När AI inte är lösningen — tre fall där något annat fungerade bättre

Varje vecka pratar jag med företagsledare som vill använda AI. I ungefär hälften av fallen är mitt ärliga svar att AI är rätt riktning, men att vägen dit börjar med ett annat steg. Inte för att AI är dåligt, utan för att något enklare löser det akuta problemet snabbare och bygger den grund som AI behöver.

Det låter kanske konstigt från någon som bygger AI-drivna företag. Men vi har sett vad som händer när företag hoppar direkt till AI utan att fråga sig om problemet faktiskt kräver det. RAND Corporation har studerat varför AI-projekt misslyckas och pekar bland annat på att företag jagar teknik istället för att lösa det verkliga problemet. Det stämmer med vad vi ser, om och om igen.

Det finns en tumregel som till och med Google följer. I deras Rules of Machine Learning är regel nummer 1: “Var inte rädd för att lansera utan maskininlärning.” En enkel heuristik tar dig 50 % av vägen, och det räcker ofta. Gartner förutspår att över 40 % av alla agentiska AI-projekt kommer att avbrytas innan 2027 på grund av eskalerande kostnader och otydligt affärsvärde. Marknaden börjar inse det vi sett länge: AI är kraftfullt, men inte alltid rätt verktyg.

Här är tre mönster vi stöter på regelbundet. De är anonymiserade men baserade på verkliga situationer.

Fall 1: Automatisering räckte hela vägen

Ett tjänsteföretag med runt 80 anställda ville ha AI för att kategorisera och dirigera inkommande kundmejl. De fick runt 200 mejl per dag och kundtjänstteamet lade uppskattningsvis 2 timmar varje morgon bara på att sortera och vidarebefordra.

Vi tittade på deras mejldata och hittade ett tydligt mönster. Ungefär 85 % av alla mejl föll i 3 kategorier: orderrelaterade frågor, reklamationer och fakturaärenden. Varje kategori hade tydliga nyckelord som återkom i princip varje gång.

En regelbaserad automatisering med nyckelordsträffar, i stil med det man kan bygga i Zapier eller Make, löste 90 % av sorteringen. Uppsättningen tog 2 dagar istället för 2-3 månader. Kostnaden blev ungefär en tiondel av vad ett AI-projekt hade landat på. Och det funkade från dag ett, utan träningsdata, utan modellunderhåll, utan risk att AI:n skickar ett ärende åt helt fel håll.

Om företaget växer till 1 000 mejl per dag och mönstren blir mer komplexa kan AI bli relevant. Men just nu löste den enkla lösningen problemet.

Det stämmer med vad forskningen visar. Forrester har utvärderat RPA-plattformar och funnit att regelbaserad automation ger 248-330 % avkastning på 3 år, med en återbetalningstid under 6 månader. Bain & Company bekräftar: företag som satsar på automation av regelbaserade, högvolymsprocesser minskar kostnaden för de processerna med 22 %. AI kan ge mer, men bara om processen och datan är redo. Regelbaserad automation funkar redan idag.

Fall 2: Data fanns redan, men systemen pratade inte med varandra

Ett växande bolag med data i 4 separata system (affärssystem, CRM, projekthantering och ett par Excel-ark) kom till oss och ville ha “AI-drivna insikter” för att fatta bättre beslut. VD:n hade sett presentationer om AI-dashboards och ville ha något liknande.

När vi grävde i det visade sig det verkliga problemet vara något helt annat. Ingen i ledningsgruppen litade på siffrorna, för varje system visade olika tal för samma sak. Omsättningen i affärssystemet matchade inte prognosen i CRM, och projektens lönsamhet i Excel stämde inte med bokföringen. Ledningen fattade beslut på magkänsla trots att data fanns. Den var bara utspridd och inkonsekvent.

Vi har sett det här förut. I ett uppdrag åt ett SaaS-bolag med runt 400 000 kr i månatlig omsättning och marknadsutgifter på uppemot 200 000 kr per månad hittade vi samma mönster. De hade ett “monster-Excel” för att räkna ut kundanskaffningskostnaden, manuellt sammanställt från flera system. Ingen vågade lita på det. Vi kopplade ihop systemen, samlade data automatiskt och synliggjorde att deras kundanskaffningskostnad var nästan lika hög som kundens livstidsvärde. Marknadsföringen var i praktiken ett nollsummespel. Utöver det sparade vi 750 000 kr per år i molnkostnader bara genom att se vad som faktiskt hände i deras infrastruktur.

Ingen AI var inblandad. Problemet var inte analys, utan att data inte hängde ihop. Koppla ihop systemen först. Insikterna kommer på köpet.

SCB:s undersökning om AI-användning i svenska företag från 2025 bekräftar det här. 44 % av företagen anger datakvalitet som hinder och 42 % pekar på att befintliga system inte kan hantera AI. Grunden är inte på plats hos nästan hälften av alla svenska företag, och då hjälper det inte att lägga AI ovanpå.

Lösningen blev en ren systemintegration. Vi skapade en gemensam datakälla som alla system matade in i, och därifrån byggde vi de rapporter ledningen behövde. Totalt arbete: en bråkdel av vad ett AI-projekt hade kostat. Och till skillnad från en AI-lösning byggd på osäker data gav den här lösningen siffror som folk faktiskt vågade lita på.

Fall 3: AI var rätt svar, men grunden behövde komma först

Det här är kanske det vanligaste mönstret. AI är faktiskt rätt väg framåt, men företaget är inte redo ännu.

Ett tillverkande företag ville använda AI för att förutspå efterfrågan och styra sin produktion. Efterfrågeprognos är ett av de områden där AI på riktigt gör skillnad, om datan håller.

Problemet var att deras orderdata var inkonsekvent. Olika produktkoder i olika system för samma artikel. Manuell inmatning hade byggt på felaktigheter under åratal. Och en del av den historiska datan fanns bara i pappersarkiv som aldrig digitaliserats.

Om vi hade byggt en AI-modell på den datan hade den producerat prognoser som såg övertygande ut men var opålitliga. Den hade lärt sig mönster i data som var fel, och gett felaktiga rekommendationer med hög säkerhet. Det är farligare än att inte ha någon prognos alls, för det skapar en falsk trygghet.

Vi använder AI-trappan för att bedöma var en process befinner sig. Det här företagets prognosprocess var på steg 0: odefinierad, manuell, med data utspridd på flera ställen. AI kräver steg 2 som minimum, det vill säga strukturerad data, integrerade system och mätbara flöden.

Så vi började med grunden. Standardiserade produktkoder över alla system, integrerade order- och lagerdata, och digitaliserade historisk information. Det tog ungefär 6 månader. Men efter det stod företaget med en solid datagrund, och AI-baserad efterfrågeprognos blev ett genomförbart nästa steg.

Tillväxtverkets rapport om svenska SMF:s AI-kompetens visar att 76 % av små och medelstora företag har digitaliseringspotential som de inte använder. SCB visar samtidigt att 62 % av de som faktiskt använder AI enbart kör kommersiella färdigverktyg, ofta utan integration med sina affärsprocesser. Det som framträder när man lägger ihop de här siffrorna är att den oanvända potentialen sällan handlar om att företagen behöver mer AI. Den handlar om att grunden saknas, och att AI som läggs på en bristande grund sällan ger det resultat som demos lovade.

I ungefär hälften av de kartläggningar vi gör visar det sig att den mest kostnadseffektiva åtgärden inte är AI, utan systemintegration, processautomatisering eller helt enkelt att dokumentera hur arbetet faktiskt fungerar. Det är inte lika spännande som AI. Men det är det som gör att AI fungerar 6 eller 12 månader senare.

Hur vet man vilken lösning som passar?

Det finns inget universellt svar, men ett par frågor brukar ge vägledning:

• Finns det tydliga, återkommande mönster? Om 85 % av fallen följer samma mall behövs inte AI. En enkel automatisering gör jobbet.
• Finns datan, men inte på ett ställe? Då är problemet integration, inte analys. Koppla ihop systemen och se vad som blir synligt.
• Är datan opålitlig eller inkonsekvent? Då behöver grunden byggas innan någon form av avancerad analys ger värde.

Ett exempel från Towards Data Science: ett ride-hailing-bolag bestämde att en neural nätverksmodell skulle förutsäga vart användare ville åka. Utvecklingen tog 4 månader. Modellen funkade för ungefär 10 % av användarna med djup historik, och var dålig för resten. En utvecklare löste samma problem på en natt med enkla affärsregler. Månader av arbete hade kunnat undvikas om teamet hade börjat med den enklaste lösningen först.

En AI-uppstart svarar på exakt de här frågorna. Den kartlägger processer, system och data, och visar för varje process om AI är rätt nu, om grunden behöver byggas först, eller om en enklare lösning räcker.

Vanliga frågor

Är AI alltid överdrivet för mindre företag?

Nej, storleken avgör inte. Det som avgör är om problemet kräver AI eller om det kan lösas enklare. Ett företag med 30 anställda kan ha processer som passar perfekt för AI, om datan är på plats och systemen integrerade. Och ett företag med 500 anställda kan ha processer där en enkel automatisering räcker.

Hur vet jag om mitt företag är redo för AI?

Börja med att ställa tre frågor om den process ni vill förbättra: Är den dokumenterad? Samlas data in strukturerat? Pratar systemen med varandra? Om svaret är nej på någon av dem behöver grunden stärkas först. AI-kollen ger en snabb indikation på var ni står.

Vad kostar det att bygga grunden jämfört med att gå direkt på AI?

Det beror på utgångsläget. Men vi ser att grundarbetet ofta kostar en tredjedel till hälften av vad ett AI-projekt hade kostat, och det tar bort risken att AI-satsningen misslyckas. RAND-studien visar att brist på rätt data och feldefinierade problem är bland de vanligaste orsakerna till att AI-projekt aldrig når produktion. Grundarbetet är i praktiken en försäkring.

Kan man använda AI och enklare automatisering samtidigt?

Ja. De flesta företag vi jobbar med har processer på olika mognadsnivåer. En del är redo för AI idag, andra behöver integration, och en del löses bäst med regelbaserad automatisering. Det handlar om att matcha rätt lösning till rätt process.

Vägen till AI går inte alltid rakt

Vi hjälper företag använda AI till att automatisera arbete och fatta bättre beslut. Men det innebär inte att varje enskild process behöver AI. Vissa processer löses bättre med en enkel automatisering. Andra behöver en systemintegration. Och en del behöver dokumenteras innan något annat är möjligt.

Grejen är att veta vilken lösning som passar vilken process. De tre fallen i den här artikeln handlar inte om att undvika AI. De handlar om att inte slösa pengar på AI där något enklare funkar, så att AI-budgeten hamnar där den gör mest nytta.

Vill ni veta var era processer står och vad nästa steg är? AI-kollen ger er en första indikation på 2 minuter.