De fleste selskaper som ruller ut AI i 2026, mislykkes ikke fordi modellene er dårlige. De mislykkes fordi teamene bak dem aldri har fått de dataferdighetene som verktøyene i det stille forutsetter at de allerede har. En modell kan bare arbeide med informasjonen den får, og når ingen på teamet kan lese, strukturere eller fornuftssjekke disse dataene først, stopper utrullingen opp uansett hvor god AI-en i seg selv er.

Denne guiden forklarer hvorfor AI-adopsjon så ofte mislykkes, hva «dataferdigheter» faktisk betyr i praksis, og hva HR-sjefer og teamledere kan gjøre annerledes i 2026.

Problemets omfang er større enn de fleste team er klar over.

RAND Corporations analyse av mer enn 2 400 AI-initiativer i virksomheter viste at rundt 80 prosent mislykkes med å levere den tiltenkte forretningsverdien, omtrent dobbelt så høy feilrate som for tradisjonelle IT-prosjekter. MITs Project NANDA rapporterte et enda mer oppsiktsvekkende funn: 95 prosent av generative AI-piloter viste ingen målbar påvirkning på bunnlinjen.

Det viktige poenget er ikke bare at AI-prosjekter mislykkes. Spørsmålet er hvorfor de mislykkes.

Problemet ligger sjelden i modellen alene. I mange tilfeller befinner årsaken seg mye nærmere virksomheten: uklare utrullingsplaner, rotete data, svake interne arbeidsflyter og team som ikke har fått opplæring i å vurdere om AI-genererte resultater er nyttige eller korrekte. Fortunes omtale av MIT-funnene er verdt å lese i sin helhet fordi forskerne var tydelige på at gapet ikke først og fremst handlet om modellkvalitet eller regulering. Det handlet om hvordan organisasjoner gjennomførte utrullingen, med utgangspunkt i dataene de forventet at AI skulle arbeide med.

Den virkelige utfordringen er vanligvis ikke AI-modellen i seg selv. Det er dataene og menneskene som forventes å arbeide med dem.

I en rekke nyere bransjeundersøkelser peker datakvalitet seg stadig ut som en av de største hindringene for AI-implementering. En analyse fra 2026 viste at 73 prosent av organisasjonene oppgir datakvalitet som sin største AI-utfordring, foran budsjett, kompetanse og styring. Gartner har også anslått at 60 prosent av AI-prosjekter uten tilstrekkelig forberedte og AI-klare data vil bli lagt ned før utgangen av 2026.

Det er lett å se på dette som et systemproblem: bedre datapipelines, sterkere styring og bedre verktøy. Disse faktorene er viktige, men de løser ikke hele problemet.

Noen må fortsatt strukturere regnearket riktig, oppdage registreringsfeil, forstå hvorfor et tall virker feil, og fange opp når dataene som brukes av et AI-verktøy gradvis begynner å avvike fra virkeligheten. Derfor er AI-klare data ikke bare et teknologikrav. Det er også et kompetansekrav.

IDC har anslått at selskaper uten sterke AI-klare datafundamenter kan oppleve et produktivitetstap på 15 prosent innen 2027 sammenlignet med selskaper som lykkes med dette. Med andre ord er svak AI-adopsjon ofte et menneske- og dataproblem forkledd som et teknologiproblem.

Sterke dataferdigheter betyr ikke å gjøre hver enkelt ansatt til analytiker. For de fleste forretningsteam handler det om noe langt mer praktisk: å vite hvordan man strukturerer data, tolker dem tydelig og vurderer resultatene kritisk før de blir en del av en rapport eller en beslutning.

På det mest grunnleggende nivået må ansatte kunne se på et regneark og avgjøre om det er brukbart. Er overskriftene konsekvente? Er formateringen ryddig? Er kategoriene navngitt på en ensartet måte gjennom hele datasettet? Gjør sammenslåtte celler, tomme rader eller skjulte antakelser dataene vanskeligere å arbeide med?

Dette er kanskje ikke de mest glamorøse ferdighetene, men de er helt avgjørende for at AI-verktøy skal fungere godt. Hvis et regneark er dårlig strukturert, løser ikke AI problemet automatisk. Det arbeider ganske enkelt ut fra et svakere grunnlag. AI- og Excel-kompetansegap forklarer hvorfor dette grunnlaget ofte varierer betydelig mellom ulike team.

Sterke dataferdigheter innebærer også å kunne avgjøre når et AI-generert sammendrag, en formel eller en prognose ikke samsvarer med den faktiske forretningssituasjonen.

Et tall kan se presist ut. Et sammendrag kan virke overbevisende. Men noen må fortsatt stille spørsmålet om resultatet stemmer med det teamet vet om kunder, leverandører, salgssykluser, kostnader eller sesongvariasjoner.

Uten denne dømmekraften havner team som regel i én av to situasjoner. Enten stoler de på AI-resultater de ikke kan verifisere, eller så unngår de verktøyet fordi de ikke stoler på det i det hele tatt. Begge deler fører til langsommere adopsjon.

De fleste feil knyttet til AI-adopsjon begynner ikke med selve AI-verktøyet. De oppstår tidligere i prosessen, i regnearkene, sporingsverktøyene, eksportene og rapportene som verktøyet til slutt blir bedt om å arbeide med.

Et datasett med inkonsekvente kategorier, uklart eierskap, udokumenterte antakelser eller mangel på én felles sannhetskilde var allerede et problem før AI kom inn i bildet. Å mate disse dataene inn i en modell gjør bare at de eksisterende problemene forsterkes og sprer seg raskere.

Derfor må dataferdigheter komme før en storskala AI-utrulling. Excel-ferdigheter kontra AI: Hvorfor opplærte team fortsatt presterer bedre enn AI på forretningsdata går nærmere inn på dette mønsteret, inkludert hvorfor opplærte ansatte ofte oppdager problemer som AI-verktøy overser.

Vellykket AI-adopsjon starter som regel før verktøyet rulles ut.

Organisasjonene som unngår mislykkede pilotprosjekter, har ofte to ting til felles: De forbereder dataene sine, og de forbereder menneskene sine. I stedet for å kjøpe lisenser først og håpe at de ansatte finner ut av resten på egen hånd, bygger de opp ferdighetene som kreves for å bruke AI på en trygg og effektiv måte i det daglige arbeidet.

Dette innebærer vanligvis strukturert opplæring knyttet til rapportene, regnearkene, sporingsverktøyene og arbeidsflytene teamet allerede benytter. Ansatte må forstå dataene før de kan stole på at AI skal oppsummere dem, rydde dem opp eller komme med forslag basert på dem.

Vellykkede organisasjoner starter også i liten skala. De ruller ikke ut AI på tvers av alle arbeidsflyter samtidig. I stedet velger de ett område der dataene allerede er relativt ryddige, dokumenterer verdien der og bygger deretter videre på et sterkere grunnlag.

Dette er viktig fordi AI-adopsjon fungerer best når teamene ser et tydelig bruksområde. En velfungerende rapporteringsprosess, en tilbakevendende regnearkoppgave eller et godt strukturert datasett gir ansatte et praktisk miljø å lære i. Hvordan bygge en Excel-opplæringsplan for ansatte i AI-alderen forklarer hvordan HR- og L&D-team kan strukturere denne typen faseinndelt tilnærming.

For HR-sjefer er det første steget ikke å melde alle på et AI-kurs. Det handler om å forstå hvor sterke teamets eksisterende Excel- og dataferdigheter er.

Hvis ansatte allerede sliter med regnearkstruktur, inkonsekvent rapportering eller grunnleggende datahygiene, vil ikke AI løse disse problemene. Det vil bare bli lagt oppå dem. Derfor er det viktig å etablere en ferdighetsbaseline før en bredere AI-utrulling.

Det neste steget er å gi opplæring i de arbeidsflytene som faktisk danner grunnlaget for bruken av AI-verktøy. Generelle bevisstgjøringsøkter om AI kan hjelpe folk med å forstå konseptet, men de endrer sjelden hvordan team arbeider i hverdagen. Ansatte trenger praktisk opplæring knyttet til rapportene, sporingsverktøyene, dashbordene og regnearkene de allerede bruker.

Dette er gapet Learnesy er utviklet for å tette for nordiske team. Learnesy kombinerer opplæring i Excel, data og AI på svensk og norsk, med innhold basert på reelle arbeidsflyter fremfor generiske kontoreksempler. For HR-team som vurderer ulike opplæringsalternativer, er Faktorer HR-sjefer bør se etter i en Excel-opplæringsplattform for team et nyttig utgangspunkt.

AI-adopsjon mislykkes som regel ikke fordi teknologien er for svak. Den mislykkes fordi grunnlaget rundt den er for svakt.

I 2026 går det samme mønsteret igjen i mange AI-prosjekter: Team tar i bruk nye verktøy før dataene er ryddige, regnearkene er godt strukturerte eller de ansatte vet hvordan de skal vurdere resultatene. Utfallet er forutsigbart. AI arbeider raskt, men teamet kan ikke alltid avgjøre om det beveger seg i riktig retning.

Derfor er dataferdigheter så viktige. Ansatte må forstå hvordan data er organisert, hvordan et pålitelig regneark ser ut, og når et AI-generert svar bør utfordres. Uten dette grunnlaget kan AI skape høyere tempo, men ikke nødvendigvis større trygghet.

For HR-sjefer og forretningsledere er konklusjonen enkel: AI-beredskap er ikke bare et spørsmål om programvare. Det er også et spørsmål om kompetanseutvikling. Gode Excel-vaner, praktisk dataopplæring og evnen til å verifisere AI-genererte resultater er det som gjør AI til et verktøy team faktisk kan bruke i sitt daglige arbeid, fremfor noe de bare eksperimenterer med.