Varför AI-projekt misslyckas långt innan tekniken gör det
Det pratas mycket om AI inom bank och finans just nu. Copilot, automatisering, AI-agenter och intelligent analys har snabbt gått från experiment till ledningsfrågor. Många finansbolag har redan börjat testa användningsområden inom rapportering, kundservice, analys, compliance och intern produktivitet. Men samtidigt börjar en annan insikt bli allt tydligare: de största hindren för AI är sällan själva AI-tekniken. De största hindren är nästan alltid verksamhetens underliggande struktur. Fragmenterad data. Manuella processer. Legacy-system. Lokala speciallösningar. Bristande governance. Otydliga informationsflöden. I praktiken innebär det att många organisationer försöker implementera AI ovanpå processer och systemmiljöer som aldrig byggdes för den typen av användning. Det är därför många AI-initiativ stannar vid pilotprojekt. Inte för att tekniken saknar potential. Utan för att organisationen inte är redo.
AI fungerar bara så bra som verksamhetens data och processer
Det här är särskilt tydligt inom finans. Banker, kreditbolag, pensionsaktörer och andra finansiella verksamheter är beroende av:
- korrekt och spårbar information
- regulatorisk transparens
- konsekventa processer
- hög datakvalitet
- tydlig governance
- operativ kontroll
När AI börjar användas i den typen av miljöer blir kvaliteten på underliggande data och processer helt avgörande. Det räcker inte längre att information “finns någonstans”.
AI kräver:
- strukturerad data
- standardiserade processer
- tydliga datamodeller
- moderna integrationsflöden
- centraliserad informationshantering
- spårbarhet och behörighetskontroll
Annars riskerar AI snarare att förstärka ineffektivitet än att skapa värde. Det är därför många finansbolag nu börjar inse att AI-readiness i praktiken är en fråga om verksamhetsmodernisering.
Copilot förändrar kraven på ekonomifunktionen
Microsoft Copilot är ett bra exempel. Många ser initialt Copilot som ett produktivitetsverktyg. Men i praktiken fungerar Copilot bäst i organisationer där:
- processerna är standardiserade
- informationen är tillgänglig och sammanhållen
- ekonomidata är strukturerad
- användarbehörigheter är tydliga
- dataflöden är moderna och spårbara
I miljöer där information ligger fragmenterad mellan:
- äldre ERP-system
- manuella Excel-flöden
- specialbyggda integrationer
- lokala databaser
- e-postbaserade processer
blir värdet betydligt lägre. Då uppstår istället nya problem:
- osäkra beslutsunderlag
- svårigheter kring governance
- bristande tillit till data
- högre operationell risk
- ökade compliance-utmaningar
Det är därför AI och Copilot nu driver fram diskussioner som egentligen handlar om något mycket större: hur modern och styrbar verksamhetens ekonomiinfrastruktur faktiskt är.
Modern ERP-infrastruktur handlar inte längre om ERP
Historiskt har ERP-projekt ofta drivits av behov som:
- effektivisering
- standardisering
- konsolidering
- kostnadsbesparing
Men i finanssektorn håller argumentationen snabbt på att förändras. Idag handlar modern ekonomiinfrastruktur allt oftare om:
- AI readiness
- governance
- operativ resiliens
- regulatorisk transparens
- datakvalitet
- skalbarhet
- beslutsstöd i realtid
Det gör att moderna plattformar som Microsoft Dynamics 365 Business Central blir relevanta på ett nytt sätt. Inte primärt som ekonomisystem. Utan som en grund för:
- strukturerad verksamhetsdata
- standardiserade processer
- moderna integrationsflöden
- säkrare informationshantering
- AI och Copilot-adoption
Det är en viktig skillnad.
Governance blir den avgörande konkurrensfördelen
Det är lätt att prata om AI som en teknologisk konkurrensfördel. Men i praktiken kommer skillnaden mellan vinnare och förlorare sannolikt avgöras av något mer grundläggande: vilka organisationer som har bäst kontroll över sin data och sina processer. AI kommer förstärka styrkor och svagheter som redan finns. Organisationer med:
- hög datakvalitet
- modern infrastruktur
- tydlig governance
- sammanhållen information
- standardiserade processer
kommer kunna arbeta snabbare, smartare och mer skalbart. Organisationer med fragmenterade miljöer kommer istället få svårare att:
- skala AI-användning
- säkerställa compliance
- skapa tillit till analys
- minska operationell risk
- arbeta effektivt i realtid
AI readiness är i grunden en ledningsfråga
Det är därför AI-readiness inte längre kan betraktas som ett separat innovationsinitiativ. Det är i grunden en fråga om:
- verksamhetsstyrning
- operativ struktur
- ekonomisk kontroll
- datakvalitet
- governance
- långsiktig skalbarhet
Och det är också därför diskussionen kring moderna ekonomiplattformar håller på att flytta upp till ledningsnivå. För framtidens konkurrensfördel inom finans kommer sannolikt inte avgöras av vem som testar flest AI-verktyg. Den kommer avgöras av vem som byggt den mest AI-redo verksamheten.
