Så gott som alla AI-projekt börjar lovande. En demo som imponerar på ledningsgruppen, en PoC som levererar exakta svar på testdata, en entusiastisk intern champion som driver frågan uppåt. Sedan händer något på vägen mot produktion — projektet stagnerar, kostnaderna skenar, eller lösningen levereras men används aldrig.
Den vanligaste fallgropen är data. PoC:er byggs på kurerat, rent testdata. Produktionsmiljöer har legacy-format, saknade fält, dubbletter och undantag som ingen dokumenterade. När modellen träffar verklig data faller precision ihop. En riktig dataanalys tidigt i projektet — inte som efterhandskontroll — är inte valfri.
Den näst vanligaste fallgropen är infrastruktur. En ML-modell som svarar på 200ms i ett Jupyter notebook kan svara på 4000ms i produktion om man inte designat för latens, batching och caching från start. Infrastruktur är inte en efterhandsdetalj i AI-projekt.
Den tredje fallgropen är kompetensöverföring. Projektet levereras av externa konsulter eller ett dedikerat internt team — och sen lämnas över till en driftsorganisation som aldrig förstod modellen. Utan ägare som kan vidareutveckla och felsöka är lösningen dömd att bli en skuld. Planera för ägarskap från dag ett, inte vid leverans.