De mest imponerende AI-løsningene starter sjelden med AI. De starter med år med usynlig arbeid: å samle, rydde, strukturere og sikre data.
I juni var jeg på Snowflake Summit i San Francisco. På åpningsshowet gikk digitaldirektøren fra Sanofi opp på scenen for å demonstrere noe som skulle forestille en helt vanlig arbeidsdag. Han spilte rollen som en farmasøytisk selger som skulle møte en lege for første gang. I stedet for timer med manuell research, åpnet han en samtale med en AI-agent kalt «Concierge for Field».
På sekunder fikk han en møteplan, oppdaterte pasienttall for relevant terapiområde, et varsel om én pasient som trengte ekstra oppmerksomhet, og et forslag til en naturlig åpningsreplikk for et førstegangsmøte. Han fikk også et tips om at en av barna til vedkommende han skulle møte hadde bursdag snart, som han kunne bruke som en "icebreaker". Hele briefen kunne sendes på e-post med én kommando.
Det er en imponerende demo. Men det virkelig interessante skjedde ikke på scenen — det skjedde flere år tidligere, i et arbeid ingen fikk se.
Sanofis digitaldirektør var tydelig på dette da han introduserte demoen: selskapet begynte å konsolidere sitt fragmenterte datalandskap i Snowflake lenge før generativ AI ble en snakkis. Fragmenterte datasjøer hadde blitt blindveier for selskapet, og han beskrev kontinuerlig, pålitelig datatilgang på tvers av forskning og drift som ikke-forhandlingsbart.
Med andre ord: agenten som imponerte publikum i juni, kunne bare eksistere fordi noen hadde ryddet i dataene i årevis før den ble bygget. AI-modellen er det synlige laget. Datagrunnlaget er fundamentet ingen legger merke til — helt til det mangler.
Det er akkurat her de fleste selskaper som "famler" med AI, snur rekkefølgen på hodet.
Jeg var ikke den eneste som la merke til dette mønsteret i San Francisco. I en samtale på hovedscenen sa Accentures Manish Sharma det rett ut: rundt 85 prosent av kundene deres har et dataproblem før de har et AI-problem. Det er nesten en presis oppsummering av det jeg vil frem til her — de fleste selskaper som strever med AI, strever egentlig med noe som lå der fra før.
Mange selskaper kjøper et AI-verktøy eller en chatbot-løsning, kobler den til det de har for hånden, og oppdager først i etterkant at:
Resultatet blir en pilot som ser lovende ut i demo, men som ikke tåler møtet med virkeligheten: modellen finner på svar fordi den mangler kontekst, agenten gir feil anbefaling fordi kildedataene er inkonsistente, eller prosjektet stopper opp fordi noen først nå oppdager at persondata ligger ubeskyttet i et system AI-agenten har tilgang til.
Det er ikke bare et fransk legemiddelselskap som har lært denne leksen.
Equinor har koblet 24 000 sensorer på over 700 roterende maskiner til én AI-plattform for prediktivt vedlikehold. Systemet fanger opp avvik i vibrasjon, temperatur og trykk uker før en komponent ville sviktet. Siden 2020 har dette alene gitt Equinor 120 millioner USD i besparelser — i tillegg kommer 130 millioner USD i samlet AI-relatert verdiskaping i 2025 på tvers av flere bruksområder. Dette er umulig uten at sensordata fra tusenvis av kilder er samlet, renset og gjort tilgjengelig i et format modellene kan bruke.
Skatteetaten testet en KI-løsning for arkivering gjennom en førkommersiell anskaffelse, og traff riktig i 96 prosent av tilfellene. Det er et påfallende høyt tall for en offentlig etat med enorme mengder historiske dokumenter — og det sier noe om hvor godt de underliggende dataene og klassifiseringsreglene må ha vært strukturert for at en modell skulle kunne lære mønsteret.
Gjensidige har bygget det de selv kaller en "virtuell analytiker" basert på GPT, som lar vanlige ansatte hente ut data de trenger uten å kunne skrive kode selv — i stedet for å legge beslag på tiden til erfarne dataanalytikere hver gang noen i forretningsutvikling trenger et tall. De bruker også generativ AI til å oppsummere dokumentasjon i skadesaker og til å avdekke forsøk på forsikringssvindel. Fellesnevneren er den samme som hos Sanofi: verktøyet er bare så godt som tilgangen til strukturerte, pålitelige data bak det.
Mønsteret er identisk med Sanofi: det synlige AI-laget hviler på et datalag noen har brukt tid på å bygge riktig.
For mange ledere er "vi må ha kontroll på dataene våre" en floskel. I praksis handler det om noen få konkrete ting:
Dette er nøyaktig det arbeidet et dataplattform-prosjekt løser. Det er ikke det glamorøse laget i en AI-satsing — ingen holder en keynote om ryddig datamodellering — men det er laget som avgjør om agenten på scenen faktisk fungerer, eller om den blir en kostbar demo som aldri når produksjon.
Senere samme uke, i en helt annen sesjon, hørte jeg en datasjef si noe som ble hengende igjen: "We are in the yellow pages era of AI." Han sammenlignet det med den gangen telefonkatalogen kom på nett — et øyeblikk som virket enormt der og da, sett opp mot bare å ha den lokale, papirbaserte katalogen for eget distrikt. Men sett i bakspeilet var det bare det aller første, spede steget mot det internett faktisk skulle bli.
Det er trolig der de fleste selskaper står med AI akkurat nå. Agentene vi ser i dag — Sanofis Concierge for Field, Skatteetatens arkivassistent, Gjensidiges virtuelle analytiker — er telefonkatalogen på nett. Nyttige, konkrete, og et reelt steg videre. Men de er ikke sluttpunktet. De er et tidlig tegn på hva som blir mulig når nok av grunnarbeidet er på plass.
Og akkurat som med internett den gangen: det er ikke katalogen som avgjør hvor langt man kommer. Det er infrastrukturen bak.
Selskaper som famler med AI, leter ofte etter svaret i feil ende — de leter etter riktig modell, riktig verktøy, riktig leverandør. Sanofi, og de norske eksemplene over, peker på noe annet: den virkelige konkurransefordelen ligger i arbeidet som skjer før noen ser en eneste AI-agent. Det er der grunnlaget legges for om AI-satsingen blir en isolert pilot, eller noe som faktisk endrer hvordan selskapet jobber.
Spørsmålet et selskap bør stille seg før neste AI-investering, er derfor ikke «hvilket verktøy skal vi kjøpe» — men «har vi et datagrunnlag godt nok til at verktøyet får noe fornuftig å jobbe med?»
I Liflig jobber vi med akkurat denne typen grunnarbeid til daglig — å bygge de tekniske fundamentene selskaper faktisk trenger før AI-satsingen kan bli noe mer enn en demo. Det handler om å få dataplattformen på plass, med riktig arkitektur, kvalitetssikret og strukturert data, og styring som holder når det ikke lenger bare er mennesker som skal ha tilgang. Vi har gjort denne jobben for selskaper som Europris og Tomra ReUse — ikke som et sluttprodukt, men som fundamentet resten bygges på.
Har dere et AI-prosjekt som ikke helt løfter seg fra bakken? Kanskje det ikke er verktøyet som er problemet.
