AI-prosjekter strander på datakvalitet norske bedrifter lærer den harde veien

AI-prosjekter strander på datakvalitet — norske bedrifter lærer den harde veien

Når norske virksomheter starter AI-prosjekter og resultatene uteblir, er forklaringen sjelden at modellen var feil. Langt oftere er problemet at dataene som ble matet inn var inkonsistente, mangelfulle eller spredt på systemer som ikke kommuniserer. Dette er et strukturelt problem som næringen begynner å ta mer på alvor.

Det mest undervurderte problemet i AI-implementering

Store konsulentmiljøer og programvareleverandører har lenge advart om datakvalitet, men budskapet har ikke nådd frem til alle som nå setter i gang AI-prosjekter. I 2026 er mønsteret tydelig: bedrifter kjøper en lisens på et AI-verktøy, forsøker å koble det til eksisterende systemer, og oppdager at dataene i ERP-systemet har inkonsistent produktnummerering, at CRM-systemet mangler historikk eldre enn tre år, eller at dokumentasjon er lagret i PDF-er uten struktur.

Problemet rammer bredt — fra manufaktur til helsesektoren, fra eiendom til offentlig forvaltning.

Hva som faktisk feiler

Duplikater og inkonsistente identifikatorer er vanlig i norske SMB-er som har vokst gjennom oppkjøp eller lagt til systemer over tid. En kunde kan finnes under tre ulike navn i tre systemer. En AI-modell som trenes på slike data vil arve rotene.

Manglende historikk er et problem for predictive modeller. Mange bedrifter har kun to til tre år med digital historikk, noe som er for lite til å lære sesongvariasjoner eller langsiktige mønstre.

Ustrukturerte data dominerer. Mesteparten av informasjonen i en gjennomsnittlig norsk bedrift ligger i e-poster, Word-dokumenter, PDF-rapporter og Teams-chatter. Generativ AI kan hjelpe med å trekke ut informasjon fra disse, men det er ikke en erstatning for strukturert datainnsamling.

Feil etiketter i treningsdata er et problem for selskaper som forsøker å trene egne klassifikasjonsmodeller. Manuelle etiketter satt av ansatte er subjektive og inkonsistente.

Hva som faktisk hjelper

Bedrifter som lykkes starter ikke med modellen — de starter med en datarevidering: hvilke data finnes, hvor er de, hvem eier dem, og hvor pålitelige er de. Dette arbeidet er kjedelig og tar tid, men det er forutsetningen for alt annet.

Master data management (MDM) — systemer som holder én kanonisk kilde for nøkkelbegreper som kunder, produkter og leverandører — er et tiltak mange norske mellomstore bedrifter ikke har investert i, men som betaler seg når AI tas i bruk.

For SMB-er med begrensede ressurser er et lavere ambisjonsnivå i starten et fornuftig valg: bruk AI på avgrensede datasett med kjent kvalitet, fremfor å forsøke å aggregere alt på én gang.

Syntetiske data er et alternativ for bedrifter som har for lite historikk. Generere realistiske treningsdata fra statistiske mønstre er blitt lettere, men krever kompetanse og bør gjøres varsomt.

«Vi undervurderte grunnarbeidet fullstendig. Vi brukte tre måneder på å rydde data før vi i det hele tatt begynte å trene modellen.» — Leder for digitaliseringsprosjekt i norsk industribedrift, sitert anonymt i bransjesammenheng 2025

Hva det betyr for norske bedrifter

Investeringen i AI er reell, men avkastningen henger uløselig sammen med datakvaliteten. Bedrifter som bruker ressurser på å rydde og strukturere dataene sine — gjerne gjennom et forprosjekt før de kjøper inn AI-løsninger — vil stå langt sterkere. Det er heller ikke AI-leverandørens ansvar: dette er et internt forarbeid som ingen kan gjøre for deg.