5 mått som visar om AI-satsningen ger effekt

För it-chefer innebär det en växande styrningsutmaning. AI-projekt drar ofta i gång snabbt, men utan tydlig koppling till affärsmål, processförändring och mätbar nytta riskerar de att fastna som isolerade piloter.

– Historiskt har it varit ett kostnadscentrum där man mätt drift och kostnader separat från resten av verksamheten. Nu har it flyttat in i verksamhetens kärna, men man mäter det fortfarande på det traditionella sättet, säger Frederik Sahlin, försäljningschef på Nagarro Sverige, till Techtidningen.

”Det handlar inte om tekniken”

Rapporten beskriver problemet som ett strukturellt värdegap. Kostnaden för digitalisering syns ofta i it-budgeten, medan nyttan uppstår någon annanstans: i kortare ledtider, högre produktivitet, bättre kundupplevelse, minskad risk eller nya intäkter.

Det gör AI-investeringar svåra att räkna hem med traditionella mått.

– Det handlar inte om tekniken i sig. Det handlar om hur man jobbar organisatoriskt. Klyftan mellan it och verksamheten blir mer uppenbar när man mäter på olika sätt, säger Frederik Sahlin.

Han pekar på att många verksamheter fortfarande mäter sådant som är enkelt att följa upp: driftkostnader, licenser, utvecklingstimmar och projektbudget. Men de måtten säger inte om tekniken faktiskt skapar effekt.

– Insats och resultat är en sak. Men utfallet, alltså vad man verkligen får ut, är ofta där den röda tråden saknas, säger han.

Fem mått it-chefen bör följa

För att avgöra vilka AI-projekt it-chefen ska skala upp, stoppa eller bygga om behöver uppföljningen breddas. Här är fem mått som blir centrala när AI ska gå från pilot till verksamhetseffekt.

• 1. Tid från idé till lansering

Ett AI-projekt ska inte bara mätas mot tidplanen. Den viktigare frågan är om satsningen gör verksamheten snabbare.

Minskar ledtiden från idé till lanserad tjänst? Går det snabbare att fatta beslut, hantera kundärenden, utveckla produkter eller genomföra förändringar?

I rapporten framgår att 52 procent inte mäter tiden från idé till lansering. Det innebär att många organisationer saknar ett av de tydligaste måtten på om digitalisering faktiskt stärker förändringsförmågan.

Kontrollfråga: Kortar AI-satsningen ledtiden från idé till användning?

• 2. Verksamhetseffekt

Verksamheten behöver koppla AI till konkreta verksamhetsmål. Det kan handla om ökade intäkter, högre produktivitet, bättre kvalitet, kortare handläggningstider eller förbättrad kundupplevelse.

Frederik Sahlin pekar på att en utvecklingstimme har ett pris, men inget egenvärde om den inte leder till effekt.

– Man vet att en utvecklingstimme har ett pris, men den har inget egenvärde i sig. Den måste kopplas till verksamhetens strategiska mål, säger han.

Det är här många kalkyler för avkastning på investering blir för snäva. En investering i datakvalitet, integrationer eller styrning kan vara svår att räkna hem isolerat, men avgörande för att AI över huvud taget ska kunna användas i större skala.

Kontrollfråga: Vilket affärs- eller verksamhetsmål påverkar AI-satsningen?

• 3. Innovationsstöd

Ett annat mått är om AI-satsningen gör organisationen bättre på att utveckla nytt. Det kan handla om fler testade idéer, snabbare experiment, bättre beslutsunderlag eller kortare väg från pilot till skarp användning.

Rapporten anger att 55 procent inte mäter innovationsstöd. Risken är att AI då bedöms som enskilda projekt, snarare än som en investering i organisationens förmåga att utvecklas.

För it-chefen blir frågan därför inte bara om en specifik AI-lösning fungerar. Minst lika viktigt är om satsningen bygger en förmåga som kan användas om och om igen.

Kontrollfråga: Gör satsningen det lättare att testa och skala nya arbetssätt?

• 4. Riskreduktion

Alla AI-satsningar ska inte räknas hem genom nya intäkter. Vissa investeringar skapar värde genom att minska risk.

Det kan handla om lägre cyberrisk, bättre regelefterlevnad, minskad manuell felhantering, ökad spårbarhet eller bättre kontroll över data och leverantörer.

Det blir särskilt viktigt när AI används i processer där beslut, kunddata eller affärskritiska system påverkas. Utan tydlig riskmätning kan organisationen antingen skala lösningar för snabbt eller bromsa användbara satsningar i onödan.

Kontrollfråga: Vilken risk minskar, och hur mäts det?

• 5. Skalbar effekt

Många AI-piloter fungerar i liten skala. Den verkliga prövningen kommer när lösningen ska in i verksamhetens ordinarie miljö, med krav på integrationer, datastyrning, säkerhet, ansvar och förändrade arbetssätt.

– I ett pilotprojekt kanske det fungerar väldigt bra i en isolerad miljö. Men när man ska skala upp till företagsnivå och ta hand om datastyrning och sådana delar kanske det inte fungerar lika bra, säger Frederik Sahlin.

Därför behöver uppföljningen fortsätta efter pilotfasen. Frågan är inte bara om tekniken fungerar, utan om den går att skala, styra och använda på ett sätt som ger återkommande effekt.

Kontrollfråga: Fungerar lösningen även med riktiga data, ansvar, integrationer och styrning?

Vanligt misstag: att börja med tekniken

Ett återkommande misstag är enligt Frederik Sahlin att organisationer börjar i AI-tekniken, snarare än i verksamhetsproblemet.

– Många börjar med AI för att de är rädda för att missa något: vad missar vi om vi inte hoppar på tåget? Men man bör börja från verksamhetshållet och fråga vilken process som skulle kunna förbättras med AI, säger han.

Det betyder inte att piloter är fel. Men de behöver kopplas till tydliga mål, ansvariga ägare och en modell för hur nyttan ska följas upp.

Annars riskerar AI att bli ännu ett område där aktiviteten är hög, men effekten oklar.

– Vi ser inte att nordiska bolag har misslyckats. Men de står inför nästa mognadsfas. De som får ihop det och kan omsätta tekniken till effekt är de som kommer att bli vinnare över tid, säger Frederik Sahlin.