Löftet med AI-agenter är lockande: ställ en fråga på vanligt språk och få svaret; säg åt agenten vad som ska ändras, så ändrar den det. Demonstrationerna ser enkla ut eftersom demodatan är ren.
Det är inte företagets verkliga data. CRM-systemet är halvt uppsatt. Faktureringssystemet och CRM är oense om vad en kund betalar. Samma konto finns tre gånger under lite olika namn. Förnyelsedatum ligger i ett kalkylark som en enda person underhåller. Produktanvändningen ligger i en databas som ingen har kopplat till kontot den hör till.
Lägg en agent ovanpå det, och den svarar ändå, med full säkerhet. Den har bara fel på sätt som är svåra att upptäcka.
Varför måste datagrunden komma före AI-agenterna?
För att en agent bara kan rapportera och agera utifrån det som dina system registrerar. Om CRM-, fakturerings- och produktdata inte stämmer överens är agentens svar gissningar, och dess åtgärder sprider felen. Genom att strukturera datan först får varje agent en gemensam version av fakta, så att dess rapporter går att lita på och dess åtgärder är säkra.
Den korta versionen är den på vår startsida: ingen data, ingen AI. Enligt vår erfarenhet är det också här många AI-projekt sakta rinner ut i sanden. Rapporten “The GenAI Divide” från MIT NANDA (2025) visade att bara omkring 5% av piloterna med generativ AI når produktion med en mätbar avkastning. En pilot på ett städat urval kan se utmärkt ut; samma idé på den verkliga, röriga datan klarar ofta inte flytten.
Vad som går fel när agenter sitter på rörig data
Felen är förutsägbara, och de blir värre när agenten kan agera och inte bara svara:
- Rapporter som inte stämmer. Be om ARR, så summerar agenten CRM. Ekonomi summerar fakturorna. Styrelsen får två siffror och litar på ingen av dem.
- Dubbletter som förökar sig. Tre poster för en kund innebär tre hälsopoäng, tre förnyelsepåminnelser och en account manager som ser slarvig ut.
- Åtgärder på fel fakta. En agent som får i uppdrag att skicka förnyelsepåminnelser skickar dem utifrån de datum som finns i CRM. Är datumen inaktuella är påminnelserna det också, och nu har de nått kunderna.
- Svar som ingen kan kontrollera. När datan är utspridd kan ingen spåra var en siffra kommer ifrån, och då kan ingen avgöra om den stämmer.
Att hämta data från dåliga källor ger dåliga rapporter. Att skicka data till dåliga källor gör dem sämre. Båda halvorna av det en agent gör beror på grunden under.
Vad en datagrund faktiskt är
En datagrund är inget datalagerprogram eller en migrering som tar ett år. För ett växande företag, och särskilt ett SaaS-företag, handlar det om några få saker som görs ordentligt:
- Ett CRM som är uppsatt för hur du säljer, förnyar och fakturerar. Pipelines, steg, objekt och fält utformade efter hur företaget faktiskt arbetar, i stället för efter en standardmall.
- Varje uppgift registrerad en gång. Konton, kontakter och avtal utan dubbletter; produkter, priser och förnyelsevillkor på ett och samma ställe.
- Systemen sammankopplade. Fakturor och betalningar matchade mot rätt kund, produktanvändning kopplad till kontot den hör till, och en kund, ett avtal och en faktura som betyder samma sak i alla system.
- Något som håller dem samstämmiga. Data glider isär om inget underhåller den. I det vi bygger är det Processorn, som kör arbetsflödena mellan systemen, gör om det som misslyckas och håller ett fullständigt granskningsspår för varje steg.
Detaljerna finns på vår sida om datagrunden.
Så ser du om din data är redo
Några få frågor ger ett snabbt och ärligt svar. Om någon av dem tar mer än några minuter, eller ger två olika svar från två olika personer, behöver grunden arbetas med innan agenter läggs ovanpå:
- Stämmer ARR i CRM med ARR från ekonomi?
- Finns varje kund exakt en gång, i alla system?
- Finns förnyelsedatum och villkor i CRM, och stämmer de?
- Kan du se produktanvändningen per konto, bredvid vad kontot betalar?
- När en affär stängs, får resten av företaget veta det utan att någon skickar ett meddelande?
Att kontrollera detta ingår i vår AI Readiness Assessment: om CRM- och ekonomisystemen stämmer tillräckligt väl överens för att AI ska kunna lita på dem, innan något byggs.
Ordningen som fungerar: data, sedan AI-lagret, sedan agenter
Varje uppdrag vi genomför bygger samma tre lager, i samma ordning:
- 1. Datagrunden. CRM och systemen runt det uppsatta, strukturerade och samstämmiga.
- 2. AI-lagret. Datan kopplad till den AI-assistent teamet redan använder, via MCP (Model Context Protocol), den öppna standarden för att koppla AI till verkliga system. Alla med behörighet kan hämta data, skicka data och starta åtgärder på vanligt språk.
- 3. Avdelningsagenter. Specialbyggda agenter för ekonomi, sälj och customer success, var och en med de rapporter och åtgärder teamet behöver, inom dess behörigheter och med granskningsspår.
Att hoppa över det första lagret känns snabbare. Det är det sällan. Tiden som sparas i början går åt senare till att förklara varför agentens siffror inte stämmer med ekonomis och till att reparera poster som den har ändrat. Byggt i rätt ordning gör varje lager nästa billigare, och agenterna ovanpå går att lita på från första dagen.
Byggd på det här sättet förblir grunden också din, och i Europa. Datan stannar på EU-infrastruktur under bygget, AI-modellen väljer du själv, och om du byter modell senare förblir grunden och allt som byggts på den detsamma.