GenAI-hypen återställs: CIO:er och CTO:er vänder sig till praktisk verklighet

Den generativa AI-boomen 2023-2024 svalnar långsamt. Mer än någonsin tidigare är det nu viktigt att balansera optimismen om AI:s potential med försiktighet om dess fallgropar. Medan många AI-initiativ fortfarande är fast i den så kallade “GenAI-pilotfällan” och inte kan leverera skalbar affärsnytta bortom prototypstadiet, fortsätter andra att generera verkligt digitalt värde. Denna framgång kommer när CIO:er och CTO:er tar en balanserad approach till AI-implementering och skalning över hela organisationen.

Nu är det dags för AI att gå in i en period då dess verkliga förmågor och begränsningar kommer att omvärderas av tekniska ledare. Under denna period kommer de att behöva agera mitt i osäkerhet, samtidigt som de behåller sin agility och beredskap för oförutsedda scenarier. Forresters The State Of Agentic AI, 2026 fångar den praktiska utmaningen och konstaterar att även om investeringarna fortsätter att öka, är skalan fortfarande begränsad eftersom många företag saknar orkestreringsmognad, genomförbar styrning och disciplinerad icke-mänsklig identitet.

Det finns sex praktiska och realistiska tillvägagångssätt som proffs kan använda nu för att hålla sig relevanta. Dessa tillvägagångssätt är grundade i en människocentrerad AI-implementering och utgör en stark grund för varje organisation.

1. Ankra AI-adoption i mänskliga färdigheter för mätbar produktivitet

CIO:ernas och CTO:ernas mål är att undvika att blint satsa på AI och skapa en smartare arbetskraft som omfamnar det bästa AI har att erbjuda.

Under de senaste åren trodde ingenjörer att AI skulle ersätta dem och var motvilliga att använda AI-verktyg. Idag använder allt fler ingenjörer aktivt Cursor och Claude Code, eftersom praktiska metoder har utvecklats som möter förväntningarna med verkliga resultat.

Vad som har förändrats är insikten att AI-verktyg kompletterar ingenjörernas intelligens och stöder deras arbete. Dessa verktyg sparar betydande mängder tid, särskilt under de tidiga projektfaserna. Under projekttillblivelse och PoC-faser kan AI hjälpa utvecklare att gå upp till fem gånger snabbare. På riktiga produktionsprojekt med etablerade processer kan AI spara upp till 25% av tiden. Dessa resultat kommer sannolikt att förbättras när AI-verktygen mognar och teamen anpassar sina arbetsflöden.

Dessa produktivitetsvinster beror också på organisatoriska förändringar. Framgångsrika adopterare omprövar processer, gransknings- och godkännandeflöden för att säkerställa att befintliga strukturer inte blir flaskhalsar som bromsar ner den hastighet som AI tillhandahåller, samtidigt som de upprätthåller kvaliteten på de slutliga leveranserna.

2. Kontrollera AI-utdata innan de formas till beslut

Till skillnad från mänsklig intelligens lärde sig AI inte att medge osäkerhet. När den är osäker vänder den sig inte till djupare forskning eller mänsklig granskning, utan presenterar istället gissningar som fakta.

Eftersom AI-hallucinationer är oundvikliga, bör information från AI-genererade svar användas för beslutsfattning med försiktighet och med större försiktighet när de används för inlärningsändamål. Inlärning i sin traditionella bemärkelse bör fortfarande ske genom artiklar, böcker, forum och dokumentation.

Där AI excellerar är i att tillhandahålla sammanfattade svar på sekunder, tillsammans med listor över källor och länkar som människor kan använda för inlärning. Detta minskar betydligt den tid som behövs för att hitta specifik information. AI-genererade svar behöver dock fortfarande verifieras.

3. Förstärk mänsklig expertis

Organisationsledare som ansvarar för teknisk implementering och skalning bör tydligt kommunicera att AI är ett verktyg för att utöka mänsklig förmåga, inte en krutch som gör mästerskap valfritt. Genom att utforma arbetsflöden och KPI:er som belönar mänsklig insikt förstärkt av AI, snarare än blind automation, säkerställer ledarna att expertisen inte går förlorad. I den närmaste framtiden kommer den konkurrenskraftiga fördelen att tillhöra företag som förstärker sina teams färdigheter med AI samtidigt som de fortfarande kräver mänsklig excellens.

4. Tänk på AI som en tyg med människor i kontroll

AI:s påverkan ökar när det integreras i hur team arbetar, hur system interagerar och hur beslut fattas. I praktiken stöder AI en mängd olika aktiviteter över hela företagsleveransen och operativa arbetsflöden. Det gör ett utmärkt jobb med regelbaserade uppgifter, mönsterigenkänning och många andra. Till exempel hanterar det utkast, sammanfattningar, jämförelser, prognoser, första-passanalys och kvalitetskontroller. Detta är högt relevant för finansiella operationer, supporttriage, marknadsoperationer, intern forskning och kvalitetskontroll.

Men där slutlig ansvarighet och godkännande krävs, eller där etiska, rättsliga eller ryktesmässiga beslut är på spel, måste mänsklig expertis förbli beslutsfattare. De mest framgångsrika organisationerna kommer att vara de som lägger till mänsklig diskretion och uppfinningsrikedom till AI-effektivitet över alla processer.

5. Gör cross-teknisk expertis till den nya normen

Rekrytering, utbildning och omutbildning i AI-eran inom företag bör inte förvandlas till förberedelser av “knapptryckare” vars roll är begränsad till att operera AI-verktyg.

Anställda med bred, cross-teknisk erfarenhet kan nu närma sig nästan vilken uppgift som helst med AI-stöd. Att skriva krav, planera arkitektur, koda i olika programmeringsspråk, hantera backend- eller frontendarbete, QA-automatisering eller DevOps-uppgifter kan alla utföras genom att arbeta med AI-verktyg och agera som slutgiltig granskare. Detta sparar betydande tid, särskilt för de som arbetar över flera domäner eller tekniker.

Många människor kan teoretiskt göra detta idag, men deras effektivitet beror på tidigare erfarenhet. Ju bredare deras tekniska bakgrund är, desto mer värde kan de utvinna från AI-verktyg.

6. Använd detaljerade specifikationer för att dyka in i AI-assisterad utveckling

Frestelsen att jaga hypen kring “vibe-kodning” hos vissa organisationer är förståelig, men opålitlig. I stället ger spec-driven utveckling AI den kontext den behöver för att producera tillförlitlig utdata. Väldefinierade specifikationer översätter avsikt till något som AI-verktyg kan agera på.

De två stora fördelarna med spec-driven utveckling är konsekvens och kontroll. När AI arbetar från specifikationer är utdata lättare att validera, integrera och styra över hela organisationen. Samtidigt försvinner inte riskhantering in i genererad kod.

Tekniska ledare bör behandla AI som en kraftmultiplikator inom en stark utvecklingsprocess. Spec-driven utveckling är ett praktiskt sätt att säkerställa att AI främjar hastighet, kvalitet och ansvar samtidigt.

Den praktiska återställningen

I år och framöver kan AI börja lära sig och bete sig på oförutsedda sätt, annorlunda än dagens modeller. I denna osäkerhet kommer en tillförlitlighets-med-försiktighet-mentalitet att passa de flesta scenarier. Lika viktigt kommer att vara ett åtagande till kontinuerligt lärande, där team skärper sina färdigheter, ifrågasätter AI-utdata och anpassar sig till nya sätt att arbeta.

CIO:er och CTO:er kommer att spela en central roll i att tillämpa hype-fria AI-praxis för att absorbera osäkerhet och översätta förändring till hållbart digitalt värde. De kommer att anpassa organisatoriska processer, incitament och beslutsfattande strukturer för att omforma verksamheten så att människor och AI spelar på sina respektive styrkor.