Business intelligence og AI virker bedst sammen med klare spørgsmål

Jeg har set en del Power BI-dashboards, der ser pæne ud, men ikke kan svare på det første spørgsmål, ledelsen stiller. Tallene er der. Filtrene virker. Farverne er rolige. Alligevel bliver det stille rundt om bordet, fordi ingen helt ved, hvad de skal beslutte ud fra det, der bliver vist.

Det er det samme problem, der dukker op, når man begynder at tale om AI oven på sine data. Værktøjet er ikke det vanskelige. Det vanskelige er, at man ikke har formuleret, hvad man egentlig vil vide.

Dashboardet er ikke spørgsmålet

Et godt dashboard er et svar. Det forudsætter, at nogen har stillet et spørgsmål først. Hvor mange kunder forsvinder, før de har været hos os et halvt år? Hvor stor en del af vores ordrer er manuelt rettet efter, de er oprettet? Hvad er omkostningen pr. forsendelse, når vi tæller returneringer med?

Når spørgsmålet er klart, kan dashboardet bygges. Når det ikke er, ender det med at vise alt og forklare ingenting. Mange BI-projekter starter desværre den anden vej. Man integrerer kilderne først, så finder man ud af, hvad man kan vise. Det giver smukke skærmbilleder og uengagerede modtagere.

Hvad AI ændrer, og hvad det ikke ændrer

AI flytter ikke på behovet for klare spørgsmål. Den gør det bare hurtigere at få et svar, når spørgsmålet er der. En sprogmodel kan opsummere udviklingen i en KPI, foreslå hvilke afdelinger, der ligger skævt, eller skrive en kort kommentar til ledelsesmødet. Den kan også foreslå, hvad næste analyse bør være. Det er nyttigt.

Det, AI ikke ændrer, er datakvaliteten. Hvis kunde-id’er staves forskelligt i to systemer, hjælper det ikke at lægge en model ovenpå. Den vil bare svare hurtigere og mere overbevisende på et grundlag, der ikke holder. Den slags fejl er mere skadelige med AI end uden, fordi svarene bliver præsenteret med en sikkerhed, som ingen menneskelig analytiker ville have tilladt sig.

Governance, der ikke kvæler arbejdet

Når jeg taler med dataansvarlige om governance, plejer jeg at sige det enkelt. Tre ting er nok at have styr på, før AI lægges oven på data. Ejerskab af hver datakilde (hvem retter en fejl?), en defineret kvalitetsstandard pr. felt (skal det være udfyldt, og i hvilket format?), og en politik for, hvad modellen må sige videre uden et menneske foran. Det er ikke fancy. Det er det, der gør forskellen på, om dashboardet og AI-assistenten kan stoles på.

De fleste organisationer, jeg møder, har én af de tre dele. De har en politik. Eller en ejer. Eller en standard. Sjældent alle tre.

Et eksempel på automatiseringsporet

En del af det, der kalder sig BI-arbejde, er reelt rapportering, der kunne automatiseres. Hver fredag genereres den samme rapport, sendes til den samme modtager, ses sjældent. Det er der, AI-automation tager fat uden at gøre meget skade. En model trækker tallene, skriver en kort kommentar, sender den ud, lagrer den i et arkiv. Når noget ændrer sig markant, sender den en notifikation. Resten af tiden er der ro.

For dem, der vil se, hvordan AI kan støtte gentagne arbejdsgange i en dansk kontekst, er det en pragmatisk indgang. Ikke et forsøg på at erstatte analytikeren. Snarere et forsøg på at frigøre analytikerens tid til de spørgsmål, der ikke har et standard-dashboard.

Det er der, BI og AI bliver stærke sammen. Ikke fordi de erstatter den menneskelige forståelse. Men fordi de fjerner nok af det rutineprægede til, at der bliver plads til den.