Din AI är likgiltig. Det bör du inte vara.
Av Jonas Astrup Beck · maj 2026

För ett år sedan var jag inte AI-kunnig. Jag är fortfarande inte säker på att jag är det nu — men något har förändrats. Det som förändrades var inte att förstå tekniken — det var att uppleva vad den faktiskt kunde göra, i mitt eget arbete, med mina egna problem. Och när jag väl kunde se värdet tydligt förstod jag också något annat: det systemiska perspektivet är viktigare nu än någonsin tidigare.
De flesta samtal om AI handlar om tekniken — vilka verktyg, vilka modeller, vilka leverantörer. Men den viktigare frågan, som nästan ingen ställer, är: vilket problem löser vi, och för vem?
I en tidigare artikel skrev jag om faran med att använda AI för att göra fel saker snabbare. Den här artikeln går ett steg längre: hur vet du om AI används rätt i din organisation — och vad krävs det organisatoriskt för att det ska vara möjligt?
Det här är en reflektion jag har arbetat mig igenom om hur AI passar — eller inte passar — in i organisationer som är designade kring kundernas och medborgarnas syfte. Den bygger på Vanguardmetoden och på min egen erfarenhet det senaste året av att arbeta direkt med AI i min konsultverksamhet. Senare artiklar i den här serien kommer att introducera de principer och metodfrågor som gör det möjligt att förstå hur och var AI faktiskt kan hjälpa din organisation. Men här vill jag börja med de viktiga bredare frågorna. Det här handlar nämligen inte om verktygen.
DESIGNAT FÖR ATT MISSLYCKAS — DET FÖRUTSÄGBARA FIASKOT
Det finns en spänning i nästan varje AI-samtal i de flesta organisationer just nu. AI-verktyg — och det sätt de flesta organisationer implementerar dem på — är uttryck för det John Seddon kallar command and control — det som Kristian Astrup Nielsen och jag i vår bok Riv servicefabrikerna beskriver som servicefabrikens logik. Här handlar det om effektivitet, standardisering, snabbare genomloppstid, mätning av output. Det är den ledningsfilosofi som systemtänkare har ägnat decennier åt att kritisera.
Konsekvenserna är redan synliga i vardagen. Du läser om en organisations AI-transformation — snabbare svarstider, effektiviseringsvinster, kundnöjdhetsmått som skjuter i höjden. Sedan kontaktar du samma organisation och hamnar fast i en AI-chatbot som inte kan förstå din situation, inte vill koppla dig till en människa, och skickar dig runt i cirklar mellan samma tre val som helt enkelt inte passar. Pressmeddelandet och den upplevda verkligheten beskriver två skilda världar. Och ju större organisationen är, desto bredare blir den klyftan.
Ur ett systemiskt perspektiv är det inte en paradox. Det är däremot helt förutsägbart. Orsaken ligger i systemets fokus på transaktionskostnader. AI har satts in för att sänka priset per kontakt, inte för att tjäna behov. Kundens problem — den faktiska anledningen till att de kontaktade organisationen — är en olägenhet för systemet, inte dess syfte. AI:n gör exakt vad den är designad att göra. Och det är precis där problemen föds.
Samtidigt är AI ett otroligt kraftfullt verktyg. Frågan är alltså inte om man ska använda AI. Frågan är inte heller vad AI kan göra. Det är vilket problem du använder den till att lösa — och varför.
“Every system is perfectly designed to get the results it gets.”
— W. Edwards Deming
Deming skrev det långt innan AI fanns. Det har aldrig varit mer relevant. Organisationer kan använda AI för att förbättra effektiviteten, leverera mer värde till kunder, eller bygga upp nya möjligheter. Men oavsett motivet — om det nuvarande systemet i sig är illa designat, så löser AI inte det automatiskt åt dig. Däremot kan den — utan att du nödvändigtvis märker det — sätta ström till dina nuvarande problem.
Föreställ dig en offentlig myndighet som automatiserade sin ansökningsprocess online. De sökande matade själva in sina uppgifter, och systemet fattade omedelbara beslut. Organisationen var stolt över sin automatiseringsgrad. Men de sökande förstod inte reglerna tillräckligt väl för att veta vilka uppgifter de skulle skicka in — särskilt de med komplicerade situationer där det fanns många undantag. Resultatet blev en förutsägbar ström av felaktiga automatiserade beslut, följt av manuellt efterarbete som kostade organisationen dyrt och frustrerade medborgarna. När myndigheten studerade sin efterfrågan var sjuttio procent icke-värdeskapande. Automatiseringen orsakade inte problemet. Men den skalade upp det, förutsägbart, varje enda dag. Man kan inte låta bli att tänka: hur många organisationer gör samma sak med AI just nu?

Det här är varken ett korståg mot automatisering eller en moralpredikan. Att automatisera en välförstådd, väldesignad process är helt rimligt. Frågan är om du har studerat arbetet innan du automatiserar det — om du vet vad de värdeskapande stegen är, och om de faktiskt tjänar kunden. Faran är inte AI i sig. Det är att sätta ström till arbete du aldrig har studerat.
AI SKA STÖDJA DET VÄRDESKAPANDE ARBETET
Föreställ dig ett försäkringsbolag. En kund ringer för att anmäla en skada. Hennes bil blev påkörd på en parkeringsplats — en rättfram sak, bortsett från att ingens situation är helt rättfram. Det finns en skada på en bilbarnstol. Hon har frågor om en ersättningsbil. Hon är orolig för sin förnyelsepremie.
I ett väldesignat system har personen som hanterar ärendet både kunskap och befogenheter att ta hand om kundens situation från början till slut. Hon förstår kundens behov — inte bara fakta om skadan utan vad som betyder något för henne. Hon utformar rätt lösning — bedömer skadan, tar ställning till bilbarnstolen, ordnar en hyrbil. Hon genomför lösningen — sätter rätt saker i rörelse utan att skicka kunden vidare till tre avdelningar. Och så utvärderingen — hanterades det här bra? Möjliggjorde den ursprungliga försäkringsaffären en smidig skadereglering, eller skapade den förvirring?
Föreställ dig nu AI i den här situationen. Inte som ersättning för kundrådgivaren. Inte som en automatiserad hänvisning av kunden. I stället: AI stödjer kundrådgivaren i att se hela historiken omedelbart, markerar att bilbarnstolen är en säkerhetsprodukt som kräver särskild hantering, och lyfter fram de relevanta försäkringsvillkoren så att hon lägger mindre tid på att söka och mer tid på att tänka. AI:n tar här bort friktion från det värdeskapande arbetet. Människan förstår fortfarande vad hon gör och varför.
Den sekvensen — förstå, utforma, genomför, utvärdera — är inte slumpmässig. Ibby Hussain på Vanguard identifierade dessa som de underliggande principerna efter flera års studier av hur serviceorganisationer faktiskt fungerar. Han kallade det — förkortningarnas mästare som han är — UCER (Understand, Conceive, Execute, Review): ett sätt att beskriva de värdeskapande stegen i kärnan av varje serviceorganisation. Försäkringsexemplet ovan följer det ramverket. Och UCER ger oss ett strukturellt svar på var AI hör hemma.
AI hör hemma där den hjälper till att utföra värdeskapande arbete bättre. Den hör inte hemma som ett lager av kontroll mellan medarbetaren och arbetet.
UCER — Där AI verkligen tjänar det värdeskapande arbetet:
U — Understand (Förstå)
Analys av efterfrågan, mönsterigenkänning, meningsskapande från data. Att hjälpa till att förstå vad som faktiskt kommer in — och vad det verkliga behovet är.
C — Conceive (Utforma)
Stresstesta beslut, synliggöra möjligheter, fungera som sparringpartner vid bedömning av komplexa situationer.
E — Execute (Genomför)
Ta bort friktion i de värdeskapande stegen — men inte ersätta omdöme. Människan förstår lösningarna och varför de genomförs.
R — Review (Utvärdera)
Kapabilitetsdata, lärandeloopar, synliggörande av förbättring. Stödja kunskapsbaserad förändring.
AI som sitter utanför dessa steg — övervakning, regelstyrning, beteendekontroll för sin egen skull — är bara misstro och kontroll i teknologisk förklädnad.
DE SYSTEMFAKTORER SOM BEGRÄNSAR ALLT
Det finns två legitima positioner kring AI. Den första: du förbättrar effektiviteten — gör det du redan gör, bara snabbare. Det är giltigt om dina värdeskapande steg verkligen tjänar kunden och det hjälper att ta bort friktion. Den andra: du bygger upp nya möjligheter — använder AI för att lösa problem du inte kunde lösa tidigare; förstå efterfrågan i stor skala; synliggöra osynliga mönster; stödja bedömningar i komplexa situationer, eller möta kundbehov som helt enkelt inte täcktes förut. Båda positionerna kan komma i spel. Det viktiga här är att du gör ett informerat val om vilket problem du löser och med vilket syfte.
Men här är en obekväm sanning. Systemfaktorerna i en traditionellt designad och ledd organisation kommer i slutändan att bli den begränsande faktorn — och ingen mängd AI kommer att ändra på det. De här faktorerna är inte abstrakta. De är specifika, igenkännbara, och nästan säkert närvarande i din nuvarande organisation.
Fyra systemfaktorer som AI inte kan lösa — om de finns där kommer AI att förstärka de problem de skapar:
1. Ingen kunskap om efterfrågans sammansättning
Ingen har studerat vad som faktiskt kommer in eller varför. I Skandinavien ligger icke-värdeskapande efterfrågan förutsägbart på 60–90 procent av den totala efterfrågan. Utan den kunskapen kan du inte veta om AI löser rätt problem eller skalar upp fel problem.
2. Produktivitetsmått som tvingar medarbetare att stänga ärenden snabbt
Vilket genererar den icke-värdeskapande efterfrågan som översvämmar systemet från början. AI kan bygga dammar och leda om vattnet — men den tar inte bort orsaken till vattenmängden. Gör du det, har du inget översvämningsproblem.
3. Arbete uppdelat över funktionella silor
Ingen enskild person kan ta hand om en kunds problem från början till slut. Här kommer även AI att fastna i silornas fragmenterade syfte.
4. Beslutskompetens separerad från arbetet
Personen närmast problemet är inte betrodd att lösa det. AI i händerna på någon utan ansvar och befogenheter är bara ett snabbare sätt att eskalera uppåt.
Om försäkringsbolag inte förstår risk och behov innan de automatiserar bedömningar och offerter skalar de bara upp felen. Om din service genererar betydande mängder icke-värdeskapande efterfrågan — kontakter drivna av ouppfyllda behov, förvirring, eller processer som inte tjänar sitt syfte — kommer AI bara att hantera den mer effektivt än förut — inte förstå den och långt ifrån ta bort orsakerna till den.
Den centrala risken med att införa AI utan en systemisk förståelse är inte att den kommer att misslyckas, utan att AI kommer att lyckas — med fel sak.
TRE FRÅGOR INNAN DU BÖRJAR
Om du är en ledare som känner trycket att införa AI — från din styrelse, dina kollegor, dina medarbetare — då är det här jag skulle börja. Inte med teknik. Inte med en leverantörsdemo. Med tre frågor, ställda i ordning.
- “Vad driver det tryck du känner kring AI just nu?”
Krav från styrelsen? Har dina konkurrenter infört AI? Känner du att ni halkar efter? Är dina medarbetare oroliga för AI eller trycker de på för det?
- “Om AI fungerade perfekt — vad skulle då vara annorlunda för era kunder?”
Hur skulle det se ut om kunderna fick en perfekt service? Skulle de få rätt svar första gången? Skulle de slippa förklara sin situation två gånger? Skulle ni fånga upp problem innan de blir klagomål?
- “Vet du faktiskt varför människor kontaktar din organisation — och hur många av de kontakterna som aldrig borde ha inträffat?”
De flesta ledare antar att de vet det. Datan berättar nästan alltid en annan historia. Innan du förstår efterfrågan kan du inte veta om AI löser rätt problem eller skalar upp fel problem.
Du kan bara besvara dessa frågor genom att först studera ditt eget system — det är metoden. Och svaren kommer att avgöra omfattningen och ambitionen i det problem din organisation försöker lösa. Den första frågan sätter ord på din nuvarande verklighet. Den andra frågar hur ett bättre system skulle kunna upplevas och se ut — för dem ni finns till för, inte bara för er själva. Den tredje synliggör klyftan mellan var ni är och vart ni vill nå. När du har besvarat alla tre förstår och äger du problemet — och du är i en position att göra informerade val om vilken handling som är rätt för dig och din organisation. Det är här en systemisk förändring börjar.
De organisationer som får bestående värde från AI kommer inte att vara de snabbaste att ta till sig den. Det kommer att vara de som ställde den svårare frågan först: förstår vi faktiskt det arbete vi ber AI att stödja?
Det jag är allt mer säker på är detta: de organisationer som skyndar sig att införa AI utan att först studera sina egna system löser inte problem. De automatiserar dem. Och det kommer AI att göra mycket effektivt.
Så här är frågan jag vill lämna dig med — den som betyder mest innan du gör något annat.
Vet du faktiskt varför människor kontaktar din organisation — och hur mycket av den kontakten som aldrig borde ha inträffat?
I nästa artikel tar vi oss ut och undersöker det.
Om författaren:
Jonas Astrup Beck är vd och partner på Vanguard Skandinavien. Han har arbetat med Vanguardmetoden sedan 2006 och är medförfattare, tillsammans med Kristian Astrup Nielsen, till Riv servicefabrikerna — en bok om varför serviceorganisationer misslyckas när de designas som fabriker, och vad man kan göra i stället. Det här är den andra artikeln i en serie om AI och det systemiska perspektivet.
jonas@vanguard-consult.dk · vanguardmetoden.se