Varför AI i företag stannar upp, och vad som krävs för att skala bortom pilotprojektet

För tre år sedan var de flesta företagsledare i förnekelse om AI. Den rådande uppfattningen var att det bara var marknadsbrus, eller bara en smart leksak, men inte en teknik på företagsnivå. ”Hallucination” var ordet som alla tänkte på. Under det senaste året har den skepsisen nästan helt vänt. Förväntningarna är nu på sin topp, och styrelserna är övertygade om att AI kommer att förändra varje roll och varje process.

Ändå missar båda ytterligheterna poängen. AI är varken en förbigående trend eller ett trollspö. Det är den mest omfattande transformationen branschen någonsin har sett; större än molnet, som i grunden handlade om effektivitet och flexibilitet. AI är en affärstransformation. Det är precis därför så många organisationer, efter att ha genomfört bländande pilotprojekt, fastnar. State of AI undersökningen från McKinsey & Company fångar problemets omfattning: nästan två tredjedelar av respondenterna säger att deras organisationer ännu inte har börjat skala AI över hela företaget.

Den verkliga flaskhalsen är inte kapacitet

Det är frestande att skylla på tekniken, men det vore fel. I detta skede har frontier-modellerna enorm förmåga. Svårigheten ligger i att integrera AI i verkliga affärsprocesser för att leverera mätbara resultat.

IDC-forskning visade att 88 % av AI‑proof‑of‑concept misslyckas med att nå produktionssättning, vilket betyder att för varje 33 lanserade lyckas endast fyra gå igenom. Anledningen är sällan tekniken i sig. En pilot visar vad som är möjligt; skalning kräver att en organisation förändrar hur arbetet faktiskt utförs. Det är en mycket mer omfattande insats än de flesta ledare förväntar sig. Det innebär förändringsledning, friktion mellan funktioner, budgetcykler som aldrig är utformade för denna typ av investering, och den svåra uppgiften att omdesigna arbetsflöden från början till slut. Detta är varför resan från proof-of-concept till produktion tar längre tid än hypen antyder: företag är komplexa, och komplexitet motstår genvägar.

Ledare bör motstå reflexen ”adoptera AI nu” som ger spridda, oanslutna experiment. Börja istället med att definiera det specifika problemet och det förväntade resultatet, till exempel att minska svarstider för service, hämta kunskap snabbare, komprimera en utvecklingscykel. När AI är utformad kring ett definierat arbetsflöde blir påverkan mätbar, och mätbar påverkan förtjänar rätten att skalas.

Det synliga och det osynliga

Agenter är hur AI får liv i ett företag, och de delas in i två klasser. Först är assistentagenter synliga hjälpredskap som sammanfattar e‑post eller hjälper en utvecklare att skriva kod. Därefter är agenter osynligt inbäddade i arbetsflöden, avstämning av konton, körning av godkännandekedjor och flaggning av bedrägeri. Dessa måste vara verkligt företagsklassade: skalbara till volym, leverera noggrannhet, erbjuda full spårbarhet och verka inom ansvariga AI‑ramverk.

Rubriker som annonserar ”agentantal” betyder lite, eftersom det inte finns något standardiserat sätt att räkna en agent. Det som räknas är det arbete som en människa‑plus‑agent‑kombination utför. Agent‑ledd produktivitet kan spara en miljon dollar; att omforma affärsprocessen med människa‑plus‑agent‑team kan generera hundra miljoner från samma insats, vilket är där ledare bör rikta blicken.

Styrning, förtroende och regndagstestet

Ägandeskap av resultatet är avgörande för att säkerställa framgång. Det är lätt att implementera AI när tio misstag är tolererbara; det är en annan sak när processen måste fungera felfritt i skala. Den vägledande principen är ett regndagstest: när AI vägrar samarbeta, men verksamheten ändå fungerar. Styrning är därför inte hastighetens fiende utan dess möjliggörare. Samtidigt skapar flexibilitet utan styrning kaos, medan styrning utan flexibilitet kväver innovation. Det som i slutändan hindrar AI är rädsla, förtroende, säkerhet och kontroll över sin egen data. Dessa oro bestämmer om ett företag skalar eller fryser.

Att anpassa arkitekturen rätt

Avgörande är att för 80 till 90 % av företagsfall är en frontier-modell onödig. En liten språkmodell byggd på organisationens egna data, ofta i samarbete med en frontier-modell, är det smartare svaret. Kostnaden per token faller exponentiellt, men resonemangsmodeller och utökade kontextfönster driver konsumtionen kraftigt upp, vilket gör tokenoptimering till en betydande möjlighet i sig.

Att bygga för nästa våg

I varje teknologivåg realiseras värde i kanten när företag faktiskt använder teknologin. Dagens utgifter ligger i infrastrukturlagret, som de alltid gör i början av en teknologicykel. Den nästa, större vågen är adoption i skala.

Företagsledare bör notera att AI på företagsnivå inte stannar upp för att tekniken är svag. Den stannar upp eftersom organisationer behandlar en affärstransformation som ett teknikprojekt. Vinnarna kommer att göra AI till en pålitlig, repeterbar och ansvarig affärsprocess, och sedan ha tålamodet att skala den och rida på den större vågen som ligger framför.