Proprietære data kan bli den mest verdifulle AI-moen

Kunstig intelligens blir stadig lettere for selskaper å få tilgang til. Ledende modeller kan lisensieres via skyplattformer, åpen kildekode‑systemer kan tilpasses, og AI‑assistenter dukker opp i vanlig forretningsprogramvare. Denne økende tilgjengeligheten skaper et viktig spørsmål for investorer: hvis konkurrenter kan få tilgang til lignende modeller, hvor vil varige AI‑fordeler komme fra?

En ny studie publisert i Research Policy¹ antyder at svaret kan ligge i hvor effektivt selskaper kombinerer kunstig intelligens med proprietære data, institusjonell kunnskap og menneskelig ekspertise. Hovedargumentet er at AI ikke lenger bør behandles som et konvensjonelt programvareverktøy. Det blir en ny læringsagent innen organisasjonen.

Dette skillet er viktig fordi kjøp av AI ikke automatisk gjør et selskap bedre på læring. Bedrifter trenger fortsatt relevante data, ansatte som forstår driftsmiljøet, tekniske team som kan konfigurere modeller, og prosesser som omformer AI‑genererte innsikter til handling. Selskaper som samler disse evnene tidlig kan utvikle fordeler som blir stadig vanskeligere å gjenskape.

AI endrer hvordan selskaper absorberer kunnskap

Ledelsesforskere bruker begrepet absorpsjonskapasitet for å beskrive et selskaps evne til å gjenkjenne verdifull ekstern kunnskap, forstå den og anvende den kommersielt. Tradisjonelt har denne prosessen blitt sett på som en menneskelig aktivitet støttet av forskning, kommunikasjon, opplæring og erfaring.

Den nye artikkelen hevder at dette rammeverket ikke lenger er tilstrekkelig. Moderne AI‑systemer kan skanne informasjon, oppdage mønstre, kombinere data fra ulike domener og generere mulige forklaringer eller løsninger. I stedet for bare å lagre informasjon som ansatte kan hente, kan AI påvirke hva organisasjonen søker etter og hvordan den tolker det den finner.

Dette skaper det forskeren kaller en dobbel læringsarkitektur. Menneskelig læring forblir styrt av erfaring, kontekst, assosiasjon og dømmekraft. Maskinlæring opererer gjennom statistiske sammenhenger funnet i data. Hver har ulike styrker og svakheter, og ingen er tilstrekkelig alene.

Dette understøtter en bredere lærdom som dukker opp i økonomien: informasjon skaper ikke verdi før en organisasjon kan tolke den og handle på den. Nyere dekning fra Securities.io om hvordan AI åpner nye muligheter for små bedrifter fant på samme måte at AI‑kapasitet og entreprenørskapsevne er komplementære snarere enn utskiftbare.

Dataarv kan bli en sammensatt bedriftsressurs

Et av papirens mest nyttige konsepter er dataarv. Dette refererer til volumet, variasjonen, kvaliteten og historikken til data som er samlet opp av et selskap.

Tradisjonelle databaser er i stor grad passive. De bevarer informasjon til en person eller et forhåndsdefinert program henter og analyserer den. AI gjør oppsamlet data mer aktiv fordi ny informasjon kan endre hvordan systemet identifiserer mønstre og genererer fremtidig kunnskap.

En produsent kan for eksempel ha år med vedlikeholdsregistre, produksjonsmålinger, feilrapporter, utstyrslogger og teknikerobservasjoner. En konkurrent kan kjøpe tilsvarende AI‑programvare, men den kan ikke umiddelbart gjenskape den driftshistorikken. Den etablerte selskapets data kan hjelpe modellene med å diagnostisere feil, optimalisere produksjon og identifisere sammenhenger som ikke var åpenbare da registreringene ble opprettet.

Prosessen kan bli selvforsterkende. Bedre data hjelper et AI‑system med å identifisere hvilken tilleggsinformasjon som vil være verdifull. Selskapet samler deretter inn bedre informasjon, forbedrer påfølgende analyser og styrer videre innsamling. Studien beskriver denne bevisste investeringen i innhenting, kuratering, integrering og håndtering av data som en databsorpsjonsinnsats.

Den resulterende fordelen er ikke bare å ha mer data. Dårlig strukturerte, irrelevante eller skjeve data kan svekke et system. Moen kommer fra kombinasjonen av:

• Proprietær og relevant informasjon
• Pålitelige innsamlings‑ og styringsprosesser
• Ansatte som forstår driftskonteksten
• Teknisk ekspertise som kan tilpasse AI‑en

Dette er i tråd med den bredere overgangen mot hybride datastrategier som kombinerer proprietær bedriftsinformasjon med større eksterne datasett. Tilgang til en kraftig modell kan bli vanlig, men tilgang til riktig intern kontekst vil forbli ulik.

Hvordan AI kan bevare institusjonell kunnskap

Studien introduserer også ideen om kunnskapsvirtualisering. Ansatte samler ofte opp ekspertise som er vanskelig å dokumentere. En erfaren tekniker kan oppdage et mekanisk problem fra en uvanlig vibrasjon, mens en risikaanalytiker kan gjenkjenne en mistenkelig søknad uten å kunne redusere vurderingen til en enkel regel.

Selskaper bevarer tradisjonelt denne taus kunnskapen gjennom opplæring, mentorordninger, rutiner og delt erfaring. Disse metodene er verdifulle, men dyre, vanskelige å skalere og sårbare for medarbeiderutskiftning.

AI skaper en annen mulig kanal. Modeller trent på beslutninger, resultater, dokumenter, sensoravlesninger og historiske saker kan kode deler av erfaringskunnskap inn i matematiske representasjoner. Dette betyr ikke at en modell bokstavelig talt forstår alt en erfaren ansatt vet. Det betyr at organisasjonen kan kunne bevare og gjenbruke mønstre avledet fra den ekspertisen.

Dette kan gjøre kunnskap som tidligere var knyttet til én ansatt eller ett team til en gjenbrukbar bedriftsressurs. Nytt personale kan samhandle med et AI‑system som reflekterer deler av organisasjonens historiske beslutningsprosesser, mens erfarne ansatte kan bruke resultatene til å identifisere oversett bevis.

Det er imidlertid en strategisk spenning. Taus kunnskap kan være verdifull nettopp fordi konkurrenter ikke lett kan kopiere den. Å virtualisere denne kunnskapen gjør den mer skalerbar internt, men det reiser også spørsmål om sikkerhet, styring og eierskap. Hvis sensitiv treningsdata, modellvekter eller arbeidsflyter blir eksponert, kan selskapet utilsiktet overføre en del av sin operasjonelle fordel.

Menneskelig og maskinell dømmekraft må forbli koblet

Artikkelen kaller den effektive koordineringen av domenekunnskap og AI‑kunnskap for kognitiv dualitet. Denne evnen krever mer enn å ha datasystemforskere ved siden av erfarne ledere. De to gruppene må kunne forstå og utfordre hverandre.

Domeneeksperter trenger tilstrekkelig AI‑kunnskap til å gjenkjenne når en modell er upålitelig, opererer utenfor sitt treningsmiljø, eller forveksler korrelasjon med årsakssammenheng. Tekniske team trenger nok domenekjennskap til å forstå hvilke resultater som er viktige og hvilke begrensninger som ikke kan avledes kun fra data.

Uten denne broen står selskaper overfor to motsatte risikoer. Ansatte kan stole for lett på AI‑anbefalinger, slik at feil eller historiske skjevheter sprer seg i stor skala. Alternativt kan de avvise nyttige funn fordi systemets resonnering er ukjent eller utilstrekkelig forklarbar.

Dette bidrar til å forklare hvorfor AI‑prosjekter i bedrifter kan gi svært ulike resultater selv når organisasjoner bruker lignende underliggende modeller. Ytelsen avhenger av det omkringliggende læringssystemet. World Economic Forum har også identifisert AI‑klar data, medarbeiderkompetanse, passende modeller og ansvarlig styring som sammenhengende krav for å skalere AI på tvers av en virksomhet.

Hva studien fant om AI‑drevet læring

Forskningen kombinerte en konseptuell gjennomgang med 40 intervjuer gjennomført i åtte små og mellomstore AI‑første selskaper i Italia. Deltakerne hadde tekniske og ledelsesmessige stillinger innen helsevesen, finans, kreativt innhold, databehandling, prognostisering og risikaanalyse.

Rammen er verdifull, men dens begrensninger er viktige. Dette er en teori‑byggende kvalitativ studie snarere enn kvantitativ bevis for at disse evnene øker fortjeneste eller aksjonæravkastning. Ingen av de deltakende selskapene hadde 250 eller flere ansatte, og alle var basert i ett land. Videre forskning er nødvendig for å teste modellen i store foretak, lavteknologiske industrier og ulike økonomiske miljøer.

ServiceNow gir eksponering mot AI‑arbeidsflyter i virksomheter

For investorer som søker eksponering mot denne endringen, gir ServiceNow et relevant eksempel. Plattformen deres kobler sammen bedriftsdata, arbeidsflyter, ansatte og stadig mer autonome AI‑agenter. Denne posisjoneringen gjenspeiler tydelig artikkelens argument om at AI‑verdien oppstår fra integrasjonen med organisasjonsprosesser snarere enn fra selve modellen.

ServiceNow har utvidet sin Workflow Data Fabric, AI Control Tower og autonome analyse‑funksjoner. Selskapet beskriver sin sanntids bedriftsdatagrunnlag som en måte å gi styrt operasjonell kontekst til AI‑systemer. Securities.io har også undersøkt den tilstøtende muligheten gjennom sin dekning av UiPath og markedet for agentisk automatisering.

Investeringscaset er ikke risikofritt. Konkurransen innen bedriftsprogramvare er intens, AI‑funksjoner kan bli pakket som standardprodukter, og kunder kan motsette seg kostnaden eller kompleksiteten ved brede plattformutrullinger. ServiceNow må også demonstrere at deres AI‑produkter skaper målbar kundeverdi i stedet for bare å utvide produktporteføljen.

Likevel illustrerer posisjonen artikkelens sentrale investeringsinnsikt. Etter hvert som grunnmodeller blir mer tilgjengelige, kan varig verdi flytte seg mot selskaper som kontrollerer arbeidsflytkontekst, styrt data‑tilgang og systemene der menneskelige og maskinelle beslutninger blir til operative handlinger.

Den reelle AI‑kløften kan bli større over tid

Den fremvoksende kløften kan være mellom selskaper som bruker AI og de som ikke gjør det. Det kan være mellom selskaper som behandler AI som et isolert verktøy og de som bygger et organisasjonslæringssystem rundt det.

Proprietære data, akkumulert ekspertise, modellstyring og tverrfaglig koordinering er alle avhengige av historisk utvikling. De krever tid å utvikle og forbedre gjennom gjentatt bruk. Selskaper som begynner å bygge dem tidlig kan oppnå en kumulativ fordel, mens sene adoptører ikke nødvendigvis kan lukke gapet ved bare å kjøpe den nyeste modellen.

For investorer endrer dette hvordan AI‑beredskap bør vurderes. Utgifter til programvare og datainfrastruktur er viktige, men de avslører lite om selskapet kan omsette AI til forsvarlig verdi. De mer avslørende spørsmålene gjelder hvilken proprietær informasjon virksomheten kontrollerer, om den kan bevare ansattes ekspertise, hvor tett tekniske team samarbeider med domenespesialister, og om AI‑innsikter kan nå reelle arbeidsflyter.

Den neste generasjonen av AI‑vinnere kan derfor defineres mindre av hvem som har tilgang til intelligens, og mer av hvem som vet hvordan man absorberer den.

Referanser:

¹ Pedota, M. (2026). Minds and machines: Rethinking absorptive capacity in the age of artificial intelligence. Research Policy, 55, 105600. https://doi.org/10.1016/j.respol.2026.105600