--- title: "Data og workflows | Fundamentet under AI der virker" description: "Datagrundlag og workflows der gør AI brugbar: strukturerede data, opslag i egne dokumenter med RAG, og flows der holder informationen opdateret." url: https://simongrevang.dk/ai/udvikling/data-og-workflows/ last_modified: 2026-09-03 author: Simon Grevang --- [Del af AI-udvikling](https://simongrevang.dk/ai/udvikling/) # Data først, så virker AI bagefter De AI-projekter der falder fra hinanden, fejler sjældent på modellen. De fejler fordi svarene bygger på data der er spredt, forældede eller i strid med hinanden. Et ordentligt datagrundlag er det kedeligste og mest afgørende trin i hele arbejdet. ![Simon Grevang](https://simongrevang.dk/assets/simon-portraet.webp) Simon Grevang Sidst opdateret 3. september 2026 · 7 min læsning Bygger datagrundlag i Postgres og Supabase Book en datasamtale [Se hele udviklingssporet](https://simongrevang.dk/ai/udvikling/) Kort fortalt Data og workflows er fundamentet under en AI-løsning: et sted hvor informationen ligger struktureret og opdateret, og flows der holder den sådan. Struktur data der kan slås op i Friskhed opdateret af sig selv Kontrol I bestemmer hvor det ligger ## Når datagrundlaget står i vejen Fire tegn på at data skal på plads inden der bygges videre. De viser sig som regel først når den første [agent](https://simongrevang.dk/ai/udvikling/ai-agenter/) begynder at svare forkert. AI-svarene lyder rigtige og er forkerte Modellen udfylder hullerne når den mangler noget, og den gør det overbevisende. Uden opslag i jeres egne data er det gætværk med god grammatik. Ingen ved hvad der er den gældende version Prislisten findes i tre udgaver, og proceduren står både i et dokument og i en mail. Det problem bliver ikke mindre af at lægge AI ovenpå. Viden ligger i hovederne De vigtigste vurderinger er aldrig skrevet ned. De kan ikke automatiseres før de er, og det er ofte den største del af arbejdet. Data hentes forfra hver gang Hvert flow trækker sine egne tal og laver sin egen beregning. Så bliver to rapporter uenige, og ingen kan sige hvilken der har ret. ## Grundlaget bygget så agenterne kan bruge det Arbejdet dækker kun det agenterne rent faktisk skal bruge. Et fuldt datawarehouse er sjældent svaret, og det er altid dyrere. Seks trin fra kortlægning til vedligehold. ![Simon Grevang i samtale med en kunde](https://simongrevang.dk/assets/simon-samtale.webp) Det meste af arbejdet handler om at skrive ned hvad folk allerede ved. Kortlægning af kilder Hvor ligger de data løsningen skal bruge, hvem opdaterer dem, og hvor pålidelige er de. Kortlægningen afgrænses til det der er brug for. Struktur og datamodel De data agenterne arbejder på, samles ét sted med en model der kan holde. Postgres eller Supabase dækker de fleste behov uden overbygning. Oprydning Dubletter, forældede versioner og modstridende oplysninger håndteres. Oprydningen begrænses til det løsningen rører ved. Opslag i egne data RAG sættes op, så modellen slår op i jeres dokumenter og tal inden den svarer. Det er forskellen på et svar der passer og et der lyder som om det gør. Workflows der holder det opdateret Data hentes, valideres og opdateres automatisk. Et grundlag der skal vedligeholdes i hånden, forfalder inden for et kvartal. Adgang og governance Hvem må se hvad, hvad sendes videre til en model, og hvad bliver liggende hos jer. Beslutningerne tages bevidst og skrives ned. Book en datasamtale Vi ser på hvilke data løsningen kræver, og hvad der mangler i dag. ## Tre krav til data AI kan bruge Tre egenskaber afgør om en model kan arbejde på jeres data uden at gætte. Samlet Struktur Ét sted at slå op Data spredt over syv systemer kan ikke bruges pålideligt. Der skal være ét sted agenten henter fra. Frisk Opdatering Aktuelt af sig selv Grundlaget skal opdatere sig automatisk. Ellers svarer agenten korrekt på sidste kvartals virkelighed. Sporbar Tillid Kilden kan vises Hvert svar skal kunne pege på hvor det kommer fra. Uden kilde kan svaret hverken efterprøves eller forsvares. ### Det et datagrundlag leveres med Kortlægning af kilder og ejerskab Datamodel der matcher opgaven Oprydning i det løsningen bruger RAG-opslag i egne dokumenter Kildeangivelse på hvert svar Automatisk opdatering og validering Alarm når data holder op med at komme ind Beslutning om hvor data ligger, skrevet ned Adgangsstyring og logning ## Sådan ser arbejdet ud i tal Ét sted agenterne henter fra samme kilde RAG svar bygget på jeres egne data Kilde hvert svar kan spores tilbage EU data kan blive på egen server ## Der hvor datagrundlaget afgør alting En chatbot der skal svare på priser og procedurer, er det tydeligste eksempel. Uden opslag i de faktiske dokumenter svarer den ud fra hvad der lyder rimeligt, og det opdager kunden før I gør. Med RAG hentes de rigtige afsnit ind før svaret formuleres, og svaret kan pege på hvor det kommer fra. Det er også det der gør at en medarbejder kan efterprøve det på ti sekunder. ![Simon Grevang](https://simongrevang.dk/assets/simon-portraet.webp) Simon Grevang Google Partner Det kedelige arbejde med data er det der afgør om AI-projektet holder efter demoen. - [Skrevet og udført af Simon Grevang Selvstændig rådgiver, +15 års erfaring Læs mere om mig](https://simongrevang.dk/om-mig/) ![Google Partner](https://simongrevang.dk/assets/cert-google-partner.webp) ![Google Analytics Qualified](https://simongrevang.dk/assets/cert-analytics.webp) ![Google Ads Search certificeret](https://simongrevang.dk/assets/cert-google-search.webp) ## Det folk spørger om data og workflows ### Hvorfor skal data på plads før AI? En model kan kun arbejde med det den får. Er data spredt, forældede eller modstridende, bliver svarene det samme, og fejlene bliver sværere at få øje på fordi de er formuleret pænt. Datagrundlaget er derfor første trin, ikke et senere forbedringspunkt. ### Hvad er RAG? RAG står for retrieval augmented generation. Det betyder at modellen slår op i dine egne dokumenter og data inden den svarer, i stedet for at svare ud fra hvad den har set under træningen. Det er sådan en agent kan svare på jeres priser og procedurer uden at finde på. ### Skal vi have en database? Ofte ja, og den behøver ikke være stor. Et sted hvor de data agenterne arbejder på, ligger struktureret og opdateret, gør hele forskellen. Postgres eller Supabase dækker de fleste behov. ### Hvor ligger data henne? Det afgør I. Løsningen kan køre på egen server eller hos en leverandør i EU. Der bliver taget stilling til hvor data ligger, hvem der har adgang, og hvad der sendes videre til en model. ### Hvad hvis vores data er rodet i dag? Det er de fleste steder, og oprydningen er en del af arbejdet. Der bliver ryddet op i det agenterne skal bruge, frem for i alting, så projektet ikke drukner i et datawarehouse ingen bad om. ## Skal grundlaget på plads først? Tag en samtale om hvad løsningen skal kunne, så bliver det hurtigt tydeligt hvilke data der mangler, og hvor stort det arbejde er. [Se hele udviklingssporet](https://simongrevang.dk/ai/udvikling/) Skriv til mig ## Andre AI-områder - [AI-agenter Agenter der overtager en afgrænset opgave i din forretning. Læs mere](https://simongrevang.dk/ai/udvikling/ai-agenter/) - [Automatiseringer Manuelle rutiner sat på skinner, uden dobbeltarbejde. Læs mere](https://simongrevang.dk/ai/udvikling/automatiseringer/) - [Integrationer Systemerne taler sammen, så data ikke skal flyttes i hånden. Læs mere](https://simongrevang.dk/ai/udvikling/integrationer/) - [Skræddersyet AI-udvikling Hele udviklingssporet: fra idé til løsning i drift. Læs mere](https://simongrevang.dk/ai/udvikling/) - [AI-produkter Færdige agent-produkter på abonnement med fast pris. Læs mere](https://simongrevang.dk/ai/produkter/) - [Tilbage til AI-udvikling Se hele udviklingssporet: agenter, automatiseringer og integrationer Gå til AI-udvikling](https://simongrevang.dk/ai/udvikling/)