Dataplattform som fundament
–En robust dataplattform ökar effektiviteten och minskar risken vid AI-införande i praktiken, säger Joakim Valderhaug, Cloud & AI Sales Lead på Orange Business Norge.
Ett stabilt datafundament, fritt från silos, med hög datakvalitet, tydlig styrning och inbyggd säkerhet minskar risken för att organisationens AI-initiativ misslyckas.
Valderhaug beskriver dataplattformen som ett tekniskt och organisatoriskt ramverk som möjliggör insamling, lagring, bearbetning, tillgängliggörande och analys av data över hela verksamheten. Plattformen utgör grunden för både datadrivet beslutsfattande och avancerad användning av artificiell intelligens.
Poängen är enkel, men krävande: plattformen måste knyta samman teknik, människor och processer – från grundläggande rapportering till avancerad AI.
Tre kategorier av AI med olika plattformskrav
Orange skiljer mellan tre huvudkategorier:
- Allround AI (AI som främst tränas på extern data) små krav på tillgång till företagsdata.
- Roll- eller processbaserad AI (AI som ersätter en intern roll eller process) från måttliga till betydande krav på tillgång till företagsdata, integrationer och plattform.
- Transformativ AI (AI som kombinerar och ersätter kritiska roller och processer). Omfattande krav på företagsdata, integrationer och plattform.
I de flesta sektorer, inklusive finans, är potentialen störst i den sista kategorin och de därmed förknippade riskerna högst. Betydelsen av en mogen dataplattform ökar med ambitionsnivån.
Ja, enskilda projekt kan lyckas utan en "perfekt" plattform. Utmaningen uppstår när avancerade initiativ måste operationaliseras. När stora eller flera initiativ går i produktion ökar behovet av kontroll, säkerhet och kvalitet från den underliggande plattformen."
Valderhaug påpekar att ett överdrivet fokus på säkerhet kan försena utvecklingen, men lite fokus på säkerhet är inte ett alternativ. En bra balans mellan hastighet och säkerhet kan uppnås genom att köra de första AI-initiativen på mindre känslig data och parallellt utveckla en solid plattform för att understödja de mer kritiska initiativen.
Dataplattformen är en infrastruktur för riskreducering, inte bara en kostnadspost.
Låg mognadsgrad och hög risk för misslyckande
Marknadsstatistik visar att värdeskapande från AI fortfarande är en utmaning. I oktober 2024 uppgav 74 procent att de ännu inte hade skapat något konkret AI-värde i en rapport från Boston Consulting Group. I januari 2025 rapporterade endast 1 procent av företagen full AI-mognad i en McKinsey-rapport.
Samtidigt visar analyser att brist på datagrund är en av de främsta orsakerna till att AI misslyckas: 63 procent saknar tydliga datapraxis för AI, och 2026 kommer 60 procent av AI-projekten utan AI-klar data att överges (Gartner Group).
Det finns också positiva erfarenheter: År 2025 rapporterade 95,1 procent av företagen ökad AI-mognad efter att ha slutfört moderniseringen av dataplattformen, vilket stöder att plattformslyft ger mätbar organisatorisk påverkan (Indicium / Pure Spectrum).
Med andra ord: Dataplattformen är en riskreducerande infrastruktur, inte bara en kostnadspost.
Vad innebär det att ha AI-klara data i bank?
AI-klara data innebär i första hand data av hög kvalitet. Arbetet börjar med att definiera vilka data som faktiskt är affärskritiska – från transaktioner och exponeringar till kunddialog – samt vilka kvalitetsmål som ska gälla. Därefter behöver processer, roller och verktyg stödja arbetet genom kontinuerlig kvalitetsmätning, varning vid avvikelser och systematisk felrättning.
I teorin handlar datakvalitet om att hämta korrekt data från källsystem och bearbeta den på rätt sätt. I praktiken är datakvalitet något som måste genomsyra hela organisationen – från strategi och kultur till verktyg och plattform.
Bristande datakvalitet kan få omfattande konsekvenser för organisationer och leda till betydande ekonomiska förluster. Det finns många exempel på verksamheter som förlorat mellan 5 och 30 procent av sin årliga omsättning till följd av otillräcklig datakvalitet. Att säkerställa hög datakvalitet bör därför vara en prioritet för alla företag – inte bara för den löpande verksamheten, utan också som en avgörande förutsättning för att lyckas med AI-implementering.
Vad är en AI-klar dataplattform?
En AI-klar dataplattform hanterar traditionella uppgifter som att hämta, lagra, transformera och tillgängliggöra data, men bygger samtidigt in funktioner för hög datakvalitet, datastyrning och verktyg som är relevanta för AI-utveckling.
Samtidigt bör plattformen baseras på moderna och flexibla molnteknologier, så att den enkelt kan skalas upp eller ner efter behov. Exempel på tjänster som används är Snowflake, Databricks, Azure Data Factory med flera.
Säkerhet och efterlevnad i praktiken
I finansbranschen bör säkerhet och efterlevnad vara en kontinuerlig disciplin: dataklassificering efter känslighet, fullständig loggning och spårning av data- och AI-aktivitet, strikt åtkomsthantering, efterlevnad av sekretess, modellhantering med förklarbarhet och dokumentation samt kryptering i vila och under transport.
MLOps-metoder - med versionshantering av data och modeller, godkännandecykler före produktion och kontinuerlig kvalitetsmätning - gör ansvarighet och revision till en del av lösningen. Detta måste byggas in från dag ett. För banker bör dessa mekanismer spegla kraven i DORA och NIS2: spårbarhet av data och AI-aktiviteter, tydliga roller och ansvarsområden, incidenthantering och tredjepartsstyrning. Det förenklar också dokumentationen för den norska finansinspektionen.
En mogen dataplattform minskar riskerna
Erfarenheten i materialet är att organisationer som kombinerar tydlig styrning, datakvalitetsmål och ett plattformslyft är mer benägna att hålla AI-lösningar stabila i produktion.
Valderhaug är tydlig med balansen.
- Vi bör balansera AI-initiativ med plattformsinitiativ. För banker innebär detta ofta att ett plattformsmoderniseringslyft bör planeras."
För bank och finans är slutsatsen praktisk och mätbar. En mogen dataplattform minskar risken, ökar takten från idé till produktion och gör AI-värde mer uppnåeligt.
Investering i en dataplattform har en lägre risk än många inser, och en betydande teoretisk uppsida. Din organisations dataplattform bör vara en naturlig samlingspunkt för människor, teknik och processer - utvinning av värde från data är huvudmålet.
När dataplattformen är på plats blir det enklare, mätbart och revisionssäkert att utveckla AI. Det är precis vad branschen behöver.
Expertbidrag
