Tre kategorier AI med ulike krav til plattform
Orange skiller mellom tre hovedkategorier:
- Allment formål AI (AI primært trent på eksterne data) lite krav om tilgang til virksomhetsdata.
- Rolle- eller prosessbasert AI (AI som erstatter en intern-rolle eller en internprosess) fra moderat til betydelige krav om tilgang til virksomhetsdata, integrasjoner og plattform.
- Transformativ AI (AI som kombinerer og erstatter kritiske roller og prosesser). Omfattende krav til virksomhetsdata, integrasjoner og plattform.
I de fleste sektorer, inkludert finans, er potensialet størst i den siste kategorien, og tilhørende risiko høyest. Viktigheten av en moden dataplattform øker i takt med ambisjonsnivået.
Ja, enkeltprosjekter kan fint lykkes uten «perfekt» plattform. Utfordringen oppstår når avanserte initiativer skal operasjonaliseres. Når store eller flere initiativer skal i produksjon øker behovet for kontroll, sikkerhet og kvalitet fra underliggende plattform.
Valderhaug påpeker at overdrevent sikkerhetsfokus kan forsinke utvikling, men lite sikkerhetsfokus er ikke et alternativ. God balanse mellom fart og sikkerhet kan oppnås ved å kjøre de første AI-initiativene på lite sensitiv data og i parallell utvikle en solid plattform for å underbygge de mer kritiske initiativene.
Dataplattformen er risikoreduserende infrastruktur, ikke bare en kostnadspost.
Lav modenhet & høy risiko for feil
Markedstall viser at verdiskaping fra AI fortsatt er krevende. I oktober 2024 oppga 74 prosent at de ennå ikke hadde skapt håndfast AI‑verdi i en rapport fra Boston Consulting Group. I januar 2025 rapporterte kun 1 prosent av virksomhetene full AI‑modenhet i en rapport fra McKinsey.
Samtidig peker analyser på at manglende datafundament er en av hovedårsakene til at AI feiler: 63 prosent mangler klare datapraksiser for AI, og gjennom 2026 vil 60 prosent av AI‑prosjekter uten AI‑klare data bli lagt ned (Gartner Group).
Det finnes også positive erfaringer: I 2025 rapporterte 95,1 prosent av virksomhetene økt AI‑modenhet etter gjennomført modernisering av dataplattform, noe som understøtter at plattformløft gir målbare organisatoriske effekter (Indicium/Pure Spectrum).
Med andre ord: Dataplattformen er risikoreduserende infrastruktur, ikke bare en kostnadspost.
Sikkerhet og compliance som praksis
I finans bør sikkerhet og compliance være en kontinuerlig disiplin: dataklassifisering etter sensitivitet, full logging og sporing av data- og AI-aktivitet, streng tilgangsstyring, etterlevelse av personvern, modellstyring med forklarbarhet og dokumentasjon, samt kryptering i hvile og i transitt.
MLOps‑praksis – med versjonering av data og modeller, godkjenningsløp før produksjon og løpende kvalitetsmåling – gjør ansvarlighet og revisjon til en egenskap ved løsningen. Dette må være innebygd fra dag én. Da blir revisjon og ansvarlighet en egenskap ved løsningen, ikke en dugnad før tilsyn.
For banker bør disse mekanismene speile kravene i DORA og NIS2: sporbarhet av data- og AI‑aktivitet, tydelige roller og ansvar, hendelseshåndtering og styring av tredjeparter. Det forenkler også dokumentasjon overfor Finanstilsynet.
En moden dataplattform reduserer risiko
Erfaringen i materialet er at virksomheter som kombinerer tydelig styring, mål for datakvalitet og et plattformløft i større grad klarer å holde AI‑løsninger stabile i produksjon.
Valderhaug er tydelig på balansen.
– Vi bør balansere AI-initiativer med plattforminitiativer. For banker betyr det ofte at et moderniseringsløft av plattform bør planlegges.
For bank og finans er konklusjonen praktisk og målbar. En moden dataplattform reduserer risiko, øker tempoet fra idé til produksjon og gjør AI-verdi mer oppnåelig.
Investering i dataplattform har lavere risiko enn mange tror, og en betydelig teoretisk oppside. Virksomhetens dataplattform bør være et naturlig samlingspunkt for mennesker, teknologi og prosesser – det utvinning av gevinst fra data er hovedmålet.
Når dataplattform er på plass blir utvikling av AI, enklere, målbar og revisjons-sikker. Det er akkurat det bransjen trenger.
Skrevet i samarbeid med
