AI-mognad: var står ert företag?

De flesta vet inte var de står med AI, och det märks först när någon frågar vad nästa steg är. Utan en ärlig bild av nuläget blir svaret en gissning. AI-mognad är ett sätt att ta den bilden.

AI-mognad är hur väl en organisation kan omsätta AI till verkligt värde, mätt i data, arbetssätt och ägarskap, inte i hur avancerad tekniken är. Ett bolag med enkla system men ordning på sina processer är ofta mognare än ett med toppmodern IT och data utspridd i tjugo system som inte pratar med varandra.

AI-mognad mäter hur redo organisation, data och arbetssätt är att omsätta AI till värde, inte hur avancerad tekniken är.

Den här guiden ger en mognadsmodell i fyra nivåer och, viktigare, vad ni faktiskt bör göra härnäst beroende på var ni landar. Inte ett test som mynnar ut i en demobokning, utan en ärlig självbedömning.

AI-mognad är inte digital mognad

Det är lätt att tro att den som har moderna system också är redo för AI. Så är det sällan. Vi ser ofta motsatsen: bolag med imponerande verktygslådor där datan ändå är inlåst i separata öar, och bolag med betydligt enklare IT där informationen är samlad och processerna nedskrivna. Det andra bolaget kommer igång snabbare.

Mognad sitter i tre saker. Finns datan tillgänglig och i hyfsad ordning? Vet ni hur era processer faktiskt går till, steg för steg? Och finns det någon som äger frågan, inte bara är nyfiken på den? Teknik kan man köpa på en eftermiddag. De tre sakerna tar längre tid, och det är de som avgör.

Fyra nivåer av AI-mognad

Modellen nedan är medvetet grov. Poängen är inte att placera er på decimalen, utan att känna igen er och se vad som ligger närmast.

Nivå 1: Nyfiken

AI används, men privat och osystematiskt. Några medarbetare klistrar in text i ChatGPT på egen hand, ofta utan att någon annan vet om det. Det finns ingen riktning, ingen ägare och ingen koll på vilka uppgifter som hamnar var. Energin finns där, men den är spridd.

Nästa steg: ta reda på var folk redan använder AI och till vad. Det är er bästa kartläggning, gratis. Sätt enkla spelregler för vilken data som får användas, och peka ut en person som äger frågan.

Nivå 2: Experimenterande

Nu pågår försök på riktigt. En pilot är byggd, kanske demad för ledningen, och alla är nöjda. Men ingenting har nått den dagliga driften. Lösningen lever vid sidan av verksamheten, och när vardagen tar vid rinner den ut i sanden.

Det här är den farligaste nivån, för den känns som framsteg. En pilot som ingen äger och som aldrig kopplas till riktiga system är inte en AI-satsning. Det är ett experiment.

Nästa steg: välj ett av försöken och ta det hela vägen till drift, i ett system ni redan använder, med en uppmätt baslinje och en ägare. Hellre en sak i produktion än fem i pilot.

Nivå 3: I drift

Minst en lösning används i det dagliga arbetet, och ni mäter effekten mot ett nuläge ni kände till innan. Handläggningstiden har sjunkit, eller felen, eller sårbarheten när någon är sjuk. Ni vet att det fungerar, för ni har siffrorna.

Nästa steg: gör om det. När data, åtkomster och arbetssätt väl finns på plats för ett flöde går nästa snabbare. Det är här avkastningen börjar bli verklig.

Nivå 4: Inbäddad

AI är inte längre ett projekt utan en del av hur ni utformar arbete. När ett nytt flöde ska byggas är frågan var en människa ska in och var AI kan ta de repetitiva stegen lika självklar som vilket system som ska användas. Det finns ägarskap, förvaltning och en vana att mäta.

Få svenska SME är här, och det är ingen brådska att låtsas vara det. Inbäddning kommer av att ha tagit flera flöden till drift, inte av att hoppa över nivåerna under.

Var de flesta fastnar

Glappet sitter mellan nivå 2 och 3, mellan pilot och drift. Det är samma glapp som gör att de flesta AI-satsningar rinner ut: lösningen byggs men bäddas aldrig in i arbetssätten. Orsakerna är sällan tekniska. Vi har samlat de vanligaste i en egen text om varför AI-projekt misslyckas, och nästan ingen av dem handlar om modellen.

Att ta sig över glappet kräver tre saker som piloten oftast saknar: integration i de system arbetet redan sker i, ett tydligt ägarskap efter lanseringen, och en baslinje att mäta mot. Den som har dem på plats är inte långt ifrån drift, även om piloten känns oansenlig.

Så gör ni en ärlig bedömning

Glöm poängskalan. Ställ fem frågor i stället, och var hårda mot er själva:

• Data. Om ni pekar på ett flöde, finns informationen som behövs samlad och åtkomlig, eller måste någon leta i fem system?
• Process. Kan ni beskriva hur flödet faktiskt går till, steg för steg, eller sitter reglerna i någons huvud?
• Ägarskap. Finns det en person som ansvarar för AI-frågan, eller är den allas och därmed ingens?
• Compliance. Vet ni var datan får lagras och vem som får se den innan ni börjar, inte efter?
• Mätning. Vet ni vad nuläget kostar i tid eller fel, så att ni kan bevisa en förbättring?

Svaren visar inte bara nivå, utan vad som är svagast just nu. Och det svagaste är nästan alltid där nästa steg ligger.

Siffrorna säger samma sak på aggregerad nivå. Enligt SCB använde 49,6 procent av de medelstora företagen i Sverige AI under 2025, mot 30,8 procent av de små och 71,9 procent av de stora. Mognaden följer alltså storlek, och Tillväxtverket pekar ut det främsta hindret för mindre företag som brist på kompetens, inte på teknik. Det är goda nyheter, för kompetens går att bygga, och man behöver inte börja stort för att börja rätt.

Vill ni veta var ni står?

En ärlig nulägesbild är hela poängen med en AI-strategi: vi kartlägger era processer, ser var datan och ägarskapet finns, och pekar ut det närmaste steget som faktiskt ger effekt. Är ni i startgroparna är vår guide för att komma igång med AI en bra första läsning. Vill ni ha hjälp att placera er? Boka ett samtal, så går vi igenom nuläget tillsammans.