Agentic Analytics: Hvorfor KI-agenter har brug for bedre beslutningsgrundlag

Når KI-agenter træffer beslutninger – men halvdelen af dem er forkerte

Løftet er enormt: KI-agenter, der ikke blot analyserer data, men udfører hele workflows selvstændigt, genkender mønstre og iværksætter foranstaltninger på baggrund af dem. Agentic Analytics betragtes som den næste store evolutionære fase inden for virksomhedsstyring. Men en aktuel undersøgelse fra MIT Technology Review Insights, gennemført i samarbejde med Snowflake, tegner et ernøgtrende billede af den nuværende modenhedsgrad – og giver dermed vigtige retningslinjer for alle virksomheder, der seriøst anvender eller planlægger at anvende KI-agenter.

Det centrale resultat lyder: Kun omkring 48 procent af de indsigter, som analytics-agenter genererer i de adspurgte virksomheder, fører faktisk til foranstaltninger, der forbedrer forretningen. For et år siden lå denne andel på 37 procent – udviklingen går altså i den rigtige retning, men mere end halvdelen af de agentisk genererede insights forsvinder uden målbar effekt. For virksomheder, der har investeret i KI-infrastruktur, er det et betydeligt tab af return on investment.

Deskriptiv versus preskriptiv – den afgørende kvalitetskløft

Særlig oplysende er differentieringen mellem forskellige typer af indsigter. Mange virksomheder er fuldt ud tilfredse med kvaliteten af deskriptive erkendelser – det vil sige agenternes evne til at beskrive tilstande, synliggøre mønstre og opsummere historiske udviklinger. Men når det gælder preskriptive indsigter – altså handlingsanbefalinger, på baggrund af hvilke agenter aktivt skal handle – tegner der sig et langt mere blandet billede.

Denne sondring er afgørende, for preskriptive indsigter er selve kernen i agentic AI: En agent, der kun beskriver, hvad der var, er grundlæggende et avanceret rapporteringsværktøj. Først når agenter pålideligt kan anbefale og handle, udfoldes teknologiens transformative potentiale. Netop her ligger den største svaghed i øjeblikket.

Manglende kontekst som hovedproblem

Undersøgelsen identificerer også årsagerne til mangelfuld indsigtkvalitet klart. På førstepladsen står – for 55 procent af de adspurgte ledere – den manglende forretningskontekst. KI-agenter råder ofte ikke over den nødvendige organisatoriske viden til korrekt at fortolke datasignaler: Hvilken anomali er sæsonbetinget? Hvilken nøgletalsindikator er strategisk irrelevant? Hvad anses internt som tærskelværdi for en eskalering?

På andenpladsen følger problemet med fragmenterede eller svært tilgængelige data, nævnt af 45 procent af de adspurgte. Begge faktorer tilsammen forklarer, hvorfor selv teknisk avancerede agenter regelmæssigt fejler på grund af kontekst – et problem, der ikke alene kan løses med bedre modeller.

„En KI-agent er kun så klog som den viden, den har adgang til – og det inkluderer eksplicit den implicitte virksomhedsviden, der ofte ikke er formaliseret nogen steder."

Dr. Maik Bunzel, grundlægger og administrerende direktør for mabucon.eu, beskriver dette fænomen som et af de centrale implementeringsproblemer i praksis: Virksomheder undervurderer systematisk, hvor meget kontekstualiseringsarbejde der er nødvendigt, før en KI-agent selvstændigt kan drage handlingsrelevante konklusioner. Opbygningen af en sådan kontekstramme er ikke en teknisk, men først og fremmest en organisatorisk opgave.

Insight-oversvømmelse som undervurderet risiko

Et andet fund fra undersøgelsen fortjener særlig opmærksomhed: I 52 procent af de adspurgte organisationer genererer KI-agenter flere erkendelser, end der meningsfuldt kan evalueres. Kun 24 procent af virksomhederne formår at evaluere alle agent-insights faktisk – resten arbejder efter princippet om enkeltfallsvurdering, som stadig er stærkt menneskekrævende.

Dette fænomen – lad os kalde det Insight Overload – er paradoksalt: Agenter, der egentlig skal aflaste, skaber gennem den rene mængde ny evalueringsbelastning. Det underminerer effektivitetsgevinsterne og medfører, at værdifulde signaler drukner i støjen. Løsningen ligger ikke i flere agenter, men i bedre konfigurerede agenter med klare prioritetshierarkier og relevansfiltre.

Hvad "Insight Leaders" gør bedre

Undersøgelsen identificerer en lille gruppe pionervirksomheder, der betegnes som Insight Leaders. I denne gruppe fører mere end 70 procent af de agentisk genererede erkendelser til forretningsforbedrende foranstaltninger – markant over gennemsnittet. Hvad gør disse virksomheder anderledes?

• Stærkere KI- og data-governance: 60 procent af alle adspurgte nævner dette som en prioriteret foranstaltning – blandt Insight Leaders er modenhedsniveauet på dette område markant højere.
• Semantic Layer i dataarkitekturen: 45 procent af virksomhederne opbygger målrettet et semantisk lag, der beriger data med betydning og giver agenter mulighed for at fortolke begreber i den rette virksomhedskontekst.
• Færre, men skarpere fokuserede agenter: I stedet for bred insight-produktion satser pionererne på målrettede opgaveprofiler med et klart defineret scope.

Særligt det semantiske lag fremhæves af eksperter som en kritisk succesfaktor. Et Semantic Layer fungerer som en oversættende bro mellem rå datapunkter og virksomhedsrelevant kontekst – det definerer, hvad en "kunde", en "omsætning" eller en "afvigelse" betyder i den pågældende virksomhedskontekst, og gør disse definitioner maskinelt anvendelige for agenter.

Governance som fundament, ikke som bremseklods

En hyppig misforståelse i praksis er at betragte governance som en hæmsko for KI-agilitet. Undersøgelsens data modbeviser dette overbevisende: Virksomheder med stærk data- og KI-governance producerer kvalitativt bedre agent-outputs og opnår højere ROI-kvoter. Governance er i denne sammenhæng ikke et bureaukratisk korsет, men den infrastruktur, der overhovedet gør agenter i stand til at handle.

Dr. Maik Bunzel fra mabucon.eu ser heri en fundamental lære for opbygningen af produktive automatiseringsarkitekturer: „Uden robuste governance-strukturer mangler agenten det koordinatsystem, den har brug for til korrekt at prioritere, fortolke og handle. Velimplementeret governance er ikke kontrol over KI – det er forudsætningen for, at KI kan handle kontrolleret."

Perspektiver: Hvad virksomheder bør gøre nu

Studiets indsigter er en vigtig orientering for alle organisationer, der tager Agentic Analytics alvorligt. Vejen til pålidelige, handlingsrelevante agent-indsigter er ikke udelukkende et teknisk projekt – det kræver et samspil mellem dataarkitektur, organisatorisk viden og strategisk governance.

Konkret kan følgende prioriteter udledes:

• Systematisk formalisering af forretningskontekst: Implicit viden om tærskler, undtagelsesregler og strategiske prioriteter skal gøres eksplicit og maskinlæsbar.
• Indførelse af Semantic Layer: Et semantisk datalag er ikke en luksus, men en grundlæggende forudsætning for præskriptive indsigter af høj kvalitet.
• Afgrænsning af agent-scope: Hellere få, klart fokuserede agenter med høj præcision end mange generalister med Insight Overload som bivirkning.
• Kvalitet frem for kvantitet: Succeskriterier for agenter bør ikke baseres på antallet af genererede indsigter, men på den andel, der fører til målbare forbedringer.

Agentic Analytics befinder sig stadig i en forholdsvis tidlig fase – men indlæringskurven er stejl. Virksomheder, der i dag investerer i kontekst, semantik og governance, vil i morgen høre til Insight Leaders. Den konkurrencemæssige fordel, der opstår heraf, vil sandsynligvis være betydelig – for mere pålidelige agenter betyder hurtigere beslutninger, færre fejlomkostninger og en KI-understøttet handlekraft, der direkte afspejles i forretningsresultaterne.