Idas insikter från Tech Blueprint 2025 – så bygger vi AI-redo organisationer (Göteborg Tech Week)
- Ida Martinsson
- 16 okt.
- 8 min läsning
När jag gick in på World of Volvo, för Tech Blueprint under Göteborg Tech Week visste jag att jag skulle få höra många perspektiv på artificiell intelligens. Men jag hade inte förväntat mig att dagen skulle lämna mig med så många tankar om människan. För bakom all teknik, alla modeller och algoritmer finns en mer grundläggande fråga: hur redo är vi egentligen att arbeta med AI på riktigt?
Nu ska ni få följa med på mina insikter från den här heldagen om AI.
Lay of the land – viljan finns, men strukturen brister
Flera av de inledande presentationerna visade samma mönster: vi vill väldigt mycket, men vi gör det på ett spretigt sätt. EY delade siffror som fortfarande ekar i mitt huvud – den absoluta majoriteten av alla större AI-investeringar misslyckas. Hon hänvisade till en färsk rapport från MIT Sloan Management Review, som visar att även om nästan alla större företag har påbörjat sin AI-resa, är det bara omkring fem procent som lyckas få mätbar påverkan på resultatet.
EY beskrev det som ett tydligt glapp mellan ambition och genomförande – många experimenterar med AI, men få lyckas gå från pilot till verklig transformation. Det är sällan tekniken som brister, utan strukturen. Mognad handlar inte om fler verktyg eller större datamängder, utan om förmågan att lära, anpassa och skala i takt med att verksamheten förändras.
Jag tyckte det var intressant att flera talare under dagen återkom till samma tema. Många betonade vikten av rätt data snarare än mycket data – kvalitet framför kvantitet. Andra, bland annat från Recorded Future, lyfte behovet av att kunna spåra datans ursprung och förstå dess trovärdighet. Vi bygger AI på den information vi matar den med, och när den informationen är bristfällig blir intelligensen det också.
När jag lyssnade på de här samtalen slog det mig att det egentligen handlar om något större än teknik: det handlar om struktur, ansvar och lärande. Om att skapa system som inte bara svarar, utan förstår.
Att bygga grunden – börja smått men på riktigt
Ett återkommande uttryck under dagen var “Don’t boil the ocean”. Försök inte lösa allt på en gång. Flera talare berättade om företag som gått vilse i ambitionen att skapa omfattande strategier innan de ens gjort sitt första test. Det fick mig att tänka på hur ofta AI-arbetet stannar i planeringsfaserna, när det egentligen borde börja i det lilla.
Att börja smått betyder inte att man ska börja försiktigt. Det betyder att man ska göra något verkligt – i liten skala men med riktig data och verkliga användare. Det fanns också en klok tanke kring externa lösningar: använd dem för att lära snabbare. Det är ofta bättre att testa en färdig lösning och se vad den faktiskt ger, än att bygga en egen innan man vet vilket problem man vill lösa.
Checklista: Så bygger du en hållbar AI-grund
Börja med affärsvärdet, inte tekniken.
Definiera vilket problem du faktiskt vill lösa.
Säkra datakvaliteten och förstå källorna.
Gör små, skarpa tester med verkliga användare.
Låt governance växa fram ur erfarenhet – inte tvärtom.
ROI var ett återkommande ämne. Några menade att man inte ska räkna på avkastningen för varje enskilt projekt, utan se portföljen som helhet. Två lyckade initiativ av tjugo kan vara tillräckligt för att driva förändring. Det påminner oss om att lärande också är en form av avkastning, även om det inte syns i siffrorna.
Från pilot till skalbart – när kultur och tempo avgör
När samtalet gick över till hur AI faktiskt skalas i organisationer blev det tydligt hur mycket handlar om kultur. För att experimenten ska bli till verksamhet krävs en organisation som både tillåter och uppmuntrar det. Man talade om “sense of urgency” och vikten av att hitta de rätta intressenterna. Flera pekade på betydelsen av early adopters – de som vågar testa först och inspirerar andra.
Det finns en formulering jag tog med mig: AI skalar när kulturen skalar. Om organisationen inte har en kultur där man vågar prova, utvärdera och lära, då spelar inga strategier i världen någon roll.
Ett av de mest slående inslagen var hur skevt fokus ofta ligger i dagens AI-satsningar. En talare visade en enkel men kraftfull jämförelse:egentligen borde vi lägga 10 % av resurserna på algoritmer, 20 % på teknik och 70 % på människor och processer – för det är där den verkliga skalbarheten finns.I praktiken gör de flesta företag tvärtom: de lägger uppåt 90 % på algoritmer och teknik, och nästan ingenting på människorna som ska arbeta med den. Det är just därför så många AI-initiativ fastnar i pilotfasen.
Fyra framgångsfaktorer för att skala AI
Involvera de som faktiskt äger problemen – inte bara IT.
Skapa små framgångar som visar värde snabbt.
Samarbeta med startups för att öka tempot.
Gör lärande till ett resultat – inte en biprodukt.
Jag tyckte också om tanken att företag borde samarbeta mer med startups. De stora företagen har resurserna, de små har tempot. Kombinationen kan skapa en lärande miljö som gynnar båda.
Ett nytt synsätt – AI som kollega
En av de mest konkreta idéerna jag hörde under dagen var att vi måste börja se AI som en anställd snarare än ett verktyg. Det förändrar hela synsättet. Om vi tänker på AI som en kollega innebär det att vi ger den onboarding, tränar den, följer upp och utvärderar dess resultat. Vi leder den, snarare än bara använder den.
Det här sättet att tänka speglar något jag ofta ser i mitt arbete: organisationer som behandlar AI som ett system misslyckas ofta med att få ut dess värde. Organisationer som däremot ser det som en förmåga de själva måste utveckla, lyckas.
Ett företag visade hur de promptar fram insikter direkt ur sin egen data. Beslutsfattare slipper långa kedjor av frågor uppåt i organisationen och får istället svar i realtid. För mig är det ett tydligt tecken på att AI börjar bli en del av själva beslutsprocessen, inte ett bihang till den.
ROI på riktigt – värde i flera dimensioner
ROI-diskussionerna väckte många perspektiv. Någon formulerade det enkelt: vill du ha ekonomisk avkastning måste AI hjälpa dig att antingen tjäna mer pengar eller spendera mindre. Effektivitet i sig är inte en ROI om den inte omsätts i faktisk nytta.
Samtidigt berättade en representant från Volvo Cars hur de ser ROI på ett helt annat sätt. För dem kan en lyckad AI-investering vara en säkrare bil – kanske till och med ett räddat liv. Det är svårt att värdera i pengar, men lätt att förstå betydelsen.
Det fick mig att fundera över hur snävt vi ofta definierar avkastning. I ett större perspektiv handlar det också om förtroende, säkerhet och lärhastighet. De organisationer som lär sig snabbast kommer stå starkast.
Tre sätt att se på ROI
Finansiell ROI – kostnader, intäkter, effektivitet.
Strategisk ROI – säkerhet, förtroende, riskreducering.
Kulturell ROI – lärhastighet och förändringsförmåga.
AI och arbetslivet – rädslan och riktningen
Ett av de mest mänskliga inslagen under dagen handlade om rädslan för att ersättas. Det sades rakt ut: om människor känner sig hotade av AI kommer de inte vara med på resan. Förändring kräver delaktighet. När medarbetare får nya roller och upplever att de tillför något nytt, då släpper rädslan.
Samtidigt kom fler existentiella frågor upp, som om man i framtiden ska betala skatt för AI-agenter. Det låter kanske avlägset, men det visar att vi redan börjar förbereda oss mentalt för ett samhälle där arbete och värdeskapande inte längre är samma sak.
Jag tror att ledarskapets viktigaste uppgift just nu är att skapa trygghet och riktning. Inte att lova att allt ska vara som förut, utan att hjälpa människor förstå varför förändringen är nödvändig och hur de själva är en del av den.
AI får kropp – när lärandet blir levande
En av de mest fascinerande delarna av dagen handlade om robotik och vad som kan kallas “äkta intelligens”. Föreläsaren från IntuiCell tog upp exemplet med en nyfödd giraff som lär sig stå och gå inom några timmar. Den typen av lärande – att förstå världen i realtid – är något dagens AI fortfarande saknar. Våra system är tränade i förväg och fungerar bara i miljöer de redan känner till.
De talade om hur vi har byggt AI på fel sätt från början. Kanske behöver vi inte mer data, utan AI som kan förstå och anpassa sig till det den inte sett tidigare. Vi tränar våra modeller på det som redan hänt, men framtiden har inte hänt än. För att skapa verklig intelligens måste vi ge våra system förmågan att lära medan de lever, inte bara medan de tränas.
Narrativet avgör – bilden av AI formar verkligheten
Mot slutet av dagen talade en föreläsare om hur vårt sätt att prata om AI påverkar utvecklingen. Om vi beskriver AI som ett hot kommer vi också skapa regler och system som bygger på rädsla. Men om vi istället ser AI som ett verktyg för att lösa problem, kommer vi utveckla den på ett sätt som gynnar innovation.
Jag tyckte särskilt mycket om jämförelsen med en självkörande bil som fastnar i en cirkel för att den inte förstår en heldragen linje på marken. Den bilden är mer sann än den om den dystopiska roboten som tar över världen. AI är inte ond eller god i sig själv. Etiken ligger hos oss som skapar den, inte i tekniken.
Från teknik till mening – AI i alla branscher
Ett exempel som fångade mitt intresse var Icebug, skoföretaget som använder AI för att utveckla sina processer. Det visar att AI inte är reserverat för teknikbolag. Tvärtom – de som lär sig använda AI som verktyg för förbättring kommer att få ett försprång, oavsett bransch.
Flera talare underströk att man ska börja vid affärsvärdet och arbeta bakåt. Governance och struktur kommer med tiden, men man måste börja med något verkligt. Jag tycker det perspektivet är uppfriskande i en tid då många fortfarande fastnar i analyser innan de agerar.
Mot slutet av dagen kom diskussionen in på varumärke och autenticitet. Det betonades att det inte går att AI-generera sig till förtroende. Människor känner när något är genuint. Storytelling, transparens och äkthet kommer bli ännu viktigare framöver. AI kan automatisera mycket, men inte mening.
Mina slutsatser
När jag summerar dagen ser jag tre tydliga trådar. För det första: AI-mognad börjar i kulturen, inte i koden. För det andra: små, verkliga experiment är nyckeln till skalbarhet. För det tredje: framtidens vinnare är de som lär sig snabbast – både människor och maskiner.
Ett extra tillägg, hur allt hänger ihop
När jag ser tillbaka på hela dagen på Tech Blueprint inser jag hur varje perspektiv egentligen handlade om samma sak, men ur olika vinklar. Siffror om misslyckade AI-projekt, samtalen om kultur och lärande, diskussionerna om etik, robotikens biologiska lärande och reflektionerna kring varumärkets äkthet – allt kretsar kring en gemensam fråga: hur vi skapar mening i en tid av maskiner.
Tekniken är imponerande, men det är våra beslut som avgör riktningen. När vi diskuterar kultur och mindset handlar det om ansvar. När vi talar om ROI handlar det ytterst om värderingar. Och när vi utforskar robotar och äkta intelligens handlar det om förståelse – om att försöka bygga något som delar vår förmåga att lära, inte bara räkna.
För mig blir det tydligt att framgångsrika AI-satsningar inte uppstår genom att välja rätt modell eller verktyg, utan genom att människor, processer och teknik växer tillsammans. AI-mognad är egentligen organisationsmognad – en kombination av struktur, nyfikenhet och mod.
Jag tror också att vi står inför ett nytt ansvar som ledare, medarbetare och samhälle. Att se AI som mer än ett effektiviseringsverktyg – som en spegel av vårt kollektiva tänkande. Det innebär att varje beslut vi tar kring hur vi tränar, använder och talar om AI formar inte bara tekniken, utan också vår egen förmåga att förstå framtiden.
Jag lämnar Tech Blueprint med fler frågor, idéer och framtidstankar än jag kom dit med. Flera av dem handlar om hur AI kan bli en verklig kraft för utveckling – något jag kommer att återkomma till i framtida inlägg.
– Ida Martinsson, Sales & Marketing Manager, Cyber Instinct
