Copy Of Expertartikel (1 1)

När AI har rätt data men ändå fattar fel beslut – därför blir context engineering allt viktigare

Bra datakvalitet är en förutsättning för framgångsrik AI. Men vad händer när informationen är korrekt och AI ändå drar fel slutsatser? När AI går från att analysera till att fatta beslut och agera självständigt räcker det inte längre att ha ordning på sin data. AI måste också förstå verksamhetens processer, relationer och affärsregler. Det är här Context First och context engineering kommer in, dvs arbetet med att ge AI rätt information och affärskontext vid rätt tillfälle.

 

Sammanfattning

  • Rätt data räcker inte alltid för rätt AI-beslut. AI behöver också förstå verksamhetens processer, relationer och affärsregler för att kunna dra korrekta slutsatser.
  • Context First kompletterar Data First. God datakvalitet är grunden, men informationen måste också sättas i sitt affärsmässiga sammanhang.
  • Context engineering omsätter insikten i praktiken. Genom att ge AI rätt information, instruktioner och verksamhetskontext vid rätt tillfälle kan besluten bli mer tillförlitliga.
  • Affärskontext blir en konkurrensfördel. När AI-modeller blir alltmer tillgängliga kan företagens förmåga att kombinera data med verksamhetsförståelse bli avgörande för affärsnyttan.
Porträtt av Implema

Vi hjälper er!

Implema

Kontakta vårt team – vi hjälper dig gärna!

Kontakta oss

Dela med dig:

Från AI First till Data First – och vidare

AI-diskussionen har länge kretsat kring teknikens möjligheter. Men i takt med att företag går från experiment till praktiska tillämpningar har betydelsen av en stabil datagrund blivit allt tydligare.

Utan datakvalitet, gemensamma definitioner, styrning och säkerhet riskerar även avancerade AI-modeller att leverera otillförlitliga resultat. Insikten har vuxit att AI First förutsätter Data First – utan en stabil datagrund blir det svårt att realisera teknikens möjligheter.

Men det finns ytterligare en dimension som blir allt viktigare: Context First.

För även om informationen är korrekt betyder det inte automatiskt att AI förstår vad den innebär för verksamheten. För att kunna dra rätt slutsatser måste AI också förstå relationerna mellan olika uppgifter, vilka affärsregler som gäller och hur verksamhetens processer fungerar.

När korrekt data leder till fel beslut

Tänk dig ett tillverkande företag där en AI-agent ska bedöma om en kundorder kan levereras.

Lagersaldot visar 500 enheter och kunden vill beställa 400. Vid första anblick ser det ut som att leveransen kan genomföras. Men 300 enheter är redan reserverade för andra kunder och ytterligare 100 är kvalitetsblockerade.
Alla uppgifter är korrekta. Ändå blir slutsatsen fel om AI inte förstår skillnaden mellan lagersaldo och disponibelt lager.

Det illustrerar skillnaden mellan att ha tillgång till data och att förstå dess affärsmässiga betydelse.

När AI dessutom går från att analysera och rekommendera till att självständigt utföra uppgifter blir den skillnaden ännu viktigare. En felaktig tolkning kan då få direkta konsekvenser för verksamhetens processer, kundrelationer och ekonomi.

AI First handlar om teknikens möjligheter. Data First om informationens kvalitet och tillförlitlighet. Context First om att informationen också måste vara begriplig och användbar i rätt affärssammanhang.

Vad är context engineering – och varför behövs det för AI?

Att AI behöver förstå verksamhetens sammanhang är inte längre bara en teoretisk diskussion. Det är också en tydlig riktning inom AI-utvecklingen.

Analysföretaget Gartner har uppmärksammat betydelsen av context engineering – arbetet med att utforma och hantera den information och det sammanhang som AI behöver för att kunna lösa uppgifter på ett tillförlitligt sätt. Gartner har också varnat för att bristande förståelse av informationens betydelse och relationer kan leda till opålitliga AI-agenter och ökade kostnader

Där Context First beskriver behovet av att AI förstår verksamheten, handlar context engineering om att omsätta denna insikt i praktiken. Det kan exempelvis innebära att ge AI tillgång till rätt information, instruktioner, verktyg och affärsregler vid rätt tillfälle.

Även SAP:s globala vd Christian Klein har argumenterat för att AI behöver förstå hur företag faktiskt fungerar och att affärssystemen därför får en allt viktigare roll. ERP-systemen innehåller inte bara transaktionsdata, utan också processer, affärsregler och verksamhetslogik som AI behöver kunna förhålla sig till.

Det är här en viktig förskjutning sker. Frågan är inte längre enbart hur AI får tillgång till företagens data, utan hur tekniken kan ges förutsättningar att tolka och använda informationen utifrån verksamhetens faktiska förutsättningar.

Från affärskontext till teknik – kunskapsgrafer och ontologier

En del av svaret finns i tekniker som kunskapsgrafer och ontologier. De gör det möjligt att beskriva hur information, affärsbegrepp och relationer hänger ihop – och därmed ge AI bättre förutsättningar att tolka informationen i sitt rätta sammanhang.

Med hjälp av kunskapsgrafer kan AI exempelvis få tillgång inte bara till uppgifter om kunder, order och lagersaldon, utan också till information om hur dessa hänger ihop och vilka affärsregler som styr dem.

SAP har utvecklat SAP Knowledge Graph, som syftar till att göra affärsbegrepp och relationer i SAP:s verksamhetsdata begripliga för AI. Genom SAP Business Data Cloud Ontology Manager utvecklas också möjligheterna att utöka denna förståelse med företagsspecifika begrepp och relationer.

Även Microsoft utvecklar motsvarande förmågor genom Microsoft Fabric IQ. Här används bland annat ontologier för att beskriva hur exempelvis kunder, produkter, order och affärsregler hänger ihop. Det skapar en gemensam affärskontext som kan användas av både människor, applikationer och AI-agenter, även när informationen kommer från olika system, exempelvis Dynamics 365.

Båda satsningarna pekar mot samma utveckling: affärskontext blir en allt viktigare del av infrastrukturen för AI. Samtidigt är flera av de nya funktionerna fortfarande under utveckling.

Tekniken kan hjälpa AI att förstå sammanhanget, men företagen behöver fortfarande själva definiera sina processer, affärsbegrepp och regler. Och även med rätt kontext krävs kontroller och uppföljning för att AI ska kunna agera tillförlitligt.

Från bättre AI-beslut till verkligt affärsvärde

I takt med att avancerade AI-modeller blir alltmer tillgängliga kan företagens egen verksamhetskunskap bli en allt viktigare konkurrensfördel.

Två företag kan använda samma AI-modell och ha lika god datakvalitet, men ändå få helt olika resultat. Skillnaden kan ligga i hur väl tekniken förstår respektive verksamhets processer, affärsregler och prioriteringar.

Men det handlar inte om att ge AI tillgång till så mycket information som möjligt. Utgångspunkten måste vara vilka affärsproblem som ska lösas, vilka beslut som behöver förbättras och vilken information och kontext som faktiskt krävs.

Det innebär också att arbetet med AI inte enbart kan vara en fråga för IT. Verksamheten behöver vara med och definiera de begrepp, samband och regler som tekniken ska utgå från.

Framtidens konkurrensfördel handlar därför inte nödvändigtvis om vem som har mest data eller den mest avancerade AI-modellen, utan om vem som är bäst på att använda rätt information, i rätt sammanhang, för att skapa verkligt affärsvärde.


Vad innebär Context First inom AI?

Context First är ett förhållningssätt där AI inte bara får tillgång till korrekt data, utan också till den verksamhetskontext som behövs för att tolka informationen rätt. Det kan handla om affärsregler, processer, relationer och prioriteringar.

Vad är skillnaden mellan Data First och Context First?

Data First handlar om att säkerställa datakvalitet, struktur och tillförlitlighet. Context First kompletterar detta genom att fokusera på informationens betydelse och sammanhang. För att AI ska kunna skapa affärsvärde behövs båda.

Vad är context engineering?

Context engineering är arbetet med att utforma hur AI får tillgång till rätt information, instruktioner, verktyg och verksamhetskontext vid rätt tillfälle. Syftet är att förbättra AI-systemens förmåga att lösa uppgifter korrekt och tillförlitligt.

Hur kan kunskapsgrafer förbättra AI i affärssystem?

Kunskapsgrafer beskriver relationer mellan exempelvis kunder, produkter, order och affärsregler. De kan hjälpa AI att förstå hur information hänger ihop, snarare än att enbart behandla enskilda datapunkter. SAP Knowledge Graph och Microsoft Fabric IQ:s ontologifunktioner är exempel på tekniker som kan bidra till detta.

Varför blir affärskontext viktigare när företag använder AI-agenter?

AI-agenter kan inte bara analysera information utan också föreslå och genomföra åtgärder. Om de missförstår affärsregler eller relationer mellan olika uppgifter kan det leda till felaktiga beslut och handlingar. Därför blir tillgång till rätt kontext, tillsammans med behörigheter och kontrollmekanismer, särskilt viktig.

Nyfiken på mer?

Nyfiken på mer?

Kontakta vårt team – vi hjälper dig gärna!

Oavsett om du har en fråga, vill veta mer om våra lösningar eller bara är nyfiken på hur vi kan hjälpa ditt företag, är du varmt välkommen att höra av dig.

Kontakta oss direkt i formuläret nedan!