Sluta asfaltera koh stigar – därför bör processanalys och optimering föregå AI-implementering

Numera är det få styrelserum som slipper frågan ”vad är vår AI-strategi?”. Trycket att agera är verkligt och rädslan att hamna på efterkälken stor: konkurrenter tillkännager pilotprojekt och skapar rubriker med AI, leverantörer utlovar omvälvande förändringar och ingen vill vara företaget som missade vågen. Under den pressen uppstår ett välbekant mönster – organisationer behandlar AI-implementeringen som själva projektet: först väljer man ett verktyg och först därefter letar man efter ett användningsområde.

Beläggen – från nationalekonomi, forskning inom informationssystem och en växande mängd efteranalyser av misslyckade AI-initiativ – pekar i motsatt riktning. De organisationer som skapar värde med artificiell intelligens är inte de som inför tekniken snabbast, utan de som förbereder marken för den: tänker om kring verksamheten samt kartlägger, analyserar och optimerar sina affärsprocesser innan en enda modell tas i produktion. Ett talesätt som ofta tillskrivs Bill Gates fångar den bakomliggande logiken: ”(...) automatisering som tillämpas på en effektiv verksamhet förstärker effektiviteten, medan automatisering som tillämpas på en ineffektiv verksamhet förstärker ineffektiviteten.” Tillskrivningen kan vara en skröna; mekanismen är, som vi ska se, väl dokumenterad.

Den här artikeln argumenterar – med beläggen på bordet – för en ordningsföljd som disciplinerade verksamhetsledare alltid har följt: analysera först, optimera sedan, automatisera till sist.

 

Den obekväma matematiken bakom AI i företag

Börja med resultaten. En studie från RAND Corporation 2024, baserad på intervjuer med erfarna datavetare och ingenjörer, uppskattade att mer än 80 % av AI-projekten misslyckas – ungefär dubbelt så hög andel som för IT-projekt utan AI [1]. Ett år senare presenterade MIT:s Project NANDA en ännu dystrare siffra för den generativa AI-eran: trots tiotals miljarder dollar i företagsinvesteringar gav omkring 95 % av GenAI-pilotprojekten ingen mätbar effekt på resultat- och balansräkningen, och endast cirka 5 % av de specialbyggda företagsverktygen nådde någonsin produktion i större skala [2].

Enkäter visar samma sak ur en annan vinkel. S&P Global Market Intelligence fann att andelen företag som lade ned de flesta av sina AI-initiativ steg till 42 % 2025, jämfört med 17 % året innan. I genomsnitt skrotades 46 % av konceptbevisen innan de nådde produktion [3]. Gartner hade förutspått just denna utrensning och bedömt att minst 30 % av de generativa AI-projekten skulle överges efter konceptbeviset före utgången av 2025 [4]. Och detta gäller inte bara generativ AI: redan 2019, innan ChatGPT fanns, visade en global undersökning från MIT Sloan Management Review och Boston Consulting Group att sju av tio företag rapporterade liten eller ingen effekt av sina AI-investeringar dittills [5].

Det viktiga är dock inte misslyckandegraden, utan orsakerna till misslyckandena. När RAND:s forskare kategoriserade grundorsakerna hade de främsta nästan ingenting med algoritmer att göra: bristande samsyn mellan företagsledare och tekniska team om vilket problem AI skulle lösa; avsaknad av de data som behövdes för att träna tillräckligt bra modeller; fokus på att använda den senaste tekniken i stället för att lösa verkliga användarproblem; samt bristfällig infrastruktur och datahantering [1]. MIT:s rapport drog en kompletterande slutsats: pilotprojekt misslyckas eftersom verktygen inte passar in i de faktiska arbetsflödena och inte lär sig av arbetets sammanhang – ett ”inlärningsgap” med rötter i verksamheten, inte i modellens kvalitet [2].

Med andra ord misslyckas AI i företag främst på grund av val av problem, data och integration i processer. Processanalys finns till för att få just dessa tre saker rätt.

 

Vi har sett den här filmen förut

Det här borde inte förvåna någon som minns förra gången en generell teknik svepte genom företagsvärlden. År 1990, efter ett årtionde av omfattande IT-investeringar i företag som gett en besvikande produktivitetsutveckling, diagnostiserade Michael Hammer orsaken i en av de mest inflytelserika managementartiklarna någonsin: företag använde teknik för att mekanisera sina gamla arbetssätt, lät ineffektiva processer bestå och fick datorer att skynda på dem. ”Det är dags att sluta asfaltera kostigarna”, skrev han. I stället för att bygga in föråldrade processer i kisel och programvara borde organisationer först utforma själva arbetet på nytt [6].

Ekonomerna kvantifierade sedan det Hammer hade anat. Genom att studera data på företagsnivå under 1990-talet visade Erik Brynjolfsson och Lorin Hitt att avkastningen på IT-investeringar varierade kraftigt och att skillnaden kunde förklaras av kompletterande organisatoriska investeringar: företag som gjorde om processer, decentraliserade beslut och investerade i kompetens uppnådde stora produktivitetsvinster med samma teknik som gjorde föga nytta för företag som bara installerade den [7]. Två årtionden senare formaliserade samma forskningstradition detta som ”produktivitetskurvan i J-form”: generella tekniker – elektricitet, databehandling och nu AI – ger avkastning först efter en fördröjning, eftersom företagen först måste bygga upp immateriella komplement som nya processer, ny kompetens och omorganiserade arbetsflöden. Hoppar man över komplementen fortsätter tekniken att underprestera på obestämd tid [8].

AI är uppföljaren till den här filmen, med större budgetar och snabbare hypecykler. Tekniken har förändrats; komplementaritetens ekonomi har inte gjort det.

Därför är Mourinho Solutions rätt partner för att vägleda er på vägen mot högre effektivitet i organisationen och största möjliga avkastning på AI-investeringen. Vi anser att verksamheten måste komma först – tekniken (och AI) ska följa därefter. Det finns fem goda skäl till det.

 

Skäl 1: Automatisering förstärker den process den tillämpas på

En algoritm som används i en process ärver processens logik – inklusive dess problem. Det var Hammers ursprungliga varning om IT [6], och forskarsamhället utfärdade precis samma varning när robotiserad processautomatisering (RPA) växte snabbt under slutet av 2010-talet. Eftersom RPA-robotar efterliknar hur arbetet utförs i dag – klickar sig igenom samma skärmbilder och följer samma regler – riskerar automatisering utan föregående processgranskning att gjuta digital betong över ineffektiviteten och göra en dålig process snabbare, stelare och svårare att förändra [9]. En systematisk översikt av RPA-litteraturen identifierade på liknande sätt urvalet av processer och deras lämplighet – regelbaserade, standardiserade och mogna processer – som en av de viktigaste framgångsfaktorerna, medan bristfälligt processurval återkommande bidrog till misslyckade initiativ [10].

Lärdomen gäller direkt för AI, och insatserna är sannolikt ännu högre. En språkmodell som utformar svar i en trasig godkännandekedja fyller bara flaskhalsens kö snabbare. En ML-modell som förutsäger efterfrågan åt en planeringsprocess som ingen följer skapar prognoser som ingen använder. Att förstärka är själva poängen med automatisering – och därför måste det som förstärks granskas först.

 

Skäl 2: Datakvalitet är ett resultat av processerna – och läget är sämre än du tror

Alla AI-system bygger på data, och data bygger på processer: den skapas, matas in, omvandlas och överlämnas genom verksamhetens dagliga arbete. Dataläget är oroande. I en studie där chefer bedömde urval av den egna organisationens register uppfyllde endast 3 % av företagens data grundläggande kvalitetskrav, och nästan hälften av alla nyskapade register innehöll minst ett kritiskt fel som påverkade arbetet [11]. RAND:s intervjupersoner angav bristen på tillräckliga och användbara data som en av de främsta orsakerna till att AI-projekt misslyckas och påpekade att organisationer kroniskt underskattar den dataförberedelse som tekniken kräver [1].

Konsekvenserna av att bortse från detta är väl dokumenterade bland yrkesverksamma. En studie av AI-utövare inom verksamhetsområden med höga insatser visade att 92 % hade upplevt ”datakaskader” – kedjereaktioner av nedströmsproblem som utlöses av kvalitetsbrister i uppströmsdata och ofta förblir osynliga tills de långt senare visar sig som havererade modeller och nedlagda implementeringar [12]. Redan studiens titel pekar på branschens problem med ordningsföljden: ”Alla vill arbeta med modellen, inte med data.”

Här ligger den strategiska poängen: datakvaliteten går inte att åtgärda med en kort rensningsinsats, eftersom dåliga data ständigt återskapas av processerna som genererar dem. Processanalys visar var data skapas, dupliceras, matas in på nytt och förvanskas; processoptimering åtgärdar felet vid källan. En organisation som först optimerar sina processer bygger samtidigt, nästan obemärkt, den datagrund som framtidens AI kommer att stå på.

 

Skäl 3: Utan insyn i processerna väljer ni fel användningsområden

Att avgöra var AI hör hemma är ett portföljbeslut, och det går inte att fatta på ett klokt sätt utan att veta hur arbetet faktiskt flödar. Davenport och Ronanki [13] undersökte 152 projekt med kognitiv teknik och fann att de ambitiösa ”månskottsprojekten” regelmässigt gjorde folk besvikna, medan de framgångsrika användarna valde en stegvis strategi: de granskade processerna uppgift för uppgift och matchade specifika AI-förmågor med specifika flaskhalsar i specifika arbetsflöden.

Denna insyn på uppgiftsnivå är precis vad disciplinen verksamhetsprocesshantering (BPM) ger, och den är en av våra kärnkompetenser. BPM:s standardlivscykel omfattar identifiering, kartläggning, analys och omformning av processer före implementering och automatisering – en ordningsföljd som vuxit fram genom årtionden av praktik och som visar att automatisering av en ogranskad process är ett kategorimisstag [14]. Modern processutvinning förstärker detta ytterligare: genom att återskapa processer från händelseloggar i befintliga IT-system ersätter den åsiktsbaserade processkartor med faktaunderlag och synliggör det verkliga antalet processvarianter, omarbetningsloopar, avvikelser och flaskhalsar som intervjuer aldrig ensamma kan avslöja [15]. Det är i praktiken en röntgenbild före operationen – och den visar ofta att processen som cheferna beskriver inte är den process organisationen faktiskt arbetar efter.

De klassiska framgångsberättelserna om automatisering byggde på just denna urvalsdisciplin. Hos Telefónica O2, ett av de tidigaste och mest citerade RPA-projekten – som till slut gav en avkastning på investeringen på flera hundra procent – valdes automatiseringsmålen med omsorg: processer med stora volymer, som var standardiserade och regelbaserade, stabiliserades innan programvarurobotar användes [16]. Framgången låg i urvalet, inte i programvaran.

 

Skäl 4: Ibland är det bästa ”AI-projektet” att ta bort ett steg

Processanalys har en obekväm vana: den hittar hela tiden problem som inte behöver AI alls. Ett godkännande i flera led i onödan, en rapport som ingen läser, en överlämning som finns kvar på grund av ett organisationsschema från 2014 eller data som matas in manuellt mellan två system som enkelt skulle kunna integreras – klassisk industriell ingenjörskonst säger att man ska eliminera, kombinera och förenkla innan man automatiserar, eftersom automatisering av slöseri bara skapar snabbare slöseri. Det var kärnan i Hammers argument ”automatisera inte – utplåna”: mycket av det som tekniken förväntades snabba upp borde aldrig ha funnits från första början [6].

Personligen tycker jag mycket om mottot som ofta tillskrivs Leonardo da Vinci – ”enkelhet är den yttersta sofistikeringen”. Att förenkla en process är ett krävande arbete: det fordrar stark analytisk kompetens, förmåga att sammanföra perspektiv från olika delar av organisationen och kunskapsintegration mellan olika områden. Det är precis det hantverk som Mourinho Solutions har byggts kring.

För en organisation som står i begrepp att finansiera ett AI-program är detta ingen omväg – det innebär en direkt besparing och minskad risk. Steg som tas bort kostar inget att automatisera, kräver inget modellunderhåll, skapar inga nya felkällor och börjar ge avkastning omedelbart. Processarbetet ger också en andra utdelning: en uppmätt baslinje. En av MIT NANDA-rapportens viktigaste slutsatser var att de flesta GenAI-pilotprojekt inte kunde visa någon mätbar effekt på resultat- och balansräkningen [2] – men effekten kan bara mätas mot en känd utgångspunkt. En optimerad process har dokumenterade cykeltider, felfrekvenser och kostnader per transaktion. Den efterföljande AI-implementeringen får därmed, utan extra kostnad, förmågan att bevisa sin egen avkastning på investeringen.

 

Skäl 5: AI skapar värde genom organisatorisk förändring, inte genom att installeras som programvara

Slutligen pekar forskningen om var AI-värdet faktiskt uppstår mot en obekväm sanning för strategier som sätter verktygen först: värdet förverkligas i affärsprocesserna, och bara när organisationen förändras i takt med tekniken. En systematisk litteraturöversikt om AI och affärsvärde visade att de första effekterna märks som effektivare processer och bättre beslut inom processerna – och att värdet beror på organisatoriska möjliggörare och medveten omvandling av affärsprocesser, inte på modellens sofistikering [17]. Intervjustudier av AI-användare pekar på samma sätt ut organisatorisk beredskap – strategisk samordning, datakvalitet och datahantering, processkunnande och kultur – som en förutsättning som bör bedömas före beslut om införande, inte upptäckas efteråt [18].

Studier bland yrkesverksamma ger samma bild. McKinsey-chefer skrev i Harvard Business Review att de största hindren för att skala upp AI inte är tekniska utan kulturella och organisatoriska, och att framgång kräver att arbetsflöden görs om och att AI-initiativ drivs som affärsledda processförändringar med tvärvetenskapliga team – inte som IT-installationer [19]. I den globala studien från MIT Sloan/BCG utmärkte sig dessutom de företag som faktiskt skapade värde med AI genom att kombinera strategi, organisatorisk förändring och teknik, i stället för att behandla tekniken som strategin [5].

Processanalys och optimering är just detta organisatoriska arbete, utfört i rätt ordning. Det skapar samsyn i ledningen om vilka problem som är viktiga (och angriper därmed RAND:s främsta orsak till misslyckanden [1]), bygger den processförståelse som krävs för att göra om arbetsflöden och skapar stabila, standardiserade verksamheter där AI tryggt kan införas.

 

Mourinho Solutions hjälper dig att sätta ”processen först”

Inget av de tidigare skälen talar för åratal av analys innan någon får röra en modell. De talar för en kort och disciplinerad ordningsföljd – i huvudsak den första halvan av BPM-livscykeln [14] – som genomförs på veckor, inte kvartal, och anpassas efter ambitionen i det AI-program den föregår.

Mourinho Solutions erbjuder ett skräddarsytt konsultupplägg som bygger på aktuell kunskap och mångårig erfarenhet. Vi guidar er organisation metodiskt genom hela BPM-livscykeln, så att ni får största möjliga avkastning på er investering.

Det finns också en kumulativ effekt som är värd att nämna. Organisationerna i den framgångsrika minoriteten – MIT:s 5 %, ”pionjärerna” i MIT Sloan/BCG-studierna – undvek inte bara misslyckanden; de byggde upp den organisatoriska förmåga som gör varje efterföljande AI-implementering billigare och snabbare än den föregående [5], [2]. Tydliga processer, rena dataflöden och en disciplinerad mätning är infrastruktur. Värdet av den växer över tid.

 

Slutsats: AI-redo innebär processredo

Jakten på att implementera AI får processanalys att framstå som en försening.  Beläggen visar motsatsen: det är den mest verkningsfulla riskreducerande åtgärd som finns, eftersom den angriper de dokumenterade grundorsakerna till att AI misslyckas – fel problem, bristfälliga data och arbetsflöden som inte är integrerade – innan de hinner växa till ett övergivet pilotprojekt. Att asfaltera kostigar skapar i princip inget värde – och kan faktiskt minska det. Trettiofem års forskning, från omarbetning av affärsprocesser [6] via komplementaritetens ekonomi [7], [8] till den nuvarande generationen efteranalyser av AI-projekt [1], [2], berättar en och samma historia: tekniken mångfaldigar den organisation den införs i. Optimera organisationen först, så mångfaldigar AI något som är värt att mångfaldiga.

Frågan för ledningsgrupper är alltså inte ”hur snabbt kan vi implementera AI?” utan ”vilka av våra processer skulle AI verkligen förändra, när vi väl har förstått och optimerat dem?” Att besvara frågan i den ordningen är det som skiljer de 5 procenten från de 95 procenten.

Mourinho Solutions ser till att er organisation tillhör de 5 procenten.

---

På Mourinho Solutions arbetar vi i den här ordningen. Vi hjälper organisationer att kartlägga och analysera sina processer, optimera dem för mätbara förbättringar och först därefter utforma och implementera AI där det bevisligen lönar sig. Om ert företag planerar ett AI-initiativ kan ni börja med ett samtal om era processer – kontakta oss för en processbedömning.

 

 

Referenser

[1] J. Ryseff, B. F. De Bruhl, and S. J. Newberry, The Root Causes of Failure for Artificial Intelligence Projects and How They Can Succeed: Avoiding the Anti-Patterns of AI. Santa Monica, CA, USA: RAND Corporation, 2024. [Online]. Available: https://www.rand.org/pubs/research_reports/RRA2680-1.html

[2] A. Challapally, C. Pease, R. Raskar, and P. Chari, “The GenAI divide: State of AI in business 2025,” MIT NANDA, Cambridge, MA, USA, 2025. [Online]. Available: https://mlq.ai/media/quarterly_decks/v0.1_State_of_AI_in_Business_2025_Report.pdf

[3] S&P Global Market Intelligence, “Voice of the Enterprise: AI & machine learning” survey, 2025; findings reported in “AI project failure rates are on the rise: Report,” CIO Dive, Mar. 2025. [Online]. Available: https://www.ciodive.com/news/AI-project-fail-data-SPGlobal/742590/

[4] Gartner, “Gartner predicts 30% of generative AI projects will be abandoned after proof of concept by end of 2025,” Press release, Jul. 29, 2024. [Online]. Available: https://www.gartner.com/en/newsroom/press-releases/2024-07-29-gartner-predicts-30-percent-of-generative-ai-projects-will-be-abandoned-after-proof-of-concept-by-end-of-2025

[5] S. Ransbotham, S. Khodabandeh, R. Fehling, B. LaFountain, and D. Kiron, “Winning with AI,” MIT Sloan Management Review and Boston Consulting Group, Cambridge, MA, USA, Res. Rep., 2019. [Online]. Available: https://sloanreview.mit.edu/projects/winning-with-ai/

[6] M. Hammer, “Reengineering work: Don’t automate, obliterate,” Harvard Business Review, vol. 68, no. 4, pp. 104–112, Jul.–Aug. 1990. [Online]. Available: https://hbr.org/1990/07/reengineering-work-dont-automate-obliterate

[7] E. Brynjolfsson and L. M. Hitt, “Beyond computation: Information technology, organizational transformation and business performance,” Journal of Economic Perspectives, vol. 14, no. 4, pp. 23–48, 2000, doi: 10.1257/jep.14.4.23.

[8] E. Brynjolfsson, D. Rock, and C. Syverson, “The productivity J-curve: How intangibles complement general purpose technologies,” American Economic Journal: Macroeconomics, vol. 13, no. 1, pp. 333–372, Jan. 2021, doi: 10.1257/mac.20180386.

[9] W. M. P. van der Aalst, M. Bichler, and A. Heinzl, “Robotic process automation,” Business & Information Systems Engineering, vol. 60, no. 4, pp. 269–272, 2018, doi: 10.1007/s12599-018-0542-4.

[10] R. Syed et al., “Robotic process automation: Contemporary themes and challenges,” Computers in Industry, vol. 115, Art. no. 103162, Feb. 2020, doi: 10.1016/j.compind.2019.103162.

[11] T. Nagle, T. C. Redman, and D. Sammon, “Only 3% of companies’ data meets basic quality standards,” Harvard Business Review, Sep. 11, 2017. [Online]. Available: https://hbr.org/2017/09/only-3-of-companies-data-meets-basic-quality-standards

[12] N. Sambasivan, S. Kapania, H. Highfill, D. Akrong, P. Paritosh, and L. Aroyo, “‘Everyone wants to do the model work, not the data work’: Data cascades in high-stakes AI,” in Proc. 2021 CHI Conference on Human Factors in Computing Systems (CHI ’21), Yokohama, Japan, 2021, Art. no. 39, doi: 10.1145/3411764.3445518.

[13] T. H. Davenport and R. Ronanki, “Artificial intelligence for the real world,” Harvard Business Review, vol. 96, no. 1, pp. 108–116, Jan.–Feb. 2018. [Online]. Available: https://hbr.org/2018/01/artificial-intelligence-for-the-real-world

[14] M. Dumas, M. La Rosa, J. Mendling, and H. A. Reijers, Fundamentals of Business Process Management, 2nd ed. Berlin, Germany: Springer, 2018, doi: 10.1007/978-3-662-56509-4.

[15] W. M. P. van der Aalst, Process Mining: Data Science in Action, 2nd ed. Berlin, Germany: Springer, 2016, doi: 10.1007/978-3-662-49851-4.

[16] M. C. Lacity and L. P. Willcocks, “Robotic process automation at Telefónica O2,” MIS Quarterly Executive, vol. 15, no. 1, pp. 21–35, Mar. 2016. [Online]. Available: https://aisel.aisnet.org/misqe/vol15/iss1/4/

[17] I. M. Enholm, E. Papagiannidis, P. Mikalef, and J. Krogstie, “Artificial intelligence and business value: A literature review,” Information Systems Frontiers, vol. 24, no. 5, pp. 1709–1734, 2022, doi: 10.1007/s10796-021-10186-w.

[18] J. Jöhnk, M. Weißert, and K. Wyrtki, “Ready or not, AI comes — An interview study of organizational AI readiness factors,” Business & Information Systems Engineering, vol. 63, no. 1, pp. 5–20, 2021, doi: 10.1007/s12599-020-00676-7.

[19] T. Fountaine, B. McCarthy, and T. Saleh, “Building the AI-powered organization,” Harvard Business Review, vol. 97, no. 4, pp. 62–73, Jul.–Aug. 2019. [Online]. Available: https://hbr.org/2019/07/building-the-ai-powered-organization