Tillförlitliga data avgör om AI-agenter kan skalas

En global undersökning visar att nästan sju av tio organisationer planerar att använda AI-agenter brett inom två år. Samtidigt uppger mer än hälften att äldre datasystem står i vägen för utvecklingen.

Google Cloud och MIT Technology Review Insights har undersökt hur företag förbereder sig för en bredare användning av AI-agenter. Studien bygger på svar från 300 data- och teknikchefer samt djupintervjuer med representanter för HCA Healthcare, Shopify och Deutsche Telekom.

Resultaten pekar på att AI-agenternas förmåga inte är den enda avgörande faktorn. Minst lika viktigt är om organisationen har en datagrund som ger agenterna tillgång till relevant, aktuell och tillförlitlig information.

I dag använder nästan samtliga tillfrågade organisationer AI-agenter eller planerar att göra det. Användningen är dock fortfarande begränsad. Endast 10 procent uppger att AI-agenter används brett i verksamheten.

Det väntas förändras snabbt. Inom två år planerar 69 procent av organisationerna att ha infört AI-agenter i större skala. För många innebär det ett betydande steg från avgränsade pilotprojekt till verksamhetskritiska lösningar som används i hela organisationen.

Äldre datasystem bromsar utvecklingen

Mer än hälften av de svarande, 55 procent, uppger att äldre datasystem hindrar dem från att skala användningen av AI-agenter.

Undersökningen identifierar fyra huvudsakliga problem:

• Data är inlåsta i separata system, vilket gör att AI-agenterna saknar en samlad bild av verksamheten.
• Ostrukturerade data i exempelvis pdf-filer, e-post, videomaterial och samtalsloggar är svåra att komma åt och hantera på ett säkert sätt.
• Bristande tillgång till realtidsdata gör att agenterna tvingas arbeta med information som redan kan vara inaktuell.
• Data saknar tillräckligt affärssammanhang och tydliga semantiska samband, vilket gör det svårt för agenterna att förstå informationens betydelse och relationerna mellan olika datamängder.

AI-agenter behöver inte enbart tillgång till stora mängder data. Informationen måste även vara relevant, försedd med rätt sammanhang och tillgänglig när ett beslut ska fattas.

Stora skillnader mellan organisationerna

I rapporten delas organisationerna in i dataföregångare och dataeftersläntrare. Dataföregångarna ger sina AI-system tillgång till mer än 70 procent av verksamhetens data. Hos eftersläntrarna är motsvarande andel högst 30 procent.

I genomsnitt får AI-systemen tillgång till 45 procent av organisationernas data. Skillnaderna i datatillgång avspeglas tydligt i förtroendet för agenternas resultat.

Totalt uppger 51 procent av de tillfrågade cheferna att de litar på att AI-agenternas beslut är korrekta och relevanta. Bland dataeftersläntrarna är andelen endast 22 procent.

Hos dataföregångarna beskriver 36 procent agenternas resultat som genomgående korrekta. Resterande 64 procent bedömer resultaten som korrekta i de flesta fall. Ingen av dataföregångarna uppger att resultaten endast är måttligt korrekta eller felaktiga. Bland eftersläntrarna gör däremot tre av fyra organisationer den bedömningen.

Resultaten tyder enligt rapporten på att bred och välstyrd tillgång till verksamhetsdata ökar möjligheten att använda AI-agenter inom fler funktioner, fatta snabbare beslut och samtidigt bibehålla kvaliteten.

Tre prioriteringar inför det kommande året

De tillfrågade organisationerna pekar ut tre dataområden som särskilt viktiga för att kunna skala AI-agenter under de närmaste tolv månaderna.

Den första prioriteringen är att förbättra tillgången till både strukturerade och ostrukturerade data. Informationen behöver kunna användas där den redan finns, även när den är fördelad mellan olika system och miljöer.

Den andra är att stärka styrningen av data och AI-modeller. Genom att tillföra verksamhetens begrepp, regler och sammanhang kan organisationerna hjälpa agenterna att fatta mer relevanta och korrekta beslut.

Den tredje prioriteringen är att ersätta traditionell batchbearbetning med strömmande och händelsestyrda dataflöden. Det gör att AI-agenter kan reagera på förändringar och agera utifrån aktuell information i realtid.

Från informationssystem till handlingssystem

Att lägga till AI ovanpå en äldre och fragmenterad dataarkitektur kan enligt Google Cloud leda till högre kostnader, mer komplicerade integrationer och begränsad skalbarhet.

Företaget argumenterar därför för en övergång från system som huvudsakligen sammanställer och analyserar information till system som även kan omsätta informationen i handling.

Google Cloud beskriver sin modell för detta som ett ”Agentic Data Cloud” – en sammanhållen datamiljö avsedd för AI-agenter. En sådan arkitektur ska enligt företaget vara AI-anpassad, kunna använda data över olika moln, system och format samt erbjuda styrning, affärssammanhang och tillförlitliga resultat.

Rapportens övergripande slutsats är att organisationer som vill gå från AI-piloter till bred användning först behöver se över sin datagrund. AI-agenternas förmåga att agera självständigt blir i praktiken beroende av vilken information de får använda, hur aktuell den är och hur väl den kan förstås.

Den fullständiga MIT Technology Review Insights-rapporten, Skalning av AI-agenter med tillförlitlig data, erbjuder ännu fler detaljer, inklusive intervjuer med chefer, för att hjälpa dig att förbereda din databas för agenternas era.

Ladda ner rapporten.