Företag diskuterar fel frågor om AI

Bill Gates uppmanar till skyddsåtgärder kring AI eftersom tekniken skulle kunna orsaka ”en miljard dödsfall” om den inte hålls under kontroll. Uttalandet kommer kort efter att en ledande forskare på Anthropic sagt att han tror att det är mer än 10 procents risk för att AI ”kan döda alla människor” inom det kommande årtiondet. Medan regeringar, filosofer och en handfull ledande AI-utvecklare debatterar skyddsräcken är det viktigt att företag som använder AI inser att de kan förbise de största risker som företag faktiskt står inför i AI-eran om de fokuserar på det som dominerar rubrikerna.

Utöver rädslan för att robotarna ska övermanna människorna kretsar mycket av diskussionen om AI i företag kring frågor som farorna med okontrollerade agenter, skyhöga tokenkostnader, relativt autonoma frontiermodeller för AI och icke-suverän AI.

Sådana hot tar upp en stor del av utrymmet i diskussionen om AI-risker, men om man fokuserar på dessa trender i stället för på de verkliga affärsriskerna kan resultatet bli dåligt och problemen hade kunnat undvikas. Jag har sett dussintals företag minska sina AI-risker avsevärt genom att rikta betydligt större uppmärksamhet mot affärsresultat än mot tekniska lösningar. Här är en genomgång av hur de kan göra det – och varför de bör göra det.

Fokusera på affärsnyttan, inte AI-modellen

Företag behöver förstå att de inte måste använda de allra senaste AI-modellerna – eller betala astronomiska tokenkostnader för att göra varje anställd till en medborgarutvecklare – för att avsevärt förbättra avkastningen på sina investeringar.

De behöver i stället granska noga vilka specifika områden där de kan minska sina ekonomiska utgifter eller tidsåtgången och ta fram en plan för att lösa just det problemet med alla tillgängliga verktyg – inte bara agentisk AI, utan även generativ AI, lösningsalgoritmer, maskininlärning och till och med regelbaserade program – så att de kan välja rätt verktyg för rätt uppgift.

McKinsey uppger till exempel att AI-baserade prognosmodeller kan nå en träffsäkerhet på över 90 procent när det gäller att förutsäga personalbehov. Jag fick nyligen se detta på nära håll hos ett säkerhetsföretag som skickar ut tiotusentals väktare till tusentals platser för globala jättar som Nike och Amazon. Liksom många andra personalintensiva verksamheter med skiftarbete stod företaget inför kraftigt stigande kostnader för övertidsersättning och dyr underentreprenad när efterfrågan ökade.

Det behövdes inga frontiermodeller för att öka företagets avkastning på investeringar, och det fanns inget behov av att binda sig till en viss AI-leverantör eller teknik. Säkerhetsföretaget började i stället med att lösa ett av sina största affärsproblem, och verktygen valdes utifrån hur väl de kunde lösa just den utmaningen. Smarta optimeringslösare kan fördela arbetslagen på ett effektivt sätt, minska övertidskostnaderna och undvika dyr underentreprenad tack vare bättre framförhållning i bemanningen. I det här fallet minskade generativ AI i kombination med andra verktyg personalomsättningen, förbättrade planeringen och bidrog till scheman som fungerade bättre för både kunder och anställda – till exempel genom att föreslå hur man kunde minska antalet skift som krävde lång pendling och fördela helger utan arbetspass jämnare. Genom att genomföra sådana rekommendationer minskade övertidskostnaderna med 30 procent och kostnaderna för underentreprenad sjönk. Samtidigt gick det snabbare att ta fram bemanningsplaner, och planernas kvalitet och hållbarhet förbättrades. När säkerhetsföretaget genomförde AI-rekommendationerna ökade EBITDA med 200 baspunkter, en stor framgång i en bransch med notoriskt små marginaler. Att affärsproblemet är stort betyder inte att AI-lösningen måste vara riskfylld.

Många konkreta affärsutmaningar löses redan med AI-verktyg som kräver minimala ingrepp – till exempel att förbättra lagerfördelningen, effektivisera avstämningen av kundinbetalningar, påskynda bankavstämningen, öka prognosernas träffsäkerhet, automatisera matchningen av fakturor och söka i kataloger för att besvara konsumenters frågor. Det förbättrar resultatet avsevärt utan att man riskerar att utplåna mänskligheten eller ens behöver använda frontiermodeller eller okontrollerade agenter.

Se upp: Att flytta fokus från avkastning på investeringar kan medföra en AI-hypeskatt

Att hålla fast vid konkreta affärsmål kan inte bara minska risken för att AI blir okontrollerbar, utan också skydda företag från att drabbas av den AI-hypeskatt som mitt företag upptäckte i en analys av aktiekurser och årsredovisningar för 275 börsnoterade företag världen över.

AI-barometern 2026 visade att aktiekurserna för de största börsnoterade företagen i världen hade ett starkt samband med satsningar på AI i stor skala och en bättre kursutveckling. Sambandet höll dock bara så länge företagen redovisade konkreta åtgärder och precisa mål. Den viktigaste lärdomen från analysen av aktiekurserna är att allmänna uttalanden om AI-omställning inte räcker för investerare.

Så vad fungerade då? Rapporten visade att aktieutvecklingen var betydligt bättre för företag som konkret beskrev vilka åtgärder de skulle vidta för att införa AI och vilka förbättringar i effektivitet eller intäkter som skulle följa. Året därpå överträffade dessa företag företag som nämnde AI på ett vagt sätt i sina finansiella rapporter med 14 procentenheter.

Jag har själv sett att företag i stor utsträckning kan undvika den sortens domedagsutfall som får stora rubriker och i stället främja affärsresultat som stärker lönsamheten, genom att hålla fast vid konkreta mål för intäkter och produktivitet som kan nås med de effektivaste och minst riskfyllda AI-verktygen – ofta i form av små applikationer inbäddade i IT-miljön – i stället för att välja de senaste och mest uppseendeväckande AI-modellerna.