Det största misstaget i AI-strategin: att ha en AI-strategi

De flesta ledningsgrupper har vid det här laget ställt frågan "vad ska vi göra med AI?". Det är fel fråga att börja med. Den som istället frågar "vilket affärsproblem kostar oss mest just nu – och kan AI lösa det bättre, snabbare eller billigare än det vi gör idag?" har redan tagit ett kliv före de flesta konkurrenter. Skillnaden mellan de två frågorna avgör ofta om en AI-satsning blir en dyr historia eller ett positivt resultat på sista raden.

AI-tillgången är inte längre problemet

I flera forum diskuteras Europas konkurrenskraft, AI:s utvecklingstakt och ett omvärldsläge som förändras snabbare än de flesta organisationer hinner anpassa sig till. Den stora utmaningen här är inte att AI utvecklas för snabbt. Utmaningen är att företag har svårt att omsätta tekniken till faktiskt affärsvärde.

Det är en viktig nyansering, för den pekar bort från teknikfrågan och mot en betydligt svårare fråga: vad krävs egentligen av en organisation för att AI ska ge resultat? Svaret handlar sällan om vilken modell eller vilket verktyg man väljer. Det handlar om beslutsfattande, prioritering och förändringsledning, frågor som ledningsgrupper redan är vana att hantera, bara inte alltid kopplade till AI.

De kommande åren kommer konkurrensfördelen inte ligga hos de som har tillgång till AI. Den kommer att ligga hos de som snabbast och mest konsekvent lyckas omsätta AI till riktigt värde i sin egen verksamhet. Tillgången är i praktiken redan demokratiserad. Förmågan att använda den rätt är det som skiljer vinnare från förlorare.

Det ser vi också i praktiken. I vårt arbete med SkiStars AI-agent låg fokus inte på AI i sig, utan på hur tekniken kunde skapa konkret affärsnytta och stötta verksamhetens mål. Läs AI-caset här

Varför så många AI-projekt börjar i fel ände

Mönstret är väl igenkänt för den som arbetat med digitalisering i mer än ett decennium, men det förtjänar att sägas rakt ut: de flesta misslyckade AI-satsningar misslyckas inte på grund av tekniken. De misslyckas för att de aldrig egentligen definierade vilket problem de skulle lösa.

Tänk er två företag.

Företag A börjar med konstaterandet "vi måste göra något med AI." Ledningen känner press – styrelsen frågar, konkurrenter kommunicerar sina AI-satsningar, en leverantör har precis presenterat ett övertygande case. Ett pilotprojekt sätts igång, ofta i den avdelning där någon råkar vara entusiastisk. Verktyget införs, några använder det flitigt, de flesta gör det inte. Efter sex månader är det oklart vad piloten egentligen bevisade, och frågan "ska vi skala detta?" möts av tystnad, för ingen vet riktigt vad som skulle mätas från början.

Företag B börjar istället med frågan "vilket affärsproblem kostar oss mest pengar idag?" Svaret kan vara allt från långa handläggningstider i kundservice till att säljare lägger för mycket tid på administration istället för kundmöten. Därifrån går man bakåt: är det här ett problem som beror på volym, komplexitet eller kompetensbrist? Är arbetet repetitivt och regelstyrt, eller kräver det ständigt nytt omdöme? Först när det är tydligt landar man i om, och i så fall hur, AI kan bidra.

Företag B lyckas nästan alltid bättre. Inte för att de har bättre teknik, utan för att de vet vad de försöker uppnå innan de börjar bygga. Det låter självklart uttryckt så här, men i praktiken är det precis den ordningen de allra flesta organisationer vänder på när AI-hypen tar överhanden.

Det är också värt att säga rakt ut: tekniken är sällan den största utmaningen. De flesta AI-lösningar som misslyckas gör det på grund av otydligt ägarskap, dålig datakvalitet, avsaknad av förändringsledning eller att ingen egentligen definierat vad framgång betyder. Kultur, ledarskap och processer avgör resultatet betydligt oftare än modellval.

AI är ingen strategi

Ett av de vanligaste misstagen är att behandla AI som ett eget strategiskt spår, parallellt med affärsstrategin, istället för som en del av den. Företag har sällan en "databasstrategi" eller en "molnstrategi" – dessa är kapabiliteter som stödjer affären, inte mål i sig själva. AI förtjänar samma behandling.

Det betyder inte att AI är oviktigt. Det betyder att frågan "vad ska vår AI-strategi vara?" ofta är fel fråga. Den bättre frågan är: "hur påverkar AI vår befintliga affärsstrategi – var öppnar den upp möjligheter, var skapar den risker, och var förändrar den spelplanen för våra konkurrenter?" Det är en fundamentalt annan utgångspunkt, och den leder till helt andra initiativ.

Här finns också en viktig nyans som ofta går förlorad i debatten: att AI inte behöver en egen strategi betyder inte att organisationen kan vara passiv kring kompetens. Tvärtom. Alla i en ledningsgrupp behöver inte kunna bygga eller ens djupt förstå hur en språkmodell fungerar tekniskt. Men alla beslutsfattare behöver tillräcklig allmänbildning för att kunna ställa rätt krav på system, produkter och leverantörer de utvärderar. Det är skillnaden mellan att "kunna AI" – vilket få faktiskt behöver – och att "förstå AI tillräckligt för att fatta bra beslut" – vilket i praktiken alla i ledningen behöver.

Se webinaret med Axel Johnson: AI för ledningsgrupp & ägare | Så lyckas du med AI

AI-vänliga arbetsuppgifter & processer

När affären får styra istället för tekniken förändras hela samtalet. Istället för att fråga "vad kan det här verktyget göra?" börjar man fråga "var tappar vi mest tid, och vilka arbetsmoment skapar minst värde i förhållande till vad de kostar?"

Ett praktiskt sätt att strukturera det arbetet är att titta på arbetsuppgifter genom tre perspektiv, som brukar kallas de tre R:en:

• Repetitivt – utförs i stort sett på samma sätt varje gång.
• Regelstyrt – följer tydliga regler, checklistor eller beslutskriterier.
• Rutinartat – kräver begränsat kreativt eller situationsbaserat omdöme.

Arbetsuppgifter som träffar flera av dessa kriterier är sällan de mest spännande att prata om på en styrelsedag, men de är ofta där AI ger snabbast och tydligast avkastning. Återkommande kundserviceärenden med liknande frågor, manuell avstämning mellan system, sammanställning av rapporter från flera källor, granskning av standardavtal mot mallar – det är sällan uppgifter som kräver AI-genombrott. Det krävs bara att någon systematiskt kartlägger var de finns, hur ofta de görs, och vad frigjord tid skulle användas till istället.

Det är också här många organisationer underskattar sig själva. Man behöver inte förstå allt om ny teknik för att komma igång. Det som faktiskt avgör är förmågan att snabbt förstå vad som är relevant, möjligt och prioriterat att lösa i just den egna verksamheten – inte att bygga upp spetskompetens i AI innan man vågar ta första steget.

Om du vill arbeta strukturerat med att identifiera rätt användningsområden har vi tagit fram en mall för AI-vänliga arbetsuppgifter. Den hjälper er att kartlägga vilka arbetsuppgifter och processer som lämpar sig bäst innan ni börjar välja verktyg.

Ladda ner mallen för AI-vänliga arbetsuppgifter

AI-kompetens handlar om att fatta bättre beslut

En återkommande missuppfattning är att en organisation behöver fler AI-experter för att lyckas. I de flesta fall stämmer det inte. Det som faktiskt krävs är fler människor – särskilt i ledande positioner – som förstår möjligheterna tillräckligt väl för att fatta bättre beslut och ställa rätt frågor, till leverantörer, till IT och till sig själva.

Det finns en verklig spänning här som förtjänar att adresseras rakt ut: risken att fastna i analys. Att förstå ett problem ordentligt innan man agerar är sunt. Att låta förståelsen bli en ursäkt för att aldrig implementera är inte det. Många organisationer har redan tillräckligt med information för att ta ett första, avgränsat steg – vad som saknas är inte mer analys, utan modet att testa i liten skala, mäta resultatet, och justera. Allmänbildning om AI ska göra det lättare att fatta det beslutet snabbare, inte skapa ett nytt skäl att skjuta upp det.

Ladda ner vår guide: AI-guide för ledningsgrupper

Praktiskt handlar AI-kompetens på lednings- och styrelsenivå om att kunna skilja på vad som är tekniskt möjligt, vad som är kommersiellt moget, och vad som är relevant för den egna verksamheten just nu. Det är tre olika frågor, och de flesta AI-leverantörer har starka incitament att sudda ut gränsen mellan dem.

De vanligaste misstagen företag gör

Några mönster går igen oavsett bransch:

1. Man börjar med verktyget, inte problemet. En intressant demo eller ett övertygande leverantörsmöte blir startpunkten istället för en tydligt definierad affärsutmaning.
2. Ägarskapet är otydligt. Ett AI-initiativ drivs av IT, eller av en entusiastisk avdelning, utan tydligt mandat från den del av verksamheten som faktiskt äger resultatet.
3. Förändringsledning underskattas. Tekniken installeras, men arbetssätt, roller och ansvar förändras aldrig i praktiken – vilket gör att adoptionen uteblir även när lösningen fungerar tekniskt.
4. Man förväntar sig omedelbar avkastning utan att ändra arbetssätt. AI som läggs ovanpå ett oförändrat arbetsflöde ger sällan den nytta man hoppats på. Den verkliga vinsten kommer ofta när processen omdesignas runt de nya möjligheterna.
5. Data och struktur underskattas som förutsättning. Om informationen som arbetet utgår från är inkonsekvent eller saknar tydlig källa, blir resultatet därefter – oavsett hur bra modellen är.
6. Man skalar för snabbt, eller aldrig. Antingen rullas en lösning ut brett innan den är testad, eller så fastnar den för evigt i pilotstadiet eftersom ingen definierat vad som krävs för att gå vidare.
7. Framgång definieras aldrig konkret. Utan tydliga, mätbara mål blir det omöjligt att avgöra om initiativet faktiskt levererade, och lika omöjligt att motivera nästa investering.

Gemensamt för listan är att inget av dessa problem är tekniska. De är beslutsproblem, ledarskapsproblem och strukturproblem som fanns i organisationen långt innan AI kom in i bilden. AI förstärker bara konsekvenserna av att de inte är lösta.

Fem frågor varje ledningsgrupp bör ställa innan man investerar i AI

En enkel checklista att ta med till nästa ledningsgruppsmöte eller styrelsemöte:

1. Vilket affärsproblem försöker vi lösa – och vad kostar det oss idag? Om svaret är vagt är det för tidigt att prata lösning.
2. Vem äger resultatet, inte bara projektet? Det ska finnas en person i verksamheten, inte bara i IT, som står till svars för att nyttan realiseras.
3. Har vi data och processer som är tillräckligt strukturerade för att AI ska kunna bidra? Om underlaget är spretigt eller saknar en tydlig källa behöver det adresseras först.
4. Vad förändras i arbetssätt, roller och ansvar om detta lyckas? Om svaret är "inget", är förväntningarna sannolikt fel ställda.
5. Hur vet vi om det fungerar – och när ska vi veta det? Sätt mätbara mål och en tidpunkt för utvärdering innan initiativet startar, inte efteråt.

Fem frågor räcker sällan för att fatta ett slutgiltigt beslut, men de räcker gott för att avslöja om en AI-satsning är affärsdriven eller teknikdriven.

Lyckas med din AI-strategi

Det största misstaget företag gör med AI är inte tekniskt – det är sekventiellt. Man börjar i fel ände. AI behöver inte en egen strategi; den behöver vara en självklar del av affärsstrategin. Alla behöver inte kunna AI på djupet, men alla beslutsfattare behöver förstå tillräckligt för att ställa rätt frågor och fatta bättre beslut. Tekniken är sällan den svåraste delen – kultur, ledarskap, ägarskap och tydliga processer är det som avgör om ett initiativ faktiskt ger resultat. Och konkurrensfördelen framöver kommer inte ligga hos de som har tillgång till AI, utan hos de som snabbast och mest konsekvent lyckas omsätta den till verkligt affärsvärde.

De organisationer som lyckas bäst är sällan de som förstår mest om tekniken i sig. De är de som snabbast förstår vad som är relevant, möjligt och prioriterat att lösa i just sin egen verksamhet, och som vågar ta första steget utifrån den insikten.

Vill du ha hjälp att identifiera var ni bör börja?

De flesta organisationer är mycket duktiga på sin egen affär. Ni förstår era kunder, era processer och era utmaningar bättre än någon extern part någonsin kommer göra. Det som däremot är svårt är att på egen hand hålla jämna steg med en teknik som utvecklas i extrem takt, samtidigt som ni ska avgöra vad som faktiskt är relevant att göra, här och nu.

Om du behöver en översättare mellan teknik och verksamhet hjälper vi gärna till, exempelvis genom en AI-workshop där vi tillsammans kartlägger var er organisation har mest att vinna.

Boka ett kostnadsfritt möte med oss