Proprietär data kan bli den mest värdefulla AI-vallgraven

Artificiell intelligens blir allt enklare för företag att få tillgång till. Ledande modeller kan licensieras via molnplattformar, öppen källkodssystem kan anpassas, och AI-assistenter dyker upp i vanlig affärsprogramvara. Denna ökande tillgänglighet skapar en viktig fråga för investerare: om konkurrenter kan få tillgång till liknande modeller, varifrån kommer bestående AI-fördelar?

En ny studie publicerad i Research Policy¹ antyder att svaret kan ligga i hur effektivt företag kombinerar artificiell intelligens med proprietär data, institutionell kunskap och mänsklig expertis. Dess centrala argument är att AI inte längre bör behandlas som ett konventionellt mjukvaruverktyg. Det blir en annan inlärningsagent inom organisationen.

Denna distinktion är viktig eftersom inköp av AI inte automatiskt gör ett företag bättre på lärande. Företag kräver fortfarande relevant data, anställda som förstår verksamhetsmiljön, tekniska team som kan konfigurera modeller och processer som omvandlar AI-genererade insikter till handling. Företag som samlar dessa förmågor tidigt kan utveckla fördelar som blir allt svårare att reproducera.

AI förändrar hur företag absorberar kunskap

Forskningsledare använder termen absorptionskapacitet för att beskriva ett företags förmåga att identifiera värdefull extern kunskap, förstå den och tillämpa den kommersiellt. Traditionellt har denna process setts som en mänsklig aktivitet som stöds av forskning, kommunikation, utbildning och erfarenhet.

Den nya artikeln argumenterar för att detta ramverk inte längre är tillräckligt. Moderna AI-system kan skanna information, upptäcka mönster, kombinera data från orelaterade domäner och generera möjliga förklaringar eller lösningar. Istället för att bara lagra information för att anställda ska kunna hämta den, kan AI påverka vad organisationen söker efter och hur den tolkar det som hittas.

Detta skapar vad forskaren kallar en dubbel inlärningsarkitektur. Mänskligt lärande förblir styrt av erfarenhet, sammanhang, association och omdöme. Maskininlärning fungerar genom statistiska samband som hittas i data. Var och en har olika styrkor och svagheter, och ingen är tillräcklig på egen hand.

Detta stöder en bredare lärdom som framträder i hela ekonomin: information skapar inte värde förrän en organisation kan tolka och agera på den. Enligt en recent Securities.io-rapport om hur AI öppnar nya möjligheter för småföretag är AI-kapacitet och entreprenörskap komplementära snarare än utbytbara.

Dataarv kan bli en sammansatt företagsresurs

Ett av papirets mest användbara begrepp är dataarv. Detta avser volymen, variationen, kvaliteten och historiken av data som ett företag har samlat.

Traditionella databaser är i stort sett passiva. De bevarar information tills en person eller ett fördefinierat program hämtar och analyserar den. AI gör den ackumulerade datan mer aktiv eftersom ny information kan förändra hur systemet identifierar mönster och genererar framtida kunskap.

En tillverkare kan till exempel ha år av underhållsregister, produktionsmått, felrapporter, utrustningsloggar och teknikerobservationer. En konkurrent kan köpa liknande AI-programvara, men kan inte omedelbart reproducera den driftshistoriken. Företagets data kan hjälpa dess modeller att diagnostisera fel, optimera produktionen och identifiera samband som inte var uppenbara när registren skapades.

Processen kan bli självförstärkande. Bättre data hjälper ett AI-system att identifiera vilken ytterligare information som skulle vara värdefull. Företaget samlar sedan in bättre information, förbättrar efterföljande analyser och styr vidare insamling. Papperet beskriver denna medvetna investering i att samla, kurera, integrera och hantera data som ett dataabsorberingsarbete.

Den resulterande fördelen är inte bara att ha mer data. Dåligt strukturerad, irrelevant eller partisk data kan försvaga ett system. Vallgraven kommer från kombinationen av:

• Proprietär och relevant information
• Tillförlitliga insamlings- och styrningsprocesser
• Anställda som förstår verksamhetens sammanhang
• Teknisk expertis som kan anpassa AI:n

Detta är i linje med den bredare förflyttningen mot hybrida datastrategier som kombinerar proprietär företagsinformation med större externa dataset. Tillgång till en kraftfull modell kan bli vanligt, men tillgång till rätt intern kontext kommer att förbli ojämn.

Hur AI kan bevara institutionell kunskap

Studien introducerar också idén om kunskapsvirtualisering. Anställda samlar ofta på sig expertis som är svår att nedteckna. En erfaren tekniker kan upptäcka ett mekaniskt problem från en ovanlig vibration, medan en riskanalytiker kan känna igen en misstänkt ansökan utan att kunna reducera bedömningen till en enkel regel.

Företag bevarar traditionellt denna tysta kunskap genom utbildning, mentorskap, rutiner och delad erfarenhet. Dessa metoder är värdefulla men dyra, svåra att skala och sårbara för personalomsättning.

AI skapar en annan möjlig kanal. Modeller som tränas på beslut, resultat, dokument, sensordata och historiska fall kan koda delar av erfarenhetskunskap till matematiska representationer. Detta betyder inte att en modell bokstavligen förstår allt en erfaren anställd vet. Det betyder att organisationen kan bevara och återanvända mönster som härrör från den expertisen.

Detta kan omvandla kunskap som tidigare var knuten till en anställd eller ett team till en återanvändbar företagsresurs. Ny personal kan interagera med ett AI-system som speglar delar av organisationens historiska beslutsfattande, medan erfarna anställda kan använda dess output för att identifiera förbisedda bevis.

Det finns dock en strategisk spänning. Tyst kunskap kan vara värdefull just för att konkurrenter inte lätt kan kopiera den. Att virtualisera den kunskapen gör den mer skalbar internt, men det medför också frågor om säkerhet, styrning och äganderätt. Om känslig träningsdata, modellvikter eller arbetsflöden exponeras kan företaget oavsiktligt överföra en del av sin operativa fördel.

Mänskligt och maskinellt omdöme måste förbli sammankopplat

Papiret benämner den effektiva samordningen av domänkunskap och AI-kunskap som kognitiv dualitet. Denna förmåga kräver mer än att anställa datavetare tillsammans med erfarna chefer. De två grupperna måste kunna förstå och utmana varandra.

Domänexperter behöver tillräcklig AI-kunskap för att känna igen när en modell är opålitlig, verkar utanför sin träningsmiljö eller förväxlar korrelation med orsakssamband. Tekniska team behöver tillräcklig domänkunskap för att förstå vilka resultat som är viktiga och vilka begränsningar som inte kan härledas enbart från data.

Utan den bryggan står företag inför två motsatta risker. Anställda kan lita för mycket på AI-rekommendationer, vilket gör att fel eller historiska bias sprids i stor skala. Alternativt kan de avvisa användbara resultat eftersom systemets resonemang är obekant eller otillräckligt förklarat.

Detta hjälper till att förklara varför AI-projekt i företag kan ge mycket olika resultat även när organisationer använder liknande underliggande modeller. Prestanda beror på det omgivande inlärningssystemet. World Economic Forum har också identifierat AI-klara data, medarbetarfärdigheter, lämpliga modeller och ansvarsfull styrning som sammankopplade krav för att skala AI i ett företag.

Vad studien fann om AI-driven inlärning

Forskningsarbetet kombinerade en konceptuell översikt med 40 intervjuer genomförda på åtta små och medelstora AI-först-företag i Italien. Deltagarna hade tekniska och ledande positioner inom sjukvård, finans, kreativt innehåll, datamanagement, prognostisering och riskanalys.

Ramverket är värdefullt, men dess begränsningar är viktiga. Detta är en teoribildande kvalitativ studie snarare än kvantitativa bevis på att dessa förmågor ökar vinster eller aktieägaravkastning. Ingen av de deltagande företagen hade 250 eller fler anställda, och alla var baserade i ett land. Ytterligare forskning behövs för att testa modellen i stora företag, lågteknologiska industrier och olika ekonomiska miljöer.

ServiceNow erbjuder exponering för företags-AI-arbetsflöden

För investerare som söker exponering för denna förändring ger ServiceNow ett relevant exempel. Dess plattform kopplar samman företagsdata, arbetsflöden, anställda och alltmer autonoma AI-agenter. Denna positionering speglar tydligt papirets argument att AI:s värde uppstår genom integration med organisatoriska processer snarare än enbart modellen.

ServiceNow har utökat sin Workflow Data Fabric, AI Control Tower och autonoma analysfunktioner. Företaget beskriver sin real-tids företagsdataplattform som ett sätt att tillhandahålla styrd operativ kontext till AI-system. Securities.io har också granskat den närliggande möjligheten genom sin rapport om UiPath och marknaden för agentbaserad automation.

Investeringsfallet är inte riskfritt. Konkurrensen inom företagsprogramvara är intensiv, AI-funktioner kan bli paketerade varor, och kunder kan motstå kostnaden eller komplexiteten i breda plattformsutplaceringar. ServiceNow måste också visa att deras AI-produkter genererar mätbart kundvärde snarare än att bara bredda produktutbudet.

Trots detta illustrerar dess position papirets centrala investeringsinsikt. När grundmodeller blir mer tillgängliga kan hållbart värde flytta mot företag som kontrollerar arbetsflödeskontext, styrd dataåtkomst och systemen genom vilka mänskliga och maskinella beslut blir operativa handlingar.

Den verkliga AI-klyftan kan öka över tid

Den framväxande klyftan kanske inte handlar om företag som använder AI och de som inte gör det. Det kan handla om företag som ser AI som ett isolerat verktyg och de som bygger ett organisatoriskt inlärningssystem kring det.

Proprietär data, ackumulerad expertis, modellstyrning och tvärfunktionell samordning är alla beroende av historik. De tar tid att utveckla och förbättra genom återkommande användning. Företag som börjar bygga dem tidigt kan få en kumulativ fördel, medan sena adoptörer inte nödvändigtvis kan minska klyftan genom att bara köpa den senaste modellen.

För investerare förändrar detta hur AI-beredskap bör utvärderas. Utgifter för mjukvara och datainfrastruktur är viktiga, men avslöjar lite om huruvida ett företag kan omvandla AI till försvarbart värde. De mer avslöjande frågorna rör vilken proprietär information verksamheten kontrollerar, om den kan bevara medarbetarnas expertis, hur nära tekniska team arbetar med domänspecialister och om AI-insikter kan nå verkliga arbetsflöden.

Nästa generation av AI-vinnare kan därför definieras mer av vem som vet hur man absorberar intelligensen än av vem som har tillgång till den.

Referenser:

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