Det vi hörde under veckan

Det är fredag och jag sitter och går igenom anteckningar från veckan. Mejl, samtal, någon DM på LinkedIn, två kafferundor i Skellefteå, en längre lunch i Stockholm. Det är så här en vecka på Kapaciti ser ut just nu. Vi pratar med folk, vi lyssnar mer än vi säger, och så skriver vi ner det som upprepar sig.

Det är det sista som är intressant. När samma sak kommer tillbaka tre gånger på en vecka från personer som inte känner varandra, då är det inte tillfälligt. Då är det signal. Och den här veckan har det varit fem saker som upprepats. Några av dem är vad jag förväntade mig. Två stycken överraskade mig faktiskt.

Admin-helvetet är värre än någon vill erkänna

Den första saken som dök upp om och om igen var administration. Inte i den tråkiga PowerPoint-versionen där man pratar om "operativ effektivitet". Utan i den verkliga versionen där en VD för ett 22-personers konsultbolag erkände att hon själv lägger ungefär tio timmar i veckan på saker som inte borde vara hennes jobb. Fakturaattester. Tidrapporter som ska sammanställas. Påminnelser till medarbetare som glömt fylla i sin tid. Manuell överföring mellan tre system som inte pratar med varandra.

Det här är ingen ny insikt. Men det som var nytt för mig var hur ofta människor öppnade samtalet med en ursäkt. Som om det var skämmigt att sitta fast i admin. Klassiskt svenskt, kanske. Vi vill verka effektiva. Tre olika personer den här veckan har använt frasen "det är pinsamt" innan de berättade vad de faktiskt lägger sina kvällar på.

Det är inte pinsamt. Det är vanligt. Och det är också den lägsta hängande frukten i nästan alla bolag jag pratat med. Du behöver inte en avancerad AI-strategi för att fixa det. Du behöver någon som sätter sig ner i två dagar, kartlägger flödet, och kopplar ihop systemen med n8n eller en handfull skript. När en sådan kedja väl är på plats slipper du ofta tre till fyra timmar i veckan per person. Det räknar man hem på två veckor.

Det jag är trött på är att branschen säljer in det här som "AI-transformation". Mycket av det är bara automation av sådant som borde varit automatiserat 2018. Lägg till en språkmodell när det faktiskt behövs, alltså när du ska tolka text eller fatta små beslut, men börja inte där. Börja med rören.

Dashboards som ingen tittar på

Den andra saken. Tre olika personer pratade om dashboards. Inte med stolthet. Med trötthet. Den ena hade Power BI-rapporter som uppdaterades varje natt och som ingen i ledningsgruppen öppnat på över ett halvår. Den andra hade byggt en Looker Studio-vy som chefen själv hade beställt, och som chefen sedan slutade använda efter två veckor.

Den tredje var roligare. Han sa rent ut att han hade lagt sextiotusen kronor på en dashboard-konsult under hösten, och att han nu funderade på om det inte hade varit smartare att bara få en Slack-notis när något viktigt avvek. Det är en bra fråga. Och svaret är ja. Det hade varit smartare.

Min teori är att dashboards är det som chefer beställer när de inte vet vad de ska beställa. Det känns rationellt att vilja se siffror. Men en dashboard är passiv. Den kräver att du går till den, att du tolkar den, och att du själv förstår vad som är onormalt. De flesta gör inte det. De tittar en gång, blir nöjda, och glömmer bort den.

Det som funkar bättre är pushade larm. En bot i Slack som säger "konverteringen på checkout-sidan har trillat 18 procent jämfört med samma veckodag förra månaden, här är de tre vanligaste felmeddelandena från sentry den senaste timmen". Det är inte en dashboard. Det är en kollega som tittar åt dig och säger till när det är värt att titta. Med en gpt-5.4 eller Claude bakom larmet kan du även få en kort tolkning av vad det troligen beror på, baserat på loggar och ändringshistorik.

Skillnaden mellan dessa två lägen är inte teknisk. Den är kulturell. Folk tror att kontroll betyder att se allt. Det betyder oftast bara att man drunknar i grafer.

AI-paniken är på riktigt

Den tredje saken är obekvämare. Flera personer den här veckan har berättat att de har en allvarlig oro. Inte i affärsbetydelsen. I existentiell betydelse. En projektledare på ett mellanstort konsultbolag sa att hon nu blockerar bort en timme på söndagskvällen för att läsa AI-nyheter, för annars känner hon sig efter på måndagsmorgonen.

En annan, en ekonomichef, frågade rakt ut om vi tror att hennes roll finns kvar om tre år. Jag svarade ärligt: jag vet inte. Vissa delar av rollen kommer förändras snabbt. Andra delar kommer ta längre tid än folk tror. Och den allra viktigaste delen, alltså omdömet och relationerna till andra människor i bolaget, kommer förmodligen bli mer värdefull, inte mindre.

Men jag vet inte. Och jag tycker att fler i branschen borde säga det rakt ut. Det här är en av få saker där jag tycker att det är ohederligt att vara tvärsäker. Vi är i en period där grundläggande förmågor hos modellerna förändras varje halvår. Påståenden om vad som händer 2028 är gissningar oavsett vem som uttalar dem.

Det jag däremot kan säga är att den som lär sig hur tekniken fungerar i praktiken, inte bara i tweet-form, kommer ha lättare att navigera nästa fem år än den som inte gör det. Inte navigera. Strunta i det ordet. Mer som att man får mark under fötterna. Du blir inte expert. Men du blir svårare att lura.

Problemen sitter i processen, inte i tekniken

Det här är veckans tydligaste mönster. Och det är samtidigt det som folk är mest motvilliga att höra. När jag tittar på vad bolagen jag pratat med faktiskt brottas med, så är det nästan aldrig en teknisk fråga. Det är en organisatorisk fråga som har blivit en teknisk fråga eftersom ingen velat ta tag i organisationen.

Ett exempel. En person beskrev hur deras CRM var "kaos". Säljarna la in olika fält på olika sätt, namn skrevs ibland med versaler ibland inte, telefonnummer hade ingen standard. Hon ville ha en AI som städade upp det. Det går att bygga, det är inte svårt, men det är ungefär som att hyra en städare som städar samma rum varje vecka för att de boende vägrar diska. Du löser symtomet. Du löser inte problemet.

Det riktiga problemet var att säljchefen aldrig hade infört en obligatorisk fältstruktur i HubSpot, och att ingen hade konsekvenser för slarv. Inget AI-projekt i världen löser det. Du behöver en ledning som säger "så här gör vi nu". Sedan, och först sedan, blir AI-lagret ovanpå meningsfullt. Då kan du faktiskt köra automatiserad enrichment via Apollo eller Clearbit och få något värdefullt tillbaka.

Jag säger det här utan att skylla på någon. Det är väldigt mänskligt att vilja köpa en lösning istället för att ha det jobbiga samtalet. Men vi gör ingen tjänst med att bygga AI-lager ovanpå trasiga processer. Det blir bara dyrare grus.

Frågor jag inte kunde svara på

Två frågor den här veckan fick jag inte ihop på rak arm. Jag noterar dem här eftersom det är ärligare än att låtsas att jag har svaren.

Den första kom från en finanschef på ett medelstort tillverkande bolag. Han ville veta hur stor risken är att en lokal Llama 3.1 70B på deras egen Mac Studio läcker tränings-data tillbaka till modellens svar på ett sätt som skulle kunna räknas som GDPR-överträdelse. Mitt korta svar var att modellen inte tränas vidare när du kör den lokalt, så datat går ingenstans, och du har full kontroll. Men hans följdfråga var skarpare. Vad händer om en anställd skickar en prompt som innehåller personuppgifter till en tjänst som vidarebefordrar till modellen, och loggning sker någonstans på vägen som han inte tänkt på? Det är en bra fråga. Den beror helt på arkitekturen, och jag vill inte svara generellt. Vi gräver i det nästa vecka och återkommer.

Den andra kom från en SaaS-VD som ville veta om det är värt att byta från OpenAI:s embeddings till BAAI/bge-m3 i deras RAG-pipeline. Min instinkt är att ja, det är värt det, särskilt om de redan kör pgvector och vill äga hela stacken. Men jag har inte testat det på just deras data. Och prestandan på embeddings är väldigt domänkänslig. Svenskt språk, juridiska dokument, finansiella PDFer. Allt påverkar. Jag fattar fortfarande inte varför så många ger generella råd om embeddings utan att ha testat på den faktiska datan. Vi sätter upp en jämförelse på ett dataset han ger oss, och rapporterar resultatet.

Det är inte glamouröst att skriva "jag vet inte" i en bloggpost. Men jag tycker det är bättre än att gissa. Och min erfarenhet är att de bästa kunderna respekterar det mer, inte mindre.

Vad vi tar med oss in i nästa vecka

Två tekniska saker vill jag titta närmare på. Det första är just embeddings-frågan ovan. Vi kommer köra en konkret jämförelse mellan OpenAI:s text-embedding-3-large och BAAI/bge-m3 på svensk text, både rena dokument och blandat svenska-engelska som är vanligt i tekniska bolag. Jag misstänker att bge-m3 håller sig riktigt bra. Men jag vill se siffror, inte förlita mig på vad någon på X sagt.

Det andra är agent-orkestrering på riktigt. Inte demos. Vi har sett en växande efterfrågan på det här under våren, och varje gång det kommer upp i samtal blir det tydligt att de flesta blandar ihop "agent" med "ChatGPT-anrop i en for-loop". Det är inte samma sak. En riktig agent har en planerare, en exekverare, ett verktygslager och ett sätt att hantera när något går fel. LangGraph eller egen-byggd, det spelar mindre roll. Men strukturen är nödvändig. Vi tänker skriva ner hur vi själva tänker kring det här när vi bygger för kunder.

Och så ska jag försöka skriva mindre om dashboards. Jag har fastnat på det ämnet, men det är för att jag möter det varje vecka. Om du läser det här och har en vy som du betalat för och som ingen tittar på, så är du inte ensam. Det är okej att stänga av den.

Det jag vill säga, om jag ska säga något vettigt på vägen ut, är det här. Det som driver de flesta av dessa samtal vi haft i veckan är inte att folk är dåliga på sitt jobb. Det är att de inte vet vem de ska fråga utan att få en säljpitch tillbaka. Det är ett dåligt läge för marknaden. Och det är en av få saker som vi på Kapaciti faktiskt försöker göra annorlunda. Vi säljer ingenting i det här flödet. Vi skriver om vad vi hör.

På Kapaciti gör vi mycket av det här. Hör av dig om något av detta känns igen.