Når virksomheder tænker på AI, fokuserer de oftest på modeller;
Hvilken model skal man vælge?
Hvilken LLM skal man bruge?
Er en AI-agent, Copilot eller en egen model bedre?
Hvad er token-omkostningerne?
Hvilken AI bliver den „klogeste”?
Problemet er, at i praksis er den største forhindring for at implementere AI meget sjældent selve AI. Det største problem er de systemer, som virksomheder har bygget over de sidste 10, 15 eller 20 år.
Legacy systems. Og netop her kuldsejler en stor del af ambitiøse AI-implementeringer i dag.
AI er kun så godt som den infrastruktur, det har adgang til
Det er den brutale sandhed om enterprise AI.
Modellen kan være fremragende.
Agenten kan være meget intelligent.
Prompt engineering kan være perfekt.
Men hvis AI:
- ikke har adgang til data,
- ikke forstår processer,
- ikke kan kommunikere med systemer,
- ikke har en sammenhængende integrationsarkitektur,
så slutter dets muligheder meget hurtigt.
Og det er netop derfor, mange virksomheder efter den første begejstring over AI rammer muren af teknologisk virkelighed.
De fleste organisationer kører i dag på „historiske lag”
Det er en naturlig effekt af forretningsudvikling.
Virksomheder har gennem årene lagt flere systemer ovenpå:
- ERP,
- CRM,
- helpdesk,
- lager,
- bogholderi,
- produktion,
- HR,
- rapportering,
- salgsplatforme.
Hvert implementeret på et andet tidspunkt, af forskellige leverandører, ofte i en anden teknologi.
Effekten? En teknologisk kompleks, men arkitektonisk usammenhængende organisation opstår.
Data er:
- spredt,
- duplikeret,
- ikke synkroniseret,
- delvist indtastet manuelt,
- ofte lukket inde i systemer uden fornuftige API'er.
Og netop da opstår spørgsmålet: hvordan skal AI fungere effektivt i et miljø, der ikke kan kommunikere med sig selv?
AI's største fjende: manglende integration
Det er et langt større problem, end de fleste virksomheder antager. For AI virker ikke i et vakuum.
Moderne agentbaserede systemer har brug for:
- adgang til data,
- kommunikation mellem systemer,
- opdateret kontekst,
- mulighed for at udføre handlinger,
- events i realtid.
Imens gælder i mange organisationer:
- data eksporteres til Excel,
- en del processer kører via mail,
- systemer udveksler data én gang om dagen,
- integrationsdokumentation eksisterer ikke,
- halvdelen af forretningslogikken sidder „i folks hoveder”.
I et sådant miljø holder AI meget hurtigt op med at være en „intelligent agent”. Det bliver endnu et lag af kaos.
Hvorfor AI ser fantastisk ud i en demo, men meget dårligere i en rigtig virksomhed
Fordi en demo normalt kører under ideelle forhold.
Ét system.
Gode data.
Kontrolleret proces.
Ingen edge-cases.
Enterprise-virkeligheden ser helt anderledes ud.
AI støder pludselig på:
- gamle ERP'er uden API,
- ikke-standard processer,
- ufuldstændige data,
- konflikter mellem systemer,
- forretningsmæssige undtagelser,
- manuelle workflows,
- lokale „workarounds” bygget gennem årene.
Og så viser det sig, at problemet ikke er AI-modellen. Problemet er organisationens arkitektur.
Legacy systems er ikke bare „gamle”. De har enorm indflydelse på forretningen
Det er en vigtig sondring.
Mange legacy-systemer fungerer stadig stabilt og håndterer kritiske forretningsprocesser. Derfor er virksomheder ofte bange for at røre dem. Og med rette.
For modernisering af enterprise-infrastruktur er ikke kun et spørgsmål om teknologi.
Det er et spørgsmål om:
- operationel kontinuitet,
- sikkerhed,
- omkostninger,
- forretningsrisiko.
Problemet er, at AI kræver et nyt niveau af interoperabilitet.
Systemer, der hidtil har kunnet fungere „ved siden af hinanden”, skal pludselig:
- udveksle data,
- fungere i realtid,
- samarbejde med agent(er),
- understøtte beslutningsautomatisering.
Og netop her opdager mange organisationer, at deres arkitektur ikke er klar til AI-native operations.
Der opstår en ny type konkurrencefordel
For blot få år siden var fordelen: „vi har flere data”. I dag er fordelen oftere: „vores infrastruktur gør det muligt for AI at virke i praksis”. Det er en enorm forskel.
For virksomheder med moderne arkitektur:
- API-first,
- event-driven,
- modular systems,
- central data layer,
- godt designede integrationer,
vil implementere AI mange gange hurtigere end organisationer med et kaotisk legacy-stack.
Og det er netop derfor, AI's fremtid er så tæt forbundet med softwarearkitektur.
Den største myte? „Det er nok bare at implementere AI”
Nej. I mange tilfælde er AI det sidste trin i transformationen, ikke det første.
Først skal man få styr på:
- data,
- processer,
- integrationer,
- systemarkitektur,
- governance,
- informationsflow.
Uden dette vil AI ofte:
- give inkonsistente svar,
- arbejde på forældede data,
- generere forkerte beslutninger,
- eller ikke være i stand til reelt at automatisere processer.
Og derfor kan de mest værdifulde AI-virksomheder i de kommende år slet ikke være „model-virksomheder”.
Det kan være virksomheder, der kan forbinde:
- arkitektur,
- integrationer,
- data,
- processer,
- og AI orchestration.
AI ligner i stigende grad et infrastrukturelt problem, ikke et produktproblem
Det er en meget interessant markedsændring.
For ikke så længe siden blev AI primært opfattet som:
- en applikation,
- en chatbot,
- en funktion,
- et tillæg til systemet.
I dag bliver det i stigende grad til organisationens infrastrukturlag.
Og infrastruktur har én egenskab: den skal være stabil, sammenhængende og veludformet.
For selv den bedste AI-agent løser ikke:
- dårlig arkitektur,
- integrationskaos,
- datasiloer,
- eller processer bygget gennem årene uden sammenhængende logik.
Hvem vinder i de kommende år?
Sandsynligvis ikke virksomhederne med den „mest spektakulære AI”.
Men dem, der:
- har en velordnet arkitektur,
- godt designede integrationer,
- centralisering af data,
- fleksible systemer,
- og en infrastruktur klar til agent-baseret AI.
For fremtiden for enterprise AI vil være langt mere forbundet med systemarkitektur end med selve modellerne. Og det er netop derfor, at for mange organisationer vil det største AI-projekt i de kommende år ikke være at implementere endnu en chatbot. Men at ombygge virksomhedens teknologiske fundament.
