Loopen betyder inget utan förståelsen.

Demonstrationerna av Real-Time Intelligence är imponerande. Realtidsdata strömmar in, en agent hittar avvikelsen och föreslår ett beslut, och åtgärden genomförs inom några sekunder. Presentatörerna visar också hur ett globalt tillverkningsbolag kortade sin reaktionstid från timmar till minuter.

Sedan är det dags att gå tillbaka till er egen verksamhet. Där dyker en fråga upp som sällan hinner ställas i presentationsrummet, nämligen om ni alla menar samma sak.

Ta ett ord ni använder varje dag, som när en order är "försenad". På lagret räknas förseningen från bekräftelsedatumet och i ekonomisystemet från det ursprungliga leveransdatumet. Kundservice räknar i sin tur från det datum som kommunicerades till kunden, och det kan vara ett tredje datum.

En AI-agent som larmar om "försenade ordrar" i realtid, utifrån en definition som tre avdelningar är oense om, ger er bara snabbare oenighet. Loopen snurrar visserligen, men varje varv förstärker friktionen mellan avdelningarna.

Det här är det vanligaste mönstret vi stöter på när vi börjar arbeta med ett nytt datalager. Verksamheten har gott om data, men orden som beskriver den betyder olika saker beroende på var i organisationen man sitter. Under tiden kör integrationerna vidare och rapporterna skickas ut, utan att någon stämmer av grunderna.

Att enas om vad era nyckelbegrepp betyder, och sedan bygga in dem likadant i alla system som hanterar dem, är i första hand ett verksamhetsbeslut. Någon behöver bestämma om det är logistik eller ekonomi som äger definitionen av "försenad", och vilket system som är källan för den.

Sådana beslut är svåra att fatta, eftersom de kräver samtal mellan avdelningar som kanske inte brukar sitta i samma rum, och de tar tid. Ändå är det de som avgör om en realtidsplattform ger er beslut på fakta eller bara sprider motstridiga siffror snabbare.

I Fabric IQ kallar Microsoft det för ontologi, alltså ett sätt att beskriva hur verksamhetens begrepp hänger ihop så att systemen räknar likadant. Det är ett bra namn på ett verkligt problem. Tekniken fattar inte de underliggande besluten åt er, men när de väl är fattade går de att genomföra i alla system.

Hos Plantagen låg försäljning, inköp och lager i fyra olika system fördelade på Sverige, Norge och Finland. På koncernnivå gick verksamheten därför bara att följa upp en gång i månaden, och då hade det som syntes i siffrorna oftast redan hunnit passera. För att siffror från tre länder ska gå att lägga bredvid varandra måste de betyda samma sak, och i projektet var Plantagens egna analytiker med hela vägen så att de kunde ta över plattformen.

Sedan dess följer Plantagen upp försäljning, inköp och lager dag för dag i stället för månad för månad, så flaskhalsar och avvikelser syns medan det fortfarande går att göra något åt dem. Det är inte realtid i sekunder, men principen är densamma som i loopen. När siffrorna betyder samma sak i alla system går svaren att agera på direkt.

Därför börjar arbetet hos oss i era begrepp och först senare i Fabric IQ. Tillsammans går vi igenom vad ni menar med era nyckeltal och var gränserna mellan system och avdelningar är otydliga, så att ni själva ser var siffrorna glider isär.

Det arbetet avgör om en realtidsplattform ger er svar ni litar på, eller svar ni måste kontrollera innan ni agerar på dem. Fabric IQ och Real-Time Intelligence är kraftfulla verktyg, men de förutsätter gemensamma definitioner och ett tydligt ägarskap för dem.

Om ni funderar på att investera i realtid eller AI-agenter kan ni börja innan plattformsvalet. Ta ett av era vanligaste nyckelbegrepp, till exempel "försenad" eller "stopp", och fråga lager, ekonomi och kundservice hur de räknar det.

Får ni olika svar vet ni var arbetet behöver börja.