# Data er ikke den nye olie, de er fundamentet > Kunstig intelligens er kun så god som de informationer, den får. Hvorfor data ikke er et biprodukt, men fundamentet under enhver vellykket AI-implementering. *Published: 2026-04-05* *Source: https://vellmerk.ai/da/blog/daten-als-fundament* I årevis har vi hørt den samme sætning: „Data er den nye olie.“ Et smukt billede, men det fører på vildspor. Olie er et råstof, man udvinder, raffinerer og brænder af. Data er noget andet. Data er fundamentet, som alt hviler på. Forestil jer kunstig intelligens som et hus. Alle taler om arkitekturen, facaden, de smarte features. Men ingen spørger: Hvor bæredygtigt er fundamentet? På tværs af flere kundeprojekter ser Vellmerk.ai det samme mønster igen og igen: De fleste AI-projekter fejler ikke på teknologien, men på informationsgrundlaget. ## Informationsfundamentet Hvad mener vi konkret med fundament? Det er alt, hvad en AI har til rådighed for at løse en opgave. I praksis møder vi forskellige begreber for det: **Prompt engineering**: kunsten at stille en AI det rigtige spørgsmål og give den den rigtige kontekst. Det lyder trivielt, men det er det ikke. Forskellen mellem et middelmådigt og et fremragende AI-svar ligger næsten altid i prompten. **Context engineering**: det næste skridt: ikke kun at optimere spørgsmålet, men systematisk at forme hele den informationskontekst, som AI'en modtager. Hvilke dokumenter, hvilke regler, hvilke eksempler indgår? **Data management**, hvis vi træder endnu et skridt tilbage: Hvordan er virksomhedens data struktureret, vedligeholdt og tilgængelige? Her taler vi om datakvalitet, dataarkitektur og governance: grundlaget, alt det øvrige bygger på. Alle disse begreber beskriver i kernen det samme: forskellige niveauer af det samme informationsfundament. Og alle skal være på plads, for at AI fungerer pålideligt. ## Jo højere huset er, desto dybere fundamentet En simpel chatbot, der besvarer FAQ, har brug for et overskueligt fundament: en ren videnbase, klare formuleringer, færdig. Men en AI-agent, der selvstændigt styrer forretningsprocesser, træffer beslutninger og interagerer med eksterne systemer? Den har brug for et massivt fundament. Og her ligger problemet: Mange virksomheder vil have penthouselejligheden, men har fundament til et havehus. Følgen kender vi alle, under forskellige navne: **Hallucinationer**: AI'en opfinder informationer, fordi den mangler de rigtige data. **Fejl i automatiserede processer**: workflowet kører, men resultaterne er forkerte, fordi inputdataene er ufuldstændige eller forældede. **Inkonsistente svar**: det samme spørgsmål giver forskellige resultater, fordi konteksten ikke er reproducerbar. Som regel er det ikke teknologiproblemer. Det er dataproblemer. ## Det ubekvemme blik i spejlet Nu bliver det ærligt: Når vi taler om „kunstig intelligens“, lyder det som en selvstændigt tænkende entitet. Men det er det ikke. Det, vi kalder AI, er i kernen højkompleks stokastisk databehandling. Ingen bevidsthed, ingen intuition, matematik, der bygger på sandsynligheder. Og det betyder: Når resultatet ikke er rigtigt, skyldes det i de fleste tilfælde ikke regneoperationen, men det, vi har puttet ind i den forreste ende. > „Når AI'en laver fejl, må vi være ærlige: Som oftest skyldes det ikke AI'en, men os. De data, vi har givet den. Eller netop ikke givet den.“, Thorsten Vellmerk Det gamle princip „garbage in, garbage out“ er mere aktuelt end nogensinde. Blot er konsekvenserne i dag større, fordi AI-systemer indsættes i stadig mere kritiske processer. ## Fra fundament til en use case, der flyver Den gode nyhed: Fundamentet kan bygges. I sin rådgivning starter Vellmerk.ai derfor ikke med spørgsmålet „Hvilket AI-værktøj skal vi købe?“, men med: „Hvordan ser jeres datagrundlag ud? Og hvad kræver jeres use case egentlig?“ Nogle gange er det nok at strukturere eksisterende dokumenter ordentligt. Nogle gange kræver det en gennemgribende ændring af dataarkitekturen. Og nogle gange viser det sig, at den ønskede use case slet ikke fejler på AI'en, men på manglende processer forinden. Netop det at finde ud af, hvilket fundament I har brug for, så jeres konkrete use case kan flyve: det er det, Vellmerk.ai gør hver dag. > „Data er ikke den nye olie. Olie brænder man af. Data er fundamentet, og på et godt fundament kan I bygge så højt, som I vil.“, Thorsten Vellmerk ## Konklusion Før I tænker på AI-værktøjer, agenter eller automatisering: Kig på jeres fundament. Er jeres data rene, tilgængelige og fuldstændige? Er den kontekst, jeres AI modtager, virkelig det, den har brug for? Holder grundlaget, som alt bygger på? Hvis I er i tvivl, er det netop det, vi er her for. **Tag kontakt til os**, Vellmerk.ai hjælper jer med at bygge det rigtige fundament for jeres AI-forehavender. ## Om Vellmerk.ai Vellmerk.ai er et AI-rådgivningsfirma (dansk ApS) grundlagt af Thorsten Vellmerk. Med over 20 års proces- og IT-erfaring og flere års praktisk AI-rådgivning hjælper Vellmerk.ai SMV'er og offentlig forvaltning med at bruge AI praksisnært og suverænt, fra strategi til lokal, on-premise-klar implementering. Afprøvet i flere kundeprojekter. [Book en indledende samtale](/da/contact). ## Ofte stillede spørgsmål ### Hvorfor er data vigtigere end AI-modellen? Fordi selv den bedste model kun er så god som de data, den arbejder på. Modeller er i dag stort set udskiftelige byggeklodser, den egentlige værdi ligger i dine data og deres kvalitet. Dårlige, ufuldstændige eller ustrukturerede data fører pålideligt til dårlige resultater, uanset hvor kraftfuld modellen er. ### Hvad betyder datakvalitet for AI konkret? Datakvalitet betyder, at data er til stede, tilgængelige, konsistente, aktuelle og tilstrækkeligt strukturerede til den planlagte anvendelse. Det betyder også, at det er klart, hvad data betyder, og hvor de stammer fra. For AI er det ikke den største datamængde, der tæller, men det datagrundlag, der passer til opgaven og er pålideligt. ### Skal alle data være perfekte, før AI kan gå i gang? Nej, og at vente på det ville være en fejl. Du behøver ikke et perfekt, virksomhedsdækkende datagrundlag, men et tilstrækkeligt godt datafundament til den konkrete første anvendelse. Dataarbejde og AI-indførelse kører bedst parallelt: man starter fokuseret, lærer og forbedrer datagrundlaget videre, hvor det betaler sig. ### Hvad er det første skridt mod et AI-egnet datagrundlag? At skaffe sig et ærligt overblik: Hvilke data findes der, hvor ligger de, i hvilken kvalitet, og hvem må bruge dem? Først ud af denne kortlægning viser det sig, hvilken anvendelse der realistisk fungerer først. Ofte er den største løftestang ikke et nyt værktøj, men orden og adgang til allerede eksisterende data.