Varför AI-adoption i organisationer ofta fastnar mellan verktyg och vision

Det är slående hur många organisationer som just nu befinner sig i ungefär samma samtal. AI används dagligen, nyttan är påtaglig och de flesta känner att något stort är på gång – men när diskussionen glider över till vart vi är på väg blir det snabbt antingen otydligt eller överdrivet visionärt.

Antingen fastnar man i detaljer om verktyg och use-cases. Eller så hoppar man direkt till formuleringar som “AI-first”, “autonoma system” och “helt nya affärsmodeller”, utan att riktigt kunna förklara vad som faktiskt behöver förändras däremellan.

Det är här modellen med två vågor av AI-adoption är ovanligt användbar. Inte för att den förenklar verkligheten, utan för att den gör det möjligt att prata om både nuläge och riktning framåt samtidigt – på ett sätt som de flesta faktiskt känner igen sig i.

Två vågor som fångar verkligheten bättre än visioner

Wave 1: När AI effektiviserar befintligt arbete

Den första vågen, ofta kallad skeuomorphic, handlar om att använda AI för att göra samma arbete som idag, fast mer effektivt. Det är här de flesta organisationer befinner sig just nu. AI används som stöd i analys, utveckling, dokumentation, kommunikation och beslutsförberedelser. För många är det redan självklart, och nyttan är tydlig.

Det intressanta är att värdet i den här fasen sällan kommer från dramatiskt högre kvalitet. Det kommer snarare från tidsbesparing och kognitiv avlastning. Ett ofta underskattat värde är den ökade lärhastigheten – att fler idéer kan testas, utvärderas och förkastas eller vidareutvecklas på kortare tid. Det förändrar tempot i organisationen, även om själva arbetsuppgifterna i grunden är desamma.

Wave 2: När arbetssätt och ansvar designas om runt AI

Den andra vågen, neomorphic, beskriver något helt annat. Här används AI inte bara som stöd, utan som en del av själva arbetets design. Arbetssätt, roller och ibland hela erbjudanden byggs om med AI som en förutsättning snarare än ett tillägg. Det är här de riktigt stora effekterna uppstår – men också där kraven på organisationen förändras radikalt.

Just därför är modellen ett bra sätt att prata om både nuläge och riktning framåt. Den gör det möjligt att säga: det vi gör idag är rimligt och värdefullt – utan att låtsas att det är slutmålet.

När går man egentligen från Wave 1 till Wave 2?

En avgörande gräns mellan de två vågorna handlar inte om teknik, utan om ansvar. Så länge AI främst stödjer människors arbete – genom att föreslå, sammanfatta eller accelerera – befinner man sig i Wave 1. Steget in i Wave 2 tas först när AI faktiskt äger delar av utförandet eller beslutsfattandet. När människans roll skiftar från att göra jobbet till att sätta ramar, följa upp och korrigera.

Användningen av AI-agenter är ett tydligt exempel. Inte för att agenter i sig automatiskt innebär Wave 2, utan för att de tvingar fram frågor om mandat, ansvar och kontroll. Vem fattar beslutet? Vem bär risken? Och vad händer när beslut fattas kontinuerligt snarare än periodiskt?

Vanliga missförstånd om AI-adoption i organisationer

En vanlig fälla är att organisationer upplever att de närmar sig Wave 2, när de i praktiken fortfarande befinner sig i Wave 1. Det händer ofta när man pratar om AI-first, inför nya AI-roller eller experimenterar med agenter – men utan att förändra beslutsmandat, ansvar eller processer.

Om AI fortfarande kräver mänskligt godkännande i varje steg, eller bara läggs ovanpå befintliga strukturer, har man i praktiken inte lämnat den första vågen. Det är inget misslyckande, men det är viktigt att vara ärlig kring var man faktiskt står.

Här fungerar modellen som ett slags verklighetskontroll. Den skiljer mellan retorik och faktisk förändring.

Vad som faktiskt krävs för att lyckas med AI-transformation

Det mest avgörande hindret för Wave 2 är sällan tillgång till AI-verktyg. Det är styrning.

För att AI ska kunna ta större ansvar krävs tydliga mål, beslutskriterier och ramar som systemet kan agera inom. Det krävs tillit till data och mätetal, och en organisatorisk förmåga att förändra processer snabbt när något inte fungerar. Framför allt krävs ett ledarskap som accepterar osäkerhet och sannolikhetsbaserade beslut, snarare än full kontroll i varje enskilt steg.

Utan detta kommer AI alltid behöva “fråga om lov”. Och då förblir den ett avancerat stödverktyg, oavsett hur sofistikerad tekniken är.

Hur AI förändrar roller, ansvar och beslutsfattande

De roller som förändras först i Wave 2 är ofta de som arbetar nära prioritering, syntes och koordinering. Produktägare, analytiker, projektledare och seniora specialister har arbetsuppgifter som till stor del handlar om att väga alternativ och fatta beslut – precis det område där AI snabbt får stor hävstång.

Samtidigt finns processer som gör starkt motstånd mot neomorphic redesign. Budgetering, compliance och personalbedömning är typiska exempel. Inte för att AI saknar kapacitet, utan för att ansvar, juridik och styrning är hårt inbyggt i strukturen. Motståndet sitter nästan alltid i governance, inte i tekniken.

Det här hänger också ihop med hur risk fördelas. I Wave 1 ligger risken främst i utförandet – blev analysen rätt, blev koden korrekt? I Wave 2 flyttas risken till hur beslutsramar och system är designade. Risken flyttas från individnivå till system- och organisationsnivå.

Lärande, leverans och oåterkalleliga förändringar

Wave 2 kräver utrymme för experiment, men också disciplin. Organisationer som lyckas separerar stabila, affärskritiska flöden från mer experimentella AI-initiativ. De tillåter lärande, men med tydliga kriterier för när experiment ska skalas upp eller avslutas.

Det är också viktigt att förstå att vissa förändringar i Wave 2 är svåra att rulla tillbaka. När AI tillåts fatta beslut i realtid, när kundupplevelser byggs med AI som förutsättning, eller när roller omdefinieras från utförande till övervakning – då förändras beteenden och förväntningar. När de väl satt sig blir återgång både dyr och smärtsam.

Ett konkret exempel: Apotea

Ett bolag som tydligt illustrerar riktningen mot Wave 2 är Apotea. Deras ambition är inte att AI ska stötta processer och människor, utan att processer och människor ska stötta AI. Det är en till synes liten formulering, men den signalerar ett fundamentalt skifte i hur arbete, ansvar och värdeskapande förstås.

AI-adoption i organisationer kräver ett nytt samtal, inte fler verktyg

Det som gör detta till ett bra sätt att prata om både nuläge och riktning framåt är att modellen varken förringar det arbete som redan görs eller romantiserar framtiden. Den skapar ett gemensamt språk för att diskutera vad som faktiskt förändras – och vad som ännu inte gör det.

För många organisationer börjar de viktigaste samtalen när man vågar ställa tre enkla frågor:

• Var befinner vi oss idag, och varför?
• Vilket ansvar äger AI egentligen hos oss?
• Vad skulle behöva förändras för att nästa våg ska vara realistisk?

Det är sällan svaren är enkla. Men det är precis där utvecklingen börjar.