AI är överallt just nu – i strategidokument, styrelserum och som löften om en ljus framtid. Företag investerar miljarder i tekniken i hopp om att effektivisera processer och fatta bättre beslut. Men mitt i hypen glöms ofta en avgörande fråga bort: Är din organisation verkligen redo för AI? Utan rätt förutsättningar riskerar AI att bli ett dyrt experiment snarare än en affärsdrivande innovation. För att AI ska ge verkligt värde krävs en tydlig affärsnytta, rätt datainfrastruktur och en genomtänkt strategi snarare än enbart rädsla för att hamna efter.

Inledning

På senare tid har AI, särskilt den generativa formen, skapat en enorm hype inom både teknik- och finansvärlden. Lovorden har varit många, med löften om att AI ska revolutionera allt från företagsledning och finansiella processer till kreativa industrier. AI har funnits länge som forskningsområde, men det är först under de senaste åren som tekniken verkligen har exploderat och blivit tillgänglig för en bredare publik och i ett större antal branscher.

PwCs årliga vd-undersökning visar att hälften av företagsledare världen över tror att generativ AI kommer öka deras bolags förmåga att bygga förtroende med intressenter och öka kvaliteten på både företagets produkter och tjänster (PwC, 2024). Förutom att automatisera rutinmässiga uppgifter (Hesselborn & Freij, 2024), öka produktiviteten (Group, 2024; Tillväxtanalys, 2023) och minska kostnader för stödfunktioner såsom ekonomi (Axholmen, 2024) finns en stor förväntan på hur ekonomifunktioner som använder AI kan få bättre insikter och djupare förståelse genom mer exakta och realistiska prognoser (Axholmen, 2024). Tack vare förmågan att analysera stora mängder data samt identifiera trender och mönster förutspås AI öka företags konkurrenskraft genom förbättrat beslutsfattande (Hesselborn & Freij, 2024). Å andra sidan målas en bild upp där implementationen av AI är avgörande för företagens framtid och den som låter AI-tåget passera perrongen utan att själv hoppa på kommer gå ett mörkt öde till mötes (PwC, 2024).

Allt eftersom tekniken växer har även varningsklockor börjat ringa om en potentiell ”AI-bubbla”. Många experter, inklusive investerare som Christer Gardell, ifrågasätter om AI verkligen kommer leverera på de enorma förväntningarna eller om vi står inför en övervärdering som saknar verklig avkastning (TT, 2024). Han uttrycker oro över att företag och investerare är för snabba med att köpa in sig i AI-hypen utan att till fullo förstå dess långsiktiga värde eller begränsningar. Att företag rusar för att implementera AI i sina verksamheter kommer troligtvis leda till att många investerar i teknik som ännu inte är redo att generera den typ av avkastning som förväntas.

Under 2023 och 2024 såg vi hur techjättar som Nvidia kraftigt kapitaliserade på AI-trenden, men samtidigt skymtar signaler att tillväxten saktar ner och marknaden börjar bli mer skeptisk (Sidea, 2024). Företagsledare uttrycker också alltmer tveksamhet kring hur snabbt och effektivt AI kan implementeras och om tekniken verkligen motsvarar hypen (Nilsson, 2024).

Flera studier visar att även om potentialen är stor kvarstår stora utmaningar. Både PwC (2024) och Capgemini (2024) ser att svenska företagsledare är bland de mest försiktiga globalt när det kommer till att fullt ut omfamna AI, och det finns en påtaglig osäkerhet kring de långsiktiga effekterna. Den initiala entusiasmen verkar nu övergå i ett mer nyktert perspektiv, där frågan om AIs faktiska värde och framtida tillämpningar står i centrum.

Är vi i landet lagom allt för pessimistiska och helt missar storheten i generativ AI? Eller är det kanske vi som ser igenom de fina lovorden och den underbara utopi som målas upp? Att generativ AI kommer förändra spelplanen råder det inga tvivel om, men frågan är om vi befinner oss strax efter stormningen av Bastiljen eller om apan precis börjat gå upprätt.

Är din organisation verkligen redo för AI?

Med största sannolikhet är svaret på denna fråga nej. För att nyansera resonemanget är det dock viktigt att specificera vad för typ av AI som avses. Simplifierat skulle vi kunna klassificera de olika aspekterna som stödjande AI och innovativ AI. Även om dessa är någorlunda självförklarande kommer här en mer utförlig beskrivning:

Stödjande AI – Applicering av AI för att stödja, eller i vissa fall helt automatisera, processer och delmoment. Exempelvis RPA av administrativa processer, CoPilot och ChatGPT i det dagliga arbetet, eller ersätta personalintensiva supportfunktioner med en LLM-chatbot.

Innovativ AI – En (mer) sofistikerad modell som i grunden skapar insikter eller funktionalitet utanför vad den mänskliga kapaciteten klarar av. En sådan modell kan skapa analysunderlag och samband av stora mängder data och returnera detta i ett format som är konsumerbart för oss människor. Exempel på detta är prognostisering av churn eller en prediktion över customer lifetime value. Men det kan också vara sofistikerade algoritmer för allt ifrån innehållsvisning och förslag till självstyrande fordon och realtidsanalys av data.

Baserat på ovanstående definitioner kan vi också lägga till en lönsamhetsdimension: Generellt sett handlar stödjande AI främst om att effektivisera interna processer och minska kostnader, medan innovativ AI är mer mångsidig och kan bidra både till intäktsökningar och kostnadsbesparingar genom att tillhandahålla beslutsunderlag för strategisk styrning. För att nyansera varför ni troligtvis inte är redo för AI ska vi i kommande delar djupdyka i grundpelarna för en effektiv och lyckad AI-implementation. Längs vägen kommer vi bryta ner utmaningarna och peka ut rätt väg så att ni kan närma er startlinjen för AI i löparskor istället för barfota med en stukad vrist.

Rätt data, rätt beslut – ”Skit in, skit ut”

En artikel som rör data är inte fulländad utan att lyfta det evigt återkommande problemet med bristande datakvalitet och felaktigt beslutsunderlag. Här hittar vi den mer rudimentära och tekniska aspekten av data i form av struktur, informationsmodellering och allmän kvalitet i underliggande data. Å andra sidan har vi den mjukare styraspekten. Lek med tanken att perfekt data och en sofistikerad ML-modell finns att tillgå – hur ska denna användas om vi inte vet vart vi är på väg eller ens vet vilken väg vi vill ta? Båda dessa aspekter är vitala för att skapa riktigt värde av en AI-modell och i denna process är det inte omöjligt att insikten blir att svaren du söker inte kommer härstamma från AI.

Om vi börjar med den tekniska aspekten kan vi nästan garantera att utan en tydlig strategi för att hantera masterdata, och utan ett aktivt arbete med detta, kommer datakvaliteten vara otillräcklig för en enkel BI-implementation – än mindre för att bygga en tillförlitlig ML-modell. En avgörande del av resan är därför att formulera en BI-strategi och vision, samtidigt som man påbörjar övergången mot att bli en mer datadriven organisation.

Ett viktigt första steg är att skapa och säkerställa tillgången till ett kvalitetssäkrat och modernt datalager. Teknik och koncept för detta har funnits i över 20 år, men det är först på senare tid som det blivit relativt lättillgängligt ur ett tekniskt perspektiv – även om det fortfarande innebär stora utmaningar ur det organisatoriska perspektivet.

Efter en framgångsrik BI-implementation kan det mycket väl visa sig att många av de ursprungliga frågeställningarna inte längre kräver AI för att lösas. Istället kan nya idéer, frågor och behov uppstå, där AI blir avgörande för att hitta svaren. I det läget kommer din organisation vara betydligt bättre förberedd på att hantera dessa utmaningar.

Viktigast av allt är dock att inte förbise strategi- och styrningsaspekten i frågan. Utan en genomarbetad strategi är det lite som att sätta sig i en Bugatti Veyron utan karta, och saknar vi en förankrad styrmodell kan vi plocka bort ratten också. Till en början kommer resan vara ”fun and games” men kort därefter kommer den allt mer naggande insikten: ”vart är vi på väg?”. Måhända att ovan metafor är något teatralisk, men faktum kvarstår att AI än så länge primärt är ett verktyg och inte en magisk låda. Å andra sidan går det att argumentera för att en tillräckligt avancerad AI överträffar oss människor även i strategi. Detta är ingen omöjlighet och till viss del även troligt givet kapaciteten den besitter. Vi har gladeligen fel, men finner det högst osannolikt att ledningsgrupper världen över skulle vara villiga att utelämna sig i den grad det krävs till en, kanske förminskande, tämligen ny teknologi. Om inte annat är det en förändringsresa som kommer gå till historien.

Behöver vi AI eller är det bara hype?

Det råder ingen tvekan om att det finns stor potential i AI och vi anser att det är en helt korrekt uppfattning att AI kommer främja innovation, åstadkomma framsteg där mänskliga resurser tidigare har varit otillräckliga, öka effektiviteten, revolutionera industrier och frigöra mänsklig kreativitet. Exempelvis har vi i denna artikel tagit hjälp av AI för att effektivt kunna samla våra tankar, strukturera vår text och överlåta en stor del av korrekturläsningen till digitala ögon som kan se detaljer bortom det mänskliga ögats förmåga. Men i denna hype är det högst lämpligt att stanna upp, lyfta blicken och fråga sig själv vilken typ av AI som behövs och i vilken omfattning. Vi befarar att många organisationer känner ett starkt behov av att implementera AI i sin verksamhet med utgångspunkt i en rädsla att annars riskera att hamna på efterkälken, snarare än en utgångspunkt som grundar sig i ett verkligt behov för att kunna realisera potential som utan AI är ouppnåelig.

Likt många förändringsprojekt är införandet av AI kostsamt och resurskrävande. Traditionellt initieras sällan ett utvecklingsinitiativ utan tydlig avkastning, så varför skulle införandet av AI särbehandlas? Många företag implementerar AI-lösningar utan att ha en tydlig bild över vilka problem som man vill lösa. Det är lätt, men mycket riskfyllt, att fastna i en överoptimistisk verklighet där AI magiskt kommer förbättra alla aspekter av verkligheten.

Innan vi investerar måste vi först fråga oss vilka affärsproblem vi försöker lösa. Utan en tydlig identifikation av verkliga behov och utmaningar i organisationen riskerar AI-lösningar att bli tomma, om än lärorika, experiment utan avkastning. När behoven är identifierade och målen är definierade innebär inte detta automatiskt grönt ljus för en AI-implementation. Vi behöver också reflektera över vilket tillvägagångssätt som kommer hjälpa oss att nå våra mål. Bara för att AI nu är hetare än någonsin betyder det inte att AI är svaret på allt. Vår erfarenhet säger att det ofta är mycket mindre komplexa tekniska lösningar som krävs för att ge värdeskapande insikter och uppnå sina mål. Som vi tidigare beskrivit krävs hög datakvalitet och en grundlig BI-infrastruktur för att skapa rätt förutsättningar för att använda AI och få ut tillförlitliga resultat, men oftast når vi målen innan AI kommer in i bilden.

Genom att fokusera på att förbättra datakvaliteten kan organisationer identifiera och eliminera felkällor som annars kan leda till missvisande analyser. En ren och konsekvent datakälla minskar inte bara risken för misstag utan skapar också en tydlig bild av verksamhetens läge, vilket i sig kan avslöja lösningar på många problem.

Vidare kan en välgenomtänkt BI-infrastruktur bidra till att bryta ner silos mellan olika datakällor, vilket gör det möjligt att kombinera och analysera data på ett mer meningsfullt sätt. Detta innebär att verksamheten redan i detta stadie kan upptäcka mönster och trender som tidigare var osynliga. Verktyg som dashboards och rapporter kan dessutom ge användare insikter i realtid och skapa ett underlag för proaktivt beslutsfattande. Många gånger är detta arbete tillräckligt för att ge organisationer en konkurrensfördel och lösa deras omedelbara utmaningar. Faktum är att de insikter som genereras av en stark BI-plattform ofta kan skapa ett direkt värde som tidigare var ouppnåeligt – utan att AI ens är inblandat.

Först när dessa grundläggande processer och verktyg är på plats kan det vara meningsfullt att överväga mer avancerade lösningar som AI. Då agerar AI som ett komplement, byggt på en stabil grund och en redan fungerande analysinfrastruktur. På så sätt används AI på rätt sätt, som en förädlande kraft snarare än ett plåster på bristfällig datakvalitet och undermåliga processer.

Har vi kompetens och mognad för AI?

Att använda AI på ett framgångsrikt sätt handlar inte bara om att implementera en teknisk lösning, utan också om att organisationen har rätt kompetens och mognad för att förstå, förvalta och dra nytta av resultaten. En avancerad AI-modell kan vara imponerande på papper, men utan förståelse för hur den fungerar, varför den gör vissa prediktioner, eller hur resultaten ska tolkas, riskerar organisationen att stå med en ”ML-snurra” som levererar svar – men inga verkliga insikter.

Kompetensen handlar inte bara om att kunna utveckla AI-lösningar, utan också om att kunna ställa rätt frågor och analysera resultaten. Det krävs en förståelse för data, statistik och de affärsmässiga kontexter där AI ska användas. Utan insikt kring vad som utgör organisationens ”known knows” – det vill säga kunskap som är etablerad och begriplig – riskerar resultaten att missförstås eller övertolkas.

Samtidigt är det avgörande att vara medveten om organisationens ”known unknowns”, vilka är de områden och frågor som organisationen vet att man saknar information eller förståelse om. Här kan AI vara ett kraftfullt verktyg för att fylla dessa luckor, men utan rätt kompetens att tolka resultaten och sätta dem i rätt kontext kan det leda till felaktiga beslut eller skapa en falsk trygghet. Det krävs därför en organisatorisk mognad för att se resultat från en AI-lösning som ett beslutsstöd som kritiskt behöver granskas och kompletteras med mänsklig expertis, istället för en absolut sanning.

De stora utmaningarna uppstår dock kring organisationens ”unknown unknowns”, det vill säga de områden där organisationen inte ens är medveten om vad den inte vet och lyckas skilja dessa från ren AI-hallucination. Ni har säkert alla varit med om att ChatGPT stundtals tar egna initiativ och tolkningar som inte alls överensstämmer med verkligheten. En AI-modell kan avslöja dolda mönster och peka ut fascinerande samband som ger sken av att vara trovärdiga, men utan djupgående kunskap om verksamhetens behov och verklighet kan de i själva verket vara ett resultat utan någon verklighetsförankring. Om man börjar dra slutsatser utan att ha mognaden att syna i sömmarna och förstå dessa insikter finns risken att man fattar beslut baserat på vad som i praktiken är avancerad ”bullshit”, något som kan ha ytterst ogynnsamma konsekvenser.

I slutändan är det kombinationen av teknisk förmåga och organisatorisk mognad som avgör om en AI-investering blir en framgång. Att investera i utbildning, processer och en djupare förståelse för AI är därför minst lika viktigt som själva tekniken. Det är först då organisationer kan säga att de använder AI som ett kraftfullt verktyg för att skapa verkligt värde – och inte som en avancerad lösning på fel problem.

Fig. 1: AI-responsens informationsspektrum

Slutsats

Så, är din organisation verkligen redo för AI? Vårt nyanserade svar blir, inom kontexten av innovativ AI: nej. Med största sannolikhet är ni inte redo, men det finns fortsatt mycket frukt att skörda med stödjande AI, och vikten av att lägga grunden för en framtida applicering av mer avancerade AI-lösningar kan inte med ord understrykas tillräckligt.

Att AI är disruptivt råder det inga tvivel om och att blunda för den enorma förändring som komma skall är en enkelbiljett till sällskapet Kodak, Blackberry och Facit. Redan nu måste företag ta höjd för att stora investeringar kommer vara livsnödvändigt om man önskar kunna konkurrera i framtiden. Å andra sidan kanske begreppet ”skynda långsamt” är av än större vikt än förr och att försöka springa innan man kan gå brukar allt som oftast resultera i ett misslyckande.

För att fullt ut kunna dra nytta av AI krävs en tydlig strategi med förankrad styrmodell, god datakvalitet i alla dess former och, kanske viktigast av allt, en hög organisatorisk mognad. Utan dessa komponenter kommer era initiativ som bäst vara suboptimala och som sämst vara rena misslyckanden. Ta ett steg tillbaka och gör hemläxan. Först när dessa basala saker finns på plats är ni redo att ta steget in till AI – och det är då det riktiga värdet kommer skapas. För handen på hjärtat, tror du ändå inte att Usain Bolt i badtofflor skulle vinna över dig i de bästa löparskorna som finns?

Referenser

Axholmen (2024). Vd-studien 2024. Hämtad från: https://axholmen.com/sv/vd-studie-2024/

Capgemini (2024). The Nordic Frontier. Hämtad från: https://www.capgemini.com/se-en/wp-content/uploads/sites/20/2024/06/Capgemini_The-Nordic-AI-Frontier_2024.06.04.pdf

Group, I. C. (2024). The economic opportunity of AI in Sweden.

Hesselborn, L. & Freij, R. (2024). Framtidssäkra ekonomifunktionen med hjälp av AI. Hämtad från: https://blogg.pwc.se/foretagarbloggen/ekonomifunktionen-ai

Nilsson, G. (2024). Ny rapport: Svenska företagsledare mest tveksamma till AI-utvecklingen. VDtidningen. Hämtad från: https://vdtidningen.se/ny-rapport-svenska-foretagsledare-mest-tveksamma-till-ai-utvecklingen/

PwC (2024). PwC:s årliga vd-undersökning: Att skapa värde i en tid av ständig rörelse.

Sidea, E. (2024). Tydligt budskap från Nvidia – boomen fortsätter men tempot saktar in. Dagens Industri. Hämtad från: https://www.di.se/nyheter/tydligt-budskap-fran-nvidia-boomen-fortsatter-men-tempot-saktar-in/

Tillväxtanalys (2023). En kartläggning av AI-användning och produktivitet bland svenska företag (Rapport 2023:02).

TT (2024). Gardell varnar för AI-bubbla. Privata Affärer. Hämtad från: https://www.privataaffarer.se/placeringar/aktier/gardell-varnar-for-ai-bubbla/