De fleste virksomheter vi snakker med har allerede prøvd seg på AI. De har kjørt en pilot, sett et lovende demo-resultat, kanskje bygget en modell som traff godt på et utvalg historiske data. Og så stoppet det. Løsningen kom aldri i produksjon, eller den kom dit og ble aldri brukt. Mønsteret er så vanlig at det er verdt å være ærlig om hvorfor det skjer.
Den korte versjonen: AI-prosjekter stopper sjelden på grunn av modellen. De stopper på alt rundt modellen.
Flaskehalsen er datafundamentet, ikke algoritmen
En modell er bare så god som dataene den får. Det høres opplagt ut, men konsekvensene undervurderes nesten alltid. I en pilot jobber man med et rent, kuratert datasett som noen har plukket ut og vasket for hånd. I produksjon møter den samme modellen virkeligheten: data som kommer fra fem ulike kildesystemer, med inkonsistente formater, manglende felter, dubletter, og definisjoner som betyr forskjellige ting i ulike avdelinger.
Det er her de fleste initiativene egentlig strander. Ikke fordi noen valgte feil algoritme, men fordi det ikke finnes et datafundament som leverer riktige data, til riktig tid, i et format modellen kan bruke – kontinuerlig, ikke bare den ene gangen i piloten. Uten dataflyt, datakvalitet og en tydelig forståelse av hva dataene faktisk betyr, blir selv en god modell upålitelig i det øyeblikket den møter ekte trafikk.
Vår erfaring er at brorparten av arbeidet i et vellykket AI-prosjekt ligger før modellen i det hele tatt blir interessant. Det handler om å samle, strukturere og kvalitetssikre data – å bygge selve fundamentet løsningen skal hvile på. Det er mindre glamorøst enn å snakke om store språkmodeller, men det er det som avgjør om verdien faktisk realiseres.
Fra demo til produksjon er et eget fag
En demo skal imponere én gang. En produksjonsløsning skal levere riktig svar tusen ganger om dagen, også når noe går galt. Avstanden mellom de to er større enn de fleste tror, og den krever et helt annet sett ferdigheter.
I produksjon må du svare på spørsmål en demo aldri stiller: Hvordan integreres modellen i arbeidsflyten folk allerede har? Hva skjer når en inndata ser annerledes ut enn alt modellen har sett før? Hvordan overvåker vi at modellen fortsatt presterer når verden endrer seg under den – det vi kaller modelldrift? Hvem får beskjed når noe svikter, og hva er reserveløsningen? Hvordan håndterer vi sporbarhet, tilgangsstyring og personvern når løsningen plutselig behandler reelle kundedata?
Dette er ikke etterarbeid man kan skyve på. Det er leveransedisiplin, og det må bygges inn fra start. En AI-løsning som skal stå i produksjon, er først og fremst et programvaresystem – med alt det innebærer av arkitektur, testing, drift og videreutvikling. Modellen er én komponent blant mange.
Kjøp leveransen, ikke hypen
Vårt utgangspunkt er at kunder ikke egentlig kjøper «AI». De kjøper et problem som blir løst, og en løsning som holder over tid. AI er et middel, ikke et mål. Når et initiativ rammes inn som «vi må gjøre noe med AI», starter det ofte i feil ende – med teknologien i stedet for forretningsproblemet og dataene som skal til for å løse det.
Vi tror mer på den motsatte rekkefølgen. Begynn med et konkret problem der det finnes data å bygge på. Vurder ærlig om datafundamentet er godt nok, eller om det må bygges først. Planlegg for produksjon fra dag én, ikke som en fase som kommer «senere». Og la én leveransepartner ta ansvar for hele løpet – fra arkitektur og datafundament, gjennom utvikling, til drift og videreutvikling – slik at ingenting faller mellom stolene i overgangen fra modell til system.
Det er ingen snarvei her, men det er en farbar vei. AI når produksjon når man slutter å behandle det som et eksperiment og begynner å behandle det som en ordentlig leveranse. Det er mindre spennende å si i et styremøte, men det er forskjellen på en pilot som imponerte, og en løsning som faktisk brukes.