Denne klumme er et debatindlæg og er alene udtryk for forfatterens synspunkter.
Kunstig intelligens har gjort hensynet og balancen mellem datademokratisering og governance langt mere kompliceret.
På den ene side er ambitionen ved datademokratisering at gøre data og AI-værktøjer mere tilgængelige for flere medarbejdere, dels for at øge innovationen, men også for at skabe bedre beslutningskraft og sikre hurtigere processer.
Dog øger implementeringen af AI i forretningen samtidig behovet for god governance, hvor det bliver altafgørende at vide, hvilke data man reelt kan stole på, hvad de betyder, og hvem der har ansvaret, hvis noget går galt.
Derfor er det besnærende at vælge side i ‘tovtrækningen’ mellem de to poler.
Enten anlægger man en åben tilgang, hvor man anvender AI i stor udstrækning og håber, at virksomheden og kollegerne bruger data og AI fornuftigt. Eller også driver man organisationen ud fra et forsigtighedsprincip, hvor løsningen på usikkerheden bliver flere kontroller, processer og godkendelser.
I min optik er begge tilgange ganske problematiske og skadelige for organisationen.
Fuldt overblik over 12 ud 13 datadomæner på under ét år
Fuld demokratisering af AI uden et sikkerhedsnet skaber risici, der er svære at få øje på, før de er en realitet.
Tung kontrol og governance skaber derimod bureaukrati og langsomme processer, der kvæler den innovation, de skulle beskytte.
Svaret på problematikken ligger i min optik derfor midt på ‘torvet’ mellem de to yderpoler. Og svaret er det, jeg betegner som pragmatisk governance.
Med pragmatisk governance er målet ikke at kontrollere alt, men at vide præcis, hvor de reelle risici lurer – og styre dem stramt, uden at overdynge beslutningsprocesser eller ens kollegaer med alt for meget kontrol.
Og dét kræver, at governance og kontrol flytter ind i virksomhedens daglige maskinrum.
Det er nemlig ikke længere nok, at virksomhedsledere definerer politikker og retningslinjer i et lukket mødelokale afskåret fra forretningen og derefter overlader eksekveringen til medarbejderne.
Governance skal følge implementeringen og omsætte principper til praksis dér, hvor arbejdet faktisk udføres.Det er lettere sagt end gjort. Alligevel har vi i Kaizen Gaming afprøvet tilgangen, og resultaterne taler deres eget tydelige sprog.
På under ét år fik vi for 12 ud af 13 datadomæner et fuldt overblik over, hvilke data vi har, hvor de kommer fra, og hvordan de bevæger sig gennem vores systemer.
Det lyder måske omfattende og som en dyr investering, men faktisk krævede det ikke mere end et par interne medarbejdere og en håndfuld eksterne ressourcer.
Arbejdets 'hemmelige ingrediens' er, at man ikke forsøger at få styr på al data på én og samme tid.
Det kan ikke lade sig gøre. Vi koncentrerede os derfor om det, jeg betegner som 'Critical Data Elements' – data, der driver beslutninger, og som en AI-agent i dag kan handle selvstændigt ud fra.
Arbejdet blev delt op i tre led.
Vores governance-teamet identificerede, hvilke data der var kritiske.
Business intelligence- og data analyst-teamet kvalitetssikrede derefter definitionerne. Til sidst godkendte de teams, der reelt kender data og har ansvaret for dem i hverdagen.
Og det er dét, der gør hele forskellen.
Kontrol og governance blev indarbejdet som en naturlig del af arbejdet frem for at blive tilføjet som et ekstra lag uden relation til selve arbejdet.
Kontrollen og den endelige godkendelse blev placeret hos de medarbejdere, der kender dataene bedst, i stedet for at presse alle beslutninger gennem den samme tunge, bureaukratiske proces.
Start arbejdet i governance-afdelingen
Pragmatisk governance bliver kun endnu vigtigere herfra – især med indtoget af GenAI (Generative AI).
Tidligere var konsekvensen af en dårlig prompt eller begrænset data, at GenAI producerede en en utilstrækkelig rapport eller et forkert dashboard. Men nu kan konsekvenserne være endnu mere alvorlige.
For i dag kan AI-agenter selv træffe autonome beslutninger og faktisk gøre det på baggrund af helt forkerte data.
Det betyder, at vi bevæger os væk fra menneskelig gennemgang af information til automatisk handling på data, som ingen har efterprøvet.
Det er her, at governance-kæden skal være stram. Det vigtige er dog, at governance ikke behøver at være stram og omfattende alle andre steder end de kritiske data og processer.
Hvor skal man som organisation så begynde?
Jeg vil klart anbefale, at man starter hos governance-teamet.
Medarbejderne her har nemlig i stigende grad brug for kompetencer inden for dataanalyse, kodning og GenAI-prompting. De skal kunne arbejde med den teknologi, de forsøger at styre.
Og her er et lille, agilt team klart en fordel, da et lille team eksekverer hurtigere og skaber mindre friktion end selve de aktører, der ejer dataene.
Ud af mødelokalet og ind i den daglige drift
Virksomheder skal ikke vælge mellem datademokratisering og governance. De skal vælge en vej midt imellem og trække på det bedste fra begge yderpoler: Pragmatisk governance.
Data og AI skal gøres tilpas tilgængelige til at sikre fremdrift og tempo.
Men de kritiske data og processer skal være under skarp kontrol, så virksomheden ved, hvilke data der er troværdige, og hvor ansvaret ligger.
Det er ikke en nem model og øvelse, men den er nødvendig for moderne virksomheder anno 2026.
Når kunstig intelligens bevæger sig fra tidligere at være mere analyserende til i dag at kunne handle selv, er der behov for strammere kontrol dér, hvor risikoen for fejl reelt ligger.
Derfor skal governance ud af det lukkede mødelokalet og ind i selve virksomhedens daglige maskinrum.
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.
