Kvalitetsbristkostnader äter enligt de svenska studier som brukar citeras, bland andra Sörqvists och Sandholms, typiskt 10 till 30 procent av företags omsättning, med tillverkande bolag kring 15 procent. Siffrorna har några år på nacken men ingen som arbetat med avvikelser, reklamationer och omarbetningar brukar protestera mot storleksordningen. Det är mycket pengar som läcker genom hål alla känner till men få hinner laga.
Samtidigt står kvalitetsvärlden inför sin största förändring på ett decennium: en ny utgåva av ISO 9001 publiceras i september 2026, med teknik och digitalisering som uttalade drivkrafter bakom revideringen och ungefär tre års övergångstid för certifierade organisationer. Det gör hösten 2026 till en ovanligt bra tidpunkt att fundera på vad AI ska göra i ert ledningssystem: ni ska ändå se över det.
Med AI i kvalitetsarbetet avses språkmodeller som arbetar i ledningssystemets flöden: de analyserar avvikelser och reklamationer, håller styrda dokument aktuella och förbereder revisioner, med kvalitetsansvarig kvar som beslutsfattare.
Var gör AI mest nytta i ledningssystemet?
Avvikelserna, först och främst. De flesta SME har avvikelsedata som aldrig analyseras på riktigt: rapporter skrivs, åtgärdas styckvis och arkiveras. Mönstren, att samma grundorsak återkommer på tre avdelningar under olika rubriker, att reklamationerna hopar sig kring en viss leverantörs leveranser, syns aldrig, för ingen har tid att läsa hundra fritextrapporter i sträck. Det har en språkmodell. Låt den kategorisera orsaker, klustra liknande fall och lyfta anhopningar månadsvis, så förvandlas arkivet till det beslutsunderlag det alltid var tänkt att vara. En förutsättning ska sägas rakt: analysen blir aldrig bättre än rapporteringen. Om avvikelser inte rapporteras för att formuläret är trögt, låt AI sänka tröskeln där också: tala in avvikelsen i mobilen, låt modellen strukturera den mot er mall. Fler och rikare rapporter in, bättre mönster ut. Räkna med att första månadens sammanställning väcker diskussioner som legat i träda i åratal, för mönstren har funnits där hela tiden, det var bara läsningen som saknades.
Dokumentstyrningen. Rutiner som motsäger varandra, instruktioner som pekar på system som bytts ut, dokument vars ägare slutade för två år sedan. AI kan löpande granska dokumentparken mot verkligheten och flagga det som skaver, och besvara medarbetarnas frågor direkt ur de styrda dokumenten med källhänvisning, samma mönster som kunskapshantering med RAG. Då blir ledningssystemet något medarbetare frågar, inte något de letar i.
Revisionsförberedelsen. Inför extern eller intern revision kan modellen gå igenom krav mot er dokumentation och peka ut var belägg saknas eller är gamla. Det ersätter inte internrevisionen, men det gör att den ägnas åt verksamheten i stället för åt att jaga dokument.
AI hör hemma i kvalitetsarbetets analys: hitta mönster i avvikelser, hålla dokument aktuella, förbereda revision. Besluten om åtgärd och risk ska ligga kvar hos människor, med spårbarhet revisorn kan följa.
Vad säger revisorn?
Frågan alla kvalitetschefer ställer, och svaret är lugnande med ett viktigt förbehåll. ISO 9001 är verktygsneutralt: standarden kräver beskrivna processer, tydligt ansvar och belagda utfall, inte någon viss teknik. Certifieringsorganen, i Sverige ackrediterade av SWEDAC, bedömer samma sak oavsett om analysen gjordes i Excel eller av en modell.
Förbehållet är spårbarheten. Ett AI-stött steg i ledningssystemet måste kunna förklaras: vad gör modellen, vem ansvarar för utfallet, hur kontrolleras det? En AI som föreslår orsakskategorier granskade av kvalitetsansvarig är oproblematisk. En AI som tyst ändrar i styrda dokument utan mänskligt godkännande är däremot precis den sortens oförklarade mekanism revisorer med rätta hugger på. Bygg därför granskningssteget in i flödet från början, och var vaksam på modellernas benägenhet att låta säkra när de har fel: i ett ledningssystem är ett självsäkert felaktigt svar värre än inget svar.
Hur börjar ni, praktiskt?
Börja med avvikelseanalysen, av tre skäl: datan finns redan, ingen integration i realtid krävs och effekten syns inom en månad i form av mönster ingen sett förut. Ta sedan dokumentfrågorna, och sist de flöden som kräver djupare systemintegration. För tillverkande bolag hänger det här tätt ihop med produktionsnära AI, som vi behandlat i AI i tillverkningsindustrin, men kvalitetsflödena är ofta den enklare ingången: de är dokumenttunga, regelstyrda och skriker efter analystid som aldrig finns.
Och mät från start. Andel avvikelser med identifierad grundorsak, tid från rapport till åtgärd, träffsäkerhet i modellens kategorisering mot kvalitetsansvarigs facit. Det är samma metodik som i effektmätning av AI, tillämpad på kvalitetsflödena, och den ger er dessutom exakt det underlag revisorn vill se.
Ska ledningssystemet bli er nästa AI-vinst?
Vi bygger AI-stöd i kvalitetsflöden som en del av vår AI-utveckling: avvikelseanalys, dokumentstöd och revisionsförberedelse i era befintliga system, med spårbarheten revisorn frågar efter. Hör av er så tittar vi på er avvikelsedata tillsammans. Vi träffas gärna på kontoret i Stockholm, men lika många kunder finns på andra håll i Sverige och jobbar helt digitalt med oss.
Vanliga frågor
Godkänner revisorer AI i ledningssystemet?
Ja, revisorer godkänner AI i ledningssystemet så länge grundkraven är uppfyllda: processerna är beskrivna, ansvar är tydligt och utfall går att visa med spårbarhet. ISO 9001 föreskriver inte vilka verktyg som används, och den kommande utgåvan lyfter digitalisering som en central fråga. Det som fäller är inte AI i sig utan oförklarade beslut: kan ni visa vem som ansvarar för AI-stödda steg och hur output kontrolleras är certifikatet inte hotat.
Kan AI hitta mönster i avvikelserapporter?
Ja, mönsterigenkänning i avvikelserapporter är ett av AI:s starkaste bidrag till kvalitetsarbetet. Språkmodeller läser fritextrapporterna, kategoriserar orsaker och upptäcker samband som är svåra att se manuellt: samma feltyp på olika avdelningar, anhopningar kring vissa moment, leverantörer eller tidpunkter. Kvaliteten på analysen följer kvaliteten på rapporteringen, så enklare rapportering, gärna via röst, är ofta första steget.
