AI är inte längre något man bara pratar om. De flesta organisationer har testat – eller står inför att testa – hur AI kan skapa värde i verksamheten.

Men ganska snabbt händer något.

Det som från början såg ut som ett ganska “vanligt” utvecklingsprojekt börjar bete sig annorlunda. Planer blir osäkra. Förväntningar spretar. Och det som såg enkelt ut i en demo visar sig vara betydligt svårare i verkligheten. Efter att ha jobbat i över 20 år i gränslandet mellan verksamhet och IT – och de senaste åren allt mer med AI-initiativ, från workshop till implementation – ser jag ett tydligt mönster:

AI-projekt misslyckas sällan för att tekniken är för svår. De misslyckas för att vi försöker driva dem som om de vore något de inte är.

Här är fyra utmaningar som ofta avgör om man lyckas eller fastnar på vägen.

1. Du kan inte kravställa AI på samma sätt som traditionell utveckling

I många projekt jag varit inne i börjar man på samma sätt som alltid: man försöker definiera krav, scope och önskat resultat ganska tidigt.

Det fungerar bra – tills AI kommer in i bilden.

Jag minns ett uppdrag där vi tillsammans med en kund skulle utforska hur AI kunde stötta en ganska komplex affärsprocess. Från början ville organisationen ha tydliga svar:

“Vad kommer modellen kunna göra?”
“Hur bra kommer den bli?”
“Vad får vi för output?”

Problemet var att ingen egentligen kunde svara på det. Vi kunde bara ha målsättningar och idéer. Det vi istället fick göra var att skifta arbetssätt helt. Från planering till utforskning. Från kravspec till hypoteser. Vi körde workshops, byggde enkla prototyper och testade oss fram. Vissa idéer fungerade direkt. Andra visade sig vara helt fel. Det är där många AI-projekt skaver.

De kräver ett arbetssätt som är mer experimentellt, mer iterativt och ibland lite obekvämt för organisationer som är vana vid tydlighet och kontroll.

2. ROI är svårare att räkna hem när spelplanen förändras hela tiden

I flera ledningsgrupper jag jobbat med dyker samma fråga upp ganska tidigt: “Vad är business caset?” Och det är en rimlig fråga. Problemet är bara att AI inte riktigt spelar efter samma regler.

I ett uppdrag där vi tittade på AI som del av en produktstrategi hade vi en ganska tydlig initial kalkyl. Men redan några månader senare hade förutsättningarna förändrats:

• nya modeller hade släppts
• kostnadsbilden såg annorlunda ut
• vissa use case blev plötsligt mycket enklare att lösa

Det gjorde att vår ursprungliga kalkyl snabbt blev irrelevant. Det här är en utmaning jag ser gång på gång. Organisationer vill fatta långsiktiga, trygga investeringsbeslut – medan tekniken rör sig i ett tempo som gör att besluten nästan hinner bli gamla innan de är fattade.

Det som fungerar bättre är ett mer stegvis tänk: börja mindre, testa, få lärdomar längs vägen och skala upp när värdet blir tydligt.

3. “Vi kan bygga det själva” – men bör vi?

En av de största förändringarna de senaste åren är hur lätt det har blivit att komma igång. Jag har varit i flera organisationer där någon i teamet – ofta med stort driv – snabbt sätter ihop en lösning baserad på ett API eller ett AI-verktyg. Och det kan vara imponerande.

Det är också ofta där diskussionen börjar:

“Behöver vi verkligen ta in hjälp för det här?”

Och ibland är svaret nej.

Men ganska ofta märker man efter ett tag att det man byggt inte riktigt håller när det ska bli en del av verkligheten.

Jag har sett exempel där:

• datakvalitet inte räcker till
• lösningen inte går att integrera ordentligt
• kostnaderna skenar när användningen ökar
• säkerhetsfrågor dyker upp sent

Det är inte ovanligt att man då får backa ett steg och bygga om mer strukturerat. Skillnaden mellan en snabb prototyp och en hållbar lösning är större än många tror. Och det är inte alltid uppenbart var gränsen går förrän man har passerat den.

4. Organisationen saknar ofta en gemensam bild av vad AI faktiskt är

En sak jag ofta jobbar med – kanske mer än något annat – är att skapa samsyn. För det är nästan alltid där problemen börjar.

I ett och samma projekt kan det finnas tre helt olika bilder:

→ Ledningen ser möjligheterna och vill framåt snabbt.
→ Utvecklingsteamet ser komplexiteten och riskerna.
→ Verksamheten försöker förstå vad det här faktiskt betyder i vardagen.

I ett AI-initiativ jag var med och drev lade vi oväntat mycket tid i början på just detta – att prata igenom vad AI är, vad det inte är, och vad vi realistiskt kan förvänta oss. Det visade sig vara avgörande. När organisationen delar en grundläggande förståelse blir besluten bättre. Prioriteringarna tydligare. Och tempot högre. När den saknas händer motsatsen.

Vad betyder det här i praktiken?

AI skapar enorma möjligheter. Men det kräver också att vi ändrar hur vi arbetar. Min erfarenhet är att de organisationer som lyckas bäst inte är de som börjar med mest avancerad teknik.

Det är de som:

• vågar jobba mer iterativt
• accepterar osäkerhet i början
• bygger gemensam förståelse tidigt
• och vet när det är dags att gå från experiment till struktur

AI-projekt är inte som andra projekt. Och det är precis därför de är så intressanta och ibland så svåra att få till riktigt bra.