Module 4. Coaching companies on their AI journey

Modul 4

Att coacha företag på AI-resan

I den här modulen fördjupar vi oss i hur du som företagsfrämjare kan stötta företag att accelerera nyttan med artificiell intelligens. Vi tittar på vilka förutsättningar som behöver finnas på plats, hur strategin på olika mognadsnivåer kan se ut, samt hur de som lyckats bäst lagt upp sin plan.

The page is currently only available in Swedish.

Från verktyg till förmågor – från teknik till värde

I en innovationsmiljö möter du företag som har olika förhållningssätt till AI-utvecklingen. De som precis börjat experimentera med AI; de som nu skalar upp sina första AI-projekt; de som vill skaka om hela branscher med sina AI-innovationer; och troligtvis även de som är övertygade om att AI inte kommer att ha någon större påverkan på just deras affär. Att prata AI med företag kräver sin främjare. Den här modulen ger dig struktur, språk och ramverk för att kunna stötta företag att dra nytta av AI, oavsett vilken mognadsnivå de befinner sig på idag.

Som företagsfrämjare kan du omöjligt ha koll på alla aspekter av AI-utvecklingen eller ha svar på alla frågor, så hur ska du tänka? Och hur mycket är egentligen specifikt "AI" jämfört med traditionellt företagsbyggande och företagsutveckling? För många rådgivare och coacher i det svenska innovationssystemet har AI-rådgivning till företag varit starkt kopplat till det egna intresset och utforskandet – och det har varit svårt att vända sig till etablerade ramverk eller metodiker när området utvecklats snabbt på kort tid. Idag försöker vi ändra på det.

Din erfarenhet från innovationsledning och företagsutveckling kommer att vara till stor hjälp, men AI-utvecklingen har förändrat spelplanen för bolagsbyggande, och ställer nya krav på företagsfrämjaren. Den skakar om affärsmodeller, marknader och erbjudanden – och områden som data-governance, maskininlärning och AI-säkerhet blir kritiska affärsområden. Och ytterst handlar det kanske om att stötta bolag att bygga förmåga att tänka nytt, göra nytt. Så att de snabbt kan förflytta sig och att skapa goda förutsättningar för att agera på en utveckling som är svår att förutse och tajma. 

Företagsfrämjarens yttersta uppgift blir att stötta bolagen i deras utmaningar: att öka deras förståelse och förhållande till möjligheterna med AI, kring data, kring helt eller delvis automatiserade arbetsflöden, kring strategiska teknikval – områden som alla kommer att påverka deras framgång framöver.

Om du tagit del av de tre första modulerna i vår serie av AI för innovationsaktörer så har du nu en teknisk grund att utgå från. Du förstår, övergripande, teknikens förmågor och hur dessa kan påverka företagens strategiska spelplan. Du ser hur nya företag med AI-drivna tjänster nu börjar riva upp etablerade affärsmodeller som sett likadana ut i årtionden, och hur snabb omställning blir nödvändig för att företag ska kunna hålla sig konkurrenskraftiga. 

Men så, mitt i mötet med entreprenören, ledningsgruppen eller ägaren dyker den ändå upp, frågan: 
– Vilket AI-verktyg ska vi använda?

Från verktyg till förmågor

Även om frågan inte är omotiverad eller ointressant, så är företagsfrämjarens kanske främsta uppgift att hjälpa frågeställaren att höja blicken. Att hjälpa företagare och vd:ar att flytta fokus från enskilda tjänster, enskilda verktyg, till vilka nya förmågor AI faktiskt kan bidra med i verksamheten. Vilka nya problem som går att lösa med hjälp av AI-teknik.

För många är AI detsamma som tjänsterna runt de stora språkmodellerna, t.ex. ChatGPT, Gemini och Copilot. Att även här lyfta blicken och hjälpa företagen och entreprenörerna med att visa att "AI" är mer än att enkelt kunna generera text, bilder och video. Och mer än individuell effektivitet eller skapande. Större värden från AI-tekniken kommer ofta fram först i större projekt som fokuserar på organisationens kärnprocesser och erbjudande, snarare än individens. I de större projekten kan språkmodeller självklart ha en roll, men också "traditionell AI" och maskininlärning. Oftast är det först då som effektiva och specialiserade arbetsflöden, med organisationens egen data, kan hjälpa företag att förutse, rekommendera, optimera och upptäcka mönster som är viktiga för verksamhetens mål. 

De enskilda "off-the-shelf"-verktygen kan absolut skapa värde och hjälpa företag att komma igång med AI, men för att hitta de unika och långsiktiga konkurrensfördelarna behöver företagen ofta tänka större och komma vidare. Och här kan du som företagscoach vara nyckeln.
 

Från teknik till värde

Frågor som öppnar upp samtalet kring AI med företag: Var i er verksamhet kan AI:s förmågor göra som mest nytta? och, hur kan ni skapa bättre förutsättningar för att få ut konkret affärsvärde från dem?

På så sätt hamnar frågan om vilket AI-verktyg som ska användas i ett annat ljus (verktyget kan vara nog så viktigt, men den stora potentialen med AI-teknik i bolaget är troligtvis större än en enskild applikation). För många företag kan det dock vara en bra taktik att börja med att utforska enklare verktyg, men många glömmer att först (eller också) prata struktur, systematik, mål och prioriteringar. Oavsett approach kan företagsfrämjaren stötta bolagen att sätta affärsvärdet i fokus, före det rent tekniska perspektivet.
 

Från piloter till systematik

Att framgångsrikt coacha företag inom AI kräver att du har förståelse för både det strategiska och det praktiska arbetet som krävs för att skapa värde med AI. De företag som lyckas bäst med att få ut nytta från AI är de som är systematiska och långsiktiga i sitt tänkande. Som ser till att skapa förutsättningar för sina medarbetare att experimentera och utforska – men också kopplar AI-initiativ och investeringar till det strategiska arbetet och den övergripande affärsidén. 

Så hur och var ska bolagen börja och hur ska de ta ut den strategiska riktningen? Och hur kan du som företagscoach bäst hjälpa dem att ta steg bort från små piloter och experiment, till fullt driftsatta lösningar som skapar reell nytta i verksamheten? I den här modulen fokuserar vi på hur du som företagsfrämjare undviker verktygsjakten och lyfter AI från punktinsatser till systematik. 

Ramverk för systematiskt AI-införande

AI Sweden arbetar med ett antal olika ramverk för att hjälpa företag att snabbare dra nytta av AI. Dessa är baserade på insikter från verksamheter som framgångsrikt lyckats driftsätta och skapa värde med AI snabbare än jämförbara verksamheter. Hur ramverken används i praktiken kan variera, men de har visat sig hålla väl även i den snabba förändringstakt som genomsyrar AI-utvecklingen. Kärnan är AI-huset och modellen för systematiskt AI-införande, där bland annat mognadstrappan ingår.

Grunden är enkel: tittar vi på företag som kommit långt på sin AI-resa är ett systematiskt angreppssätt nästan alltid närvarande. Varje AI-initiativ behöver vara förankrat i ett verkligt behov och ha rimliga förutsättningar att lyckas – annars riskerar det att stanna vid en enskild pilot. Det är också tydligt att om vi ska lyckas med AI, så kan vi inte betrakta det som en isolerad teknikfråga; AI måste hanteras som en del av verksamhetsutvecklingen. Med hjälp av AI-huset kan vi skapa en gemensam bild av nuläget och de förutsättningar som behöver stärkas för att kunna ta nästa steg. Att bygga förståelse kring varför vi gör detta, hur vår organisation och våra medarbetare påverkas är viktiga delar för att skapa engagemang och tydlig riktning runt AI-införandet.

AI-huset – vad behövs för att lyckas?

AI-huset är en modell som visualiserar att en AI-mogen organisation inte bara handlar om teknik, kod och algoritmer – utan är ett större bygge som kräver att bolaget utvecklat förmåga inom en rad olika dimensioner. Hårda och mjuka.

Taket (Uppdrag och mål): Allt AI-arbete måste utgå från företagets affärsidé och vision. AI är inte målet i sig, utan medlet för att nå dit. 

Våningsplanet (Ambition & Användningsfall): Här definierar företagen sin riktning och de konkreta situationer där AI skapar värde. Det handlar om att balansera visionära drömmar med praktisk nytta här och nu.

Grundplanet (Möjliggörare): För att realisera användningsfallen krävs rätt förutsättningar. I modellen delar vi upp dessa i sex byggstenar: Data, Teknik, Organisation, Kultur, Ekosystem och Expertis. Utan rätt data eller en kultur som vågar testa, blir huset ostabilt.

Fundamentet: Hela huset vilar på en grund av ansvarsfull, säker och hållbar användning av AI.

Ett av värdena från att bygga sitt AI-hus är att det skapar ett gemensamt språk mellan alla i företaget; styrelse och ledning, medarbetare och tekniken. Det gör det tydligt var det finns glapp, hinder och förbättringsområden. Kanske har ni visionen, men saknar datastrukturen? Eller så har ni tekniken, men saknar kulturen för att få ut nytta från den?

Från piloter till värde i skala

Vi har nu vårt hus på plats, men hur ska vi närma oss införandet och användningen av AI i verksamheten? I videon nedan tittar vi på tillvägagångssätt som vi ser ger resultat. Den bygger på en iterativ process i sex steg, som tar företag från osäkerhet till skalbar nytta: Testa, skatta, drömma, planera, förändra och skala.

Testa: Många etablerade småföretag befinner sig här, de försöker förstå AI-teknikens förmågor, experimenterar med tekniska lösningar och verktyg - ofta språkmodeller - och befinner sig i en lärprocess. Att komma vidare från det här steget är avgörande.

Skatta: Så hur kommer vi vidare? Ja innan vi springer behöver vi förstå vart vi är idag. Samtal med rådgivare eller mognadsmätningar kan skapa självinsikt om bolagets styrkor och svagheter.

Drömma: Företaget definierar varför de ska göra detta. Här kartlägger vi problem och möjligheter för att hitta var AI kan göra störst skillnad för bolagets verksamhet och affär.

Planera: Vi prioriterar bland idéerna. Vilka användningsfall ger högst värde men är enklast att genomföra? Vilka ger unika konkurrensfördelar på sikt? Bolaget gör en färdplan för genomförandet.

Förändra: Införandefasen där bolaget går från plan till handling (men också kanske inser att verkligheten såg lite annorlunda ut än teorin). Här utvecklas lösningar, skruvas på funktioner och modeller. Men också etik och ansvarsfrågor får stor plats. Att utveckla nya arbetsflöden och leda förändring bland medarbetarna får också stor plats.

Skala: När vi har piloter som fungerar, hur får vi ut full effekt från dem? Här handlar det om att integrera lösningar i våra arbetsflöden och sprida lärdomarna för att skapa uthålligt värde.

Så här ser processen ut för i många bolag och organisationer som lyckats med AI. Det är viktigt att få med sig att det är en cyklisk process, inte en linjär checklista, och att Förändra och Skala är steg som vanligtvis är rejält krävande för SME och etablerade bolag.

Nu ska vi titta lite närmare på själva skattningsfasen, vår mognadstrappa som vi använder för att bättre kunna rikta insatser som är mer relevanta för företag i just den fasen de befinner sig.

Mognadstrappan

Som beskrivs i videon är mognadstrappan en modell som AI Sweden tillsammans med organisationen Applied AI i Tyskland använder för att skatta ett företags eller en organisations mognadsgrad inom AI. Det finns fem distinkta steg där varje kännetecknas av vilket värde som lyckats skapas i verksamheten med hjälp av AI-teknik. 

En viktig insikt om modellen är att målet hos alla företag inte nödvändigtvis ska vara att nå det översta trappsteget (Ledare). Det är en strategisk fråga som varje företag måste göra och för många verksamheter kan det räcka med att sikta på nivån för Professionell för att möta sina affärsmål.

Viktigt att poängtera är också att avsikten med mognadstrappan inte är att döma eller recensera företagets nuläge, utan att hjälpa företaget att förstå sitt nuläge för att kunna vägleda dem i arbetet för att nå nästa nivå.

Nybörjare. AI finns inte bland bolagets prioriteringar. Här behöver verksamheten hjälp att utforska tekniken och förmågorna, utforska dess potential – och börja agera.
Risker: Att fastna i ett passivt utforskande utan att ta konkreta steg framåt mot något som skapar värde i bolaget.

Utforskare. Här finns AI på företagets agenda och fokus ligger på lärande genom praktiska experiment, samt att förankra kunskap brett i organisationen. Att gå från piloter som visar att tekniken fungerar till att den blir värdeskapande är centralt.
Risker: Fastna för länge i testfasen alternativt att bränna sig på en för stor första satsning.

Utövare. Enstaka AI-drivna lösningar används i företaget och skapar mätbara värden. En plan för ett systematiskt genomförande av AI finns ofta formulerad.
Risker: Silotänk och AI-projekt som inte ligger i linje med företagets generella vision. Få långsiktigt hållbara AI-lösningar.

Professionell. AI som bidrar till affär och konkurrenskraft är brett införlivat i bolaget och AI-lösningar skapar värde i en rad olika processer i företagets kärna.
Risker: Inkrementellt mindset där fokus ligger på att skruva på existerande processer och arbetsflöden - inte de större omskakande förändringarna som kanske kan möjliggöras med AI-teknik.

Ledare. AI finns i företagets kärna och ligger till grund för företagets erbjudanden och konkurrenskraft. Möjligheter att skaka om marknader och branscher.
Risker: En risk för dessa ledare är att de i sin snabba innovationstakt missar etiska, kulturella och/eller säkerhetsmässiga aspekter och konsekvenser av sin framfart, vilket kan leda till bakslag.

En organisations arbete med att förflytta sig uppåt i modellen är det vi kallar för en verksamhets "AI-resa". I nästa avsnitt kommer vi titta mer på vad som krävs för att klättra i trappan, att ta de viktiga stegen från Nybörjare och Utforskare till Utövare och Professionell .

4 steg: Att identifiera och utveckla AI-projekt

Hur går vi nu då från start till mål med ett företags första AI-projekt eller use case? I videorna nedan delar vi upp satsningen i fyra steg. Kristin Heinonen, Program Manager på Use Case Factory på AI Sweden går igenom, steg för steg hur du tar fram och driver användningsfall inom AI.

Vanliga fallgropar på AI-resan

När ett företag ska integrera AI i sin verksamhet, oavsett fas, storlek eller bransch, finns en del gemensamma fallgropar som är vanligt förkommande och som företag behöver navigera runt.

Tidig fas: Ledningsstöd och oro. Ett vanligt hinder i början av AI-resan är klyftan mellan de som är intresserade av tekniken och de som leder verksamheten. Ofta finns det medarbetare som ser möjligheterna med AI och redan använder generativa AI-verktyg i sina roller. Men om ledningen saknar intresse eller inte vill delegera mandat att driva frågan, stoppas initiativen. Satsningar på AI-projekt eller kompetensutveckling uteblir vilket bromsar företagets AI-utveckling. En annan utmaning i tidig fas är att, och det gäller även om ledningen är drivande i frågan, det kan finnas en utbredd oro hos personalen för vad tekniken innebär för deras roller eller anställningar. Denna oro behöver adresseras tidigt, och där är utbildning och kompetenshöjande insatser ofta vägen framåt.

Implementering: Att glömma människan. En annan kritisk fallgrop är att få med organisationen kring de nya arbetsflödena och lösningarna. Ett vanligt scenario är att en företagsledare ser en lösning som fungerar väl i en annan verksamhet, och tänker att det går att införa den lösningen också i det egna bolaget. Acceptansen för AI-lösningen, och medarbetarnas delaktighet och förståelse för varför lösningen ska införas är avgörande för att lyckas. Lösningen är att involvera medarbetare som berörs av den nya lösningen eller det nya AI-systemet tidigt, och nära en kultur präglad av nyfikenhet och experimentlusta.

Data. för lite, eller för mycket… När företag väl börjar bygga mer avancerade lösningar (bortom lätttillgängliga AI-verktyg) uppstår hinder kring data. Insamlingen, tvättningen och hanteringen av datan är ofta - eller alltid - tidskrävande. Finns det ingen intern data idag kan det ta tid att samla in den. Exempelvis vid installation av nya sensorer som behöver vara aktiva under en längre period för att de ska kunna bidra med värdefull data till AI-projektet. Många företag har "massor av data", men ofta krävs ett stort arbete innan den kan bli grunden i ett AI-projekt. 

Skalningsproblematik. En annan fallgrop är teknik som inte håller måttet när vi går från pilot till fullskalig drift. Det kan exempelvis handla om att IT- eller AI-infrastrukturen inte riktigt klarar av att hänga med när de går från pilot till full skala. Från några få användare till full drift med tusentals kunder. En insikt här är att planera för skalning redan vid experimentstadiet.

Gällande enklare införande, som språkmodeller och generativ AI-verktyg, är fallgropen att företag köper licenser men slarvar med utbildningen. Det räcker sällan med generisk utbildning; medarbetare behöver stöd i hur verktygen appliceras i deras faktiska roller och arbetsflöden. Dessa exempel förstärker tidigare diskussioner om vikten av systematik.