D&B-chefen: Tre steg för att få AI ur pilotfasen

Men när tekniken ska gå från satsning till faktisk användning ser bilden annorlunda ut. I det samlade AI-indexet får Sverige 57,3, jämfört med det globala genomsnittet på 61,9.

Störst är gapet i genomförandet. Där får Sverige 33,1, jämfört med det globala snittet på 44,6. Det innebär att Sverige ligger 26 procent efter det globala genomsnittet.

Enligt Marie Berner Moberg, vd för Dun & Bradstreet Sverige, är problemet inte bristande intresse. Gapet uppstår mellan viljan att testa AI och förmågan att införa tekniken brett och kontrollerat.

– Vi är väldigt vana vid att arbeta med regleringar. Vi har en försiktighetsprincip när vi ska införa ny teknik eller nya sätt att arbeta, och det tror jag hämmar Sverige lite nu.

Hon pekar på att många organisationer väntar på tydligare riktlinjer och ansvarsfördelning innan de vågar ta AI från pilotprojekt till bred användning.

Samtidigt menar hon att försiktigheten inte bara är negativ.

– Vi får inte vara för försiktiga, för då kommer vi att missa tåget. Men en sund försiktighet kan vara klokt.

”Många har lite AI-panik”

Marie Berner Moberg har en lång bakgrund inom företags-it, bland annat inom infrastruktur, cybersäkerhet och data. Hon känner igen delar av AI-vågen från tidigare teknikskiften, men ser också en skillnad i hur brett och snabbt frågan påverkar organisationer.

– Många har lite AI-panik och undrar: Hur ska man hänga med?

Just därför behöver företag bromsa i rätt del av processen, menar hon. Inte genom att sluta testa, utan genom att bli tydligare med varför ett AI-projekt över huvud taget ska göras.

– Vi ska inte bara springa iväg med allt som är möjligt, utan stanna upp och fråga oss: Varför gör vi det här, för vem gör vi det här och vilket problem försöker vi lösa?

It-chefer bör därför koppla varje AI-pilot till ett tydligt verksamhetsmål. Ett tekniskt imponerande projekt utan koppling till kärnverksamheten riskerar annars att fastna på vägen.

Ett lovande AI-projekt bör kunna svara på tre frågor: vilket problem det löser, vilken effekt det ska ge och vem i verksamheten som äger resultatet. Saknas svaren är det en tydlig varningssignal innan projektet får mer budget eller bredare användning.

Ledarskapet avgör

Svenska företag ligger också efter när det gäller att omsätta AI-investeringar i mätbar affärsnytta. I indexet för avkastning på AI-investeringar får Sverige 40,2, jämfört med det globala genomsnittet på 50,3.

För Marie Berner Moberg visar det att företag inte kan behandla AI som en ren teknikfråga.

– Det många bolag behöver lägga tid på nu är ledarskapet och det organisatoriska ledarskapet. Hur får man med hela organisationen? Hur sätter toppledningen riktning?

Hon beskriver framgångsrikt AI-arbete som en kombination av teknik, data, organisation och processer. När företag går från AI-experiment till verklig användning behöver de inte bara fungerande modeller, utan också ansvar, ramar och kontrollpunkter.

Risken ökar när företag bygger in AI i kärnprocesser. Då räcker det inte att ett verktyg fungerar i en avgränsad pilot. Organisationen måste visa hur tekniken ska användas, vem som ansvarar för effekten och var gränserna går.

För it-chefen blir rollen därför både teknisk och strategisk. It behöver möjliggöra AI-användning, men också kunna utmana ledningen om syftet är otydligt eller om projekten drivs av tekniknyfikenhet snarare än affärsbehov.

Digital mognad är inte datamognad

En annan broms är företagens mognad i hanteringen av data. Enligt AI Momentum Index sjönk Sveriges index för datamognad från 63,4 till 55,7 mellan första och andra kvartalet 2026. Det innebär att Sverige ligger tydligt under det globala genomsnittet på 63,6.

Samtidigt minskade indexet för medarbetarnas AI-kompetens och organisationernas förmåga att använda AI från 56,8 till 50,0.

Marie Berner Moberg menar att svenska organisationer ofta är snabba på att ta till sig ny teknik. Men digital mognad är inte samma sak som datamognad.

– AI är en teknisk komponent, men AI gör exakt det du ber den att göra. Om du använder data som inte är relevant, är gammal eller felaktig, då blir resultatet fel.

När företag använder AI för analys kan bristfälliga uppgifter leda till fel slutsatser. När de bygger in tekniken i automatiserade flöden blir konsekvenserna allvarligare.

– Då handlar det inte längre bara om garbage in, garbage out. Då blir det garbage action out.

Hon pekar på att riskerna kan bli konkreta när AI börjar agera på felaktiga underlag.

– Du kan tacka nej till en toppkund för att du har gammal data, skicka felaktig konfidentiell information till ett bolag som har gått i konkurs eller teckna ett leverantörsavtal med ett bolag som plötsligt befinner sig på en sanktionslista.

AI-beslut måste gå att spåra

För att AI ska kunna införas brett räcker det inte att rensa data en gång. Organisationen behöver också veta var datan kommer ifrån, när de uppdaterades och varför de kan användas som beslutsunderlag.

– Det räcker inte att visa att ett beslut bygger på vissa uppgifter. Man måste också kunna visa varför man kunde säga att uppgifterna var korrekta.

Det blir särskilt viktigt när AI används i processer där ansvar, säkerhet och regelefterlevnad kan behöva granskas i efterhand.

För it-chefer betyder det att datastyrning behöver komma in tidigt i AI-arbetet. Om spårbarhet, ansvar och datakvalitet saknas i piloten blir det svårt att bygga in tekniken i verksamhetens kritiska processer senare.

Tre steg för att komma vidare

För it-chefer som känner press från ledningen att visa snabba AI-resultat är Marie Berner Mobergs första råd att börja med syftet.

– Börja med varför. Vad är det vi försöker lösa? För vem? Får man inte den tydligheten från ledningen behöver man utmana ledningen i det.

Det andra steget är att granska underlaget. Organisationen behöver veta vilka datakällor som används, när uppgifterna uppdaterades och om de går att verifiera över tid.

Det tredje steget är att bygga styrning kring säkerhet, spårbarhet och regelefterlevnad innan AI byggs in i bredare verksamhetsflöden.

– Gör man de tre delarna rätt från början, då tror jag att man kan ha en ganska spännande framtid framför sig.

Checklista: Tre frågor innan nästa AI-projekt får budget

• Vilket problem ska AI lösa?

Projektet behöver ha ett tydligt syfte, en ägare i verksamheten och en koppling till konkret nytta.

• Går datan att lita på?

Organisationen behöver veta var datan kommer ifrån, när den uppdaterades och om den är tillräckligt korrekt

• Finns styrning för att gå vidare?

Innan AI byggs in i kärnprocesser måste ansvar, säkerhet, spårbarhet och regelefterlevnad vara på plats.