Lad os tage et skridt tilbage. AI virker kun, hvis fundamentet er der.
Alle taler om, hvad AI kan gøre for din forretning. Færre taler om, hvad der skal være på plads, inden det overhovedet giver mening. Det er den samtale, vi savner.
Det er svært at åbne LinkedIn i øjeblikket uden at støde på historier om AI, der transformerer forretningen.
AI-assistenter der besvarer spørgsmål på naturligt sprog, modeller der identificerer afvigelser automatisk, dashboards der fortæller sig selv. Og meget af det er reelt. Men der er noget, der ofte mangler i de historier: hvad der skal være på plads, inden det virker.
Lad os tage et skridt tilbage.
Hos de organisationer vi arbejder med — herunder virksomheder der kører D365 Finance & Operations — ser vi igen og igen det samme mønster: ambitionerne om AI er høje, og Microsoft stiller stærke værktøjer til rådighed. Men når man begynder at se nærmere på datagrundlaget, opstår der hurtigt et spørgsmål: er de data, AI skal arbejde med, faktisk pålidelige?
Hvad AI faktisk overtager — og hvad det kræver
Det er vigtigt at forstå, hvad AI reelt er ved at overtage i analytics-verdenen. Det er ikke alt. Det er specifikt de opgaver, der i dag løses manuelt og på et lag oven på et eksisterende datagrundlag:
| Traditionelt BI-lag | Hvad AI overtager |
|---|---|
| Manuelle ad hoc-analyser | Natural language queries — stil spørgsmålet direkte |
| Simple rapportforklaringer | Automatisk storytelling — AI fortæller hvad tallene betyder |
| „Hvorfor er tallet ændret?“ | AI-assisteret root cause-analyse |
| Rapportproduktion | AI-genererede visualiseringer |
| Første udkast til DAX/SQL | AI-assisteret model- og målingsopbygning |
| Executive summaries | Automatisk forklaring af trends og afvigelser |
Gartner beskriver det som augmented analytics : AI-drevet automatisering af analytics-workflows, hvor natural language queries, automated insights og generativ storytelling gør data mere tilgængeligt for forretningen. De AI-assistenter, der bygges ind i moderne BI- og analyseplatforme, bevæger sig allerede i den retning — og hastigt.
Det lyder befriende. Og det er det — hvis fundamentet er der.
Hvad AI ikke overtager — og aldrig kan
Her er det, der forsvinder i hype-narrativet: det er ikke hele BI-stacken, AI erstatter. Det er brugeroplevelseslaget. Det analytiske interface. Den manuelle, gentagne del af arbejdet.
Det, der ikke forsvinder, er det, AI bygger på:
D365 Finance & Operations: et konkret eksempel
D365 Finance & Operations er et kraftfuldt ERP-system med enorme mængder styringskritisk data — finans, supply chain, produktion, indkøb. Men det er også et system, hvor data sjældent er umiddelbart beslutningsklar for ledelsen. Transaktionsdata er detaljeret og teknisk. Dimensioner og kontostrukturer afspejler implementeringsbeslutninger, ikke ledelsesspørgsmål.
En AI-assistent kan i princippet stille spørgsmål til Finance & Operations-data på naturligt sprog. Men hvad sker der, hvis den semantiske model ikke er på plads? Hvis „driftsresultat“ er defineret forskelligt i økonomiafdelingen og i lederteamet? Hvis konsolidering på tværs af selskaber sker manuelt i Excel og ikke er del af datamodellen?
Svaret er: AI svarer hurtigt og selvsikkert. Og svaret er forkert.
Det er ikke en kritik af AI-værktøjerne eller de platforme, de kører på. Det er en observation om virkeligheden i de fleste organisationer, vi møder: Finance & Operations-implementeringen er lavet til transaktioner og drift — ikke til ledelsesintelligens. Det mellemliggende lag — datawarehouse, semantisk model, governance — er forudsætningen for, at AI kan levere det, det lover.
Kan jeres organisation besvare disse spørgsmål med sikkerhed — uden at nogen eksporterer data til Excel?
- Hvad er vores faktiske driftsresultat i dag — konsolideret på tværs af selskaber?
- Hvilke produktlinjer overskrider budget i indeværende kvartal, og hvad er årsagen?
- Hvad er vores forventede cashflow de næste 90 dage baseret på aktuelle ordrer og forpligtelser?
Hvis svaret kræver et Excel-udtræk — er der et fundament at bygge. Det fundament er præcis det, AI siden gør intelligent brug af.
Hvad det rigtige skridt fremad ser ud
At tage et skridt tilbage betyder ikke at bremse AI-ambitionerne. Det betyder at sikre sig, at AI-investeringen lander på et fundament, der bærer den.
I praksis handler det om tre ting:
- Et samlet datalager der integrerer Finance & Operations-data med de øvrige forretningssystemer — og strukturerer det til ledelsesbrug, ikke transaktionsbrug.
- En semantisk model med forretningslogik der definerer KPI'er, dimensioner og begreber klart og konsistent — og som AI-værktøjer og moderne analyseplatforme kan bygge på uden at gætte.
- En klar AI Readiness-vurdering inden man investerer i AI-licenser og AI-projekter: hvad er vi klar til, og hvad skal på plads først?
Det er ikke en bremse på AI. Det er det skridt, der gør AI-investeringen til en forretningsbeslutning — frem for et eksperiment.
