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 direkt, hämtat ur er egen data — utan att öppna en rapport, utan att vänta på att någon bygger en. Kunskapen som tidigare satt hos den som byggde rapporten flyttar till den som ställer frågan.

Det är en verklig förskjutning i vem som har tillgång till insikt i en organisation. Men den bygger på en förutsättning som sällan syns i demot: att AI:n vet exakt vad orden i frågan betyder för just er.

Vad ett semantiskt lager faktiskt är

AI:n gissar inte fram ett bra svar av sig själv. Den behöver ett lager under ytan — en samling gemensamma definitioner som beskriver vad "kund", "intäkt", "region" och "försäljning" betyder i er verksamhet, hur de hänger ihop, och vilka regler som gäller för dem. I branschen kallas det ibland ett semantiskt lager, ibland en ontologi. Namnet spelar mindre roll. Funktionen är densamma: en gemensam sanning som gör att alla — människor och AI — pratar om samma sak när de säger "försäljning."

Utan det lagret finns risken att tre personer får tre olika svar på samma fråga, beroende på vilken definition systemet råkar hitta först — bruttointäkt, nettointäkt, orderingång. Ingen av dem är fel. Men bara en är rätt svar på frågan som faktiskt ställdes.

Vad som händer om det saknas

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

Riktar man AI mot data ingen riktigt äger eller förstår får man 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 när AI:n flyttar in i vardagsfrågorna, inte bara i rapporterna.

Så vet ni om er grund håller

Några enkla frågor avslöjar mycket:

• 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 är det inte AI-verktyget som är nästa investering. Det är grunden.

Grunden kommer före verktyget

Vi ser samma mönster hos nästan alla kunder vi möter: AI-intresset är på plats långt innan den underliggande datan är redo för det. Det är sällan ett tekniskt problem — det är ett definitionsproblem. Vad betyder begreppen? Vem äger dem? Hur hänger de ihop?

Det är samma logik vi beskrev när vi skrev om varför prediktiv analys kräver att grunden bär innan man börjar förutsäga något alls: AI förstärker det ni riktar den mot. Rätt grund ger snabbare, bättre svar. Fel grund ger snabbare fel svar.

Vi bygger dataplattformar där det här arbetet — att fånga hur verksamheten faktiskt hänger ihop, i ett semantiskt lager alla kan lita på — kommer före AI, inte efter. Det är skillnaden mellan en genväg till sanningen och en genväg till ett övertygande men fel svar.