Når alle bruker det samme – skiller ingen seg ut
Harvard Business Review publiserte nylig en artikkel som beskriver noe mange nå kjenner på kroppen, uten helt å kunne sette ord på det.
De kaller det «The Agentic Convergence Trap».
Når flere selskaper bruker AI-systemer trent på de samme markedsdataene og optimerer for de samme målene, ender de opp med å ta identiske beslutninger – uten å ha kommunisert med hverandre. Strategiene ligner hverandre. Beslutningene blir de samme. Og færre skiller seg ut fra mengden.
Tre eksempler fra artikkelen illustrerer det godt: hotellkjeder som aldri snakket sammen, men landet på identiske rompriser fordi AI-systemene deres lærte av de samme signalene og trakk de samme konklusjonene. En dagligvarekjede som byttet ut menneskelige planleggere med AI – og endte opp med en kampanjestrategi som var umulig å skille fra konkurrentenes. En stor eiendomsaktør som hevet leieprisene i takt med konkurrentene – uten et eneste møte.
Tre bransjer. Tre selskaper som trodde de tok smarte beslutninger. Samme resultat.
HBR konkluderer med at spørsmålet ikke len
ger er om dere bruker AI – det er hva AI-en lærer av. Og det er akkurat der de fleste organisasjoner har et uforløst potensial.
Tusenvis av prosjekter – og ingen husker hva de lærte
De fleste prosjektorganisasjoner jeg snakker med har jobbet i mange år. De har gjennomført hundrevis – ofte tusenvis – av prosjekter. De har vunnet og tapt anbud, levert med høye og lave marginer, opplevd avvik de ikke så komme – og løst utfordringer de aldri hadde møtt før.
Alt dette er kunnskap - verdifull kunnskap. Utfordringen er at den ofte er utilgjengelig, og derfor ikke blir brukt.
Den ligger i hodene på erfarne prosjektledere som slutter. I Excel-ark ingen andre forstår. I e-posttråder som aldri ble arkivert. I kalkyler som ikke ble oppdatert etter at prosjektet endret seg. I møtereferater som aldri ble skrevet.
Jeg har tidligere skrevet om prosjektorganisasjonen som brukte 45 minutter med hver enkelt prosjektleder for å få status på porteføljen. Innen den siste samtalen var ferdig, var statusen fra den første allerede utdatert. Det er ikke et ekstremeksempel. Det er hverdagen for mange. Og det er en hverdag ingen snakker høyt om – fordi alle tror de er alene om det.
Det betyr ikke at de mangler data. Dataen finnes – den er vanskelig å tolke, umulig å aggregere og ikke strukturert nok til å gi ledelsen reell kontroll. Og langt mindre til å gi AI et pålitelig grunnlag å lære av.
Historisk data har verdi. Verdien er likevel uforløst så lenge den ikke er strukturert, tilgjengelig og riktig.
Og det bringer oss til det poenget de færreste snakker om.
Ikke all data er riktig data
Mine foreldre flyttet nylig fra enebolig til leilighet etter flere tiår i samme hjem. Det betyr én ting: en enorm ryddeprosess.
Etter uker med sortering, gjennomgang og vanskelige valg – hva skal med, hva kan kastes – stod det fortsatt igjen esker som var «for viktige» til å ta stilling til. Da jeg kom hjem, ble jeg presentert med én av dem. En eske jeg måtte gå igjennom selv.
Jeg brukte fem minutter. Alt kunne kastes.
Ikke fordi innholdet var verdiløst for meg – men fordi ingenting der hadde en funksjon fremover. Det hadde noe følelsesmessig verdi, historisk verdi, men ingen praktisk verdi for det livet jeg skal leve videre.
Det samme gjelder data. Og akkurat som med esken, er det ikke mangelen på data som er utfordringen – det er evnen til å ta de riktige valgene om hva som faktisk skal tas med videre.
Mange prosjektorganisasjoner rydder, strukturerer og sorterer – og gjør en god jobb med det. Det er et viktig første steg. Det som krever mer er den kritiske vurderingen etterpå: hva skal denne dataen brukes til?
Lagrer vi den fordi det er fint å ha den, eller lagrer vi den fordi den gir verdi fremover?
Ikke all data er riktig data. Rydding er ikke nok – det krever aktive valg om hva som faktisk gir verdi fremover.
Ikke all data er riktig data. En utdatert kalkyle uten kontekst gir ikke AI bedre svar – den gir flere kilder å bli forvirret av. Et møtereferat uten struktur eller kobling til prosjekt gir ikke innsikt – det gir støy. Data som ikke er knyttet til riktig prosjekt, riktig fase eller riktig beslutning har begrenset verdi, uansett hvor godt den er lagret.
HBR peker på det samme fra en annen vinkel: det som skaper konkurransefortrinn er ikke datavolumet – det er eksklusiviteten og relevansen. Spørsmålet er ikke hvor mye data dere har. Det er om dere har den rette dataen – strukturert, kontekstualisert og klar til å brukes.
Harmoni i systemlandskapet er ikke et mål – det er et fundament
Svaret er ikke å rydde én gang. Det er å bygge et system som sikrer at riktig data samles inn riktig – hver gang, fra første dag i et prosjekt til siste leveranse.
Det høres enkelt ut. Det er det ikke.
For data blir ikke strukturert av seg selv. Den blir strukturert når organisasjonen jobber likt – når prosjektledere følger de samme fasene, registrerer informasjon på samme måte og bruker de samme kontrollpunktene gjennom hele prosjektet. Ikke fordi noen tvinger dem, men fordi det er den naturlige måten å jobbe på.
Det er forskjellen på å rydde hjemmet én gang og å ha et system for hvor ting alltid skal ligge. Det første gir deg et ryddig hjem i en uke. Det andre gir deg et ryddig hjem for alltid – og du vet alltid hvor nøklene er.
Har man dette på plass, er det harmoni i systemlandskapet. Data slutter å være et biprodukt av arbeidet og blir en ressurs i seg selv. Hver kalkyle som registreres, hvert avvik som dokumenteres, hver fase som signeres ut – alt bygger en kunnskapsbase som vokser for hvert prosjekt som gjennomføres.
Det er her HBR-poenget om Uber blir relevant for prosjektorganisasjoner. Uber har ikke fortrinn fordi de har en bedre app enn Lyft. De har fortrinn fordi de har 61 milliarder historiske turer som gir dem signaler konkurrentene ikke kan gjenskape – uansett hvilken teknologi de investerer i.
For en prosjektorganisasjon er det tilsvarende fortrinnet: hvilke prosjekttyper som historisk leverer margin, hvor avvik typisk oppstår og når det fortsatt er mulig å gjøre noe med dem, hvilke kalkyler som holder og hvilke som ikke gjør det.
Den kunnskapen finnes ikke i noe offentlig datasett. Den kan ikke kjøpes, og den kan ikke kopieres over natten. Den bygges – prosjekt for prosjekt – av organisasjoner som har bestemt seg for at intern erfaring er strategisk kapital.
AI er kanalen dataen kommer ut gjennom. Kilden – den strukturerte, eksklusive historikken ingen andre har tilgang til – det er konkurransefortrinnet.
De som venter utsetter ikke problemet – de utsetter gevinsten
På et webinar arrangert av BDO ble det stilt et enkelt spørsmål: hva gjør de som lykkes med AI?
Svaret var ikke et bestemt verktøy, en bestemt plattform eller en bestemt bransje. Svaret var timing og fundament.
De som allerede har strukturert dataen sin høster gevinsten nå. De startet kanskje ikke med AI som mål – de startet med å få kontroll. Og kontroll krevde struktur. Struktur skapte et datagrunnlag, og datagrunnlaget gjør AI pålitelig.
De som starter i dag vil oppleve en naturlig dupp i starten – det er forventet når man begynner å rydde i egen data og bygge repeterbare prosesser. Det krever tid og ressurser. Gevinsten begynner å vise seg tidligere enn de fleste tror. Allerede fra år 1 vil man se resultater. I år 2 begynner kunnskapsbasen å gi reell verdi. Fra år 3 og utover er kurven stigende – fordi strukturen og historikken som bygges for hvert prosjekt gjør både styringen og AI-en stadig bedre.
De som starter i dag vil se effekt fra år 1. Mer fra år 2. En stigende kurve fra år 3 og utover. De som venter får nøyaktig det samme løpet – bare forskjøvet i tid.
Og de som venter?
De får nøyaktig det samme løpet. Bare forskjøvet i tid.
Det tar ikke kortere tid å rydde i egen data om ett år. Det tar ikke færre ressurser å bygge repeterbare prosesser om to år. Teknologien utvikler seg – det gjør ikke behovet for et solid fundament under den.
De som velger å vente og se, venter ikke på et bedre tidspunkt. De venter på det samme tidspunktet – bare med ett, to eller tre år mindre av den historiske dataen som er hele poenget. Og gapet til de som allerede er i gang blir ikke mindre mens man venter – det blir større. Konkurransefortrinnet deres vokser for hvert prosjekt de leverer, mens andre fortsatt forbereder seg.
De som venter utsetter ikke problemet – de utsetter gevinsten.
Gapet til de som startet tidligere vokser ikke fordi de andre jobber hardere. Det vokser fordi kunnskapsbasen deres blir større, mer presis og mer verdifull for hvert prosjekt de leverer.
Det er ikke teknologi som skaper det gapet. Det er beslutningen om å begynne. Den beslutningen er det eneste som faktisk skiller de som bygger fortrinn fra de som følger etter.
Tre ting må være på plass
Konkurransefortrinnet i neste fase av AI-utviklingen ligger ikke i hvilket verktøy du velger. Det ligger i hva verktøyet lærer av.
Alle får snart tilgang til de samme AI-plattformene. De samme algoritmene. De samme mulighetene. Det som ikke kan kopieres er den strukturerte, eksklusive historikken som er unik for din organisasjon – bygget prosjekt for prosjekt, over år.
For å ta den ut må tre ting være på plass.
Datakildene må være koblet sammen – ERP, fagsystemer, CRM og prosjektdata må snakke samme språk og samles på ett sted.
Dataen må struktureres og sorteres – ikke alt som finnes er verdt å ta med videre, og det krever aktive valg om hva som faktisk gir verdi fremover.
Og outputen må gi mening – rapporter, dashboard og AI-spørringer er ikke bedre enn det som mates inn.
Strukturerte data fra alle kilder – samlet, kontekstualisert og klar til å brukes. Det er forskjellen på styringsinformasjon og støy.
Det er ikke et teknologispørsmål. Det er et beslutningsspørsmål.
Dashboard og AI blir ikke bedre enn datagrunnlaget de henter fra. Strukturerte, riktige data er ikke en forberedelse til å ta i bruk AI – det er selve forutsetningen for at AI gir svar som er til å stole på, og beslutninger som faktisk skiller seg fra konkurrentenes.
AI blir ikke bedre enn datagrunnlaget det henter fra. Fullstendige, strukturerte data er forutsetningen for pålitelig beslutningsgrunnlag.
De beste prosjektorganisasjonene vi jobber med startet ikke med AI som mål – de startet med å få kontroll på prosjektgjennomføringen. Repeterbare prosesser. Strukturerte data. Et felles bilde av porteføljen.
Det som i ettertid viste seg å være det eneste riktige fundamentet for å ta AI i bruk på en måte som faktisk gir pålitelige svar.
Sammenhengen er tydelig: de som har strukturert dataen sin over tid er også de som høster mest av AI nå. Ikke fordi de valgte bedre verktøy – men fordi de har noe å mate dem med.
Konkurransefortrinnet du ikke kan kjøpe er ikke teknologien. Det er kilden ingen andre har tilgang til – din egen erfaring, strukturert og tilgjengelig.
Den bygger du ikke på én dag. Du begynner i dag.