Text: Luc Brandts, vd, Software Improvement Group

AI används i dag brett i organisationer och lyfts fram som en strategisk prioritet. Samtidigt har många organisationer svårt att omsätta satsningarna i konkret affärsvärde. Trots omfattande investeringar är det fortfarande få initiativ som ger tydlig effekt. Problemet är sällan tekniken i sig, utan hur den införs, styrs och följs upp i organisationen.

De flesta organisationer är medvetna om att AI innebär nya möjligheter, men också nya risker. Frågan är sällan om tekniken är relevant, utan vad som faktiskt ska göras härnäst och hur den ska användas i praktiken. När initiativ ska gå från pilot till verksamhetskritisk tillämpning saknas ofta en tydlig bild av vad som krävs, hur systemen påverkas och vilka avvägningar som behöver göras.

Detta syns tydligt i analyser som ligger till grund för vår rapport The AI Boardroom Gap 2026, där vi belyser hur AI används, styrs och följs upp i organisationer.

Enligt McKinsey-data som refereras i rapporten använder 88 procent av organisationer AI i minst en affärsfunktion och 64 procent ser tekniken som en drivkraft för innovation. Samtidigt är det endast 39 procent som rapporterar en tydlig påverkan på resultatet.

Liknande mönster framträder i andra studier. Studier från bland annat MIT pekar på att investeringarna i generativ AI uppgår till tiotals miljarder dollar, samtidigt som en stor andel av initiativen ännu inte genererar avkastning. McKinsey visar att endast en mycket liten andel organisationer betraktar sina AI-implementationer som mogna. Sammantaget pekar det på att utmaningen inte ligger i att förstå potentialen, utan i att omsätta den i praktiken.

En viktig del av problemet är att teknik- och affärssidan fortfarande saknar ett gemensamt språk för att diskutera AI. Utan den kopplingen blir det svårt för ledning och styrelse att fatta välgrundade beslut om investeringar, risk och prioriteringar.

AI förändrar också var ansvaret ligger. När kod kan genereras snabbare och i större volym flyttas tyngdpunkten från implementering till de beslut som fattas tidigare i processen. Det blir avgörande att definiera problem tydligt, sätta rätt krav och göra medvetna avvägningar.

Många organisationer talar fortfarande om att ha en människa i processen. I praktiken räcker det inte. När AI kan generera stora mängder output i hög hastighet blir det svårt att skala ett arbetssätt som bygger på att granska resultat i efterhand.

Det som krävs är i stället att vara i kontroll. AI kan generera svar, men den vet inte vad som bör efterfrågas, vad som ska prioriteras eller vilken kvalitetsnivå som krävs. Det ansvaret ligger kvar hos organisationen.

I praktiken innebär det att behovet av erfarna ingenjörer ökar. Erfarna ingenjörer kan bedöma kvalitet, identifiera risker och förstå konsekvenserna av olika lösningar. Mindre erfarna utvecklare kan producera mer med hjälp av AI, men saknar ofta samma förmåga att avgöra om det som byggs är hållbart, säkert eller möjligt att förvalta. Det innebär att produktivitet och risk inte utvecklas i samma riktning.

AI förändrar hur mjukvara utvecklas, men inte vad som avgör kvalitet. Krav på säkerhet, arkitektur och underhållbarhet kvarstår, oavsett hur koden har skapats.

Samtidigt införs AI i systemmiljöer som redan är komplexa. Nya beroenden till data, modeller och externa plattformar byggs in i strukturer där överblicken ofta är begränsad. Många organisationer saknar en samlad och verifierbar bild av var AI används, hur systemen hänger ihop och vilka beroenden som finns. Utan den överblicken blir det svårt att styra utvecklingen, prioritera rätt och ta ansvar för konsekvenserna.

Det är också här många AI-initiativ faller. Problemen handlar sällan om tekniken i sig, utan om bristande styrning, ansvar och överblick i organisationen.

Kostnadsbilden utvecklas parallellt. AI framställs ofta som ett sätt att effektivisera, men i praktiken sprids kostnader ut över organisationen i form av licenser, användning och beräkningskapacitet. När användningen skalar blir dessa kostnader snabbt betydande, särskilt om de inte följs upp samlat. Antagandet att det alltid går att generera om kod bygger på att det är kostnadsfritt, vilket sällan stämmer i större skala.

Det som initialt uppfattas som marginellt kan över tid utvecklas till betydande utgifter, särskilt om det saknas samlad uppföljning.

Utvecklingen innebär att AI i allt större utsträckning behöver hanteras som en fråga för ledning och styrelse. Det handlar inte längre om enskilda initiativ, utan om hur hela verksamheten styrs och följs upp. För att kunna fatta informerade beslut krävs en gemensam förståelse för hur tekniken påverkar verksamheten i relation till kostnader, risk och operativ förmåga.

I praktiken innebär det att ledning och styrelse behöver kunna svara på fem grundläggande frågor:

Var AI används i verksamheten och i vilka beslut den påverkar

Hur systemen hänger ihop och vilka beroenden som finns

Hur kvalitet, säkerhet och underhållbarhet säkerställs över tid

Hur kostnader utvecklas när användningen skalar

Vem som har ett tydligt ansvar för systemen som byggs

Organisationer som etablerar denna typ av överblick får bättre förutsättningar att prioritera rätt och hantera både risk och investeringar. De kan också röra sig snabbare, eftersom beslutsunderlaget är tydligare.

I den situationen avgörs inte utfallet av hur mycket AI som används, utan av hur väl den går att förstå, styra och följa upp.

BIld av succo