AI:s största dolda kostnad är inte beräkning. Det är människor.

Alla pratar om AI-kostnader. Vanligtvis pratar de om GPU:er, modelllicenser eller tokenkonsumtion. Jag tycker att de tittar på fel ställe.

Den största kostnaden för företags-AI kan visa sig vara de människor som behövs för att övervaka det.

En nylig studie fann att anställda sparar cirka 11 timmar i veckan med hjälp av AI, men tillbringar mer än sex timmar med att kontrollera utdata, korrigera fel, lägga till saknad kontext och se till att resultaten faktiskt är användbara. Någon myntade begreppet “botsitting” för det. Det är ett catchy namn, men det pekar på ett mycket större problem.

AI var tänkt att minska arbete. Istället skapar många organisationer en helt ny kategori av arbete runt att hantera AI självt. Det är inte ett tekniskt problem. Det är ett operativt modellproblem.

En snabbare uppföljare till SaaS-eran

Jag har sett den här filmen förut.

För femton år sedan omfamnade organisationer SaaS eftersom det gjorde det lättare att köpa och distribuera programvara. Affärsenheter kunde lösa problem utan att behöva vänta på IT. Produktiviteten ökade. Innovationen accelererade. Sedan anlände Shadow IT.

Plötsligt visste ingen hur många applikationer anställda använde, var företagsdata lagrades eller vem som hade tillgång till den. IT var fortfarande ansvarig, men det hade inte längre någon insyn eller kontroll. AI känns förvånansvärt likt, men skillnaden är hastighet.

En SaaS-applikation kan exponera ett fåtal system; en AI-agent kan ansluta till dussintals på sin första dag. Den kan läsa dokument, sammanfatta avtal, generera kod, uppdatera poster och utlösa arbetsflöden innan de flesta organisationer ens har dokumenterat att den existerar.

Teknologin utvecklas snabbare än den operativa modell som byggts för att hantera den.

Därför var jag inte förvånad över IBMs nyliga studie som visade att två tredjedelar av CIO:er och CTO:er är ansvariga för AI-system som de inte fullständigt kontrollerar. De flesta svarande sa också att AI sprider sig snabbare än styrningen kan hålla jämna steg med. Det beror inte på att CIO:er plötsligt har blivit mindre kapabla. Det beror på att AI inte passar in i traditionella ägarmodeller.

Säkerhet äger risk.
Juridik äger regelefterlevnad.
Utvecklare bygger integrationer.
Affärsenheter äger resultat.
Leverantörer kontrollerar delar av den underliggande infrastrukturen.

Samtidigt skär AI över alla dessa. När något går fel äger alla en del av svaret, men ingen äger nödvändigtvis hela systemet. Det skapar ett gap, och organisationer fyller nästan alltid det gapet med människor.

Någon granskar AI-genererade rapporter innan de skickas till kunder.
Någon kontrollerar AI-skriven kod innan den distribueras.
Någon verifierar rekommendationer innan beslut fattas.
Någon undersöker oväntat beteende.

En del av den tillsynen är exakt vad vi vill ha. AI bör inte fungera utan mänsklig bedömning, särskilt i reglerade branscher eller miljöer med höga konsekvenser. Problemet är när människor blir den primära kontrollen.

Från chatbots till autonoma agenter

Tänk på vad som händer när organisationer går utöver chatbots.

Idag hjälper en AI-assistent någon att skriva ett e-postmeddelande.
Imorgon skickar en AI-agent det.

Idag föreslår AI en uppdatering av en kundpost.
Imorgon gör AI själv ändringen.

Idag rekommenderar AI nästa steg i ett affärsprocess.
Imorgon startar AI arbetsflödet automatiskt.

Varje ny åtgärd introducerar ett nytt beslut:

Ska AI tillåtas göra detta?

• Ska den få tillgång till det systemet?
• Ska den hämta den datan?
• Ska någon godkänna det först?

De flesta organisationer svarar på dessa frågor manuellt, och det fungerar när du har tio AI-användningsfall. Det fungerar inte när du har hundratals… eller tusentals. Ironin är att organisationer investerar i AI för att förbättra produktiviteten, sedan ber de högt betalda anställda att tillbringa sin tid med att övervaka det.

Det är inte att skala AI. Det är att skala overhead.

Microsoft kom till en liknande slutsats i sin 2026 Work Trend Index . Efter att ha analyserat trillions av arbetsplatssignaler och undersökt 20 000 AI-användare fann företaget att den största barriären för AI-succes inte är tekniken, utan organisationen runt den.

Anställda antar AI snabbare än deras företag anpassar sig. Den riktiga utmaningen nu är att omforma hur arbetet utförs: att bestämma vad AI ska göra, vad människor ska göra och hur de två samarbetar. Jag tycker att det är exakt den konversation som företagsledare bör ha. AI skapar inte värde bara för att det distribueras. Det skapar värde när det distribueras med en tydlig operativ modell som låter människor fokusera på bedömning istället för tillsyn.

Omdefiniera AI-styrning: Från policy till drift

Här är var konversationen om AI-styrning behöver förändras. När människor hör ordet styrning tänker de ofta på policys, kommittéer och dokumentation. Dessa saker är viktiga, men ingen av dem fattar beslut i realtid.

Ingen av dem stoppar en AI-agent från att komma åt data som den inte borde se eller pausar ett arbetsflöde som beter sig oväntat. Ingen av dem förklarar, i ögonblicket en åtgärd begärs, om den åtgärden stämmer överens med företagets policy.

Det är gapet.

Organisationer behöver inte fler styrningsdokument. De behöver styrning som fungerar. Rutinåtgärder bör ske automatiskt när de faller inom godkända policys; åtgärder med högre risk bör kräva mänskligt godkännande, och känsliga system bör ha tydliga gränser för vad AI kan och inte kan göra.

Och om en AI-process börjar bete sig på sätt som ingen förväntade sig, bör det finnas ett omedelbart sätt att stoppa det. Inte för att AI inte kan lita på, utan för att varje affärsprocess behöver skyddsräcken.

Att placera människor där de behövs

Företagen som får mest värde från AI eliminerar inte människor från ekvationen. De placerar människor där de är mest värdefulla.

Inte granska varje utdata.
Inte kontrollera varje prompt.
Inte “babysitta” varje agent.

De fokuserar människor på undantagen, gränsfallen och besluten som faktiskt kräver bedömning. Det är ett mycket bättre sätt att använda mänsklig expertis.

Den riktiga företagsfrågan

AI har nått en punkt där teknologin inte längre är den största frågan. De flesta organisationer har redan bevisat att det kan generera innehåll, skriva kod, sammanfatta information och automatisera repetitivt arbete.

Den svårare frågan är om de kan driva AI med tillförlitlighet i företagsstorlek:

Kan de se vad det gör?

• Kan de kontrollera vad det har tillgång till?
• Kan de tillämpa policy konsekvent?
• Kan de förklara varför ett AI-system tog en viss åtgärd?

Dessa är operativa frågor, och de är alltmer ekonomiska. Det beror på att varje timme som tillbringas med att övervaka AI urholkar den produktivitetsökning som motiverade investeringen från första början. Företagen som vinner med AI kommer inte att vara de som kör flest modeller eller distribuerar flest agenter. De kommer att vara de som inte behöver en armé av människor som övervakar dem.

AI bör förstärka din arbetskraft. Det bör inte tyst bli en ny.