Datastrategi: hva det er, og hva den må svare på for AI

Ledergruppen spør om dere er klare for AI, mens teamene drar hver sin vei. Datastrategien er dokumentet som velger hva som bygges først i lagene under AI-ambisjonen, og hva som velges bort. Artikkelen viser hvilket problem den løser, hva den bør inneholde, hvilken form den har, og hvordan dere prioriterer når alle tiltak ser like viktige ut.

Kort fortalt: En datastrategi sier hvordan data skal utnyttes for å nå forretningsmålene, hvem som eier dem, hvilken plattform som trengs og hvilken kompetanse som må bygges. Problemet strategien løser, er at dataarbeidet ellers blir tilfeldige brukstilfeller rundt om i virksomheten, uten oppmerksomheten og pengene fra ledergruppen som trengs for å investere i helhet. AI har gjort strategien viktigere. AI-ambisjonen står nå oftest øverst i behovshierarkiet, og strategien må gi retning for de fire lagene under.

Data engineers bygger pipelines for det de tror analytikerne trenger. Analytikerne lager rapporter ingen bestilte. IT-direktøren vil ha en oversikt over datakvaliteten, og CDO-en vet ikke helt hva som er i bruk. Og ledergruppen spør om vi er klare for AI.

Hvert initiativ har gode intensjoner. Hardt arbeid er nytteløst hvis alle drar i ulike retninger, og buzzwords får bismak hvis vi ikke har definert hva ordene innebærer for virksomheten.

Mange har en datastrategi som kretser rundt det som er mest avansert, og det som oppleves som mest spennende: AI, språkmodeller, prediksjon, automatisering. De fleste virksomheter mangler fortsatt vann og brød: tilgang til dataene, en plattform som er stabil, og enighet om hva en kunde er. Denne artikkelen svarer på hvilket problem en datastrategi løser, hva som skjer uten, hva den bør inneholde, hvilken form den har, og hvordan dere prioriterer når alle tiltak ser like viktige ut.

Hva er en datastrategi, og trenger dere egentlig en?

En datastrategi er en plan for hvordan virksomheten skal bruke data for å nå forretningsmålene. Strategien sier hva data skal brukes til, hvem som eier og forvalter dataene, hvilken arkitektur og plattform som trengs og hvilken kompetanse organisasjonen må bygge. En datastrategi er ikke en teknologistrategi. Den begynner med forretningsmålene og ender i eierskap, datakvalitet og leveranse.

Så til innvendingen. Sebastian Hewing i Data Action Mentor refererer en debatt med en tidligere McKinsey-partner, en tidligere leder for datastrategi i Capgemini og en CDO i en stor europeisk markedsplass. Alle var enige om at data skal tjene forretningsstrategien, og at navnet på dokumentet er underordnet. Den mest kontroversielle påstanden var denne:

Vi er enige i rekkefølgen, og uenige i at rekkefølgen gjør dokumentet overflødig. Valgene om hva dere bygger først, hvem som eier hva og hva dere lar ligge, må stå skrevet et sted. Kall dokumentet hva dere vil. En datastrategi kan være et nødvendig virkemiddel for å få oppmerksomhet i ledergruppen til å investere i helhet, fremfor å løse tilfeldige brukstilfeller rundt om.

Tristan Burns, som har ledet data og analyse i Pizza Huts digitale virksomhet, går ett steg tilbake. Hans første datastrategi besto av punkter som «Deploy this tool by this date. Close all tickets in 24 hours. Create a suite of dashboards.» Han antok at det lå en forretningsstrategi over ham å rette seg etter, og fant en liste med ambisjoner og mål uten valg bak, ledelsens utgave av den sjekklisten han selv hadde laget. Kjennetegnet på en aktivitetsliste forkledd som strategi er at hvert punkt er noe som skal gjøres innen en dato, ikke et valg om hva som prioriteres bort. Finn ut om forretningsstrategien er en strategi før dere retter datastrategien mot den.

Hva skjer uten en datastrategi?

I de fleste tilfeller betyr ikke fraværet av en etablert datastrategi at virksomheten mangler en, men at den har mange små datastrategier. De små strategiene finnes i data engineerens oppgaveliste, i verktøyvalget fra 2019 og i analyseteamets måte å sette opp rapporter på. Hver av dem har sin egen logikk. Samlet gir de ingen retning virksomheten har tatt stilling til.

I dag har de fleste team hørt at alt handler om AI og agenter, slik de for noen år siden hørte at data var den nye oljen, gjennom data science og big data. Uten en felles retning finner hvert team sin egen løsning, og teamene drar hver sin vei. De som jobber med data får også vanskelig for å prioritere riktig: uten en strategi finnes det ingenting å måle et tiltak mot, så det nyeste ønsket eller den som roper høyest, vinner.

Resultatet er at data havner i siloer, løsningene får kort levetid, og vi ansetter feil folk fordi vi ikke ser hvilken kompetanse som trengs. Hvert team rekrutterer for seg, med overlappende roller og sentrale behov ingen eier. Veien til mål blir stadig lengre.

Én datastrategi betyr ikke at alt dataarbeid må henge sammen. En stor virksomhet kan med vilje dele dataarbeidet i flere mindre områder, med egne team, egne prioriteringer og kanskje egen plattform. Forskjellen er at delingen er bevisst: strategien sier hvor grensene går, hva som skal være felles på tvers, og hvem som eier det felles. Mange små datastrategier er det dere får når ingen har tatt valget om hvor grensene går.

Datastrategiens behovshierarki: AI står på toppen

En datastrategi kan leses som en slags Maslow-pyramide, der behovene bygger på hverandre. Nederst ligger tilgang til data, så stabil drift, så tillit til tallene, så fart og gjenbruk, og øverst AI og prediksjon. AI gjør ikke lagene under overflødige, og derfor må strategien si hva som skal på plass i hvert av dem.

Grunnbehov er det dere må ha først: tilgang til data, ryddige kilder, avtaler, pipelines ut av kildesystemene, en plattform som kan lagre og prosessere, og et minimum av felles måte å jobbe på. Uten grunnbehovene blir AI-strategien en presentasjon og en backlog.

Stabilitet og flyt er det alle merker når det mangler: DataOps-praksis, CI/CD for data, overvåking, kostkontroll og standarder for hvordan data hentes inn, transformeres og gjøres tilgjengelige. Laget for stabilitet avgjør om plattformen bare virker, eller alltid brenner.

Tillit og forutsigbarhet er laget som gjør at folk slutter å åpne Excel: felles definisjoner, dataeierskap, datakvalitet, datalinje, tilgangsstyring og tydelige beslutninger om hva som er sant. Uten dette laget finnes samme KPI i tre versjoner, og alle har sin egen rapport. Hvor gode dataene må være, og hvem som bestemmer det, skriver vi om i artikkelen om datakvalitet.

Mestring og fart er der verdien ofte ligger: gjenbrukbare dataprodukter, et semantisk lag med felles nøkkeltall, selvbetjening, korte ledetider og eksperimentering som ikke knekker produksjonen. I dette laget begynner dataarbeidet å kjennes modent.

AI og prediksjon er toppen: AI-bruksområder, prediktive modeller, autonome beslutninger, personalisering. Veldig gøy. Veldig dyrt uten lagene under.

Tallene viser hvor de fleste står. McKinsey fant i juni 2026 at bare 7 prosent av selskapene har skalert AI i hele virksomheten, og at over to tredjedeler av de som lykkes best, peker på data som det største hinderet. Gartner spådde i februar 2025 at virksomheter vil forlate 60 prosent av AI-prosjektene som ikke har AI-klare data, fram til og med 2026.

Poenget er ikke at dere skal droppe AI, men at AI forsterker fundamentet dere allerede har, godt eller dårlig. Har dere rot i definisjoner og eierskap, sprer AI rotet raskere og i større skala. Infrastrukturen blir dyrere, og fallet blir høyere når ledelsen og styret spør hva de fikk for pengene. Derfor må datastrategien gi retning også for lagene under spissen av pyramiden.

Strategien knytter mål til tiltak

En datastrategi uten kobling til forretningsmålene er en teknologiplan. Det første spørsmålet strategien svarer på, er hva virksomheten skal oppnå de neste to til tre årene, og hvilken rolle data skal spille i de målene. Det neste spørsmålet er hvilke beslutninger dataene skal støtte. Et initiativ som ikke kan navngi beslutningen det tjener, er ikke modent nok til å prioriteres.

Datastrategien definerer veien fra hvor du er i dag, til der du ønsker å være i fremtiden. Å fastsette hvor man befinner seg nå, er det første steget i enhver reise. De samme målene har ulik betydning for ulike virksomheter, helt enkelt fordi virksomhetene har ulike mennesker, kulturer, teknologier og budsjetter. Noen virksomheter har svært kompetente datafolk, men mangler de riktige prosessene. Andre har en flott, moderne arkitektur, men lav modenhet på data i virksomheten. Forskjellene gir ulike veier, selv om målene er de samme.

I praksis måler dere avstanden mellom ambisjon og nåsituasjon. Ambisjonen kan være personaliserte kundereiser i sanntid. Nåsituasjonen kan være at kundedataene ligger i fem systemer, uten en felles definisjon av hvem en kunde er. Hvor data gir verdi, skriver vi om i Fem steder data gir verdi, og hvordan dere kommer dit, i Slik skaper du verdi fra data.

Prioritering er å velge bort

En datastrategi handler i stor grad om å sette prioriteringer. Enkelte virksomheter bruker ordet «prioritet» løst, og bruker ordet om alt de tenker er viktig. Men å prioritere handler ikke om å sette klistremerker på alt du ønsker deg, og hvis du fokuserer på alt fokuserer du egentlig ikke i det hele tatt. Å prioritere handler om å ta avgjørelser om hvordan vi skal bruke tid og ressurser for å nå målene våre. Å prioritere innebærer også å ta avgjørelser om hva du ikke skal bruke tid på.

Vi er ofte nølende til å bruke negative ord, og å si at vi ikke skal prioritere noe, eller at vi ikke kan gjøre noe. Vi ønsker å fokusere på de verdifulle tingene vi skal bruke tiden på. Nølingen har dessverre en tendens til å straffe seg. Når gamle antakelser om prioriteringer ikke blir adressert, vil folk tenke (eller i hvert fall håpe) at de gamle prioriteringene fortsatt gjelder. Å gjøre det helt tydelig hva vi ikke skal bruke tid på er en kjempefin måte å gjøre det tydelig hva vi faktisk skal bruke tid på, og tydeligheten gjør at vi unngår diskusjoner og omkamper på et senere tidspunkt.

Prioriteringen har fått en metode. Nick Zervoudis beskriver en runde i et stort forbruksvareselskap etter at finansdirektøren spurte hva de skulle gjøre med AI. Teamet kartla 24 kandidater som problemer, ikke som løsninger, og vurderte dem på gjennomførbarhet og datamodenhet. 11 gikk videre. 4 ble anbefalt, hver med en beslutningssak på én side: verdi over fem år, kostnad, hva som blokkerer og hva de avhenger av. De fleste av de sju som falt bort var også lønnsomme, bare dårligere alternativ når avhengigheter og tid ble regnet inn. Et av spørsmålene han vil at folk stiller i hvert slikt møte: hva skjer hvis vi ikke bygger dette?

Et nyttig skille går mellom tre typer tiltak, og en god datastrategi har alle tre.

Vi har sett virksomheter bruke store ressurser på avanserte analyseprosjekter, og så oppdage at grunnleggende masterdata for kunder og produkter spriker mellom kildesystemene. Prosjektet stoppet ikke fordi ideen var dårlig, men fordi forutsetningene ikke var på plass.

Hva bør datastrategien inneholde?

Det finnes ingen fasit, men sju komponenter går igjen i datastrategiene som virker. De følger lagene i pyramiden: forretningsmålene som rammer, arkitektur og plattform i de to nederste lagene, eierskap og datakvalitet i laget for tillit, dataprodukter i laget for fart, AI-modenhet på toppen, og organisasjonen som skal levere alle komponentene. Kartlegg hvor dere står langs hver av de sju, og legg innsatsen der gapet mellom ambisjon og nåsituasjon er størst.

1. Forretningsmål og beslutninger. Strategien starter med hva virksomheten skal oppnå, ikke med hvilke data dere har. Sebastian Hewing åpnet tidligere dataprosjekter med tre spørsmål han nå hopper over: hvilket BI-verktøy skal vi bruke, skal vi bygge sanntid, og hvordan skal arkitekturen se ut. Resultatet ble en dashbordfabrikk og tapt tillit hos toppledelsen. Han starter nå med hvor selskapet står, hvor det skal om tolv måneder, og hvem som tar beslutningene.

2. Arkitektur og plattform (lag 1 og 2). Hvilken teknisk arkitektur skal strategien bygges på: plattformvalg, integrasjonsmodell og dataflyt mellom systemer? Arkitekturen følger av bruksområdene, ikke omvendt. Hva en dataplattform er og bør inneholde, og når distribuert eierskap passer, står i guidene under Les videre.

3. Eierskap og forvaltning (lag 3). Hvem eier hvilke data, og hvem er ansvarlig for at de er riktige, tilgjengelige og brukt innenfor regelverket? Uten klare eiere oppstår ansvarshull som verken IT eller forretningssiden tar. Da Gartner spurte 248 dataledere høsten 2024, svarte 63 prosent at de ikke hadde, eller ikke visste om de hadde, forvaltningspraksisen AI krever. KI-forordningen krever datastyring og dokumentasjon for høyrisikosystemer, og den nye dataforvaltningsloven stiller krav til metadata om dataene som deles. Ingen av delene lar seg oppfylle uten at noen eier dataene. Les mer i artikkelen om dataeierskap.

4. Datakvalitet (lag 3). Thomas Redman anslår i MIT Sloan Management Review at dårlige data koster de fleste selskaper 15 til 25 prosent av omsetningen, i feilretting, dobbeltsjekking og feilene som følger. Det er et anslag, ikke en måling, og det høres voldsomt ut, men vi ser effektene nesten daglig. Strategien bør si hva som er god nok kvalitet for hvert formål, hvem som opprettholder kvaliteten, og hvordan den måles.

5. Dataprodukter (lag 4). Hvordan skal data leveres til de som trenger dem? Et dataprodukt er mer enn et datasett i en database: en leveranse med eier, dokumentert kvalitet og kjent format, laget for at en bestemt mottaker skal kunne bruke dataene uten å spørre. Strategien bør si hvilke dataprodukter som bygges først, og hvem som eier dem.

6. AI-modenhet (lag 5). Her må strategien svare på tre spørsmål.

1. Hvilke AI-bruksområder kommer først, og hva er godt nok for hvert av dem? «Godt nok» defineres per bruksområde, for en modell som foreslår neste produkt tåler mer støy enn en som godkjenner et lån.
2. Hvilke data, definisjoner og eiere må være på plass før det første bruksområdet settes i drift?
3. Hvordan skal en AI-agent finne ut hva dataene betyr, uten å spørre? Travis Thompson bruker et eksempel i Modern Data 101: en analytiker som møter en kolonne som heter flag_A, kan spørre hva den betyr. En agent kan ikke. Agenten antar, og handler.

Metadata, styring, semantikk og tilgang, altså det agentene trenger, er i stor grad plattformen og forvaltningen dere bygger. Darpan Vyas skriver i Modern Data 101 at det meste av infrastrukturen som skal til for å styre agenter, allerede finnes i dataplattformen, bygget for styring, datalinje, tilgangskontroll og overvåking. Modenhet for agenter hører derfor hjemme i komponentene over. Hvordan metadata og ontologi gjør dataene lesbare for en maskin, har vi skrevet om i en egen artikkel.

7. Organisasjon, roller og kompetanse. Dataambisjoner uten menneskene og strukturene til å gjennomføre dem forblir planer. Strategien bør beskrive hvilke roller som trengs (data engineers, analytikere, dataforvaltere, produkteiere for data osv.), hvor mange årsverk hver rolle krever, hvordan rollene er organisert, og hvilken kompetanse som må bygges eller kjøpes inn. Et anslag på årsverk per rolle gjør strategien mulig å budsjettere, og viser ledergruppen hva ambisjonen koster i folk.

Strategien trenger ikke å dekke alle sju komponentene like grundig. Den skal dekke de viktigste, og si hvilke som får mindre plass nå.

Hvilken form har datastrategien, og når er den levert?

En datastrategi er et kort dokument og et veikart, ikke en rapport. Dokumentet har fire deler: visjonen for rollen data skal spille for forretningsstrategien, nåsituasjonen langs de sju komponentene, de prioriterte satsingene med eier, kostnad og tidspunkt, og lista over det dere ikke skal bruke tid på. Veikartet sier hvilke endringer som må på plass til hvilken tid, og hvilke tiltak dere starter med de første månedene. Modenhetsvurderingene, arkitekturvurderingene og brukstilfellene som ble vurdert og lagt bort, ligger som vedlegg.

Datastrategien er levert når fem ting er på plass:

1. Ledergruppen har vedtatt den, og satsingene har fått budsjett.
2. Hver satsing har en eier og en dato, og lista over det dere ikke skal gjøre, står i dokumentet.
3. Hver av de sju komponentene har fått en retning, også de dere lar ligge til senere.
4. De første tiltakene er i gang, ikke bare vedtatt.
5. Strategien brukes i prioriteringsmøtene, og de ansatte vet at den finnes.

Et dokument som er skrevet, men verken vedtatt, budsjettert eller i bruk, er en presentasjon.

Datastrategien må gjøres kjent

En datastrategi har to målgrupper: de som skal bygge, og de som skal lede. For teamene gir den retning, altså hva vi bygger, og hvorfor. For ledergruppen gir den sammenheng: hva vi investerer i, hva de kan vente seg, og hva det avhenger av. Mange datastrategier strander når de skal forankres og besluttes.

Datastrategien må være kjent av de ansatte, også de som ikke skal bidra i gjennomføringen. Å gjøre strategien kjent krever at vi viser eierskap til den og snakker om den, mye mer og til et bredere publikum enn vi tror er nødvendig. Målet med kommunikasjonen er ikke nødvendigvis å overbevise eller å hente støtte, men å unngå misforståelser og utviklingen av mange små strategier.

En datastrategi som lever i en presentasjon, men ikke i prioriteringsmøtene, er et tegn på at forankringen mangler. Colin Hardie skriver i Context & Chaos at et datateam uten plass når strategien diskuteres, er en ordremottaker, uansett hvor dyktige folkene er. Dersom du allerede har en datastrategi, bør du forsikre deg om at den er sterk og står støtt. En ustødig datastrategi har de samme konsekvensene som mangelen på en datastrategi.

Tre spørsmål før dere skriver

Før dere setter i gang med dokumentet, bør dere kunne svare på tre spørsmål.

1. Finnes det en forretningsstrategi med valg bak, eller en liste med ambisjoner og datoer? Ligner forretningsstrategien på Burns’ sjekkliste, med verktøy og frister og ingenting som velges bort, starter jobben der.
2. Hvilke beslutninger skal dataene støtte de neste tolv månedene, og hvem tar beslutningene?
3. Hva slutter dere med når strategien er vedtatt?

Kan dere svare på alle tre, har dere det meste av en datastrategi. Resten er å skrive strategien ned, gi hvert lag i pyramiden en retning, og snakke om den oftere enn dere tror trengs.

Vi i Glitni hjelper norske virksomheter med datastrategi, fra en kartlegging av hvor dere står langs de sju komponentene til et veikart som sier hva dere bør gjøre først. Send oss en melding hvis dere vil ha en prat om hvor dere bør starte.

Vanlige spørsmål om datastrategi

Hva er en datastrategi? En datastrategi er en plan for hvordan virksomheten skal bruke data for å nå forretningsmålene. Den sier hva data skal brukes til, hvem som eier og forvalter dem, hvilken arkitektur som trengs, og hvilken kompetanse som må bygges. Den er ikke en teknologistrategi, og den sier like mye om hva dere ikke skal gjøre som om hva dere skal gjøre.

Hva er forskjellen på en datastrategi og en AI-strategi? AI-strategien sier hva dere vil oppnå med AI, og hvilke bruksområder som kommer først. Datastrategien sier hva lagene under må kunne for at AI-strategien skal lykkes, altså tilgang til data, stabil drift, tillit til tallene og gjenbrukbare dataprodukter. En AI-strategi uten datastrategi blir en presentasjon og en backlog med ubesvarte spørsmål.

Trenger alle virksomheter en datastrategi? Nei. En liten virksomhet med én eller to databrukere trenger ingen egen datastrategi, bare en forretningsstrategi som bruker data. Virksomheter med egne datateam, flere systemer og ambisjoner om AI trenger valgene skrevet ned et sted, uansett hva dokumentet heter. Uten et slikt dokument får dere mange små datastrategier i stedet for én.

Hva skjer hvis vi ikke har en datastrategi? Dere får mange små datastrategier i stedet for én. Hvert team velger verktøy og bygger for seg, de som jobber med data mangler et grunnlag for å prioritere riktig, data havner i siloer, løsningene får kort levetid, og dere ansetter feil folk fordi ingen ser hvilken kompetanse som trengs. Dataarbeidet får heller ikke oppmerksomheten og pengene fra ledergruppen som trengs for å investere i helhet, og AI-ambisjonen blir stående uten fundament.

Hvem bør eie datastrategien? Den som har myndighet til å prioritere på tvers av forretningsområdene, ofte en CDO eller en tilsvarende rolle. I virksomheter uten CDO er det gjerne IT-direktøren, men da med forretningssiden tett på. En datastrategi som bare eies av IT, uten forankring hos de som eier dataene, leverer sjelden det den lover.

Hvor lang bør en datastrategi være? Kortere enn de fleste tror. De beste vi har sett, er ti til tjue sider med tydelige prioriteringer og tiltak som har en eier og en dato, pluss et veikart. Et dokument på 80 sider forteller egentlig at prioriteringsjobben ikke er gjort.

Hvor ofte bør datastrategien revideres? Vi anbefaler en gjennomgang minst én gang i året, og alltid når noe stort skjer, som en omorganisering, et oppkjøp eller en fusjon, nye forretningsprioriteringer eller nye teknologivalg. Ved hver gjennomgang må dere sjekke om data, folk, prosesser og verktøy fortsatt er rigget for forretningsmålene.

Les videre

• Dataprodukter: en guide til dataprodukter, om hvordan data leveres som produkter med eier og kjent kvalitet.
• Dataplattform: en guide til dataplattformer, om de to nederste lagene i pyramiden.
• Data mesh: en guide til de fire prinsippene, om distribuert eierskap i store virksomheter.
• Dataeierskap: hvem eier dataene, og hva koster uklarhet?, om komponent 3.
• Datastrategi som tjeneste hos Glitni, om hvordan vi jobber med kartlegging, strategi og veikart.

Kilder

• Magne Bakkeli: Jeg liker å se på en datastrategi som en slags Maslow-pyramide, LinkedIn, 2. februar 2026. Figuren er tegnet etter innlegget.
• McKinsey Technology: AI data readiness, rapporten om AI-klare data som nøkkel til å skalere AI, juni 2026.
• Gartner: pressemeldingen om at mangel på AI-klare data setter AI-prosjekter i fare, 26. februar 2025.
• Sebastian Hewing: Do we really need a data strategy?, Data Action Mentor, og innlegget om de tre spørsmålene han sluttet å starte med, LinkedIn, juni 2026.
• Tristan Burns: I’ve made a huge mistake, Strategies for Effective Data Leadership, 20. august 2026.
• Nick Zervoudis: Value driven prioritisation, The Data Ecosystem, utgave 66, 16. august 2026.
• Travis Thompson: New Data Roles to Prep for in an AI-Transitioned World, Modern Data 101, 20. mai 2026.
• Darpan Vyas: How to Control AI Agents With the Data Platform You Already Have, Modern Data 101, 17. august 2026.
• Colin Hardie: Four Architectures That Make AI Work, Context & Chaos, 24. september 2026.
• Thomas C. Redman: Seizing Opportunity in Data Quality, MIT Sloan Management Review, 27. november 2017.

Artikkelen ble først publisert i 2022 av Carina Eikaas, og er revidert og utvidet av Magne Bakkeli i 2026.