AI för företag: var det faktiskt lönar sig — och var det inte gör det

De flesta AI-projekt i svenska företag misslyckas inte tekniskt. De misslyckas på ett mer vardagligt sätt: någon bygger en demo, alla blir imponerade, och sedan visar det sig att lösningen inte kommer åt företagets egen data, inte kan skriva tillbaka till något system, och inte kan ställas mot ett resultat. Den blir en presentation i stället för ett verktyg, och nästa gång någon föreslår AI är rummet lite tröttare.

Den här artikeln handlar inte om vad AI kan göra i teorin. Den handlar om hur du avgör vilka av just era processer som tjänar på det, och hur du vet att de gjorde det.

Börja i fel ände med flit

Det vanliga sättet att starta är att fråga vad AI kan göra för oss. Det är en fråga utan botten, och den leder alltid till samma svar: en chattbot. Den nyttiga frågan är den omvända — vilket arbete tar mest tid hos oss idag, och vad skulle det vara värt att korta.

Gör listan konkret. Inte funktioner, utan arbetsmoment: någon läser inkommande mejl och sorterar dem. Någon letar rätt på information i gamla offerter. Någon fyller i samma uppgifter i två system. Någon sammanställer en rapport på fredagar. Sätt en grov siffra på varje: hur många gånger i veckan, hur lång tid per gång.

Den listan är hela beslutsunderlaget. Utan den kan ingen — varken ni eller en leverantör — säga om ett AI-projekt lönar sig, och alla diskussioner blir en fråga om vem som låter mest övertygande.

Vad AI faktiskt är bra på

Språkmodeller presterar bäst på arbete som har tre egenskaper samtidigt: hög volym, låg variation och ett tydligt rätt svar. Ju fler av de tre, desto tryggare investering.

• Läsa och sortera inkommande material. Mejl, ansökningar, fakturor, felanmälningar. Kategorisera, prioritera, skicka vidare till rätt person.
• Sammanfatta. Ett långt ärende, en lång tråd, ett långt avtal. Sammanfattningen granskas av en människa, men det är läsningen som tog tiden.
• Hitta rätt information i eget material. Vad stod det i offerten till den här kunden? Vad säger vår egen manual om det här felet?
• Ta fram utkast. Svarsförslag, produkttexter, mötesanteckningar. En människa godkänner, men börjar inte från ett tomt fält.
• Förbereda beslutsunderlag. Samla, strukturera och ställa upp — inte att fatta beslutet.

Vad AI är dålig på

Det här är den mindre populära halvan, och den är viktigare. Ett projekt som placeras här går inte att rädda med en bättre modell.

• Arbete som kräver ansvar. Om ett fel kostar pengar, förtroende eller ett myndighetsärende, ska en människa stå kvar i beslutet. AI får förbereda; personen godkänner.
• Förhandling och relation. Det som gör affären är sällan det som står i texten.
• Sällsynta fall. Ett flöde som ser olika ut varje gång ger modellen inget mönster att arbeta med, och kostar mer att kvalitetssäkra än det sparar.
• Frågor med exakt ett rätt svar som redan finns i ett system. Behöver ni ett saldo, en leveransstatus eller ett pris ur databasen är svaret en integration, inte en modell. Det är billigare, snabbare och blir aldrig fel.

Den sista punkten är den vi oftast levererar. En stor del av det som efterfrågas som AI löses bättre av ett schemalagt jobb, en integration eller en regel. Det är inte lika roligt att presentera, men det går sönder mer sällan.

Räkna hem det innan ni börjar

Det finns två kostnader i ett AI-projekt och de beter sig olika. Bygget är ett vanligt utvecklingsprojekt och prissätts som ett. Driften är rörlig och följer hur mycket som körs — varje anrop till en modell kostar, och volymen växer när lösningen börjar användas på riktigt.

Därför gör vi alltid två saker innan något går i skarp drift:

1. En nollmätning. Hur lång tid tar flödet idag, hur ofta blir det fel? Utan detta finns inget att jämföra mot, och effekten blir en åsikt.
2. Ett kostnadstak. En övre gräns per månad, så att effekten kan ställas mot vad den kostar i stället för att bli en överraskning i efterhand.

Efter piloten ställs utfallet mot nollmätningen. Räcker det inte, bygger vi inte vidare — och det är ett billigt nej, vilket är hela poängen med att börja litet.

Bygg in det där arbetet redan sker

Den enskilt vanligaste orsaken till att en fungerande lösning ändå inte ger effekt är att den ligger vid sidan av. Ett fristående chattfönster som personalen ska komma ihåg att öppna används inte, och det som inte används sparar ingenting.

Lösningen ska sitta i verktyget där arbetet redan utförs: i ärendevyn, i inkorgen, i affärssystemet. Det gör projektet lite dyrare att bygga och avsevärt mer sannolikt att överleva sitt första kvartal. Mer om hur den kopplingen görs finns i systemutveckling och integrationer.

Vad ni behöver ha på plats

Inget av det här kräver en dataavdelning, men tre saker måste vara sanna:

• Datan finns någonstans åtkomligt. Ett system med API, en databas eller åtminstone strukturerade exporter. Går systemet inte att nå säger vi det, i stället för att låtsas att en integration finns.
• Någon äger flödet. En person som kan svara på vad som är rätt svar när modellen och verkligheten inte stämmer överens.
• Ni har bestämt var datan får hamna. Det avgörs i designen och skrivs ned innan bygget — se AI, GDPR och EU:s AI-förordning.

Var man rimligen börjar

Om listan över tidstjuvar innehåller något som handlar om att läsa text, börja där: dokument- och fakturahantering är den mest förutsägbara vinsten vi ser. Handlar det om inkommande frågor från kunder, se AI i kundtjänst. Ska modellen utföra arbete och inte bara svara, läs om AI-agenter först — det är en annan risknivå.

Och om ingen av dem passar: det är ett fullgott svar. Ett företag som avstår från AI i år och automatiserar två flöden i stället har oftast tjänat mer än det som byggde en assistent ingen öppnar.