(PS: Läs gärna första delen: Slut på gratispengar - därför måste data synas på sista raden)
Varför går det så trögt när tekniken är så imponerande?
Teknikfokus istället för problemfokus
Alltför många projekt drivs av vad som är tekniskt möjligt (”kolla, vi kan få AI:n att skriva dikter!”) snarare än vad som är affärsmässigt nödvändigt. Vi bygger lösningar som letar efter problem.
Beslutsstöd vs. beteendeförändring
Harvard-forskaren Michael Schrage har en poäng när han säger att många företag använder data för att stödja beslut, vilket i praktiken ofta betyder att man använder en snygg graf för att bekräfta en magkänsla man redan hade. Framgångsrika AI-implementationer använder data för att förändra beteenden. Om en ny AI-modell inte leder till att en inköpare, maskinoperatör eller säljare gör något annorlunda i sin vardag, är värdet av modellen noll.
Projektfällan
Datainitiativ finansieras ofta som projekt (CAPEX) med ett tydligt start- och slutdatum. Man bygger modellen, klipper bandet och går vidare. Men dataprodukter fungerar inte så. De kräver kontinuerlig kärlek (OPEX) för att inte förfalla.
Att bokföra det obokförbara: Värdering av immateriella datatillgångar
Ett av grundproblemen är att traditionell redovisning (GAAP/IFRS) inte hänger med. Den är byggd för en tid då tillgångar var saker man kunde ta på: fabriker, lager, maskiner. Egenupparbetad data får i regel inte tas upp som en tillgång på balansräkningen.
Detta skapar ett skevt incitament. Varje krona du lägger på att förbättra din datakvalitet ser i redovisningen ut som en ren kostnad. Det gör det svårt för en CFO att motivera investeringar, trots att det kanske är den mest lönsamma investering bolaget kan göra.
Doug Laney, författare till boken Infonomics, föreslår att vi börjar använda "Shadow Accounting" – interna värderingsmodeller för att sätta en prislapp på data. Han presenterar tre modeller:
- Intrinsic Value of Information (IVI): Hur korrekt, unik och aktuell är datan?
- Business Value of Information (BVI): Hur relevant är datan för våra kritiska processer?
- Performance Value of Information (PVI): Hur mycket förbättrar datan våra nyckeltal i kronor och ören?
Det interna datatorget: en marknadsplats för Sanning
En intern datamarknadsplats (Data Marketplace) har seglat upp som en stark trend. Den vänder på logiken från centralt datalager till decentraliserat produktägarskap. HR, Finans, Produktion paketerar data som "produkter" med ansvar för kvalitet, och interna konsumenter kan söka, utvärdera och "köpa" tillgång.
Detta skifte från "lagring" till "transaktion" driver fram ägarskap. Om ingen vill "köpa" din dataprodukt, kanske den inte behövs? Och om den är populär, borde du få mer budget.
Men teknik räcker inte. Det största hotet mot marknadsplatsen är tillit. Om användare inte litar på datan, återgår de till sina privata Excel-ark. För att lyckas måste plattformen vara lika enkel och pålitlig som verktygen folk redan använder.
Finansiell styrning: fostra med fakturor
Om data upplevs som "gratis" internt kommer den att överkonsumeras och underproduceras. Här behövs ekonomiska styrmekanismer.
- Showback: IT skickar en skuggfaktura till varje avdelning med vad deras datakonsumtion kostade. Psykologiskt effektivt.
- Chargeback: Nästa steg där pengar faktiskt dras från budgeten.
- Shadow P&L: En virtuell resultaträkning för varje dataprodukt, där kostnader ställs mot besparingar/intäkter.
Det handlar om att vara lika disciplinerad med sin portfölj av dataprodukter som med sin produktportfölj.
En konkret handlingsplan för 2026
Svenska företag har alla förutsättningar att bli världsledande i datadrivet värdeskapande. Här är ett förslag på hur man tar sig dit:
Kvartal 1–2: Synlighet och hygien
- Inför showback för att skapa kostnadsmedvetenhet
- Inventera 5–10 viktigaste dataprodukterna
- Beräkna deras PVI och prioritera
- Avsluta "zombieprojekt" som inte levererar
Kvartal 3–4: Strukturell förändring
- Sätt upp Shadow P&L för viktiga dataprodukter
- Skapa en intern datamarknadsplats
Bygg datakultur som håller
Detta kommer att kräva mer av oss. Det kommer att vara mindre flashigt än visionära PowerPoints. Men det är så man bygger en hållbar och affärsnära datakultur.
När vi slutar behandla data som ett IT-projekt och börjar se det som en affärstillgång med mätbara effekter, börjar vi låsa upp dess verkliga potential. Och kanske viktigast av allt: vi får råd att vara innovativa även när tidvattnet drar sig tillbaka.
* Stanford HAI AI Index Report 2025
