Denne klumme er et debatindlæg og er alene udtryk for forfatterens synspunkter.
Mange virksomheder taler i dag om kunstig intelligens, som om det udelukkende er et spørgsmål om ambitioner, data og de rette use cases.
I praksis er der dog noget langt mere grundlæggende, der skal være på plads, før AI-initiativer lykkes. Infrastrukturen.
Selvom AI i mange virksomheder er gået fra eksperimenter i it-afdelingen til et centralt element i forretningens udvikling, er det langt fra givet, at virksomheden er rustet til at omsætte ambitionerne til konkret forretningsværdi.
En undersøgelse fra Dell viser da også, at 88 procent af beslutningstagere ser AI og generativ AI som en central del af deres virksomhedsstrategi. Meget tyder altså på, at ambitionsniveauet er højt, men at forventningerne til, hvad AI kan løfte, er endnu højere.
Men ambitioner er én ting – resultater noget andet.
Dette understreges blandt andet i en analyse fra Boston Consulting Group, som viser, at kun omkring fem procent af virksomheder globalt formår at skabe reel effekt af deres AI-initiativer, mens langt de fleste fortsat kæmper med at skalere teknologien i organisationen.
I Danmark er problemet mindre dramatisk, men det er stadig reelt
Jeg ser dog et mindre dramatisk billede i Danmark end på globalt plan.
Mange virksomheder er allerede langt i deres digitale udvikling og har investeret betydeligt i deres it-landskab. Alligevel ser jeg, at infrastrukturen ofte bliver den skjulte flaskehals, når AI skal løftes fra pilotprojekter til målbar forretningsværdi.
Det skyldes sjældent manglende vilje eller idéer. Problemet ligger ofte i en blandet it-infrastruktur fuld af teknisk gæld, der ganske enkelt ikke er bygget til den hastighed, datamængde og kompleksitet, nye AI-projekter kræver.
AI kræver hurtig adgang til relevante data, massiv compute-kapacitet og netværk med høj hastighed uden flaskehalse.
Samtidig er sikkerheden stadig den største usikkerhedsfaktor. Meget af teknologien er ny, virksomhederne har ofte begrænset erfaring, og mange løsninger er så umodne, at sikkerhed ganske enkelt ikke er fuldt implementeret endnu.
Det er grundlæggende forudsætninger, og hvis de ikke er på plads, bliver projekterne både langsommere og dyrere og risikerer i værste fald at ende som endnu et projekt, der aldrig forlader pilotstadiet.
Her er fem tegn på, at virksomhedens infrastruktur er en bremseklods for AI-ambitionerne.
1. Adgangen til data halter
AI-modeller er afhængige af store mængder højkvalitetsdata.
Jo mere relevant data der kan analyseres, desto mere præcise og værdifulde bliver resultaterne. Et klassisk tegn på, at infrastrukturen ikke er klar til AI, er langsom eller fragmenteret adgang til data.
Hvis data scientists bruger mere tid på at hente og klargøre datasæt end på at udvikle modeller, har virksomheden et problem.
Mange legacy storage-systemer er ikke designet til de hastigheder og den databehandling, der skal til for at træne AI-modeller.
Samtidig stiller EU – herunder GDPR-lovgivningen – høje krav til håndtering, sikkerhed og styring af data, hvilket betyder, at data ikke kun skal være tilgængelige, men også håndteres korrekt i forhold til compliance og datasikkerhed.
Moderne dataplatforme kan samle data, gøre dem nemt tilgængelige og samtidig sikre den nødvendige styring. Det skaber et stærkere fundament for innovation – uden at gå på kompromis med sikkerhed og regulering.
2. Serverinfrastrukturen er under pres
Selv om de færreste virksomheder selv træner store sprogmodeller, implementerer mange i dag AI til blandt andet realtidsanalyse, computer vision, automatisering og avanceret beslutningsstøtte.
Disse workloads kræver betydelig compute-kapacitet, hvilket kan presse serverinfrastrukturen.
Når AI-applikationer skal dele ressourcer med eksisterende forretningssystemer på traditionelle servermiljøer, opstår der nemt flaskehalse.
Det påvirker ydeevnen, og værdien af AI-investeringerne bliver sværere at realisere.
Her står ledelsen over for et valg. Skal kunstig intelligens og resten af forretningen trække på de samme serverressourcer med risiko for at kompromittere driften? Eller skal miljøerne adskilles og bør der investeres i dedikeret compute, hvilket til gengæld kræver prioriteringer i it-budgettet.
3. Netværket er en trafikprop
AI kræver ikke kun kraftige servere og storage-systemer – det kræver også et netværk, der kan flytte enorme datamængder hurtigt og stabilt mellem systemer.
Hvis netværket ikke kan følge med, bliver selv avancerede AI-løsninger ineffektive. Typiske tegn er langsomme overførselshastigheder, overbelastning af netværket eller afbrudte forbindelser under modeltræning.
For mange organisationer betyder det, at AI-projekter tager længere tid at gennemføre, og at brugeroplevelsen bliver dårligere.
I sidste ende kan det påvirke både produktivitet og kundetilfredshed. Et moderne netværk med høj båndbredde og lav latency er derfor en central forudsætning for at få AI til at fungere i praksis.
4. Implementering og drift er for kompleks
At bringe en AI-model fra udviklingsmiljø til produktion burde være en relativt strømlinet proces.
I mange virksomheder er virkeligheden dog en anden.
Her risikerer it-teams at bruge uforholdsmæssigt meget tid på at konfigurere systemer, håndtere afhængigheder mellem forskellige softwarekomponenter og sikre, at miljøerne fungerer stabilt.
En rigid og manuelt konfigureret infrastruktur gør det svært at eksperimentere, forbedre og implementere nye AI-løsninger. Det reducerer tempoet i udviklingen og gør det sværere at følge med i et marked, hvor fleksibilitet er afgørende.
Løsningen er sjældent bare mere hardware, men at have en holistisk tilgang til implementeringen, hvor software, hardware og automatisering tænkes sammen fra start.
Det er en kompleks opgave, der tvinger virksomheder til at gentænke og forenkle deres it-miljøer, hvis nye AI-løsninger skal bringes i produktion uden at drukne i drift.
5. Der er ingen klar plan for skalering
Mange organisationers første AI-projekter starter i det små.
Det er derfor sjældent dér, at udfordringerne opstår. Det er i den næste fase. Når de første pilotprojekter viser lovende resultater, vil de fleste gerne skalere op, men her er spørgsmålet, om løsningen kan skaleres uden en dyr og omfattende genopbygning af infrastrukturen.
Kan den ikke det, bliver AI-initiativer ofte begrænset til pilotprojekter, som aldrig for alvor får indflydelse på forretningen.
Netop derfor skal skalerbarhed og en modulær infrastruktur tænkes ind tidligt, så virksomheden ikke tvinges ud i store engangsinvesteringer, og AI-indsatsen kan udvikle sig i takt med forretningen.
Denne fleksibilitet er afgørende for at gøre AI-strategien både økonomisk og teknologisk bæredygtig.
AI kræver et stærkt fundament
AI er på kort tid blevet en central konkurrencefaktor.
Men succes handler ikke kun om gode idéer, dygtige udviklere eller adgang til data. Den afgøres i lige så høj grad af, om virksomheden har et fundament, der kan følge med ambitionerne, og om sikkerheden er tænkt ind fra starten af projektet.
Virksomheder, der formår at gøre it-infrastrukturen til en strategisk prioritet og ikke bare en teknisk base, giver sig selv markant bedre chancer for at lykkes.
Spørgsmålet er ikke længere, om virksomheder vil arbejde med AI – men om deres infrastruktur har forudsætningerne for at få det til at fungere i praksis.
Klummer er læsernes platform på Computerworld til at fortælle de bedste historier, og samtidig er det vores meget populære og meget læste forum for videndeling.
Har du en god historie, eller har du specialviden, som du synes trænger til at blive delt?
Læs vores klumme-guidelines og send os din tekst, så kontakter vi dig - måske bliver du en del af vores hurtigt voksende korps af klummeskribenter.
