Att ta AI från pilotprojekt till produktion börjar med data

Att ta artificiell intelligens (AI) från pilotprojekt till produktion kräver mer än en kapabel modell. Marknadsföringsteam behöver också data som AI kan tolka konsekvent mellan plattformar och interna system.

McKinsey uppgav i sin globala undersökning 2025 att 88 % av de svarande sade att deras organisationer regelbundet använde AI-verktyg inom minst en affärsfunktion, jämfört med 78 % året före. Ändå uppgav bara 7 % att AI var fullt infört i hela organisationen, medan 30 % fortfarande befann sig i pilotfasen.

Pilotprojekt har ofta en avgränsad uppgift och noggrant utvalda data. I produktion kan ett AI-system stöta på flera versioner av samma mätetal, med olika fältnamn och beräkningsregler. Utan gemensamma definitioner kan systemet välja en rimlig men felaktig matchning. Svaret kan låta övertygande trots att det bygger på ett felaktigt antagande.

Datakvalitet är bara en del av utmaningen. AI behöver också organisationens definitioner av viktiga begrepp, kopplingar mellan plattformar och regler för hur resultat ska mätas. Ett kunskapslager kan tillhandahålla det sammanhanget ovanpå ett befintligt datalager, utan att infrastrukturen behöver bytas ut.

En del sammanhang förändras för varje undersökning. En nedgång i en kampanjs resultat kan till exempel sammanfalla med en budgetändring, en kampanj eller ett pågående marknadstest. Utan den informationen kan AI upptäcka förändringen korrekt men misstolka orsaken.

Artikeln framhåller att marknadsförings- och datateam bör samarbeta om definitioner och styrning innan reglerna byggs in i automatiserade arbetsflöden. Organisationer som vill få mätbart värde av AI bör också undersöka om modellerna har tillförlitliga data och det sammanhang som krävs för att tolka dem.