Sluta driva AI som projekt - börja driva AI som en investeringsportfölj
Om enskilda AI‑initiativ inte når upp till förväntningarna är det alltför lätt att dra slutsatsen att “AI funkar inte hos oss”. Men det är oftast styrmodellen som är problemet.
Många organisationer börjar med AI så här: välj ett lovande användningsfall, skriv ett business case, presentera för ledningen, kör en pilot, konstatera att förväntningarna inte uppnåddes - och ifrågasätt AI‑satsningen.
Men AI beter sig inte som “vanliga” projekt. Utfallet för enskilda satsningar är ofta osäkert och värdet är snedfördelat. Dessutom sitter det mesta av värdet i det som händer runt tekniken: förändrade arbetssätt, bättre beslut och nya affärsmöjligheter.
Det syns i siffrorna:
PwC:s 2026 Global CEO Survey: bara 12% av CEO:s säger att AI hittills gett både kostnads- och intäktsnytta, och 56% ser ännu ingen signifikant finansiell nytta.
BCG:s 2025‑studie (över 1 250 företag): endast 5% skapar AI‑värde “i skala”, medan 60% inte ser något materiellt värde alls trots investeringar.
IDC/Lenovo‑studie (refererad av CIO): 88% av AI‑piloter når inte bred driftsättning. För varje 33 piloter är det bara 4 som tar steget till produktion.
Om du då driver AI som traditionella projekt blir resultatet lätt en pilotkyrkogård. Första piloterna blir ett “försök” – och om de inte skalar, blir försöket samtidigt domslutet: “AI-satsningen var ingen bra idé”.
AI‑rådgivaren och författaren Tobias Zwingmann fångar precis det här mönstret i sin text om Why AI Roadmaps beat AI projects. Han beskriver hur första budgeten inte brukar vara någon större svårighet att få - men att satsningen kan dö när första prototypen inte levererar som man hoppats. Hans resonemang ligger nära mina egna erfarenheter och är en viktig utgångspunkt för den här artikeln.
Lösningen är att byta styrmodell: AI behöver drivas som en investeringsportfölj, med flera satsningar, gemensamma grundförmågor och en roadmap där nedlagda initiativ blir lärdomar istället för misslyckanden.
När första piloten blir domslutet
Mönstret är ofta förutsägbart.
En idé visar potential. Många ser möjligheterna. Sen kommer verkligheten: dataåtkomst, integration, informationssäkerhet, juridik, förvaltning, utbildning och processförändring.
När detta tar emot är det lätt att tolka friktion som facit. Det är då det är avgörande att ha rätt styrmodell.
Om ledningen börjar fråga “ska vi verkligen fortsätta?” har satsningen ofta redan tappat energi. Inte för att AI saknar potential, utan för att man byggt en styrmodell där allt för mycket hängde på första försöket.
Slutligen kanske organisationen skaffar Copilot-licenser och tycker att nu har de gjort tillräckligt inom AI.
Varför AI skiljer sig från IT
I mycket av IT (det jag kallar bas-IT) får du effekt genom att införa en teknisk lösning och rulla ut den. Det är inte alltid helt enkelt - men ofta hyfsat planeringsbart.
AI däremot fungerar mer som verksamhetsutveckling. Värde uppstår när vardagsbeteenden ändras, när beslut blir bättre och när flöden görs på ett nytt sätt.
Det gör att helt andra faktorer blir avgörande:
datakvalitet och begrepp/definitioner
mottaglighet i organisationen
lärförmåga
entreprenörskap och produktförmåga (att få saker i drift och använda dem)
tydligt ansvar över tid
Det här är också anledningen till att “vi gjorde en pilot” sällan är samma sak som “vi har byggt förmågan”.
Tänk som en riskkapitalist och bygg en lärloop
Riskkapitalister investerar inte i ett enda bolag och hoppas att det ska bära allt. De sprider risk och ger sig själva flera chanser.
En förenklad men nyttig mental modell är: av tio investeringar misslyckas de allra flesta, några få går okej och en blir raketen som betalar hela kalaset med god marginal.
AI‑satsningar är ofta liknande. Utfallet är osäkert, och de största vinsterna kommer sällan från det första försöket. De kommer från en serie satsningar där varje steg gör nästa steg bättre.
Det är därför AI bör ses som en investeringsportfölj med en lärloop: bygg, mät, justera - utan att fastna på grund av enskilda motgångar.
Osäkerhet och lärloopstänk är dock inte lika lätt i alla organisationer. I en organisation med tydlig Operational Excellence-kultur, triggar osäkerheten lätt mer styrning: fler råd, fler remisser och fler säkra formuleringar. Effekten blir att det går trögt eller fastnar. För att få fart behöver man då låna beteenden från andra organisationskulturer som är byggda för snabbare lärloopar, tempo och mandat.
Pilotframgång är inte samma sak som skalbart värde
En pilot svarar ofta på frågan: “går det?”. Produktion svarar på frågan: “går det varje dag, med riktiga användare, riktiga data och riktig risk?”.
Några typiska glapp:
Data: piloten byggs på ett urval; verkligheten är full av undantag och otydliga definitioner.
Integration: det tar tid att koppla in‑ och utdata, behörigheter, loggning och arbetsflöden.
Ägarskap: när projektgruppen går vidare blir det oklart vem som ansvarar för resultatet i vardagen.
Faktisk användning: om arbetssätt och beteenden inte ändras blir värdet noll, även om tekniken är bra.
Det här är också varför en “lyckad pilot” ibland är farlig: den kan skapa förväntningar utan att ha byggt förutsättningarna för att skala.
Kombinationseffekter: totalen slår varje enskilt projekt
Projektlogik blir extra missvisande eftersom AI‑satsningar påverkar varandra.
Ett initiativ som förbättrar datakvalitet, begreppsmodeller och åtkomst kan kännas “för dyrt” att räkna hem på ett enda användningsfall. Särskilt om man kräver att varje initiativ ska bära hela sin egen grundkostnad.
Men om flera kommande satsningar återanvänder samma grundarbete förändras kalkylen totalt. Då är det portföljen som ska bära investeringen – inte första piloten.
Det är också här många missar: i en portfölj kan “projekt A” vara det som gör “projekt B” möjligt, och “projekt C” lönsamt. Att försöka prissätta allt isolerat gör att man väljer bort precis de byggstenar som gör skalan möjlig.
Portföljmetoden: från idéer till roadmap i fyra steg
Så här kan du göra det konkret och repeterbart:
Sätt en tröskel. Bestäm och kvantifiera minsta nytta som är värt att jaga. Utan tröskel blir allt viktigt - och då blir inget prioriterat.
Kartlägg flaskhalsar utan att prata AI. Var förspills tid, kvalitet eller pengar i era kärnflöden? Prata med dem som gör jobbet, inte bara dem som rapporterar om jobbet.
Filtrera mot tröskeln. Vilka problem är stora nog att vara roadmap‑material - alltså värda att lägga kapacitet, riskarbete och förändringskraft på?
Prioritera på genomförbarhet först. När nyttan redan är “good enough” blir frågan: vad kan vi få i drift snabbast, med rimlig risk och tydligt ägarskap?
Mini‑exempel: “Kundtjänst har 18 återkommande ärendetyper → 5 är stora nog att passera värdetröskeln → starta med 2 där data redan är väl strukturerad.”
Exekvering: viktiga principer
Portföljstyrning utan exekvering blir bara en lista. Här är principer som gör att portföljen faktiskt överlever - och börjar ge effekt.
Behandla AI som produkt, inte projekt. Utse en livscykelägare. Bestäm vem som ansvarar för resultatet i vardagen, inte bara för leveransen. Det är skillnaden mellan “en pilot vi gjorde” och “en förmåga vi använder”.
Faktisk användning slår modellprecision. Fråga tidigt: använder människor det här när ingen tittar? Har beteenden ändrats? Skulle någon klaga om ni stängde av det i en dag? Om svaret är nej, är värdet nästan alltid noll, även om modellen är imponerande.
Bygg de tråkiga förmågorna tidigt: De låter inte spännande, men de är skillnaden mellan demo och drift:
datadefinitioner och kvalitet
åtkomst och spårbarhet
ägarskap (verksamhet + teknik)
monitorering och feedbackloopar
risk, säkerhet och integritet
Poängen: de här investeringarna ska inte “tvingas in” i varje enskilt initiativ. De ska byggas som gemensamma tillgångar för portföljen.
Kör flera satsningar - men med stoppkriterier. Portfölj betyder inte “allt på en gång”. Det betyder en genomtänkt prioritering, där ni vet vad som krävs för att fortsätta, pausa och stoppa. Det viktiga är att stopp blir lärdom, inte skam. Annars slutar organisationen att prova.
Sammanfattning
Projektlogik gör AI skört. Portföljlogik gör AI robust.
Portföljtänket gör två saker samtidigt. Det minskar risken att första piloten blir domslut. Och det gör det rationellt att investera i de gemensamma grundförmågorna som gör att satsningen kan skala.
Det kräver också ofta ett kulturellt skifte: från “vi måste vara säkra innan vi gör” till “vi måste lära kontrollerat medan vi gör”.
Obs! Innehållet på denna blogg är mina personliga åsikter och representerar inte min arbetsgivare. Jag som utgivare ansvarar inte för kommentarsfältet. Den som kommenterar ansvarar själv för det som skrivs.