Datakvalitet: Den dolda orsaken till att AI-projekt misslyckas

Enligt SCB använder 65 procent av svenska företag ingen AI alls. Bland de som övervägt det anger 74,7 procent brist på relevant kompetens som främsta hinder. Men kompetens handlar inte bara om att välja rätt modell. Det börjar med datan. För svenska SME-företag som vill satsa på AI är datakvalitet den viktigaste faktorn att få rätt innan man börjar. Ändå är det steget som många hoppar över.

Det vi ser hos våra kunder på Flexra är att företag gärna vill implementera AI-drivna flöden, men att verkligheten ser annorlunda ut när vi granskar deras data. Dubletter i CRM:et, inkonsekventa format i Fortnox, saknade fält i kundregistret. Problemen är sällan tekniska. De handlar om vanor, processer och att ingen har "ägt" datakvaliteten.

Varför datakvalitet avgör om ditt AI-projekt lyckas

Principen "garbage in, garbage out" är lika gammal som IT-branschen själv, men den har aldrig varit mer relevant. AI-modeller är extremt beroende av den data de matas med. En språkmodell som ska svara på kundfrågor baserat på er kunskapsbas ger värdelösa svar om dokumentationen är utdaterad eller motsägelsefull. En automatisering som ska matcha fakturor mot order kraschar om artikelnumren inte stämmer överens mellan systemen.

Smartsvar, som analyserat dussintals AI-implementationer i Sverige, sammanfattar det: "Att lyckas med AI är 20 procent teknik och 80 procent process." Många företag investerar i modeller och verktyg men hoppar över det grundläggande arbetet med att strukturera och kvalitetssäkra sin data. Resultatet blir piloter som aldrig når produktion.

Sverige halkar efter Norden, och data är en stor del av förklaringen

Enligt Nordic AI Navigator, som undersökt över 340 beslutsfattare i Norden, använder 59 procent av svenska organisationer AI-modeller. Det nordiska snittet ligger på 72 procent. Rapporten visar att 31 procent av svenska organisationer tillhör "sen majoritet" i AI-adoption, jämfört med 22 procent i övriga Norden. De flesta svenska organisationer skattar sin AI-mognad till nivå 1-2 av 5, alltså ad hoc eller opportunistisk användning.

En del av förklaringen är strukturell. Svenska företag har fragmenterade systemlandskap där data sitter i silos. Fortnox hanterar ekonomin, HubSpot hanterar leads, ett ärendesystem hanterar support och Excel-filer fyller i luckorna. Ingen av dessa system pratar naturligt med varandra, och ingen äger helhetsbilden av kunden.

Samtidigt visar rapporten att 60 procent av svenska organisationer redan ser mätbara produktivitetsvinster från AI. Potentialen finns, men den realiseras bara för de som har sin data i ordning.

De vanligaste dataproblemen vi ser hos SME-företag

Efter att ha hjälpt många företag med systemintegration och automation har vi identifierat mönster som återkommer:

Dubletter och inkonsistens. Samma kund finns tre gånger i CRM:et med olika stavningar. En kund heter "AB Bygg" i Fortnox och "Bygg AB" i HubSpot. AI:n vet inte vilken post som är korrekt och kan inte koppla ihop informationen.

Saknade fält. Hälften av kontakterna saknar bransch, företagsstorlek eller andra attribut som behövs för segmentering. En AI-modell kan inte kvalificera leads om grunddatan inte finns. Det vi ofta ser är att fälten finns i systemet men aldrig fyllts i konsekvent.

Fritext där det borde vara struktur. Produktbeskrivningar, anteckningar och ärendeloggar som skrivs på helt olika sätt av olika medarbetare. Det gör det nästan omöjligt för AI att hitta mönster eller kategorisera ärenden automatiskt.

Silad data. Information som finns i rätt system men inte delas mellan dem. Ekonomiavdelningen vet att en kund har betalningsproblem, men sälj fortsätter bearbeta samma kund för merförsäljning. AI kan inte lösa det om systemen inte är kopplade.

Utdaterad information. Kontaktpersoner som slutat, företag som bytt namn, priser som inte uppdaterats. AI bygger sina slutsatser på data som inte längre stämmer, vilket leder till felaktiga rekommendationer och automationer som gör mer skada än nytta.

Så förbereder du din data för AI-implementation

Du behöver inte städa all data i hela organisationen. Börja med det flöde du vill automatisera och arbeta dig utåt. Här är sex konkreta steg:

1. Välj ett avgränsat användningsfall. Automatisera inte allt samtidigt. Börja med ett specifikt flöde, exempelvis fakturahantering eller leadkvalificering, och kartlägg vilken data som behövs.

2. Inventera datakällorna. Var bor datan? Vilka system är inblandade? Hur ser kopplingarna ut? Rita upp flödet och identifiera var data saknas eller dubbleras.

3. Definiera datastandard. Bestäm format för företagsnamn, telefonnummer, adresser och kategorier. Dokumentera standarden så att hela teamet följer samma regler.

4. Städa och deduplera. Gå igenom de poster som berörs av ditt valda flöde. Slå ihop dubletter, fyll i saknade fält och korrigera felaktigheter. Det är manuellt arbete, men det ger störst effekt per investerad timme.

5. Automatisera datakvaliteten framåt. Sätt upp valideringsregler i era system. Obligatoriska fält, dropdown-menyer istället för fritext, automatiska format. Förhindra att smutsig data kommer in igen.

6. Koppla ihop systemen. När datan är ren kan ni börja integrera era affärssystem med AI-drivna flöden. Då får AI:n tillgång till en enhetlig och korrekt datakälla istället för fragmenterade silos.

Kostnaden av att inte agera

Enligt Nordic AI Navigator skattar de flesta svenska organisationer sin AI-mognad till nivå 1-2 av 5. Samtidigt investerar nästan hälften mindre än 10 procent av sin IT-budget i AI. Det innebär att många satsar för lite och dessutom på fel sak: verktyg istället för datagrund.

Smartsvar pekar på att företag som testar AI utan tydlig datagrund sällan når produktion. Externa partners som hjälper till att strukturera arbetet har högre framgångsgrad än rent interna projekt. Det bekräftar det vi ser själva: företag som tar datakvalitet på allvar från start sparar månader av omarbete längre fram.

Börja med datan, inte med modellen

AI är inte magi. Det är statistik som bygger på den data du matar in. Ingen modell i världen kan kompensera för data som är felaktig, utdaterad eller silad.

Det vi rekommenderar våra kunder är att avsätta tid för en datainventering innan man pratar verktyg och modeller. Ofta räcker det med en till två veckor av fokuserat arbete för att få ett specifikt dataflöde i tillräckligt bra skick för automation.

Vill du veta var er data står och vad som krävs för att komma igång med AI? Kontakta oss på Flexra så hjälper vi er kartlägga nuläget och ta de första konkreta stegen.