Det mest användbara svaret på frågan om hur mycket AI man ska använda i företaget är inte ”så mycket som möjligt”. Det är ”i den utsträckning som det skapar mervärde utan att urholka omdöme, kvalitet och differentiering”.
Detta har idag större betydelse än man kan tro. I Italien har användningen av artificiell intelligens inom företagen ökatfrån 8,2 % år 2024 till 16,4 % år 2025, enligt uppgifter från Istat som återges i Il Foglio. Att siffran fördubblats på bara ett år säger en enkel sak: frågan är inte längre om man ska agera, utan hur man ska justera inställningarna.
Som VD för en AI-plattform för europeiska små och medelstora företag och som forskare som arbetar med kommoditiseringen av språkmodellernas resultat ser jag samma misstag upprepas. Företagen behandlar AI som en strömbrytare. Antingen ignorerar de den, eller så försöker de automatisera allt. Båda valen förstör värde. Det första eftersom det gör dig trög. Det andra eftersom det översvämmar dig med resultat som är korrekta på ytan men svaga i sak.
Det ramverk som fungerar är enklare och mer strukturerat: att använda AI där det minskar det mekaniska arbetet, och avstå från det där ansvar, sammanhang och mänsklig inblandning krävs.
De flesta företag gör fel, antingen genom att gå för långt eller genom att agera för sent. Det handlar inte om att införa AI. Det handlar om att hitta den gräns där den operativa avkastningen ökar mindre än den risk man tar.
Balaji Srinivasan har sammanfattat det bättre än någon annan: ”0 % AI är långsamt. Men 100 % AI är skräp.” Som VD tolkar jag det så här: För lite AI leder till onödiga kostnader för företaget. För mycket AI ersätter omdömet med resultat som visserligen verkar rimliga, men som är utbytbara.
Logiken bygger på Lafferkurvan tillämpad på kunskapsarbete. I början ger varje ytterligare steg inom AI en hög avkastning: mindre tid går åt till repetitiva uppgifter, snabbare genomförande och mer enhetliga processer. Sedan nås en tröskel. Bortom den tröskeln minskar den marginella vinsten och kostnaderna börjar stiga, vilket många chefer upptäcker för sent: väl förpackade fel, sämre kontroll, otydligare ansvarsfördelning och innehåll som alla ser likadant ut.
Att ligga kvar på noll är inte försiktighet. Det är att välja att betala kvalificerade personer för att utföra arbete som inte skapar någon konkurrensfördel.
Det händer varje dag. Ekonomiavdelningen som manuellt sammanställer filer. Säljarna som skriver om nästan identiska e-postmeddelanden. Driftsavdelningen som flyttar data mellan olika system. Marknadsavdelningen som förbereder första utkast och formatändringar för hand. Dessa aktiviteter förbättrar inte strategin, stärker inte positioneringen och ökar inte det värde som kunden upplever. De tar bara upp ledningens tid och slösar bort värdefull arbetstid.
Det är därför marknaden är i rörelse. Som nämndes inledningsvis ökar införandet eftersom passivitet medför kostnader som blir allt tydligare, först i form av tidsförluster och sedan i form av minskade marginaler.
Utan AI blir utförandet långsammare. Med för mycket AI standardiserar man även det som borde förbli unikt.
Det andra misstaget är mer subtilt, eftersom det till en början verkar vara en effektivitetsvinst.
En finansrapport som helt och hållet har skrivits av AI kan verka korrekt, välstrukturerad och till och med övertygande. Men en seriös ekonomichef undertecknar inte ett dokument bara för att det ”låter bra”. Han eller hon jämför det med order, inkommande betalningar, lager, driftsförseningar och affärsmässiga avvikelser. Utan detta steg automatiserar företaget inte på rätt sätt. Det för bara över risken längre fram i kedjan.
Detsamma gäller inom försäljning och marknadsföring. Ett e-postmeddelande som till 100 % genererats av AI kan följa rätt ton, struktur och grammatik. Men ofta saknas den unika detaljen: hänvisningen till kundens faktiska utmaning, dynamiken i kundens bransch eller den specifika knutpunkten som framkom under samtalet. Det är där konverteringen sker. Och det är där den totala automatiseringen börjar underminera differentieringen.
Det här är slop. Läsbart material, snabbt att ta fram, formellt acceptabelt, men bristfälligt när det gäller ansvar och konkurrensfördelar. Jag har analyserat denna risk mer ingående här: hur företag hanterar AI.
Den praktiska regeln lyder så här:
AI automatiserar inte en hel process särskilt bra. Däremot automatiserar den processens kärna väl. Den fungerar ”från mitten till mitten”.
I början behövs en människa som definierar problemet, sammanhanget, begränsningarna och de relevanta uppgifterna. I slutet behövs en människa som kontrollerar resultatet, sätter det i sitt sammanhang och tar ansvar för det. Däremellan kan AI:n däremot spara många timmars arbete.
Ta en affärsanalys som exempel. Ledningen fastställer den initiala frågeställningen: vilka kunder som uppvisar en avmattning, vilka produktlinjer som växer och var marginalen krymper. AI:n sammanställer data, rensar tabeller, identifierar mönster och sammanställer rapporten. Därefter granskar en expert resultatet och avgör om mönstret är en verklig avvikelse eller ett tillfälligt brus.
Samma mönster gäller inom kundservice, ekonomi, drift och marknadsföring. AI är bra på omvandling, klassificering, sammanfattning, formatanpassning och framtagning av utkast. Däremot är den, på egen hand, dålig på att fastställa affärsprioriteringar och ta risken med det slutgiltiga beslutet.
Många företagare tittar på API:er eller licenser. Det är en del av kostnaden, men sällan den avgörande faktorn. Den verkliga kostnaden ligger i de arbetstimmar som krävs för att ge bra instruktioner och kontrollera resultatet.
Här kommer en uppgift som jag ofta delar med teamen. Endast 10 % av AI:s värde härrör från algoritmerna, 20 % från data och 70 % från människor, processer och företagskultur, vilket Archimedia sammanfattar i sin praktiska guide. Om organisationen, styrningen och ansvarsfördelningen inte är rätt kan man ha den bästa modellen och ändå uppnå mycket lite.
Ledningsregel: AI eliminerar inte behovet av kompetens. Det förskjuter fokus från mekaniskt utförande till att fatta välgrundade beslut.
Därför blir företag som försöker ”ersätta människor” ofta besvikna. De som istället omformar rollerna uppnår däremot bättre resultat. Mindre tid åt manuell produktion. Mer tid åt granskning, tolkning och beslutsfattande.
Tre praktiska konsekvenser:
Det snabbaste sättet att misslyckas med införandet är att betrakta AI:s begränsningar som tillfälliga problem. Många av dem är inte det. Det är strukturella gränser som just syftar till att avgöra var man ska dra gränsen.
Den första begränsningen är ekonomisk. AI i stor skala är inte gratis. Varje anrop, arbetsflöde, samordning, integration och kontroll medför kostnader. Om uppgiften har lågt värde eller kräver för många granskningssteg kan automatiseringen försämra resultatet istället för att förbättra det.
Den andra begränsningen är av matematisk karaktär. AI kan inte på ett magiskt sätt lösa problem där systemet är instabilt, kaotiskt eller svårt att observera. En modell kan hjälpa till att tolka signaler. Den kan inte förvandla radikal osäkerhet till säkerhet.
Den tredje begränsningen är av praktisk karaktär. Även när modellen är bra går det inte att helt automatisera hela uppgiften. Någon måste formulera problemet och någon måste kontrollera svaret.
Den fjärde begränsningen är av fysisk karaktär. AI:n finns inte på din anläggning, besöker inte kunden, känner inte av spänningen i en förhandling och ser inte en maskin som vibrerar onormalt om ingen matar in dessa uppgifter i systemet.
Om processen kräver underförstådd kontext, direkt perception eller ett stort juridiskt ansvar, måste AI:n fungera som assistent, inte som styrande kraft.
Den mest underskattade flaskhalsen är den interna kompetensen. I Italien anser 68 % av företagen med färre än 50 anställda att bristen på intern kompetens är det största hindret för införandet av AI, och det krävs i genomsnitt 4–6 veckors utbildning för att kunna använda tekniken självständigt, enligt denna analys av användningen av AI, data, kompetens och utbildning.
Denna uppgift är viktigare än många spektakulära demonstrationer. Om ingen på företaget vet hur man kontrollerar ett utdata är automatiseringen ingen fördel. Den utgör en driftsrisk.
För en chef är den rätta frågan inte ”Kan AI göra det?”. Den lyder så här:
Om något av dessa svar är nej, höj den mänskliga andelen.
Det mest subtila strategiska problemet är inte det grova misstaget. Det är tendensen att glida in i medelmåttighet av god kvalitet. Jag kallar denna effekt för ”B+ Trap”.
De ledande generativa modellerna producerar allt oftare resultat som är ”tillräckligt bra”. Välformulerade texter. Läsbara sammanfattningar. Välstrukturerade analyser. Korrekt uppbyggnad. Men när alla använder samma modeller, samma promptmönster och samma arbetsflöden tenderar resultaten att bli likartade.
För många företag är detta osynligt i början. De ser hastighet och skenbar kvalitet. De ser inte förlusten av röst, av särprägel, av konkurrensfördel. Inom marknadsföringen leder detta till utbytbart innehåll. Inom analysen leder det till insikter som vem som helst kan komma fram till. Inom strategin leder det till beslut som bygger på genomsnittlig marknadsinformation, inte på din egen konkurrensfördel.
Det företag som överlåter standardarbetet till AI och sedan tillför intern expertis, branschkontext, egna data och ledningens bedömning skapar ett annorlunda resultat. Inte nödvändigtvis längre eller mer komplicerat. Utan mer användbart.
Det är därför som 100 % AI är en återvändsgränd ur konkurrenssynpunkt. Inte för att AI:n är dålig, utan för att om man låter den skapa allt utan mänsklig inblandning blir resultaten allt mer likartade jämfört med alla andras. Det som skapar marginal är just det som inte är en standardvara.
För den som vill fördjupa sig i detta perspektiv ur ett forskningsperspektiv rekommenderar jag publikationerna om AI-driven analytics.
Fördelen år 2026 är inte att ha tillgång till AI. Det är att veta var man ska sätta stopp för automatiseringen och lägga till sitt eget unika inslag.
När en företagare frågar mig hur mycket AI man bör använda i företaget utgår jag från två variabler. Inte från verktyget.
Det första är uppgiftens karaktär. Är den mekanisk, analytisk eller beslutsinriktad?
Det andra är kostnaden för misstaget. Om resultatet blir fel, förlorar du då några minuter, en kund, vinstmarginalen eller trovärdigheten?
Denna strategi är också rimlig av ett mycket konkret skäl. Den mest omedelbara effekten av Gen AI syns i automatiseringen av repetitiva uppgifter som hantering av e-post och framtagning av standardrapporter, vilket frigör personalresurser för uppgifter med högre mervärde, vilket Huware lyfter fram i sin djupdykning om företagsproduktivitet.
| Typ av uppgift | Låga felkostnader | Genomsnittlig felkostnad | Höga kostnader vid fel |
|---|---|---|---|
| Mekaniskt och repetitivt | Närmare 90 % AI. Dataformatering, schemaläggning, taggning, innehållsdistribution. | Cirka 70 % AI. Hög grad av automatisering med slutkontroll. | Cirka 50 % AI. AI:n förbereder, människan granskar rad för rad. |
| Analytiskt och tolkande | Cirka 70 % AI. AI:n identifierar mönster, människan bekräftar. | Cirka 50 % AI. Bra balans för ledningsrapporter. | Cirka 40 % AI. Det krävs en systematisk granskning av experter. |
| Beslutsfattande och strategiskt | Cirka 40 % AI. Stöd för scenarier och alternativ. | Cirka 30 % AI. AI stöder, men drar inga slutsatser. | Närmare 30 % AI. Prissättning, strategi, rekrytering, känsliga meddelanden. |
Dessa procentsatser är inte någon naturlag. De utgör en praktisk utgångspunkt. De syftar till att undvika två klassiska misstag: att automatisera högriskprocesser för tidigt, eller att låta processer som redan borde hanteras av programvara fortsätta att skötas manuellt.
I praktiken är det lämpligt att regelbundet se över automatiseringsgraden. De mest användbara mätvärdena är enkla.
Om du vill göra detta steg mer formellt är det bra att fundera över hur man ska mäta avkastningen på AI-investeringen innan man utvidgar införandet till hela företaget.
Viktiga punkter
Det bästa sättet att förstå detta ramverk är att se hur det tillämpas utan onödiga teorier. Internt utgick projektet inte från någon abstrakt idé om ”AI-nivån”. Det utgick från en enkel regel: automatisera endast där kostnaden för ett oupptäckt fel är låg, och behåll mänsklig kontroll där kostnaden för ett fel är hög.
Det tydligaste exemplet är publiceringsflödet. Det första försöket var enkelt: att automatisera allt, från det första utkastet till distributionen via olika kanaler, inklusive anpassningar av format, bilder och schemaläggning. Det fungerade. Men resultatet var bara generellt korrekt.
Tonen fanns där. Formatet också. Det som saknades var det som en erfaren läsare omedelbart uppfattar: den specifika vinkeln, omdömet, synvinkeln.
Justeringen genomfördes genom att återinföra mänsklig inblandning vid endast två punkter: granskning av nyckelbudskapet och val av vinkel för varje plattform. AI:n har fortsatt att ansvara för formatanpassning, produktion av kreativt material och publicering. Processen har därmed minskat från tre timmar till cirka 30 minuters mänskligt arbete per cykel, med en slutlig fördelning på cirka 80 % AI och 20 % mänskligt arbete.
Den optimala punkten är inte där AI:n klarar av allt. Det är där teamet slutar att korrigera för mycket och resultatet förblir trovärdigt.
Den metod som använts för att nå dit kan tillämpas i vilket små- och medelstort företag som helst.
Det finns tre interna mätvärden som övervakas: andelen korrigerande åtgärder, den totala end-to-end-tiden och den kvalitet som slutanvändaren upplever. När något av dessa värden försämras måste man gå tillbaka ett steg.
Detta tillvägagångssätt speglar också väl en produktfilosofi som jag anser vara sund: AI bör ersätta analytikerns arbete när det är repetitivt och strukturerat, inte det affärsmässiga omdömet. Med andra ord: utformad för att ersätta din analytiker, inte ditt omdöme.
Konkurrensfördelen uppstår inte genom att använda mer AI. Den uppstår genom att man vet hur man sätter en gräns innan automatiseringen börjar urholka marginalerna, förtroendet och arbetets unika karaktär.
Därför är den rätta frågan inte om man ska införa AI, utan hur mycket AI man ska använda inom företaget i varje relevant process. AI:s Laffer-kurva tjänar just detta syfte: att hitta den punkt där automatiseringen ökar produktiviteten och hastigheten utan att driva teamet in i ”B+”-fällan, det vill säga resultat som är tillräckligt bra för att godkännas, men för generella för att företaget ska kunna särskilja sig.
I praktiken bör AI användas där det sparar tid, minskar repetitivt arbete och håller kontrollkostnaderna nere. Det bör undvikas där ett fel väger tyngre än den tid som sparas, där sammanhanget är viktigare än formatet och där beslutet har konsekvenser för verksamheten eller företagets anseende.
Här visar sig ledarskapets mognad.
I nästa konkurrenscykel kommer de företag att vinna som kan fastställa tydliga ramar för AI:n. Inte de som stoppar in den överallt, utan de som låter människor fatta besluten och automatiserar resten på ett disciplinerat sätt.
Om du vill tillämpa denna metod med en plattform som automatiserar analysen utan att du förlorar kontrollen över beslutsfattandet, kan du ta en titt på ELECTE, en AI-driven dataanalysplattform för små och medelstora företag. Du kan se hur den omvandlar rådata till användbara insikter, automatiska rapporter och värdefulla signaler som hjälper dig att fatta snabbare beslut, utan att helt förlita dig på AI. Är du redo att agera utifrån dina data? Starta din kostnadsfria provperiod →
.svg)
.svg)
.svg)
