Så kan svenska företag maxa nyttan av AI – lärdomar från pionjärens resa
AI har snabbt blivit ett hett samtalsämne i näringslivet. Många svenskar har testat generativa AI-verktyg både privat och på jobbet – men ofta utanför de officiella IT-systemen. Frågan är hur man tar nästa steg: Hur kan AI integreras i affärsprocesserna och faktiskt skapa värde?
Hajp, förväntningar och verklighet
– Vi ska vara positiva till att AI har blivit en hype, säger Gisela Edendahl som är försäljningschef för IBM Technology i Norden, och fortsätter:
– Det har satt tekniken på agendan och fått många att testa vad som är möjligt. Men när man vill ta tekniken från experiment till affärsnytta stöter man snabbt på utmaningar: regelverk, datakvalitet och gamla processer sätter käppar i hjulen.
De senaste åren har många företag genomfört pilotprojekt med fokus på AI, men bara en bråkdel leder till verklig förändring, konstaterar hon.
En studie som IBM har genomfört – där 2 000 vd:ar världen över deltog – visar att de tillfrågade cheferna förväntar sig att tillväxttakten för AI-investeringar kommer att mer än fördubblas under de kommande två åren. Drygt 60 procent säger att deras företag redan idag använder AI-agenter och att de förbereder sig för att införa dem i större skala.
Bara 1 procent av de tillfrågade cheferna uppger att deras företag har integrerat AI fullt ut i sina arbetsflöden och endast 19 procent av cheferna i undersökningen uppger att intäkterna ökat med mer än 5 procent.
Samtidigt visar en annan rapport, från det amerikanska universitet MIT:s NANDA-initiativ, att95 procent av de undersökta företagen inte har fått någon avkastning alls på sina AI-satsningar.
Trots de bleka siffrorna ser sig Gisela Edendahl som både optimist och realist inför AI:s framtid i svenskt näringsliv.
– Vi vet att det går att lyckas – vi ser det i vår egen vardag. Men det kräver fokus, samarbete och att man vågar tänka nytt.

Gisela Edendahl, försäljningschef för IBM Technology i Norden.
Receptet: Förenkla först – automatisera sedan
IBM har själva gått från ord till handling genom sitt koncept ”Client Zero” – där företaget självt fungerar som sin egen testbädd för AI-lösningar. Målet är att förenkla, ta bort onödiga arbetsmoment och att först därefter automatisera med AI. – Vi ska inte automatisera dåliga processer. Då tappar man mycket av vinsten, säger Gisela Edendahl. Ett konkret exempel där AI har gjort nytta för IBM är HR-tjänsten AskHR, ett avancerat och intelligent verktyg som under 2024 hanterade mer än 11,5 miljoner interaktioner, varav 94 procent gjordes inom plattformen. Det betyder att endast 6 procent av ärendena dirigerades till en specialiserad HR-partner för hjälp. Till exempel: På IBM flyttar de flesta anställda till en ny chef ungefär vart tredje år. Det blir 80 000 medarbetaröverföringar per år. – Vi upptäckte att innan vi införde AI eller automatisering lade chefer i genomsnitt 20 minuter på var och en av dessa transaktioner, 14 procent av tiden uppstod ett fel, därför att cheferna valde fel avdelning, datum, eller något som var ännu svårare att upptäcka. Processen automatiserades därför med hjälp av AI och naturligt språkbehandling, så att cheferna nu kan överföra en anställd genom en AI-assistent som ställer de rätta frågorna och kontrollerar arbetet. – Att flytta en medarbetare tar nu omkring 2 minuter. Tidsvinsten är enorm – och antalet fel är nästan obefintligt, säger Gisela Edendahl. Andra exempel där liknande tillämpningar görs med liknande resultat är bland annat inom on-boarding och offboarding av medarbetare.Datadriven styrning – stora tidsbesparingar
Ett annat exempel är IBMs egna dataplattform, där data från bland annat marknad, försäljning och HR har samlats i en gemensam modell. Tidigare gick mycket av analytikernas tid åt till att skapa rapporter, snarare än att analysera datan. Nu gäller istället det omvända, och man lägger 80 procent mindre på att skapa samma insikter.
Dessutom har detta inneburit att man kan tillgängliggöra informationen brett inom företaget. Man utgår från samma plattform, till skillnad från tidigare då datan var silofierad.
– Om vi kan göra det här, med vår storlek och komplexitet, då kan vem som helst göra det. Faktum är att det faktiskt enklare för mindre företag med färre system och mindre legacy, säger Gisela Edendahl.
Hon pekar ut sex återkommande utmaningar som bromsar AI-resan – och tips för hur man lyckas:
1. Överdrivna förväntningar och bristande målsättning
AI lyfts ofta fram som lösningen på alla problem, men verkligheten är mer komplex. Många företag går in i AI-projekt med förhoppningen att snabbt se dramatiska resultat men underskattar både tiden och resurserna som krävs.
– Det är lätt att tro att AI ska leverera värde direkt, men tekniken kräver både anpassning och tålamod, säger Gisela Edendahl.
Hon tar upp ett konkret exempel: en utvecklare som tidigare har skrivit mycket kod kommer framöver – eftersom koden i allt större utsträckning skapas av AI – få en roll som istället inebär att granska, förändra och förbättra, samt använda mer av sin kunskap på att vidareutveckla koden.
Lärdom: Sätt realistiska förväntningar och definiera tydliga, mätbara m ål redan från start. Skapa en konkret tidsplan för vad som ska uppnås och när.
2. Datakvalitet – AI:s akilleshäl
AI är beroende av data av hög kvalitet. Många organisationer upptäcker sent i processen att deras data är fragmenterad, felkategoriserad eller otillgänglig. Det kan handla om allt från inkonsekventa kundregister till ostrukturerad information i olika system.
– Om datan inte är i ordning kan vi inte heller få ett tillfredsställande resultat, konstaterar Gisela.
Lärdom: Gör en grundlig inventering av datalandskapet innan projektstart. Prioritera de områden där datakvaliteten är hög och där det finns tillgång till relevanta och uppdaterade uppgifter.
3. Otydliga affärsmål och svårigheter att mäta värde
Många AI-projekt startas utan att det finns en tydlig koppling till affärsnytta. Use cases kan låta spännande på pappret, men saknar ofta en konkret koppling till företagets strategiska mål eller ekonomiska KPI:er.
– Utan tydliga affärsmål blir det svårt att mäta om projektet faktiskt levererar värde, säger Gisela Edendahl.
Lärdom: Definiera vilka problem AI-projektet ska lösa och hur framgång ska mätas. Koppla alltid projektets KPI:er till faktiska affärsmål, som kostnadsbesparingar, intäktsökning eller riskminimering.
4. Organisatoriska hinder och bristande samarbete
En vanlig fallgrop är att AI-projekt drivs isolerat av IT-avdelningen utan förankring hos verksamheten. Det leder ofta till att lösningarna inte svarar mot de verkliga behoven eller att de aldrig implementeras fullt ut.
– Om det inte finns någon sponsor på affärssidan tar det betydligt längre tid, eller så faller projektet platt, säger Gisela Edendahl.
Lärdom: Bygg broar mellan IT och affärssidan. Säkerställ att projektet har stöd från ledningen och att det finns en tydlig ägare på verksamhetssidan.
5. Kunskapsbrist och förändringsmotstånd
AI kräver nya kompetenser och en vilja att lära nytt. I många organisationer är kunskapen om AI ojämnt fördelad, och det finns en osäkerhet kring vad tekniken innebär för de anställda.
– Det handlar om att vara nyfiken och beredd att omskola sig, säger Gisela Edendahl.
Lärdom: Satsa på utbildning och kompetensutveckling. Skapa en kultur där det är okej att testa nytt och där lärande uppmuntras.
6. Etik, styrning och ansvar
AI väcker frågor om etik och ansvar. Hur mycket ska automatiseras? Vilka beslut kan lämnas till AI – och var krävs mänsklig inblandning? Många företag saknar en tydlig governance-struktur för AI-projekt.
– Det är viktigt att ha en plan för hur AI-beslut ska hanteras och var gränsen går för mänsklig inblandning. Något som är särskilt viktigt när beslut fattas med hjälp av AI är att det alltid måste gå att redogöra för hur dessa beslut har tagits, säger Gisela Edendahl.
Lärdom: Utveckla en tydlig strategi för etik och styrning. Testa gärna olika grader av automatisering och utvärdera effekterna innan fullskalig implementering.
