Der er en samtale jeg hører igen og igen hos virksomheder der vil have AI til at "forstå" deres viden.
Den starter typisk sådan her: "Vi har vores procedurer, vores dokumenter, vores e-mails — men AI'en finder ikke det rigtige. Vi har brug for bedre søgning."
Løsningen leverandørerne tilbyder er altid teknisk og altid dyr: embeddings, vektordatabaser, RAG-pipelines. Ord der lyder imponerende og koster derefter.
Problemet er bare at løsningen sjældent er det, der mangler.
Hvad embeddings faktisk løser
Embeddings er en AI-teknik der kan finde sammenhænge i ustruktureret tekst. Hvis du har 50.000 dokumenter uden links, kategorier eller hierarki — en masse råfiler der bare ligger der — kan embeddings opdage at "personaleudgifter" og "lønomkostninger" handler om det samme, selvom ordene er forskellige.
Det er teknisk set imponerende.
Men det er et nødhjælpsværktøj. Det er en løsning på et problem der opstår, når viden ikke er organiseret.
Og her er det afgørende spørgsmål: Har din virksomhed et søgeproblem — eller et strukturproblem?
Forskellen på de to problemer
Et søgeproblem ser sådan ud: Medarbejderne ved at informationen findes, men kan ikke finde den hurtigt nok.
Et strukturproblem ser sådan ud: Ingen ved præcis hvad der findes, hvor det er, eller om det stadig er gyldigt.
De fleste virksomheder har et strukturproblem. De køber en søgeløsning. Det hjælper ikke.
Embeddings kan ikke reparere viden der er forældet, modstridende eller aldrig blev skrevet ned. De kan bare finde den hurtigere.
Strukturen er semantikken
Her er indsigten der ændrer samtalen:
Når en medarbejder skriver en procedure og eksplicit linker den til den afdeling den gælder for, den lovgivning den refererer til og det system den bruges i — har hun allerede kodet sammenhængen. Den er ikke implicit. Den er besluttet.
En embedding-model ville forsøge at gætte disse sammenhænge fra teksten. Men gættet er altid dårligere end beslutningen.
Det lyder banalt. Men konsekvensen er alvorlig: Virksomheder der investerer i at strukturere deres viden — ikke bare gemme den — behøver ikke dyr AI-søgeteknologi. Strukturen gør arbejdet.
Den virksomhed der bruger et halvt år på at rydde op i procedurer, navngive dem konsekvent og linke dem til hinanden, vil have bedre resultater med simpel søgning end den virksomhed der hælder ustrukturerede dokumenter ind i en vektordatabase.
Hvornår embeddings giver mening
Der er et legitimt scenarie: du modtager store mængder ekstern tekst som du ikke selv har skrevet og ikke kan strukturere manuelt. Kontrakter, tilbud, journaler, kundemailes. Her kan embeddings hjælpe med at finde mønstre du ikke selv kunne have skabt eksplicitte links til.
Men selv her: strukturen du selv har bygget — din viden om virksomheden, jeres processer, jeres kontekst — den behøver ikke embeddings. Den er allerede semantisk kodet, hvis den er ordentligt organiseret.
Det rigtige spørgsmål
Før du køber en RAG-løsning, en vektordatabase eller en AI-søgemaskine — stil dette spørgsmål:
Hvis vores viden var perfekt organiseret og opdateret, ville vi stadig have et søgeproblem?
Svaret er næsten altid nej.
Og det betyder at investeringen ikke skal gå i teknologi. Den skal gå i at beslutte hvad I ved, hvem der ejer det, og hvordan det hænger sammen.
Det kræver ikke et AI-budget. Det kræver lederskab.