KI avslører hvor godt virksomheten egentlig forstår seg selv

Det første KI Norge Dialog-møtet 7. oktober handlet formelt om KI-klare data. Likevel satt jeg igjen med en bredere refleksjon. KI gjør ikke bare virksomheter mer effektive. Den synliggjør hvor godt de forstår egne data, begreper, prosesser og beslutningsgrunnlag.

Hans Christian Holte, leder av KI Norge, åpnet dagen. Han beskrev møtet som det første steget i å etablere en arena hvor relevante KI-temaer kan diskuteres, erfaringer kan deles og KI Norge kan lære av miljøene som arbeider med problemstillingene i praksis. Ambisjonen var ikke bare å informere, men å skape dialog og et faglig fellesskap som kan bidra til at Norge lykkes bedre med KI.

Deretter viste Marte Kjelvik fra Digdir og Geir Myrind fra Skatteetaten fra hvert sitt perspektiv hvordan KI flytter dataforvaltning fra et relativt smalt fagområde til et tydelig leder- og virksomhetstema. Når KI skal arbeide på tvers av CRM, ERP, saksbehandling, dokumenter og historiske systemer, blir gamle svakheter synlige. Ulike definisjoner, svake datamodeller, manglende dokumentasjon og uklart eierskap påvirker kvaliteten på svar, beslutninger og automatisering.

KI bryr seg ikke om systemgrensene våre

Tenk på et tilsynelatende enkelt spørsmål. Hva vet vi om denne kunden?

For en virksomhet kan svaret ligge fordelt mellom CRM, økonomisystem, dokumenter, e-post og saksbehandling. For KI er dette ikke fem organisatoriske bokser, men fem informasjonskilder som må forstås i sammenheng.

Det er her utfordringen begynner. «Kunde» kan være definert forskjellig mellom systemene. Identifikatorer kan variere, data kan være oppdatert på ulike tidspunkter, og informasjonen kan være samlet inn til forskjellige formål. KI fjerner ikke disse forskjellene. Når informasjon skal brukes på tvers, blir de mer synlige.

Dette peker mot et viktig skifte fra systemsentrisk til mer datasentrisk tenkning. Data må behandles som en virksomhetsressurs som kan forstås og forvaltes på tvers, ikke bare som noe som tilhører et bestemt system.

KI-klare data handler om mer enn datakvalitet

Marte presenterte dataforvaltning på tre nivåer. Strategisk handler det om retning, ambisjon og hvordan data skal støtte virksomhetsmålene. Taktisk handler det om organisering, roller, ansvar og prioriteringer. Operativt handler det om gjennomføringen, blant annet datakvalitet, metadata, tilgang, klassifisering og dokumentasjon.

Dette er viktig fordi mange KI-initiativer starter i motsatt ende. Man velger en modell eller et verktøy og begynner deretter å lete etter anvendelsesområder. Budskapet denne dagen var mer jordnært. Start med behovet og formålet, og finn deretter ut hvilke data, roller, regler og teknologier som trengs.

Et gjennomgående rammeverk var FAIR-prinsippene.

F – Findable – data skal kunne finnes

A – Accessible – data skal kunne nås

I – Interoperable – data skal kunne forstås og brukes på tvers

R – Reusable – data skal kunne gjenbrukes

Poenget er at teknisk tilgang ikke er nok. Mottakeren, enten det er et menneske, et annet system eller KI, må forstå hva informasjonen betyr, hvor den kommer fra, hvor oppdatert den er og hvilke betingelser som gjelder for bruk. FAIR bør derfor i størst mulig grad bygges inn fra starten, ikke repareres når behovet for deling oppstår senere.

Kontekst blir en del av KI-infrastrukturen

Geir Myrind gjorde problemstillingen konkret gjennom Skatteetatens arbeid. Hans utgangspunkt var at data alene ikke er nok. Virksomheten trenger også kunnskap om dataene, og denne kunnskapen må forvaltes slik at både mennesker og maskiner kan bruke den.

Det innebærer blant annet begreper, informasjonsmodeller, kodelister, juridiske metadata, datakvalitet, eierskap og metrikker. Skatteetaten beskriver dette som et kunnskapslag mellom dataene og bruken av dem. Forenklet kan arkitekturen uttrykkes som data → kunnskap → servering → bruk. Data og kontekst kan deretter gjøres tilgjengelig gjennom blant annet API-er, MCP, datakontrakter, tilgangsmekanismer og søk, slik at rapporter, analyser og KI-agenter får et bedre grunnlag å arbeide på.

Dette endrer også rollen til metadata. Metadata blir ikke bare dokumentasjon som produseres for ordenens skyld, men en del av infrastrukturen som gjør KI mer presis og etterprøvbar. Geir brukte en formulering jeg synes traff godt: «Dokumenterer du for kollegaer, dokumenterer du for KI-en.»

Når samme ord betyr forskjellige ting

Skatteetatens eksempler viste hvor praktisk dette blir. Begrepet «avregning» kan bety ulike ting innen MVA, økonomiregelverket, skattebetaling og strømleveranser. Ingen av definisjonene trenger å være feil. Problemet oppstår dersom betydningen ikke følger med informasjonen.

En begrepskatalog trenger derfor ikke å tvinge frem én definisjon. Den kan dokumentere hvilken betydning som gjelder innenfor hvilket fagområde, hvem som eier definisjonen og hvor den kommer fra.

Det samme gjelder kodeverk. Et kommunenummer kan være utgått, være registrert uten ledende null eller ha en betydning som varierer mellom systemer. Uten gode kodelister må analytikeren tolke hva som menes. Presentasjonen oppsummerte risikoen presist med formuleringen «Analytikeren gjetter. KI-en gjetter fortere.»

Hva måler vi egentlig?

Problemstillingen gjelder også KPI-er og beslutningsgrunnlag. To rapporter kan vise forskjellige tall for «aktive saker» samtidig som begge er teknisk korrekte. Den ene kan telle saker som ikke er avsluttet, mens den andre teller saker med aktivitet de siste 30 dagene.

Da er ikke problemet først og fremst datakvaliteten. Problemet er definisjonen. Med dokumenterte metrikker og sporbarhet tilbake til datakilden kan KI forklare hvorfor tallene er forskjellige, fremfor å måtte velge mellom dem. Se også Fra data til beslutning.

For ledere er dette mer enn et dataproblem. KI kan ikke forbedre beslutningsstøtten dersom virksomheten ikke selv har avklart hva den måler, hvilken definisjon som gjelder og hvilke data som skal være styrende.

Fra KI-klare til «X-klare» data

Geir nyanserte også selve begrepet KI-klare data. De samme grunnprinsippene gjelder enten informasjonen skal brukes til rapportering, analyse, BI, maskinlæring, KI-agenter eller nye dataprodukter. Derfor brukte han også ideen om «X-klare data».

Spørsmålene er de samme. Hvilke datasett er viktige? Hva betyr de sentrale begrepene? Hvordan er dataene strukturert? Hvilke juridiske rammer gjelder? Hva vet vi om datakvalitet, lagring, oppdateringsfrekvens og eierskap?

Det er et viktig strategisk poeng. KI-readiness bør ikke behandles som et isolert KI-program. God dataforvaltning gjør virksomheten bedre rustet til en rekke bruksområder, også dem vi ennå ikke kjenner. På den måten handler KI-klare data like mye om virksomhetens generelle endrings- og utviklingsevne som om KI.

Fra behov til handling

Etter foredragene gikk vi over i workshop. Modellen fulgte en enkel sekvens med behov, bruker og verdi, data, status og hindringer, hva som må på plass og første steg. Rekkefølgen er interessant fordi teknologien ikke kommer først.

Ved vårt bord startet diskusjonen bredt rundt produktivitet i offentlig sektor og hvordan teknologi kan frigjøre kapasitet, blant annet innen helse og eldreomsorg. Etter hvert dreide samtalen mot mennesker, endring og gevinstrealisering.

Det er heller ikke nok at en løsning er teknisk bedre. Arbeidsmåten må endres, noen må ta ansvar, og ledelsen må være villig til å hente ut gevinsten gjennom bedre tjenester, høyere kapasitet, lavere kostnader eller andre målbare resultater.

Her kom også spørsmålet om baseline inn. Hvis vi ikke vet hvordan prosessen fungerer før endringen, vet vi heller ikke om initiativet har forbedret noe. Implementering er ikke det samme som verdirealisering. Diskusjonen ved vårt bord endte derfor også med at mennesker og selve endringsprosessen burde få en enda tydeligere plass i modellen.

Tillit og motstand er en del av gjennomføringen

Etter workshoppen diskuterte jeg dette videre med Birthe Nesset, som har forsket på tillit mellom mennesker og avanserte intelligente systemer. Hun beskrev tillit gjennom samspillet mellom systemet, mennesket og miljøet rundt interaksjonen.

Det er en nyttig påminnelse om at selv en teknisk god løsning kan mislykkes dersom brukerne ikke forstår den, stoler på den eller opplever at den passer inn i arbeidshverdagen. Dette blir særlig viktig når effektivisering påvirker etablerte roller og arbeidsoppgaver. En endring kan være rasjonell for virksomheten og samtidig oppleves som truende for den enkelte.

Dette er også en ledererfaring jeg stadig møter i transformasjonsarbeid. Teknologien er sjelden den vanskeligste delen. Utfordringen ligger oftere i å endre arbeidsmåter, bygge tillit, avklare ansvar og skape tilstrekkelig trygghet og forståelse til at mennesker faktisk tar løsningen i bruk. Og når den virker, må ledelsen også være villig til å realisere gevinsten.

KI som ledertest

For meg står derfor dagen igjen med en tydelig sammenheng:

Behov → verdi → data → kontekst → ansvar → arbeidsmåte → adopsjon → realisert effekt

KI er en kraftig muliggjører inne i denne kjeden, men den erstatter ingen av leddene.

Vi kan kjøpe plattformer, bygge agenter og koble sammen stadig flere datakilder. Teknologien kan likevel ikke alene bestemme hva dataene betyr, hvilken kvalitet som er god nok, hvem som har ansvar eller hvilken verdi virksomheten skal skape.

Det er kanskje den mest interessante ledertesten i utviklingen vi står i. KI avslører ikke bare kvaliteten på dataene våre. Den avslører hvor godt virksomheten forstår seg selv, og hvor godt vi klarer å omsette denne forståelsen til ny praksis og reell verdi.