Det AI, I allerede har betalt for - og hvornår det ikke er nok

Når I skal vurdere, hvorfra I henter AI-kapabiliteten, handler det ikke om teknologi. Det handler om tre lag med forskellig tid til værdi, forskellig fleksibilitet og forskellige krav til jeres organisation.

Lag 1: Embedded AI i SaaS
AI, der er bygget direkte ind i specifikke produkter - copilots, assistenter og automatisering inden for ét systems univers. Hurtig time-to-value og lav kompleksitet. Fungerer godt til afgrænsede opgaver i det pågældende system.

Begrænsningen er klar: AI'en ser kun det, platformen ser. Den kan ikke handle på data eller processer uden for det specifikke produkts verden.

Lag 2: AI aktiveret i core-platforme
AI aktiveret på tværs af data og processer i de platforme, der bærer forretningen - Microsoft Dynamics 365, Microsoft Fabric og tilsvarende hos Salesforce med Agentforce. Her udnytter I den eksisterende investering og de data, der allerede er samlet ét sted.

Det fungerer bedst, når de relevante data og processer er i platformen. Svagere på kanten - dvs. når konteksten eller handlingen kræver data og systemer, der ligger uden for.

Et typisk eksempel: en salgsproces i Salesforce, der skal handle på lagerstatus eller leveringstider fra et eksternt ERP-system. Platformen ser ikke det data - og kan derfor ikke træffe den beslutning.

Lag 3: Eget AI-lag
En custom løsning bygget som et nyt lag oven på virksomhedens egne systemer og data - enten i cloud på platforme som Microsoft Foundry, AWS eller GCP, eller on-premise for virksomheder med særlige krav til datakontrol og placering.

Maksimal fleksibilitet og kontrol på tværs af alle jeres systemer. Prisen: I løfter selv governance, integrationer og vedligeholdelse. Det er den rigtige vej, når behovet er dokumenteret og forudsætningerne er på plads.

Mange virksomheder kombinerer med fordel: embedded AI skaber hurtige gevinster, mens man gradvist opbygger et mere strategisk AI-lag. Det vigtige er, at valget er bevidst - ikke tilfældigt.

Vi ser virksomheder, der bruger penge på at bygge det fra bunden, fordi de ikke vidste, at det allerede var tilgængeligt i deres platforme. Kendetegnet er, at projektet starter med en teknisk løsning - ikke med en vurdering af, hvad der allerede eksisterer. Resultatet er dobbelt betaling for kapabiliteter, der allerede er købt.

Vi ser også virksomheder, der er fanget i platformens grænser, fordi de antog, at det var nok - uden at have vurderet det. Kendetegnet her er, at AI-piloten virker i det afgrænsede system, men ikke kan skaleres: processen løber videre ud i systemer og data, platformen ikke ser. Det opdager man typisk først, når use casen skal fra pilot til drift.

Begge fejl koster momentum.

Uanset hvilken vej I vælger, gælder én ting: AI virker kun, hvis fundamentet er på plads. Det kræver adgang til relevante data og evnen til at handle via API'er og integrationer.

Virksomheder, der springer det over, oplever, at AI'en er smart i demo - og skuffende i drift. Det er ikke AI'ens fejl. Det er fundamentets.

Det er også derfor, valget af lag ikke er rent teknisk. Det er et spørgsmål om, hvad jeres data og integrationer kan bære - i dag og på sigt.