Proprietære data kan blive den mest værdifulde AI-mur

Kunstig intelligens bliver lettere for virksomheder at få adgang til. Ledende modeller kan licenseres via cloud‑platforme, open‑source‑systemer kan tilpasses, og AI‑assistenter dukker op i almindelig forretningssoftware. Denne voksende tilgængelighed skaber et vigtigt spørgsmål for investorer: hvis konkurrenter kan få adgang til lignende modeller, hvor vil varige AI‑fordele komme fra?

En ny undersøgelse offentliggjort i Research Policy¹ antyder, at svaret kan ligge i, hvor effektivt virksomheder kombinerer kunstig intelligens med proprietære data, institutionel viden og menneskelig ekspertise. Dens centrale argument er, at AI ikke længere bør betragtes som et konventionelt softwareværktøj. Det bliver i stedet en yderligere læringsagent inden for organisationen.

Virksomheder, der tidligt samler disse kapaciteter, kan udvikle fordele, som gradvist bliver sværere at efterligne.

AI ændrer, hvordan virksomheder absorberer viden

Ledelsesforskere bruger begrebet absorptionskapacitet til at beskrive en virksomheds evne til at genkende værdifuld ekstern viden, forstå den og anvende den kommercielt. Traditionelt har denne proces været betragtet som en menneskelig aktivitet understøttet af forskning, kommunikation, træning og erfaring.

Det nye papir argumenterer for, at denne ramme ikke længere er tilstrækkelig. Moderne AI‑systemer kan scanne information, opdage mønstre, kombinere data fra urelaterede domæner og generere mulige forklaringer eller løsninger. I stedet for blot at gemme information, som medarbejdere kan hente, kan AI påvirke, hvad organisationen søger efter, og hvordan den fortolker, hvad den finder.

Dette skaber, hvad forskeren kalder en dobbelt læringsarkitektur. Menneskelig læring forbliver styret af erfaring, kontekst, association og dømmekraft. Maskinlæring opererer gennem statistiske relationer fundet på tværs af data. Hver har forskellige styrker og svagheder, og ingen er tilstrækkelig alene.

Dette understøtter en bredere lektie, der dukker op i økonomien: information skaber ikke værdi, før en organisation kan fortolke den og handle på den. Seneste dækning fra Securities.io af, hvordan AI åbner nye muligheder for små virksomheder fandt på lignende måde, at AI‑kapacitet og entreprenørielle evner er komplementære snarere end udskiftelige.

Dataarv kan blive en sammensat virksomhedsaktiv

Et af papirets mest nyttige begreber er dataarv. Dette refererer til mængden, variationen, kvaliteten og historikken af data, som en virksomhed har akkumuleret.

Traditionelle databaser er stort set passive. De bevarer information, indtil en person eller et foruddefineret program henter og analyserer den. AI gør akkumuleret data mere aktiv, fordi ny information kan ændre, hvordan systemet identificerer mønstre og genererer fremtidig viden.

En producent kan for eksempel have årtiers vedligeholdelsesregistre, produktionsmålinger, fejlrapporter, udstyrslogfiler og teknikerobservationer. En konkurrent kan købe tilsvarende AI‑software, men kan ikke øjeblikkeligt reproducere denne drifts‑historik. Den etablerede virksomheds data kan hjælpe dens modeller med at diagnosticere fejl, optimere produktion og identificere sammenhænge, som ikke var tydelige, da registrene blev oprettet.

Processen kan blive selvforstærkende. Bedre data hjælper et AI‑system med at identificere, hvilken yderligere information der vil være værdifuld. Virksomheden indsamler derefter bedre information, hvilket forbedrer efterfølgende analyser og guider yderligere indsamling. Papiret beskriver denne bevidste investering i indkøb, kuratering, integration og styring af data som en dataabsorptionsindsats.

Den opnåede fordel er ikke blot at have mere data. Dårligt struktureret, irrelevant eller biased data kan svække et system. Moen kommer fra kombinationen af:

• Proprietær og relevant information
• Pålidelige indsamling- og styringsprocesser
• Medarbejdere, der forstår driftskonteksten
• Teknisk ekspertise, der kan tilpasse AI’en

Dette er i overensstemmelse med den bredere bevægelse mod hybride datastrategier, der kombinerer proprietær virksomhedsinformation med større eksterne datasæt. Adgang til en kraftfuld model kan blive almindelig, men adgang til den rette interne kontekst vil forblive ujævn.

Hvordan AI kan bevare institutionel viden

Undersøgelsen introducerer også idéen om videnvirtualisering. Medarbejdere akkumulerer ofte ekspertise, som er svær at nedskrive. En erfaren tekniker kan opdage et mekanisk problem ud fra en usædvanlig vibration, mens en risikanalytiker kan genkende en mistænkelig ansøgning uden at kunne reducere dømmekraften til en simpel regel.

Virksomheder bevarer traditionelt denne tavse viden gennem træning, mentorordninger, rutiner og delt erfaring. Disse metoder er værdifulde, men dyre, langsomme at skalere og sårbare over for medarbejderudskiftning.

AI skaber en anden mulig kanal. Modeller, der er trænet på beslutninger, resultater, dokumenter, sensoraflæsninger og historiske sager, kan indkode dele af den erfaringsbaserede viden i matematiske repræsentationer. Det betyder ikke, at en model bogstaveligt forstår alt, hvad en erfaren medarbejder ved. Det betyder, at organisationen kan bevare og genanvende mønstre, der er afledt af den ekspertise.

Det kunne gøre viden, der tidligere var knyttet til en enkelt medarbejder eller et team, til en genanvendelig virksomhedsaktiv. Nye medarbejdere kan interagere med et AI‑system, der afspejler dele af organisationens historiske beslutningstagning, mens erfarne medarbejdere kan bruge dets output til at identificere oversete beviser.

Der er dog en strategisk spænding. Tavs viden kan være værdifuld netop fordi konkurrenter ikke let kan kopiere den. Virtualisering af denne viden gør den mere skalerbar internt, men den rejser også bekymringer om sikkerhed, styring og ejerskab. Hvis følsomme træningsdata, modelvægt eller arbejdsprocesser afsløres, kan virksomheden utilsigtet overføre en del af sin operationelle fordel.

Menneskelig og maskinel dømmekraft skal forblive forbundet

Papiret kalder den effektive koordinering af domæneviden og AI‑viden for kognitiv dualitet. Denne kapacitet kræver mere end at ansætte dataforskere ved siden af erfarne ledere. De to grupper skal kunne forstå og udfordre hinanden.

Domæneeksperter har brug for tilstrækkelig AI‑litteratur til at genkende, hvornår en model er upålidelig, opererer uden for sit træningsmiljø eller forveksler korrelation med årsagssammenhæng. Tekniske teams har brug for tilstrækkelig domænekendskab til at forstå, hvilke resultater der betyder noget, og hvilke begrænsninger der ikke kan udledes af data alene.

Uden denne bro står virksomheder over for to modsatrettede risici. Medarbejdere kan stole for meget på AI‑anbefalinger, hvilket tillader fejl eller historiske bias at sprede sig i stor skala. Alternativt kan de afvise nyttige indsigter, fordi systemets ræsonnement er ukendt eller utilstrækkeligt forklarbart.

Dette hjælper med at forklare, hvorfor enterprise‑AI‑projekter kan give meget forskellige resultater, selv når organisationer bruger lignende underliggende modeller. Ydeevnen afhænger af det omgivende læringssystem. World Economic Forum har på samme måde identificeret AI‑klar data, medarbejderfærdigheder, passende modeller og ansvarlig styring som sammenhængende krav for at skalere AI på tværs af en virksomhed.

Hvad undersøgelsen fandt om AI‑drevet læring

Undersøgelsen kombinerede en konceptuel gennemgang med 40 interviews udført på tværs af otte små og mellemstore AI‑første virksomheder i Italien. Deltagerne havde tekniske og ledelsesmæssige stillinger inden for sundhedspleje, finans, kreativt indhold, datastyring, prognoser og risikaanalyse.

Rammen er værdifuld, men dens begrænsninger er vigtige. Dette er en teoribyggende kvalitativ undersøgelse snarere end kvantitativ evidens for, at disse kapaciteter øger profit eller aktionærafkast. Ingen af de deltagende virksomheder havde 250 eller flere medarbejdere, og alle var baseret i ét land. Yderligere forskning er nødvendig for at teste modellen på tværs af store virksomheder, lav‑teknologiske industrier og forskellige økonomiske miljøer.

ServiceNow giver eksponering til enterprise‑AI‑arbejdsprocesser

For investorer, der søger eksponering til dette skift, giver ServiceNow et relevant eksempel. Dets platform forbinder enterprise‑data, arbejdsprocesser, medarbejdere og i stigende grad autonome AI‑agenter. Denne position afspejler papirets argument, at AI‑værdien opstår gennem integration med organisatoriske processer snarere end kun fra modellen.

ServiceNow har udvidet sin Workflow Data Fabric, AI Control Tower og autonome analysefunktioner. Virksomheden beskriver sin real‑time enterprise‑datafundament som en måde at levere styret operationel kontekst til AI‑systemer. Securities.io har også undersøgt den tilstødende mulighed gennem sin dækning af UiPath og markedet for agentisk automatisering.

Investeringscasen er ikke risikofri. Konkurrencen inden for enterprise‑software er intens, AI‑funktioner kan blive bundtet som standardprodukter, og kunder kan modstå omkostningerne eller kompleksiteten ved brede platformimplementeringer. ServiceNow skal også demonstrere, at deres AI‑produkter genererer målbar kundeværdi i stedet for blot at udvide produktbredden.

Alligevel illustrerer deres position papirets centrale investeringsindsigt. Efterhånden som grundlæggende modeller bliver mere tilgængelige, kan holdbar værdi migrere mod virksomheder, der styrer arbejdsproces‑kontekst, styret dataadgang og de systemer, hvormed menneskelige og maskinelle beslutninger bliver til operationelle handlinger.

Den reelle AI‑kløft kan blive bredere over tid

Den fremvoksende kløft er måske ikke mellem virksomheder, der bruger AI, og dem der ikke gør. Den kan være mellem virksomheder, der betragter AI som et isoleret værktøj, og dem der opbygger et organisatorisk læringssystem omkring det.

Proprietære data, akkumuleret ekspertise, modelstyring og tværfunktionel koordinering er alle sti‑afhængige. De kræver tid at udvikle og forbedre gennem gentagen brug. Virksomheder, der begynder at opbygge dem tidligt, kan opnå en kumulativ fordel, mens sene adoptører ikke nødvendigvis kan indhente kløften blot ved at købe den nyeste model.

For investorer ændrer dette, hvordan AI‑parathed bør evalueres. Udgifter til software og computerinfrastruktur er vigtige, men afslører lidt om, hvorvidt en virksomhed kan omsætte AI til forsvarlig værdi. De mere afslørende spørgsmål drejer sig om, hvilken proprietær information virksomheden kontrollerer, om den kan bevare medarbejdernes ekspertise, hvor tæt tekniske teams samarbejder med domænespecialister, og om AI‑indsigter kan nå reelle arbejdsprocesser.

Den næste generation af AI‑vindere kan derfor defineres mindre af, hvem der har adgang til intelligens, og mere af, hvem der ved, hvordan man absorberer den.

Referencer:

¹ Pedota, M. (2026). Sind og maskiner: Omdefinering af absorptionskapacitet i kunstig intelligens’ tidsalder. Research Policy, 55, 105600. https://doi.org/10.1016/j.respol.2026.105600