Når data er klar, kan AI levere

Når kunstig intelligens møder velstrukturerede data, opstår der et markant skifte i, hvordan organisationer arbejder med indsigt. Dataagenter gør det muligt at stille spørgsmål direkte til forretningens data og få svar i et sprog, alle forstår. Dataagenter er ikke fremtid, men nutid. Og succes handler ikke om teknologi alene, men om det håndværk, der ligger bag.

Mange organisationer har investeret massivt i rapportering og dashboards. Alligevel bliver en stor del kun brugt sporadisk. Årsagen er sjældent manglende data, men manglende fleksibilitet. Når spørgsmålene bliver mere operationelle og kontekstafhængige, kræver det ofte nye rapporter, nye filtre og nye forklaringer.

Konsekvensen er velkendt: Et voksende landskab af rapporter, der er svære at vedligeholde, og brugere, der stadig ikke får præcis de svar, de har brug for. Samtidig vokser forventningen om, at kunstig intelligens kan løse det hele med et trylleslag. I praksis oplever mange, at svarene bliver upræcise, inkonsistente eller direkte misvisende, hvis fundamentet ikke er på plads.

Her er dataagenter et vigtigt vendepunkt. De flytter fokus fra statiske visninger til en dynamisk dialog med data. Men kun hvis de bygges rigtigt.

En dataagent er i sin kerne en oversætter. Den oversætter menneskelige spørgsmål til forespørgsler mod en semantisk datamodel og oversætter resultaterne tilbage til et forståeligt svar. Microsoft har investeret massivt i, at denne oversættelse fungerer teknisk. Det, teknologien ikke kan vide af sig selv, er, hvordan netop jeres forretning taler om data.

Uden klare definitioner, metadata og instruktioner mangler agenten kontekst. Er omsætning med eller uden moms? Hvem tæller som kunde? Hvilke afgrænsninger er forretningskritiske, men ikke synlige i rapporten? Det er klassiske datadiscipliner, som pludselig bliver endnu vigtigere, når svarene serveres direkte i en chat.

Derfor er dataagenter ikke et alternativ til god datamodellering. De er en konsekvens af den. Jo bedre det semantiske lag er beskrevet og struktureret, desto større sandsynlighed er der for, at agenten leverer svar, man kan stole på.

1. Start småt og skaler derfra. Afgræns use casen og datakompleksiteten. En smal, veldefineret agent performer bedre end en bred, utydelig.

2. Inddrag brugerne tidligt. Forstå, hvilke spørgsmål de faktisk stiller, og hvordan de taler om forretningen. Det er afgørende for både instruktioner og test.

3. Genbrug det semantiske lag. Byg dataagenter oven på eksisterende semantiske modeller fra Power BI. Så genbruges forretningslogik, beregninger og sikkerhed automatisk.

4. Giv agenten klare instruktioner. Dataagenten skal onboardes som en ny medarbejder. Instruktioner beskriver, hvordan organisationen arbejder, og hvordan svar skal formuleres.

5. Arbejd systematisk med metadata. Beskrivelser af tabeller, kolonner og målinger giver agenten kontekst. Det er ikke nyt, men effekten bliver langt mere synlig.

6. Test med et Golden Dataset. Definér et sæt spørgsmål med kendte, godkendte svar. Brug dem til at validere og forbedre agentens kvalitet iterativt.

7. Accepter nuancer frem for absolut sandhed. Rigtigt og forkert er mindre binært med sprogmodeller. Målet er konsistente og relevante svar, ikke identiske svar hver gang.

8. Planlæg drift og kapacitet. Dataagenter bruger Fabric-kapacitet. Overvåg forbrug, adskil workspaces og start med superbrugere før bred udrulning.

Tilsammen gør disse skridt forskellen mellem en spændende demo og en løsning, der skaber reel værdi.

Når ambitionerne vokser, vokser antallet af dataagenter ofte også. Én agent kan være stærk på økonomiopfølgning, en anden på HR-data og en tredje på operationelle nøgletal. For brugeren behøver det ikke blive komplekst.

Med en orkestreringsagent kan flere specialiserede dataagenter samles bag én samlet oplevelse. Brugeren stiller ét spørgsmål, og agenten vurderer, hvilken specialist der skal svare. Samtidig kan der indbygges retningslinjer for, hvornår spørgsmål bør eskaleres til en afdeling, eller hvornår automatiseringer som mail eller sagsoprettelse giver mening.

Det er her, dataagenter bevæger sig fra at være et analyseværktøj til at blive en integreret del af forretningsprocesserne.

Dataagenter gør det lettere at få indsigt, men de gør ikke datagrundlaget mindre vigtigt. Tværtimod. De belønner organisationer, der har styr på deres datakvalitet, semantik og governance. For dem bliver kunstig intelligens en accelererende faktor, ikke en risiko.

Budskabet er klart: Det er let at komme i gang med dataagenter, men kvalitet kræver bevidsthed og disciplin. Når data er klar, arbejder AI for jer. Når den ikke er, arbejder den imod jer.