I korthet

  • Bestäm vem som ska använda det, och hur de märker ett felaktigt svar, innan ni väljer modell.
  • Skriv ett användningsfall ni kan testa: vad som går in, vad som ska ut, och vem som granskar.
  • Om bättre sökning eller en enkel regel redan räcker, ska ni stanna innan ni bygger.

Nästan varje gång någon vill bygga AI börjar samtalet med vilken modell man ska välja. Jag brukar försöka flytta det samtalet till något annat: vem ska faktiskt använda det här, och hur märker de om det blir fel?

”Vi vill att AI hjälper supporten” låter bra, men går inte att testa. ”Hitta rätt instruktion och föreslå ett svar som handläggaren godkänner” går att prova på en vecka.

Den 26 januari 2026 skrev Gartner att minst 50 procent av projekten med generativ AI lades ner efter proof of concept. Den främsta orsaken var dåligt valda användningsfall tillsammans med brist på affärsnytta (Why 50% of GenAI Projects Fail).

Och ärligt talat stoppas fler projekt av att ingen kan kontrollera svaret, eller att datan inte får användas, än av modellvalet. Ibland är bättre sökning eller en enkel regel hela lösningen.

I RAND:s rapport från 2024, som bygger på intervjuer med 65 erfarna AI-ingenjörer och forskare, var den vanligaste grundorsaken att man missförstod eller misskommunicerade vilket problem projektet skulle lösa. Ledningen krävde maskininlärning där några enkla if-then-regler hade räckt. Rådet är att hålla sig till problemet, inte tekniken (The Root Causes of Failure for AI Projects).

När arbetet bara känns långsamt

Det är lätt att blanda ihop att arbetet känns långsamt med att det är värt att bygga något nytt. Väntan kan bero på att ingen äger frågan, att uppgifter saknas eller att allt fastnar i en kö för godkännande. En språkmodell löser inte det av sig själv.

McKinsey skriver i The state of AI in 2026 att ungefär 6 procent av de svarande är högpresterande. Nästan tre av fyra bland dem uppger att de i grunden har ritat om arbetsflödena, mot en av fyra bland övriga. Svaren är självrapporterade, så det är ett samband mellan de två grupperna. Jag skulle först rita upp hur arbetet går till i dag, och se var det faktiskt krånglar.

Vad som går in, och vad som ska komma ut

När jag tittar på ett arbetsflöde vill jag veta vad som finns när arbetet börjar, och vad som ska komma tillbaka: ett dokument, ett utkast, en klassificering eller en ändring i ett annat system.

Datan, och vem som får använda den

Finns informationen någonstans där någon ansvarar för den, och går det att se om den är aktuell? Får den som ska använda verktyget läsa den i den miljö ni har tänkt er? Att man kan hämta en text betyder inte att den får användas till vad som helst. Saknas svaren är nästa steg att reda ut dem, inte att välja en större modell.

Ett exempel

Ta ett konsultbolag med 40 anställda som svarar på frågor om sin egen produkt. En handläggare får en fråga om hur en inställning ändras. Den som frågar nämner produktnamnet, men inte vilken version det gäller. Instruktionerna skiljer sig åt mellan versionerna.

Det farliga är inte att utkastet blir dåligt. Det farliga är att det låter rätt men gäller fel version. Ett svar som låter säkert, med hänvisning till fel instruktion, är värre än att först be om rätt version.

Därför ska assistenten fråga, inte gissa. Ett utkast får bara luta sig mot en instruktion som gäller rätt version. Saknas versionen, eller säger två källor olika saker, ska den fråga eller lämna över till handläggaren. Ingen inställning ändras av sig själv. Det är handläggaren som granskar och skickar svaret.

Ibland räcker det att göra det lättare att hitta rätt avsnitt. Om handläggaren snabbt kan öppna rätt instruktion behövs kanske inget genererat utkast alls.

Ett enkelt sätt att skriva ner de gränserna kan se ut så här:

Saknas version: fråga, gissa inte
Två instruktioner säger olika: lämna till handläggaren
Utkast: bara med källa för rätt version
Skicka svaret: handläggaren, inte systemet

Det är ett sätt att prata om vad som får hända, inte en färdig lösning.

Fyra frågor innan ni bygger

  1. Vem ska använda det här, och hur märker de om det blir fel?
  2. Finns underlaget, är det aktuellt, och får det användas?
  3. Kan någon som kan arbetet kontrollera svaret, och vad händer om det är fel?
  4. Har vi provat den minsta varianten mot hur arbetet görs i dag, och mot något enklare, som bättre sökning eller en regel?

Om ni inte kan svara på frågorna är det för tidigt att välja modell. Om en enklare lösning redan räcker behöver ni kanske inte bygga AI alls. Ibland är slutsatsen att ni inte ska bygga AI just nu.

Att ta ett arbetsflöde hela vägen till något en person kan använda är en AI-produktionssprint.

Mejla mig på hello@aidoni.se om du vill prata om ett arbetsflöde ni överväger att bygga för.