Loopen betyder inget utan förståelsen.

Demonstrationerna av Real-Time Intelligence är imponerande. Realtidsdata strömmar in, en agent identifierar avvikelsen, ett beslut föreslås, åtgärden vidtas — allt inom sekunder. Presentatörerna visar hur ett globalt tillverkningsbolag kortade sin reaktionstid från timmar till minuter.

Sedan är det dags att gå tillbaka till er verksamhet. Och den fråga som sällan ställs i presentationsrummet: menar ni alla samma sak?

Tag ett ord ni använder varje dag: "försenad". En order är försenad.

På lagret räknas det från bekräftelsedatumet. I ekonomisystemet från ursprungligt leveransdatum. Hos kundservice från det datum som kommunicerades till kunden — vilket kan vara ett tredje datum. Tre system, tre definitioner, ett ord.

En AI-agent som larmar om "försenade ordrar" i realtid, baserat på en definition som tre avdelningar är oense om, levererar inget annat än snabbare oenighet. Loopen spinner, men den spinner på friktionen.

Det här är inte ett hypotetiskt problem. Det 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 du sitter. Integrationerna kör vidare. Rapporterna skickas. Ingen stämmer av grunderna.

Att enas om vad era nyckelbegrepp faktiskt betyder — och koda in dem konsekvent i alla system som hanterar dem — är inte en teknisk uppgift. Det är ett verksamhetsbeslut. Vem äger definitionen av "försenad"? Logistik? Ekonomi? Kunden? Vilket system är källan?

De besluten är svåra att fatta. De kräver samtal mellan avdelningar som kanske inte brukar sitta i samma rum, och de tar tid. Det är ändå det som avgör om en realtidsplattform ger er faktabaserade beslut eller en ny kanal för att sprida inkonsekventa siffror snabbare.

Microsoft kallar det för ontologi i Fabric IQ-sammanhanget — ett sätt att koda in hur verksamhetens begrepp hänger ihop, så att systemen räknar likadant. Det är ett bra namn på ett riktigt problem. Tekniken löser inte de underliggande besluten, men den gör dem möjliga att genomföra, när de väl är fattade.

Tänk er ett producerande bolag med fyra produktionslinjer. "Produktionsstopp" hade ingen entydig definition: underhållsstopp, materialbrist, kvalitetsstopp och oplanerade haverier registrerades med olika begrepp i respektive system. Driftteknikerna såg sin siffra. Produktionsledningen såg en annan. Veckorapporten stämde aldrig riktigt.

Arbetet innan realtidslösningen handlade inte om sensorer eller dashboards. Det handlade om att enas om vad "stopp" innebar — orsak, duration, ansvar — och säkerställa att den definitionen fanns inbyggd i varje system som rörde vid den frågan.

Sedan, när realtidsdatan kom in, menade alla och alla system samma sak. Och loopen gav svar man faktiskt kunde agera på.

Gaia börjar inte med Fabric IQ. Vi börjar med att förstå er verksamhets begrepp: vad ni faktiskt menar med era nyckeltal, var definitionerna sitter, var gränsytorna mellan systemen och avdelningarna är otydliga.

Det är det arbete som avgör om en realtidsplattform ger er svar ni litar på, eller svar ni behöver verifiera innan ni agerar på dem.

Fabric IQ och Real-Time Intelligence är kraftfulla verktyg. Vad de förutsätter — gemensamma definitioner, tydliga ägandeskap, en delad förståelse av vad ni mäter — är det arbete som behöver komma först.

Om ni funderar på att investera i realtid, Real-Time Intelligence eller AI-agenter: den fråga som bör komma först är inte "vilken plattform?" utan "är vi faktiskt överens om vad vi mäter — och vad vi menar med det?"

Svaret på den frågan bestämmer vad resten är värd.