Kapitel 8: Dataverkligheten - Vad du har och vad du behöver

"Vi kan inte börja med AI. Vår data är för rörig," sa ekonomichefen och suckade djupt. "Vi behöver först ett data warehouse, sen ett data lake, sen måste vi städa all historisk data..."

Tre år senare var de fortfarande inte klara med förberedelserna.

Deras konkurrent började med AI samma månad. Med exakt samma "rörigt" data.

Gissa vem som dominerar marknaden idag?

Det här kapitlet handlar om den största lögnen inom AI: Att du behöver perfekt data för att börja.

Spoiler: Du har redan tillräckligt med data. Den ligger bara i Excel, Fortnox och Teams istället för i ett fancy "AI-ready data platform".

DEN STORA DATA-BLUFFEN

VAD KONSULTER SÄGER ATT DU BEHÖVER

"Ni behöver en dataplattform"

• Kostnad: 2-5 miljoner
• Implementeringstid: 12-18 månader
• Värde år 1: 0 kr

"All data måste vara strukturerad"

• Kostnad för datarensning: 500 000 - 2 miljoner
• Tid: 6-12 månader
• Andel av datan som faktiskt används: 10%

"Ni behöver en Chief Data Officer"

• Lön: 1,2 miljoner/år
• Faktiskt arbete i SME: Göra Excel-rapporter

VAD DU FAKTISKT BEHÖVER

För att börja med AI behöver du:

1. Tillgång till datan (kan vara Excel-filer)
2. Någon som förstår vad datan betyder
3. Ett konkret problem att lösa
4. 20 000 kr och 30 dagar

Det är allt.

Låt mig bevisa det med exempel.

CASE: BYGGFÖRETAGET SOM BÖRJADE DIREKT

Utgångsläge:

• 45 anställda
• Data utspridd i: Excel, Fortnox, Outlook, projektmappar
• IT-budget: "Vad är det?"

Vad de INTE gjorde:

• Köpte inget nytt system
• Städade ingen historisk data
• Anställde ingen dataexpert

Vad de gjorde:

• Tog 100 gamla offerter (PDF:er)
• Lät AI läsa och förstå mönster
• Byggde offertgenerator på befintlig data

Resultat:

• Offerttid: Från 8 timmar till 45 minuter
• Träffsäkerhet: +15% marginal (AI hittade glömda kostnader)
• Investering: 35 000 kr
• ROI månad 1: 280%

DIN DOLDA DATASKATT

DATA DU REDAN HAR (OCH INTE VET OM)

I din e-post:

• Alla kundkonversationer
• Alla offerter och orderbekräftelser
• Alla supportärenden
• Alla leverantörsavtal

Värde: AI kan läsa 10 års e-post på 10 minuter och hitta mönster du aldrig sett.

I dina Office-dokument:

• Alla projektrapporter
• Alla mötesanteckningar
• Alla kvalitetsdokument
• Alla processbeskrivningar

Värde: AI kan skapa en kunskapsbas av allt ert samlade kunnande.

I era system (även gamla):

• Ekonomisystem: Alla transaktioner, kundbeteenden, betalingsmönster
• CRM: Alla kundinteraktioner, säljcykler, vinstmarginaler
• Projektverktyg: Alla tidsrapporter, resursutnyttjande, flaskhalsar
• HR-system: Alla kompetenser, sjukfrånvaro, personalomsättning

Värde: AI kan hitta samband mellan data från olika system som människor aldrig skulle upptäcka.

DATA DU TROR ATT DU BEHÖVER (MEN INTE GÖR)

❌ "Vi behöver 5 års perfekt strukturerad data"
✅ Verklighet: 6 månaders rörig data räcker för att börja

❌ "All data måste vara i samma format"
✅ Verklighet: AI kan hantera PDF, Excel, Word, e-post samtidigt

❌ "Vi måste tagga all historisk data"
✅ Verklighet: AI kan själv förstå och kategorisera

❌ "Vår data måste vara 100% korrekt"
✅ Verklighet: AI fungerar bra med 80% korrekt data

DE TRE NIVÅERNA AV DATAANVÄNDNING

NIVÅ 1: "QUICK & DIRTY" (DÄR DU BÖRJAR)

Vad det är:

• Använd data som den är
• Acceptera brister
• Fokusera på värde, inte perfektion

Exempel: E-handlare med 10 000 produkter:

• Problem: Produkttexter suger
• Lösning: AI läser befintliga texter + leverantörsdata
• Resultat: Nya texter 70% bättre
• Tid: 1 vecka
• Perfektion: 80%

Bra nog? JA! Kör produktion.

NIVÅ 2: "STRUKTURERAD KAOS" (EFTER 6 MÅNADER)

Vad det är:

• Börja samla data mer organiserat
• Skapa enkla kopplingar mellan system
• Börja mäta kvalitet

Exempel: Samma e-handlare:

• Kopplar AI till lagersystem
• Kopplar AI till kundsupport
• AI börjar lära sig från feedback

Resultat:

• Produkttexter nu 85% bättre
• AI föreslår relaterade produkter
• Kundnöjdhet +12%

NIVÅ 3: "DATA-DRIVEN" (EFTER 18 MÅNADER)

Vad det är:

• Nu kan ni börja tänka dataplattform
• Men bara för det som bevisat värde
• Fokus fortfarande på ROI, inte teknik

Exempel: Samma e-handlare:

• Investerar i ordentlig produktdatabas
• Men bara för de processer som AI bevisat fungerar
• Skalar det som funkar, dödar det som inte gör det

Resultat:

• Helt automatiserad produkthantering
• AI-driven prissättning
• 45% högre marginal än konkurrenter

DEN PRAGMATISKA DATAGUIDEN

STEG 1: INVENTERA (1 DAG)

Lista alla ställen där ni har data:

• [ ] Ekonomisystem
• [ ] E-post
• [ ] CRM/säljsystem
• [ ] Excel-filer
• [ ] Projektverktyg
• [ ] HR-system
• [ ] Produktionssystem
• [ ] Kvalitetssystem
• [ ] SharePoint/Teams
• [ ] Gamla system (ja, även Access-databasen från 2003)

För varje system, notera:

• Hur mycket data? (antal år, antal poster)
• Hur lätt att komma åt? (API, export, copy-paste)
• Hur viktig för verksamheten? (1-10)

STEG 2: PRIORITERA (1 TIMME)

Välj data baserat på värde, inte kvalitet:

Högsta prioritet:

• Data som direkt påverkar intäkter
• Data som finns i stora mängder
• Data som är lätt att komma åt

Exempel prioritering:

1. Kundfakturor (intäkt + volym + lätt)
2. Supportärenden (kundnöjdhet + volym + lätt)
3. Offerter (försäljning + värde + medel)

INTE prioritet (än):

• Gamla projektdokument från 2010
• HR-data från förra systemet
• Den där Excel-filen som bara Sven förstår

STEG 3: TESTA (1 VECKA)

Välj EN datakälla och EN process:

Exempel:

• Data: Kundfakturor från Fortnox
• Process: Automatisk kategorisering för rapporten
• Test: Exportera 100 fakturor, låt AI kategorisera
• Mät: Hur många rätt av 100?

Över 70% rätt? Kör produktion.
Under 70%? Testa nästa datakälla.

GDPR OCH SÄKERHET (DEN TRÅKIGA MEN VIKTIGA DELEN)

VAD DU MÅSTE VETA

GDPR gäller även för AI:

• Persondata är fortfarande persondata
• Kunder har fortfarande rätt att glömmas
• Du måste fortfarande ha laglig grund

Men det är enklare än du tror:

• Anonymisera innan AI-behandling
• Använd europeiska AI-leverantörer
• Dokumentera vad AI:n gör med datan

DIN GDPR-CHECKLISTA FÖR AI

✅ Innan du börjar:

• [ ] Har vi laglig grund? (samtycke, avtal, berättigat intresse)
• [ ] Behöver vi persondata? (ofta nej)
• [ ] Var processas datan? (EU = bra, USA = krångligt)

✅ Under projektet:

• [ ] Minimera datamängden
• [ ] Anonymisera när möjligt
• [ ] Logga all användning

✅ Efter implementation:

• [ ] Uppdatera registerförteckning
• [ ] Informera berörda
• [ ] Sätt rutiner för radering

Tips: Börja med icke-persondata (fakturor till företag, teknisk dokumentation, produktdata). Då slipper du GDPR-huvudvärken helt.

VANLIGA DATAFÄLLOR (OCH HUR DU UNDVIKER DEM)

FÄLLA 1: "VI MÅSTE STÄDA ALL DATA FÖRST"

Symptom: 6 månaders städprojekt som aldrig blir klart

Lösning:

• Städa bara den data du faktiskt ska använda
• Städa bara när AI:n ger fel resultat
• Acceptera 80% kvalitet

Verkligt exempel: Tillverkare trodde de behövde städa 10 års produktionsdata.

• Började istället med senaste månaden
• AI gav 75% träffsäkerhet
• Bra nog för att spara 100 000 kr/månad
• Städar nu data löpande när de hittar fel

FÄLLA 2: "VI HAR FÖR LITE DATA"

Symptom: "Vi har bara 1000 kunder, AI behöver miljoner"

Lösning:

• 100 datapunkter räcker för enkel AI
• 1000 datapunkter räcker för de flesta SME-behov
• Kvalitet > Kvantitet

Verkligt exempel: B2B-företag med 200 kunder:

• "För lite data för AI"
• Men varje kund hade 50 ordrar
• 200 × 50 = 10 000 datapunkter
• Mer än nog för AI-driven prissättning

FÄLLA 3: "VÅR DATA ÄR FÖR UNIK"

Symptom: "Ingen förstår vår bransch/data/processer"

Lösning:

• AI behöver inte förstå er bransch
• Den behöver bara hitta mönster
• Era medarbetare förklarar vad mönstren betyder

Verkligt exempel: Specialisttillverkare av industrifläktar:

• "Vår data är för teknisk för AI"
• AI hittade mönster i felrapporter
• Tekniker förklarade vad mönstren betydde
• Nu förutser AI fel 3 veckor innan de inträffar

DIN DATA-ACTION PLAN

VECKA 1: INVENTERING

Måndag-Tisdag:

• Lista alla datasystem
• Identifiera dataägare
• Bedöm datatillgänglighet

Onsdag-Torsdag:

• Välj 3 högprioriterade datakällor
• Exportera testdata (100-1000 poster)
• Dokumentera dataformat och kvalitet

Fredag:

• Välj EN datakälla att börja med
• Välj ETT problem att lösa
• Boka AI-test för vecka 2

VECKA 2-4: PILOT

Vecka 2:

• Testa AI på er data
• Mät träffsäkerhet
• Justera och testa igen

Vecka 3:

• Om >70% träffsäkerhet: Förbered produktion
• Om <70%: Byt datakälla eller problem

Vecka 4:

• Kör pilot med riktiga användare
• Samla feedback
• Beslut: Skala upp eller pivota

MÅNAD 2-6: UPPSKALNING

Månad 2-3:

• Produktionssätt första AI-lösningen
• Börja samla ROI-data
• Planera nästa datakälla

Månad 4-5:

• Lägg till datakälla #2
• Koppla ihop med första lösningen
• Mät förbättring

Månad 6:

• Utvärdera alla AI-initiativ
• Döda det som inte fungerar
• Dubbla satsningen på det som fungerar

SAMMANFATTNING

GLÖM INTE:

Du har redan tillräckligt med data:

• I Excel
• I Outlook
• I era system
• I folks huvuden

Du behöver inte:

• Perfekt data
• Strukturerad data
• Massiva datamängder
• Dyra dataplattformar

Du behöver:

• Ett konkret problem
• Tillgång till relevant data
• 30 dagar
• Modet att börja

TRE SAKER ATT GÖRA DENNA VECKA

1. DATAINVENTERINGEN (MÅNDAG)

Ta fram listan ovan. Fyll i alla system ni har. Inget för litet, inget för gammalt.

2. QUICK WIN-ANALYS (TISDAG)

Välj den datakälla som är:

• Lättast att komma åt
• Har mest volym
• Löser ett riktigt problem

3. EXPORTERA OCH TESTA (ONSDAG-FREDAG)

• Exportera 100 poster
• Ladda upp i ChatGPT/Claude
• Be den analysera och hitta mönster
• Blev du förvånad? Grattis, du är redo för AI

NÄSTA KAPITEL

Nu vet du att din data duger. Du vet var den finns. Du vet hur du börjar.

Men vem ska göra jobbet? Behöver du anställa en hel AI-avdelning? Måste du hitta den där enhörningen som kan både AI och er bransch?

Nästa kapitel handlar om att bygga ditt AI-team. Spoiler: Du har redan de flesta du behöver.

Men först: Gör datainventeringen. Nu. Det tar 30 minuter.

För din konkurrent gjorde sin förra veckan. Och veckan innan dess gjorde de sin första AI-implementation.

Klockan tickar.