Därför grundade vi Ronja

Vi trodde att insamlingen var det svåra

Innan vi började Ronja, vi (Anton och Adam) tillbringade år på Northvolt bygga datainfrastruktur i stor skala. System som intagit petabyte per år. Sensordata från batteriproduktionslinjer, försörjningskedjesignaler, kvalitetsmätningar från varje cell som rullade av linjen. Målet kändes tydligt: samla in allt, för med all data skulle vi fatta bättre beslut. Vi skulle outcompete.

Och samlingsdelen fungerade. Vi byggde pipelines. Datan flödade. Men någonstans mellan "vi har data" och "vi fattar bättre beslut", något bröt. Inte infrastrukturen. Antagandet.

Det är när data ska användas som allt faller isär

Här är vad vi fortsatte att se, på varje företag vi har pratat med: data finns där, men de människor som behöver det inte kan nå det. En försäljningschef vill veta vilka konton som är i riskzonen för churning. En CFO vill förstå bruttomarginalen genom produktlinje. En fabrikschef vill korrelera driftstopp med en viss leverantör. Dessa är inte komplicerade frågor. Men att få svar är.

Eftersom data måste intas från källsystem, rengöras, modelleras till något trovärdigt och sedan serveras genom ett verktyg som någon faktiskt kan använda. Var och en av dessa steg kräver en annan specialist. Affärsanvändaren går till en analytiker, som involverar en datavetenskapare, som behöver en datatekniker, som kan behöva slinga i plattformsteamet. En enkel fråga blir en biljett, sedan en eftersläppost, sedan en tvåveckors väntan. Och när svaret slutligen anländer väcker det tre nya frågor. Tillbaka till kö.

Verkligheten av att komma från frågan för att svara på de flesta företag.

Data finns där. Men det är dolt bakom skikt av komplexitet, utom räckhåll för de människor som faktiskt förstår verksamheten tillräckligt bra för att tolka det. Stacken är inte formad kring hur beslut fattas. Det formas kring hur specialister gillar att arbeta.

Den moderna datastacken känns inte särskilt modern

Branschen kallar det "moderna datastapeln". Fivetran för intag. Snowflake eller BigQuery för lagring. dbt för transformation. Power BI eller Looker för visualisering. Fyra separata verktyg, fyra leverantörer, fyra avtal. Och ett datateam för att limma allt tillsammans. För ett medelstort företag löper den totala kostnaden mellan $ 270k och $ 950k per år, det mesta av det hos människor. Backlogen krymper aldrig. De människor som förstår verksamheten bäst är de längsta från data.

Hela arkitekturen byggdes på ett enda antagande: människor är limmet mellan systemen. Varje lager behöver sin egen specialist och sitt eget verktyg eftersom det var så arbetet blev uppdelat när människor var tvungna att skriva varje fråga, varje pipeline, varje dashboard för hand. Det var meningsfullt 2015. Det gör inte längre. Vad vi kallar "modern" är verkligen ett decennium gammalt svar på ett ännu äldre problem, som framförs av konvention och verktygsfragmentering.

Det här är ett antimönster för AI

Instinkten just nu är att bulta AI på presentationsskiktet. En kopilot i ditt BI-verktyg. En autokomplett i din SQL-redigerare. En chatbot ovanpå ditt lager. Men ingen av dessa kan bygga det kvalitetssäkrad datalagret som kopplar frågan till svaret. De kan föreslå ett diagram. De kan autocomplete en fråga. Men de kan aldrig bygga pipeline, modell eller datalager som inte finns än. Det kräver ett nytt lager, inte en ny färgfärg.

Utmaningen är inte själva verktygen. Det är gapet mellan dem och de människor som behöver svar. AI behöver end-to-end sammanhang: vilka data som finns, varifrån det kommer, hur det relaterar, vad verksamheten kallar det. Fyllning av gapet är vad den sista milen är för.

AI:s akilleshäl: siffror och data

Det finns ett grundläggande problem med att be AI att arbeta direkt med siffror: siffror kan inte vara nästa token förutspådde. Språkmodeller är byggda för att förutsäga nästa ord i en sekvens. Det fungerar briljant för text och kod. Men när du ber en AI att beräkna, aggregera eller resonera om numeriska data, approximerar det. Och approximation på siffror betyder hallucination. En intäktssiffra som är nära men fel. En trend som ser rimlig ut men inte är grundad i data. Det är därför som allmänt ändamål AI-assistenter kan känna sig magiska för enkla frågor och ge svar som du inte kan lita på när insatserna är verkliga.

Men AI är exceptionellt bra på att skriva kod. Kod som ansluter till databaser, omvandlar data, kör beräkningar och returnerar exakta resultat. Utgången är inte en gissning. Det är resultatet av utförd logik mot riktiga data.

Fångsten: detta fungerar endast under tre förhållanden. För det första måste koden faktiskt genomföras mot riktiga data, inte simulera ett svar. För det andra måste rörledningarna fortsätta, inte försvinna efter en konversation. Och för det tredje måste sammanhanget hanteras noggrant: vilka data som finns, hur det relaterar, vad verksamheten kallar saker, vilka beräkningar som är viktiga.

Detta är kärninsikten bakom Ronja. Vi låter AI utforska och experimentera med dina data, men genom kod. Varje fråga utlöser verkliga, körbara rörledningar. Varje svar stöds av revisionsbar logik. Deterministisk. Reproducerbar. Spårbar till källa.

Därför byggde vi något annat

Om du byggde om datastapeln från början i AI-åldern skulle du inte lägga till ett annat verktyg till högen. Du skulle lägga till ett styrt sista milskikt där agenter hanterar rutinmässiga dataförfrågningar, varje svar spår till källan, och datateamet äntligen får fokusera på de svåra problemen. En plattform där en CFO kan ställa en fråga och få ett pålitligt, spårbart svar utan att veta vad SQL är.

Det är vad vi bygger med Ronja. Inte ett annat verktyg bultade på toppen. Ett styrt avrättningsskikt som sitter mellan din befintliga datainfrastruktur och de personer som behöver svar. Allt är deterministiskt och spårbart för källan. Inga hallucinationer. Varje modell agenterna bygger blir en del av ditt datalager. Testad, dokumenterad, återanvändbar. Plattformen blir smartare ju mer ditt team använder den.

Ronja Technologies grundades 2024 i Stockholm och byggde ett styrt, sista mils avrättningsskikt för självbetjäningsanalys i stor skala.

Andra frågar vad som finns. Ronja bygger vad som behövs.