100x‑problemet: Hvorfor AI agenter redefinerer din fabriks datainfrastruktur

Da John for nylig deltog i podcasten Industrial AI, blev han introduceret som Chief Product Officer hos HighByte, hvor han arbejder med at definere virksomhedens forretnings‑ og produktstrategi. Hans ansvarsområder omfatter product management, customer success, partner success og go‑to‑market‑strategi.

Klik her for at høre afsnittet “Bridging the gap between factory data and agents” med John Harrington fra podcasten Industrial AI.

I Industry 3.0 var det typisk 1 til 5 systemer, der forbrugte data fra shop floor, såsom SCADA, MES og historians. Industry 4.0 og introduktionen af Cloud øgede det til 10 til 50 systemer, inkl. datalakes, analyseplatforme, ERP‑integrationer, IoT‑tjenester og meget mere.

Med fremkomsten af agentisk AI forventer John en 100x stigning i edge‑baserede datakonsumenter.

Tusindvis af autonome AI‑agenter vil blive implementeret, hver med behov for specifikke, kontekstualiserede data leveret i realtid.

Dette er ikke en teoretisk øvelse, det er et skaleringsproblem. Og det er et problem, som de eksisterende dataarkitekturer, de fleste producenter bruger i dag, aldrig er designet til at løse.

For at forstå, hvorfor så mange agenter er nødvendige, skal man se på, hvordan AI‑agenter fungerer i praksis. I modsætning til et dashboard, der henter et foruddefineret datasæt efter en tidsplan, er agenter målrettede og højt specialiserede.

For én enkelt arbejdsstation kan man eksempelvis bruge:

Hver agent kræver forskellige data, fra forskellige kilder, med forskellig kontekst.

Eksempler:

Gange det op med alle arbejdsstationer, alle linjer og alle sites i en virksomhed — volumen bliver hurtigt enorm.

Den traditionelle ISA‑95 metode, hvor data bevæger sig lag for lag, er aldrig designet til dette. Agentisk AI har i stedet brug for en hub‑and‑spoke model, der kan forbinde til alle systemer og levere kuraterede data til alle forbrugere.

Hvis volumen er udfordrende, er kontekst endnu mere komplekst. En rå PLC‑tag betyder intet for en AI‑agent. Hver agent kræver en kontekstpakke, der afhænger af dens mål.

Eksempler:

Det er her mange AI‑initiativer går i stå. Ifølge en IDC‑rapport er 56,6% af industrivirksomheder i gang med eller planlægger at bruge AI‑agenter. Deres succes afhænger af en datastrategi, der understøtter kontekstualisering på tværs af OT‑ og IT‑systemer.

Her kommer Model Context Protocol (MCP) ind i billedet. MCP er en åben protokol designet til LLM‑baserede agenter — en fundamentalt anden type datakonsument end dem, OPC UA, MQTT eller REST API’er blev bygget til.

MCP erstatter ikke eksisterende protokoller. OPC UA, SQL og MQTT fortsætter med at gøre deres arbejde. MCP samler og kontekstualiserer data fra disse kilder og eksponerer dem for agenter.

Der er dog en vigtig praktisk begrænsning:
Agenter fungerer bedst, når de har 5–10 MCP‑værktøjer, ikke hundreder. For mange værktøjer fører til fejl, forkerte valg og hallucinationer.

Det betyder, at der skal planlægges en ekstra styringsmodel, hvor agenter får tildelt specifikke opgaver og begrænsede værktøjer, men antallet af agenter vil stige eksplosivt.

Læs mere: Hvad er Model Context Protocol (MCP)?

Hvordan løser man så 100x‑problemet?

Den gensidige relation mellem AI og DataOps er svaret:

Denne dobbelte effekt betyder, at investeringer i det ene område forstærker værdien i det andet.

Hvis du undersøger DataOps i år, bør du fokusere på løsninger, der er designet specifikt til industridata. HighByte Intelligence Hub er netop sådan en løsning, med stærk støtte for MCP‑tjenester. Du kan prøve den gratis i dag.

Klik her for at prøve HighByte Intelligence Hub gratis.

Hvis din organisation evaluerer AI til produktion, skal datainfrastruktur‑samtalen ske nu. Hold disse tre punkter i mente:

100x‑eksplosionen i datakonsumenter er allerede begyndt. De organisationer, der investerer i datainfrastruktur nu, bliver frontløberne. Dem, der venter, vil få svært ved at skalere AI ud over de første pilots.