AI-agenter och AI-workflows sätter strålkastarljuset på något helt annat
Varför integration och datakvalitet är förutsättningen för HR:s nästa steg
AI-agenter, automation och “smartare” arbetsflöden har snabbt blivit en del av vardagsspråket i HR. Men det finns en viktig paradox här: ju mer vi vill automatisera, desto mer blir vi beroende av något som många organisationer fortfarande saknar. En stabil datagrund och infrastruktur.
Det var precis den poängen som John Sagrelius satte ord på i en diskussion med mig om hur AI-vågen påverkar HR och kompetensfrågor:
“Ju fler agenter ju mer intressant blir det med bättre infrastruktur, integrationer och datakvalitet.”
Det kan låta självklart. Men i praktiken är det här där många initiativ tappar fart, eller får svårt att skala. John har över 20 års erfarenhet av ledarskap, affärsutveckling och HR-tech i nordiska och internationella bolag.
Agent-vågen skapar både värde och problem
När fler agenter introduceras i en organisation händer två saker samtidigt:
Möjligheterna ökar.
Plötsligt kan fler processer automatiseras, fler beslutsunderlag tas fram och fler team få stöd i vardagen.
Kraven ökar.
För att agenter ska kunna göra något vettigt behöver de tillgång till data som går att lita på.
Det är här många organisationer upptäcker att de redan sitter på mycket data, men att den är fragmenterad. HRIS, L&D-plattformar, kompetensramverk, CV-databaser, tid- och frånvarosystem, lönesystem, olika “lokala sanningar” i Excel. Och ofta olika definitioner av samma sak.
När agenter väl ska börja agera i processer, snarare än bara ge inspiration, blir skillnaden mellan “data finns” och “data fungerar” väldigt tydlig.
Data är inte ett sidospår – det är möjliggöraren
Det är lätt att fastna i att AI är “nästa modul” eller “nästa verktyg”. Men när man lyfter blicken blir det tydligt att data, systemstöd och integration egentligen är en möjliggörande förmåga – något som avgör hur långt HR och digitalisering kan ta sig i nästa steg.
Som John uttryckte det:
“Systemstöd, digitalisering, data, det är ju en möjliggörare helt enkelt.”
Det här perspektivet hjälper också till att sortera bort en del brus. För även om AI och automation rör sig snabbt, så förändrar det inte grundkravet: organisationer behöver en strukturerad, tillgänglig och begriplig informationsgrund för att kunna ta bättre beslut.
Och när man arbetar med frågor som kompetens, roller och framtida behov blir kravet ännu högre – eftersom det sällan finns en enda “källa” som är komplett från början.
Därför fastnar kompetens- och SWP-initiativ så ofta
Många vill jobba mer strategiskt med kompetens: koppla affärsstrategi till framtida förmågor, göra gap-analyser och minska risken att viktiga kompetenser saknas om 12–24 månader.
Men i praktiken faller initiativ ofta på någon av de här punkterna:
Datan finns, men är utspridd i flera system.
Datan har varierande kvalitet (olika begrepp, olika stavningar, olika nivå av struktur).
Definitionerna saknas (vad menar vi med kompetens och hur skiljer det sig från roll och jobbtitel?).
IT har begränsad bandbredd, vilket gör att initiativen blir långsamma eller prioriteras ner.
Resultatet blir att “strategi” blir en workshop, men “vardag” blir manuellt arbete.
Twine som pusselbit: få tillgång till enhetlig data från olika system
Det var här John kopplade det direkt till behovet av att få ihop datan utan att det behöver bli ett massivt systembyte eller ett flerårigt transformationsprojekt:
“Det är därför jag tycker att Twine som lösning fyller en pusselbit i det här. Hur får man ihop data från olika håll?”
Det är en viktig distinktion: i många organisationer är inte nästa steg att köpa “ännu ett system”. Nästa steg är att skapa flöden, struktur och kvalitet i det man redan har och göra det tillgängligt för rätt användning.
Och det är här en enkel princip blir avgörande:
Integration är inte ett sidoprojekt; det är förutsättningen för allt som kommer sen.
För när data väl är ihopkopplad och begriplig kan organisationen börja bygga på riktigt: analys, dashboards, automatiserade flöden och – ja: agenter.
Ett pragmatiskt sätt att börja (utan att göra det för stort)
Om du vill ta vara på AI-möjligheten utan att fastna i ett “för stort projekt”, börja här:
Välj 1–2 datakällor där du redan vet att värdet finns (t.ex. HRIS + kompetensdata i CV/L&D).
Bestäm ett minimalt gemensamt språk (vad är kompetens, vad är roll, hur mappar vi dem mot varandra?).
Säkra datakvalitet där den är som mest kritisk (standardisera eller klustra begrepp, flagga avvikelser med hjälp av en modern integrationsplattform som t.ex. Twine).
Integrera så att data kan användas i vardagen, inte bara i en punktinsats.
Bygg vidare med visualisering, rapportering och automation när grunden sitter.
Det behöver inte börja perfekt. Men det behöver börja i rätt ände.
För det är först när datan hänger ihop som agenterna kan göra det de lovar: skapa verklig effekt i vardagen – inte bara som coola features i spännande futuristiska demos.
