Det är fredag och jag sitter och sorterar i vad som återkommer när AI kommer upp i svenska bolag. Mejl, trådar, det folk skriver på LinkedIn, det som sägs i förbigående när någon beskriver sin vardag. Det jag skriver ner är det som upprepar sig.
Det är upprepningen som är intressant. När samma sak kommer tillbaka från personer som inte känner varandra är det inte tillfälligt. Det är fem saker jag ser komma tillbaka just nu. Några av dem är väntade. Två av dem tycker jag är obehagligare än de låter.
Admin-helvetet är värre än någon vill erkänna
Den första saken som kommer tillbaka är administration. Inte i PowerPoint-versionen där man pratar om "operativ effektivitet", utan i den konkreta versionen: en VD i ett litet konsultbolag som lägger en betydande del av sin vecka 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 är ingen ny insikt. Det som förvånar mig är hur ofta ämnet kommer med en ursäkt inbakad, som om det var skämmigt att sitta fast i admin. Klassiskt svenskt, kanske. Vi vill verka effektiva. Ordet pinsamt dyker upp oftare än det borde när folk beskriver vad de lägger sina kvällar på.
Det är inte pinsamt. Det är vanligt. Och det är också den lägsta hängande frukten i de flesta bolag. Du behöver inte en avancerad AI-strategi för att komma åt det. Du behöver någon som sätter sig ner ett par dagar, kartlägger flödet, och kopplar ihop systemen med n8n eller en handfull skript. Hur mycket tid det frigör beror helt på flödet, så räkna på ditt eget innan du tror på någon annans siffra.
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 är dashboards. Ämnet kommer nästan alltid upp med trötthet, inte stolthet. Mönstret ser ungefär likadant ut varje gång. Power BI-rapporter som uppdateras varje natt och som ingen i ledningsgruppen öppnat på ett halvår. En Looker Studio-vy som chefen själv beställde och slutade använda efter ett par veckor.
Varianten jag tycker är mest talande är den där någon lagt en rejäl summa på en dashboard-konsult och i efterhand funderar på om det inte hade varit smartare att bara få en notis i Slack när något viktigt avvek. Det hade det.
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 larm som kommer till dig. En bot i Slack som säger, och det här är ett påhittat men typiskt larm, "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 språkmodell 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. Oron är inte affärsmässig, den är existentiell. Den tar sig konkreta uttryck. Någon blockerar en timme på söndagskvällen för att läsa AI-nyheter, för annars känns måndagsmorgonen som att man redan halkat efter. Det är inte ett stresssymptom man pratar högt om på ett möte.
Den rakaste versionen av frågan är om den egna rollen finns kvar om tre år. Jag har inget bättre svar än jag vet inte. Vissa delar av en roll kommer förändras snabbt. Andra kommer ta längre tid än folk tror. Och den del som handlar om omdöme och om relationerna till andra människor i bolaget blir förmodligen 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, får mark under fötterna de närmaste åren. Du blir inte expert. Men du blir svårare att lura.
Problemen sitter i processen, inte i tekniken
Det här är det tydligaste mönstret av alla, och samtidigt det folk är mest motvilliga att höra. När jag tittar på vad bolag faktiskt brottas med är det nästan aldrig en teknisk fråga. Det är en organisatorisk fråga som blivit en teknisk fråga eftersom ingen velat ta tag i organisationen.
Ta en typsituation som återkommer. Ett CRM som beskrivs som kaos. Säljarna lägger in olika fält på olika sätt, namn skrivs ibland med versaler ibland inte, telefonnummer har ingen standard. Önskemålet blir en AI som städar 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 är att ingen infört en obligatorisk fältstruktur i CRM-systemet, och att slarv inte får någon konsekvens. 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 komplettera kunddatan automatiskt, alltså fylla på med uppgifter från externa register, 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 ingen är hjälpt av ett AI-lager ovanpå en trasig process. Det blir bara dyrare grus.
Två frågor jag inte har bra svar på
Det finns två frågor jag inte får ihop på rak arm. Jag skriver ner dem här eftersom det är ärligare än att låtsas att jag har svaren.
Den första handlar om lokala modeller och personuppgifter. Hur stor är risken att en lokal Llama 3.1 70B på en egen maskin läcker tränings-data tillbaka in i svaren på ett sätt som skulle räknas som en GDPR-överträdelse? Mitt korta svar är att modellen inte tränas vidare när du kör den lokalt, så datat går ingenstans och du har kontrollen. Följdfrågan är skarpare. Vad händer om en anställd skickar en prompt med personuppgifter till en tjänst som skickar vidare till modellen, och loggning sker någonstans på vägen som ingen tänkt på? Det beror helt på arkitekturen, och jag vägrar svara generellt på den.
Den andra handlar om embeddings. Är det värt att byta från OpenAI:s embeddings till BAAI/bge-m3 i en RAG-pipeline? Min instinkt säger ja, särskilt för den som redan kör pgvector och vill äga hela kedjan själv. Men embeddings är väldigt domänkänsliga. Svenskt språk, juridiska dokument, finansiella PDF-filer, allt påverkar. Jag fattar fortfarande inte varför så många ger generella råd om embeddings utan att ha testat på den faktiska datan, och jag tänker inte göra samma sak här. Svaret kräver en mätning på din egen text.
Det är inte glamouröst att skriva "jag vet inte" i en bloggpost. Men jag tycker det är bättre än att gissa.
Vad jag vill titta närmare på
Två tekniska saker står på min egen lista. Det första är embeddings-frågan ovan. Jag vill köra en jämförelse mellan OpenAI:s text-embedding-3-large och BAAI/bge-m3 på svensk text, både rena dokument och blandat svenska och engelska som är vanligt i tekniska bolag. Jag misstänker att bge-m3 håller sig riktigt bra. Men jag vill se siffror innan jag säger det, inte förlita mig på vad någon skrivit på X.
Det andra är agent-orkestrering på riktigt, alltså hur flera AI-steg styrs och hålls ihop. Varje gång det kommer upp blir det tydligt att ordet agent ofta betyder "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 egenbyggt, det spelar mindre roll. Strukturen är nödvändig. Jag tänker skriva ner hur jag resonerar om det i ett eget inlägg.
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 på vägen ut är det här. Det som driver de flesta av dessa frågor 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 den delen jag försöker göra annorlunda med det jag skriver här. Jag säljer ingenting i det här flödet. Jag skriver om det jag ser.
Hör av dig om något av detta känns igen.