Företagens AI-satsningar blir allt mer komplexa. Det handlar inte längre bara om att välja rätt AI-modell eller utveckla en enskild applikation. Modeller, AI-agenter, molntjänster, data, säkerhet och affärssystem måste samverka. Varje del kan fungera utmärkt på egen hand. Ändå kan helheten misslyckas. Någon måste ansvara för att helheten ger det värde som är inom räckhåll.

När företag går från AI-experiment till att använda tekniken i den dagliga verksamheten blir detta en allt viktigare fråga. Särskilt när AI-agenter börjar fatta beslut och utföra uppgifter självständigt. Vem ansvarar för helheten? De flesta större företag har redan tydliga ansvarsområden för IT, data, säkerhet och affärsutveckling. Men AI rör sig över samtliga dessa gränser. En AI-agent som ska utföra en uppgift kan behöva hämta information från flera system, tolka företagets tonalitet och budskap, kontrollera behörigheter, fatta beslut och genomföra åtgärder. Vem ansvarar för att hela den kedjan fungerar?

Här finns ett växande behov av en övergripande AI-arkitekt, en Enterprise AI Architect, med ansvar för att koppla samman tekniken med verksamhetens behov. Det handlar inte om att skapa ytterligare en specialistroll för AI-modeller eller molntjänster. Uppgiften är att säkerställa att företagets samlade AI-miljö fungerar som ett sammanhängande system.

AI måste förstå verksamheten

En avancerad AI-modell kan vara mycket bra på att förstå språk utan att förstå hur ett visst företag fungerar.

På samma sätt kan en AI-agent ha tillgång till mängder av information utan att kunna tolka den korrekt. För ett industriföretag kan det exempelvis handla om att förstå sambanden mellan produktionsdata, leverantörer, material, underhåll och affärsprocesser. Information kan finnas i olika system och ha olika betydelse beroende på sammanhanget.

Att en AI-agent kan komma åt informationen innebär inte automatiskt att den kan använda den för att fatta rätt beslut. Det behövs därför ett gemensamt lager som ger AI-systemen tillgång till information tillsammans med den betydelse och det sammanhang som krävs för att tolka den.

Detta kan beskrivas som ett slags gemensamt lager för data och förståelse av verksamheten.

Ett effektivt  AI Data Layer kan fylla en sådan funktion genom att koppla samman information från olika system och göra den tillgänglig med gemensamma definitioner, affärsregler och behörigheter, utan att information behöver kopieras till en central databas först.

AI-agenter ökar kraven

Behovet blir särskilt tydligt när företag börjar använda AI-agenter. En traditionell AI-assistent kan ge ett svar som en medarbetare sedan granskar. Eftersom en AI-agent kan gå längre genom att själv hämta information, använda verktyg och starta processer, ökar kraven på att informationen är korrekt, aktuell och relevant för uppgiften.

Teknik som Model Context Protocol (MCP) kan förenkla anslutningen till olika system. Säkerhetslösningar kan kontrollera åtkomsten och övervakningsverktyg kan visa vad agenten har gjort. Men inget av detta garanterar att agenten förstår verksamheten eller fattar ett lämpligt beslut.

Börja med affärsnyttan

Företagens AI-arkitektur bör därför utgå från verksamhetens mål snarare än från tekniken. Vilket resultat ska förbättras? Vilka beslut påverkar resultatet? Vilken information behöver AI för att fatta dessa beslut? Och var finns informationen?

Först därefter bör företaget avgöra vilka modeller, agenter och tekniska lösningar som behövs. Det avgörande är inte om den ansvariga personen får titeln Enterprise AI Architect eller om ansvaret placeras inom IT, dataorganisationen eller hos teknikchefen. Det viktiga är att någon tar ansvar för helheten. Annars riskerar företagens AI-investeringar att bli ännu en samling isolerade teknikprojekt, snarare än en sammanhängande förmåga som skapar värde för verksamheten.

BIld av Tung Nguyen