Uden robust arkitektur opgives 60 procent af AI-projekter inden 2026

En ny analyse fra MIT Technology Review peger på en kritisk udvikling i virksomheders brug af kunstig intelligens: Hvis ikke AI-projekter understøttes af en robust arkitektur og AI-klar data, vil 60 procent af alle initiativer blive opgivet inden 2026. Prognosen, der stammer fra researchfirmaet Gartner, understreger et skift i branchen fra eksperimenterende pilotprojekter til krav om industriel skalerbarhed. Samtidig viser en rapport fra Elastic, at 85 procent af IT-beslutningstagere forventer at aktivere observability for store sprogmodeller (LLM) i løbet af 2026 for at styre deres interne generative AI-applikationer.

Denne udvikling er afgørende for danske ledere og specialister, fordi risikoen for fejlinvesteringer er reel. Uden en grundlæggende arkitektonisk struktur bliver AI-systemer ustabile, dyre og potentielt usikre. Det handler ikke længere om at vælge den rigtige model, men om at bygge det rigtige fundament omkring den. For virksomheder, der allerede har allokeret budgetter til AI-transformation, er forskellen mellem succes og fiasko nu defineret af datakvalitet og styringssystemer snarere end selve algoritmen.

Data og kontekst som arkitekturens rygrad

Ifølge MIT Technology Review er der identificeret fire fundamentale elementer, som IT-ledere skal mestre for at skalere AI. Det første og mest kritiske element er data-klargøring i skala. Adnan Adil, CIO hos Elastic, der leverer søge- og observability-løsninger, fremhæver betydningen af dette fundament i en kommentar til udviklingen.

"Data er en holdbar del af AI-arkitektur, for uden det kører modellerne ikke," siger Adnan Adil.

Dårlig datakvalitet leder direkte til hallucinationer og bias i modellernes output, hvilket underminerer tilliden til systemet. Det andet element er kontekst-engineering. Dette indebærer tekniske metoder som RAG (Retrieval-Augmented Generation) og brug af vektordatabaser til at sikre, at modellen modtager præcis den information, den har brug for i en given situation. Uden denne kontekstuelle styring vil selv de mest avancerede modeller levere generiske eller irrelevante svar, hvilket reducerer værdien af implementeringen i en professionel kontekst.

Governance og styring af omkostninger

Skalering af AI bringer udfordringer med sig vedrørende sikkerhed, ydeevne og ikke mindst omkostninger. Derfor er det tredje fundamentale element governance og LLM-observability. Ifølge Elastic-rapporten er det blevet en prioritet for flertallet af IT-ledere at indbygge disse overvågningsmekanismer fra starten. Observability gør det muligt at tracke token-forbrug og API-omkostninger i realtid, hvilket er nødvendigt for at forhindre, at projekter løber løbske økonomisk.

Samtidig sikrer governance-strukturer, at AI-systemerne overholder interne retningslinjer og eksterne regulativer. Uden indbygget kontrol er det svært at auditere, hvorfor en model traf en bestemt beslutning, hvilket er kritisk i regulerede brancher som finans og sundhed. Det er uklart om alle virksomheder har værktøjerne på plads endnu, men tendensen viser et klart skift mod transparens som en forudsætning for drift.

Mennesket i loopet og hardwarens udvikling

Mens software-arkitekturen modnes, udvikler hardware-siden sig også radikalt. En artikel i IEEE Spectrum fra 24. juni 2026 beskriver, hvordan AI nu designer radiofrekvens-integrerede kredsløb (RFIC), der overgår menneskelige design i både hastighed og ydeevne. Artiklen, skrevet af Kaushik Sengupta, pointerer, at AI er "befriet fra intelligibilitet og æstetik", hvilket betyder, at algoritmerne kan skabe designs, som menneskelige ingeniører ikke naturligt ville overveje.

Det er værd at bemærke, at detaljerede tekniske specifikationer og konkrete ydelsestal fra denne udvikling ikke er fuldt tilgængelige, da artiklen kræver IEEE-medlemskab for fuld adgang. Dog indikerer beretningen en fremtid, hvor AI ikke kun kører på hardware, men også designer den. Dette kan få betydning for danske virksomheder inden for telekom og IoT, herunder stærke spillere som Vestas inden for wind-telemetri og Novo Nordisk inden for medicinsk IoT, hvor effektiv dataoverførsel er afgørende.

Parallelt med denne teknologiske udvikling viser Deloittes Tech Executive Survey fra 2025, at 70 procent af respondenterne planlægger at vokse deres teams som direkte svar på generativ AI. Dette står i modsætning til udbredte mediefortællinger om AI-relaterede fyringer. Det fjerde fundamentale element i AI-arkitekturen er netop "mennesket i loopet". Specialiseret ekspertise er afgørende for systemkontinuitet, og høje turnover-rater medfører store omkostninger for virksomhederne. Viden om, hvordan man vedligeholder og styrer disse systemer, bliver en sjælden og værdifuld ressource.

Vejen frem mod stabil AI-drift

Sammenfattende peger data fra midten af 2026 på, at AI-landskabet konsolideres. De virksomheder, der overlever og thrives, er ikke nødvendigvis dem med de mest hypede modeller, men dem der har investeret i de usynlige lag af arkitekturen: datakvalitet, kontekststyring og observability. Med 60 procent af projekter i farezonen hos Gartner er der ikke råd til at overse fundamentet.

For danske IT-ledere betyder det, at fokus skal flyttes fra proof-of-concept til produktionssikring. Det kræver både opkvalificering af eksisterende teams, som Deloitte undersøgelsen vidner om, og en kritisk gennemgang af den tekniske gæld, der ofte opstår ved hurtige AI-implementeringer. Hvis AI skal designe fremtidens chips og styre kritiske forretningsprocesser, skal arkitekturen være lige så holdbar som de ambitioner, den skal bære.