The Holy Trinity: Hvad AI virkelig skal have for at kunne arbejde

En produktionsvirksomhed vil vide, hvilke af dens 14.000 SKU'er der faktisk er profitable. Svaret ligger i tre systemer, der aldrig har udvekslet et enkelt datapunkt med hinanden. Indtil for kort tid siden kostede det tre afdelinger, to uger og en del god vilje at få det. Siden begyndelsen af 2026 kan en AI besvare det spørgsmål på minutter: søge data igennem, skabe sammenhænge, producere en anbefaling. Forudsat at den har adgang.

Modellerne er klar. De handler, udfører opgaver på tværs af flere trin og systemgrænser, forbereder beslutninger, sætter workflows i gang. Mange virksomheder har allerede fået et første indtryk af det gennem Copilot, men Copilot kender M365-universet: mails, dokumenter, kalender. Den, der vil sætte AI ind på de data, som bærer selve forretningen, på ERP, CRM, IoT og produktionssystemer, har brug for et andet fundament.

Det fundament består af tre dele. Vi har bygget hver enkelt af dem som managed service, hver af dem går i produktion på tre til fire uger, og sammen udgør de den platform, hvor AI kan udføre reelt arbejde.

For det første: data, der er en forespørgsel værd

Tilbage til de 14.000 SKU'er. Produktionsdata sidder i ERP, salgstal i CRM, og et sted midt imellem vedligeholder en enkelt person et regneark, som tilfældigvis er den eneste kilde til en forretningskritisk KPI. Det er ikke et særtilfælde. Det er reglen. Og så længe de data ligger i adskilte systemer, har AI ikke noget sammenhængende blik på forretningen.

En lakehouse-arkitektur løser det i tre lag: rådata fra kildesystemerne (Bronze), kuraterede og validerede datasæt (Silver), business-aggregater, der flyder direkte ind i analytics- eller AI-pipelines (Gold). Om det kører på Databricks eller Fabric afhænger af kravet. Begge virker. En hybrid af de to gør det også.

Azure Data Foundation er vores managed service til det. Den integrerer data fra ERP, CRM, IoT og andre kildesystemer i én enkelt platform, fuldt ud defineret som Infrastructure as Code, med automatisk drift detection, gennemgående data governance via Unity Catalog eller Purview og rollebaseret adgang for business users, analytikere og data engineers på lige fod. Den praktiske konsekvens: En virksomhed med dette fundament kan for første gang stille spørgsmål, der før var ubesvarlige, ikke fordi man ikke ville, men fordi data nok var der, men aldrig forbundet.

For det andet: et sted, hvor workloads faktisk kører

At have data er det ene. At gøre noget med dem, der rækker ud over en enkeltstående forespørgsel, er det andet. AI-anvendelser, automatiseret business-logik, langvarige jobs: Alt, der autonomt og gentagne gange tilgår virksomhedsdata, har brug for et runtime-miljø, man kan kontrollere. Det miljø består, uanset om det var planen eller ikke, af containere.

Azure Container Foundation leverer den ramme: en standardiseret containerplatform på basis af Azure Container Apps eller Azure Kubernetes Service, alt efter workload. Ensartede netværksadgange, central autentificering via Entra ID med Managed Identities, gennemgående monitorering. Alt administreret via Terraform og GitHub, alt reproducerbart.

Hvad det muliggør: I stedet for at hvert team rejser sin egen cluster og definerer sine egne regler, findes der en fælles ramme, hvor workloads ikke kun kører, men også bliver ved med at kunne styres. Det er forudsætningen for at give dem autonomi.

For det tredje: stedet, hvor modeller bliver til agenter

En model er endnu ikke en agent. Mellem en sprogmodel og noget, der pålideligt registrerer ordrer, kontrollerer fakturaer eller eskalerer servicesager, ligger en mængde uspektakulært arbejde: hvilken model, hvilke værktøjer, hvilke datakilder, hvilke værn, og hvad der sker, når agenten tager fejl. Det arbejde skal foregå et sted, sporbart og gentageligt, ikke i en notebook på en enkelt persons laptop.

Azure AI Foundation er vores managed service til det lag, sat op oven på Microsoft Foundry (tidligere Azure AI Foundry): modelkatalog, agent-orkestrering, tilkobling til værktøjer og datakilder, evaluering og observability på ét sted. En agent, der bliver bygget her, tilgår data og workloads via de samme Entra-identiteter som resten af landskabet, kører mod de værn, man har defineret, og efterlader et spor, der kan revideres.

Vi leverer den defineret som kode, med rollebaseret adgang, content-filtre og netværksgrænser, der ikke er til diskussion, og med en deployment-vej, der bringer en agent fra udvikling i produktion, uden at nogen skruer på noget i hånden. Først dermed holder en agent op med at være en prototype og bliver til noget, en virksomhed faktisk kan drive.

The Holy Trinity

Tre byggeklodser, hver produktiv på tre til fire uger, hver anvendelig alene, tilsammen den platform, hvor AI ender der, hvor værdien faktisk skabes i virksomheden.

Azure Data Foundation giver AI adgang til de data, der beskriver forretningen. Azure Container Foundation giver dens workloads et sted, hvor de kan køre, varigt og kontrolleret. Og AI Foundation er stedet, hvor de data og de workloads bliver til en agent, man kan bygge, kontrollere og drive.

Sætter man alle tre sammen, har man den grund, hvor AI holder op med at opsummere og begynder at arbejde.