Dataarkitekturen er flaskehalsen for AI-agenter ikke modellen

Dataarkitekturen er flaskehalsen for AI-agenter — ikke modellen

Et tilbakevendende funn i 2026 er at de fleste AI-agentprosjekter som mislykkes, ikke gjør det på grunn av modellen. Ifølge analyser fra blant andre McKinsey og Gartner kan kun en mindre andel av de mislykkede initiativene spores tilbake til selve modellen — resten skyldes strategi, styring og en dataarkitektur som aldri ble bygget for å betjene autonome systemer. Rundt 62 prosent av virksomhetene eksperimenterer med agenter, men bare omtrent 23 prosent har skalert dem i drift.

Gapet mellom pilot og produksjon

Skillet mellom pilot og produksjon er det sentrale. En agent som fungerer i en avgrenset demo, møter en helt annen virkelighet når den skal kobles til ekte, levende data på tvers av flere systemer. McKinseys analyser i 2026 peker på at åtte av ti virksomheter oppgir databegrensninger som det viktigste hinderet for å skalere agentisk AI.

Poenget er at en agent ikke bare leser data — den handler på dem, og ofte i flere steg. Hvis dataene er utdaterte, inkonsistente eller spredt på siloer som ikke snakker sammen, forsterker agenten problemet i stedet for å løse det. En modell kan være aldri så god; den kan ikke kompensere for et datagrunnlag som ikke holder mål.

Hva de som lykkes har til felles

De virksomhetene som faktisk klarer å skalere agenter, deler én konsekvent forutgående investering — de fikset datainfrastrukturlaget før de bygde agentlaget.

Dette er den mest praktiske lærdommen for norske virksomheter. Rekkefølgen betyr noe. Det er fristende å starte med det synlige og spennende — agenten — og utsette det kjedelige arbeidet med datakvalitet, tilgang og struktur. Men erfaringen i 2026 tyder på at den rekkefølgen er en oppskrift på et prosjekt som stopper opp før det gir avkastning.

Et beslektet funn er at modenheten på styring er lav: bare omtrent én av fem virksomheter oppgir å ha en moden styringsmodell for autonome agenter, og over halvparten peker på datakvalitet som den største hindringen for utrulling.

Hva det betyr for norske virksomheter

For en norsk virksomhet som vurderer AI-agenter, er den viktigste konsekvensen at forarbeidet ligger i dataene. Det betyr å kartlegge hvor virksomhetens data faktisk bor, rydde i kvaliteten, etablere tilgang på tvers av systemer og sørge for at informasjonen agenten skal handle på, er oppdatert og pålitelig.

Dette er sjelden glamorøst arbeid, og det gir ingen umiddelbar demo å vise fram. Men det er forskjellen mellom en agent som fungerer i et møterom og en som fungerer i daglig drift. Mange norske virksomheter sitter på data som er gode nok til rapportering, men ikke strukturert for autonome systemer som handler i sanntid.

Gartners advarsel om kanselleringer

Gartner har anslått at over 40 prosent av agentiske AI-prosjekter er i fare for å bli kansellert innen 2027, drevet av økende kostnader, uklar forretningsverdi og utilstrekkelige risikokontroller. Det er ikke en spådom om at agenter ikke virker, men en advarsel mot å starte uten et klart formål, et solid datagrunnlag og en plan for styring.

For norske virksomheter er budskapet edruelig: agenter kan gi reell verdi, men de gjør det først når fundamentet er på plass. Et pilotprosjekt uten datagrunnlag og uten klar forretningsverdi er sannsynlig kandidat til å havne blant de kansellerte.

Hva det betyr framover

Den viktigste lærdommen fra 2026 er enkel å formulere og krevende å gjennomføre: fiks dataene først. AI-agenter er ikke en snarvei forbi rotete datasystemer — de er avhengige av at systemene er ryddet opp. For norske virksomheter er det mest verdifulle steget mot fungerende agenter sjelden valg av modell, men det grunnleggende arbeidet med datakvalitet, tilgang og styring.

Ofte stilte spørsmål