom det ser ut som ett Excel-ark. Kommer samma svar från en AI-assistent i flytande svenska och presenteras som ett faktum är det betydligt lättare att ta för sanning.

Riktar man AI mot data som ingen riktigt äger eller förstår får man alltså fel svar snabbare, och litar på dem ändå. Det var precis det vi skrev om när Microsoft lanserade sin operativa loop med AI-agenter och realtidsdata tidigare i år: tekniken ger inget facit om ingen har gjort jobbet att definiera vad som faktiskt spelar roll. Samma princip gäller nu när AI:n flyttar in i vardagsfrågorna och inte längre bara finns i rapporterna.

Så vet ni om er grund håller

Tre frågor ger en ganska bra bild av läget:

• Skulle två personer i organisationen få samma svar på samma fråga idag — helt utan AI inblandad?
• Finns det en dokumenterad, gemensam definition av era viktigaste mått, eller lever den bara i huvudet på en controller?
• Vet ni vem som äger vilken siffra, och vad som händer när två källor säger olika saker?

Svarar ni nej på någon av dem bör nästa investering gå till definitionerna och vem som äger dem. AI-verktyget kan vänta tills de är på plats.

Grunden kommer före verktyget

Hos nästan alla kunder vi möter finns AI-intresset på plats långt innan datan är redo för det. Det som fattas är sällan teknik utan svar på frågor om begreppen, till exempel vad de betyder och vem som äger dem.

Samma logik beskrev vi i artikeln om varför prediktiv analys kräver att grunden bär innan man börjar förutsäga något alls. AI förstärker det ni riktar den mot, så en grund som håller ger snabbare och bättre svar medan en grund som brister ger snabbare fel svar.

När vi bygger dataplattformar gör vi därför det här arbetet först. Tillsammans med er skriver vi ner hur verksamheten faktiskt hänger ihop i ett semantiskt lager som alla kan lita på, och först därefter kopplas AI på. Ett bra första steg är att ta era viktigaste mått och se efter om vart och ett har en skriven definition och en namngiven ägare.