Skalerbar AI kræver fundament: Hvorfor data, governance og agentic systems må vokse sammen

Hvorfor skalerbar KI er mere end summen af sine modeller

I den aktuelle debat om kunstig intelligens dominerer modeludgivelser, benchmark-rekorder og spektakulære demonstrationsvideoer. Det, der alt for ofte forbliver i baggrunden: den egentlige udfordring for virksomheder ligger ikke i at finde den rette model – men i at opbygge det rette fundament. Præcis dette emne stod i centrum for en meget omtalt session på EmTech Future-kongressen arrangeret af MIT Technology Review, hvor Vanguards Center for AI & Insights redegjorde for, hvad der skal til for at skalere KI ansvarligt og bæredygtigt i et stærkt reguleret miljø.

Kernetesen er lige så enkel som vidtrækkende: Et skalerbart KI-system opstår kun, når data, engineering, platforme, driftsmodeller og governance fungerer som en integreret helhed – ikke som parallelle verdener med egne stakeholder-universer og egne roadmaps. Det lyder indlysende. I praksis strander mange enterprise-AI-initiativer imidlertid på netop det faktum, at disse lag forbliver afkoblede fra hinanden.

Konvergensproblemet: Når siloer forhindrer skalering

Virksomheder investerer betydeligt i Large Language Models, i vektordatabaser, i MLOps-pipelines og i Prompt-Engineering-kapaciteter. Men uden en fælles operating model – det vil sige et afstemt samspil af roller, processer, ansvarsområder og tekniske interfaces – forbliver KI et projektfænomen. Der opstår punktvis merværdi, men ingen systematisk værdiskabelse.

Dr. Maik Bunzel, grundlægger og administrerende direktør for mabucon.eu, beskriver dette mønster ud fra den daglige rådgivningspraksis: Mange virksomheder kommer med et konkret ønske om en use case – for eksempel en KI-understøttet dokumentproces eller et automatiseret kundekommunikations-workflow. Det egentlige arbejde begynder imidlertid først, når man stiller spørgsmålet: Hvordan er denne use case indlejret i den eksisterende dataarkitektur? Hvilke governance-regler gælder? Og hvem bærer ansvaret, når modellen træffer en beslutning, der har konsekvenser?

Det er præcis disse spørgsmål, der gør forskellen mellem en KI-pilot, der imponerer, og et KI-system, der varigt forbedrer forretningsprocesser.

Agentic AI: Den næste eskalationsfase – og dens risici

Diskussionen om fundamenter får særlig vægt, når man retter blikket mod Agentic Systems – altså KI-systemer, der ikke blot reagerer på forespørgsler, men selvstændigt planlægger opgaver, kalder værktøjer, træffer beslutninger og rapporterer resultater. Sådanne systemer er ikke længere fremtidsmusik. De er aktive i de første produktive miljøer – og de ændrer kravene til infrastruktur og governance fundamentalt.

Mens et klassisk LLM-baseret værktøj holder et menneske i loopet, agerer en fuldt autonom agent iterativt: Den læser data, skriver output, udløser opfølgende handlinger – og det potentielt uden menneskelig mellemkontrol. Det gør kvaliteten af den underliggende databasis, klarheden i adgangs- og udførelsesrettigheder samt sporbarhed af beslutninger til eksistentielle krav – ikke til valgfrie funktioner.

• Datasuverænitet: Hvilke data må en agent tilgå – og under hvilke betingelser?
• Revisionsmulighed: Kan en agents beslutningsstier rekonstrueres i efterfølgende?
• Fejleskalering: Hvad sker der, hvis en agent træffer en fejlagtig mellemliggende beslutning – er der definerede afbrydselskriterier?
• Human-in-the-Loop: På hvilke kritiske punkter er menneskelig sign-off absolut nødvendigt?

I regulerede brancher – finansielle tjenesteydelser, sundhedsvæsen, forsikring – er disse spørgsmål ikke akademiske øvelser, men compliance-krav. Men selv i mindre regulerede sektorer gælder det: Den, der indfører Agentic AI uden at have afklaret disse grundlæggende spørgsmål, risikerer ikke blot operationelle fejl, men også omdømmeskader og tab af kundernes tillid.

Governance som konkurrencefordel, ikke som bremseklods

Et narrativ, der vedvarende lever videre i KI-debatten, er forestillingen om, at governance og compliance bremser innovationshastigheden. Dette billede er forkert – eller i det mindste ufuldstændigt. Vanguards tilgang viser eksemplarisk, at Responsible AI og Trustworthy AI ikke er modsætninger til ydeevne, men derimod dens forudsætning. En finansiel tjenesteyder, der ikke kan fremvise en klar KI-governance, mister tilliden hos såvel institutionelle som private investorer.

„Tillid er ikke et blødt begreb inden for KI – det er en målbar faktor for adoption, kundefastholdelse og regulatorisk robusthed."

Dette princip gælder langt ud over finanssektoren. Virksomheder, der tidligt opbygger robuste governance-strukturer, skaber dermed en platform, hvorfra de hurtigt kan deploye nye capabilities – fordi den regulatoriske og etiske ramme allerede er på plads. Virksomheder uden disse strukturer må begynde forfra ved hvert nyt use case.

Hvad virksomheder konkret kan gøre

Dr. Maik Bunzel, grundlægger og administrerende direktør for mabucon.eu, anbefaler virksomheder i denne fase ikke at begynde med teknologien, men med tre forudgående spørgsmål: For det første, hvilke processer er så tilbagevendende, regelbaserede og datadrevne, at KI der skaber en reel løftestangseffekt? For det andet, hvilken datagrundlag eksisterer allerede – og hvor er der kvalitetsgab, der skal lukkes inden en KI-implementering? Og for det tredje, hvem i virksomheden har ejerskabet over KI-beslutninger – både teknisk og fagligt?

Først når disse tre dimensioner er besvaret, er det umagen værd at diskutere konkrete modeller, platforme og agent-arkitekturer. Ellers opstår det, der i branchen er kendt som Pilot Purgatory: en endeløs cyklus af proof-of-concepts, der aldrig finder vej til produktion.

• Opret datainventar: Hvilke strukturerede og ustrukturerede data foreligger – og i hvilken kvalitet?
• Definer operating model: Afklar roller, eskaleringsveje og ansvarsområder for KI-systemer, før de første modeller går live.
• Opsæt governance-framework: Også for mellemstore virksomheder gælder: Et slank, men klart regelsæt for KI-anvendelse er ingen luksus.
• Indfør agentic use cases gradvist: Begynd med begrænsede autonomigrader, etabler monitoring, opbyg tillid.

Fremtidsperspektiv: Fundamentet afgør konkurrenceevnen i det kommende årti

KI-landskabet vil i de kommende år blive præget af de virksomheder, der i dag ikke kun investerer i modeller, men i fundamenter. Den, der nu opbygger solide dataarkitekturer, gennemtænkte driftsmodeller og robuste governance-strukturer, vil ikke opleve Agentic AI som en risiko – men som en skalerbar konkurrencefordel.

Budskabet fra EmTech-Future-Kongresses er i den forstand ikke teknisk, men strategisk: Skalerbar KI er ikke et teknologiproblem – det er et organisationsproblem. Og de virksomheder, der forstår det, vil ikke blot bygge bedre KI-systemer. De vil være de eneste, der formår at få KI til at fungere på lang sigt.