Två offerter landar på ert bord. Båda lovar att automatisera samma fakturaflöde. Den ena talar om robotar och regler, den andra om språkmodeller och agenter, och priserna skiljer sig åt med en faktor tre. Vilken beskriver rätt teknik för er?
Frågan är vanligare än man kan tro, och den är inte dum. RPA och AI säljs med snarlika ord: automatisering, effektivisering, färre manuella moment. Under ytan är det två olika tekniker med olika styrkor, och valet påverkar både kostnad och resultat i flera år.
RPA, robotic process automation, är mjukvara som härmar musklick och tangenttryckningar enligt fasta regler, exakt likadant varje gång. AI, i den här jämförelsen språkmodeller, tolkar innehåll och gör bedömningar utifrån mönster. Regelstyrt och exakt mot tolkande och flexibelt: det är hela skillnaden, och den avgör vad ni ska välja.
Fasta regler och strukturerad data pekar mot RPA. Fritext, tolkning och bedömningar pekar mot språkmodeller. Verkliga flöden behöver ofta båda delarna i samma kedja.
Vad är egentligen skillnaden?
En RPA-robot är deterministisk. Får den samma indata gör den samma sak, varje gång, och det är dess största styrka. Den är också blind: den vet inte vad den gör, den följer ett inspelat mönster. Byter fältet i affärssystemet plats slutar roboten fungera, och någon måste uppdatera den. Den som haft RPA i drift några år känner igen underhållslistan.
En språkmodell är det omvända. Den läser ett mejl den aldrig sett förut och förstår ändå att det är en reklamation, vem avsändaren är och vad som behöver hända. Den tål variation, vilket regler aldrig gör. Priset är att den inte är exakt på samma sätt: samma fråga kan få olika formulerade svar, och ibland blir det fel. Därför kräver AI kontrollmekanismer där RPA kräver underhåll.
Kort sagt löser teknikerna olika problem. RPA ersätter handen som knappar. AI ersätter ögat som läser och huvudet som sorterar.
När räcker RPA?
Om processen går att beskriva som ett exakt schema, utan tolkning, är RPA ofta det enklaste svaret. Typiska fall: flytta data mellan två system som saknar integration, registrera samma uppgifter i flera register, köra samma rapportuttag varje månad, massuppdatera poster enligt en tydlig regel.
Här finns inget för en språkmodell att tolka, och då är determinismen en ren fördel: full spårbarhet, samma resultat varje gång, lätt att revidera. Att sätta AI på ett sådant flöde är att betala för flexibilitet ni inte behöver, med en osäkerhet ni inte vill ha. Vi har skrivit mer om den bedömningen i när AI passar och när det inte gör det.
Ett förbehåll: går det att lösa med en riktig systemintegration, ett API i stället för en robot som klickar i gränssnittet, är det nästan alltid ett stabilare val än RPA. RPA är i grunden ett plåster på system som inte pratar med varandra.
När behövs AI?
Så fort indata är ostrukturerad slutar reglerna räcka till. Mejl skrivna på fri hand. Fakturor från hundra leverantörer med hundra layouter. Avtal, offertförfrågningar, kundtjänstärenden, handskrivna kommentarer i formulär. Ingen regelmotor i världen täcker alla varianter, och det är därför många RPA-satsningar genom åren stannat vid de enkla flödena.
Det är också här utvecklingen gått snabbast. Uppgifter som för några år sedan krävde en människa, som att läsa en förfrågan och avgöra vad kunden faktiskt vill, hanterar en språkmodell i dag med god precision. Hur ett sådant flöde ser ut i praktiken visar vi i vårt exempel på en AI-agent som hanterar offertförfrågningar.
Hur kombinerar ni dem?
De flesta verkliga processer innehåller båda momenten, och då blir arkitekturen: AI tolkar, regler utför. Ta ett leverantörsfakturaflöde hos ett medelstort handelsbolag. Fakturorna kommer som PDF i en mejlkorg, i alla möjliga format. En språkmodell läser fakturan, plockar ut belopp, referens och leverantör, föreslår kontering och flaggar avvikelser mot inköpsordern. Själva registreringen i affärssystemet, med rätt fält och rätt attestflöde, sker sedan genom integration eller RPA, exakt likadant varje gång. Tolkningen kräver flexibilitet, bokföringen kräver förutsägbarhet, och ingen av teknikerna klarar båda delarna bra på egen hand. Samma mönster återkommer i ärendehantering, orderregistrering och HR-administration: en tolkande front och ett regelstyrt utförande. Det är därför frågan sällan är RPA eller AI, utan var i kedjan gränsen ska gå. Och den gränsen, inte teknikvalet i sig, är vad en bra förstudie ska svara på.
Kostnadsbilden skiljer sig också åt: RPA kostar licens och löpande underhåll, AI kostar per användning. Hela den kalkylen har vi brutit ner i vad AI faktiskt kostar.
Osäkra på vilken teknik ert flöde behöver?
Vi börjar alltid i processen, inte i tekniken. I en AI-strategi kartlägger vi era flöden och pekar ut var regler räcker, var det behövs en modell och var det klokaste är en vanlig integration. Ibland är svaret att ni inte behöver AI alls, och då säger vi det. Hör av er om ni vill ha hjälp att reda ut vad som gäller för just era processer. Vi arbetar med företag i hela Sverige, från vår bas i Stockholm.
Vanliga frågor
Kan RPA och AI kombineras?
Ja, RPA och AI kombineras ofta i samma flöde, och det är ofta där automatiseringen blir komplett. AI tolkar det ostrukturerade, som att läsa ett mejl eller en faktura och avgöra vad den gäller, medan RPA utför de exakta stegen i systemen efteråt, som att registrera uppgifterna i affärssystemet. Tolkningen kräver en modell som klarar variation, utförandet kräver förutsägbarhet, och därför kompletterar teknikerna varandra snarare än konkurrerar.
Är RPA fortfarande relevant 2026?
Ja, RPA är fortfarande relevant 2026, men rollen har smalnat. För stabila, regelstyrda flöden med strukturerad data är RPA ofta billigare och mer förutsägbart än en språkmodell, och lättare att revidera. Det som förändrats är att uppgifter som kräver tolkning, tidigare RPA:s stora svaghet, nu kan lösas med AI. Ny automation designas därför ofta med AI som hjärna och RPA, eller hellre riktiga systemintegrationer, som händer.
