AI hjälper inte alltid – ibland måste man bara tänka

Alla älskar att prata om AI. Om hur den kommer lösa allt. Hur den revolutionerar sätten vi jobbar på. Hur den tar över det tråkiga, det repetitiva, det tidskrävande.

Men här är en observation från verkligheten: ibland är AI bara ett dyrare sätt att undvika att tänka.

⸻

När AI blir en ursäkt

Jag har sett det flera gånger nu.

Ett företag har ett problem. De vet inte riktigt vad. De vet inte vad lösningen är. Men de vet att de “borde göra något med AI”.

Så de gör det.

De köper en tjänst. De integrerar ett verktyg. De bygger en chatbot. De pratar mycket om “machine learning” och “automation”.

Och sex månader senare sitter de kvar med samma problem.

Fast nu har de också ett verktyg de inte riktigt förstår hur de ska använda.

⸻

Problemet är inte alltid tekniskt

Det finns problem som inte löses med smartare algoritmer.

Problem som kräver mänskligt omdöme. Kontext. Empati. Prioritering.

Problem som är rörliga – och där facit beror på vem man frågar.

Och framför allt: problem där själva problemet inte är tydligt.

AI är fantastisk på att optimera. Men den kan inte avgöra vad som är värt att optimera.

Den kan inte säga: “Vänta – kanske ska vi inte göra det här alls.”

⸻

Chatbotten som skulle lösa allt

VD:n ringde. “Vi behöver en AI-chatbot. Budget: 300 000 kronor.”

Varför? frågade jag.

“Supporten dränker oss. Folk frågar samma saker hela tiden. Vi behöver automatisera.”

Okej. Vad frågar de om?

“Varför är mitt konto spärrat?” “Var är mina pengar?” “Varför fick jag dubbelt debiterat?”

Och var finns svaren på de frågorna?

Tystnad.

“Ja… det beror på. Kontostatus finns i CRM. Betalningar finns i betalplattformen. Transaktioner finns i ekonomisystemet.”

Och de tre systemen pratar med varandra?

“Nej. Inte riktigt.”

Så ni vill ha en AI som ska gissa sig till svar som finns i system den inte kan komma åt?

“Typ.”

⸻

Jag frågade om jag fick titta på systemen.

VD:n sa: “Visst. Men det är bara temporärt. När chatbotten är live behöver vi inte systemintegration.”

Det var vecka 1.

⸻

Vecka 2: Jag loggade in i de tre systemen.

CRM: Visar kontostatus. Men inte varför kontot är spärrat. Det bestämdes manuellt av ekonomiavdelningen - i ett Excel-ark.

Betalplattformen: Visar transaktioner. Men inte vilket konto de tillhör. Det mappas i ekonomisystemet - i en annan databas.

Ekonomisystemet: Visar bokföring. Men inte kundnamn. De hämtas från CRM - men bara om kunden finns där.

Alla tre system hade delar av svaret. Inget hade hela bilden.

Och kundtjänst satt och hoppade mellan alla tre, varje dag, 40 gånger om dagen.

⸻

Jag ringde VD:n.

“Chatbotten kommer inte klara det här.”

“Varför inte? AI ska väl kunna lära sig?”

“AI kan inte gissa rätt när du själv inte vet var svaret finns. Vad ska chatbotten säga när en kund frågar varför kontot är spärrat och svaret finns i ett Excel-ark som ingen länkat till systemet?”

Tystnad.

“Men vi har redan sagt till styrelsen att vi ska lansera chatbotten i Q3.”

⸻

De köpte chatbotten ändå.

Utvecklaren som integrerade den tillbringade tre veckor på att försöka få den att prata med systemen.

Den kunde hämta kontostatus. Men inte förklara varför.

Den kunde visa transaktioner. Men inte vilka som var dubbletteringar.

Den kunde säga “Dina pengar finns i systemet”. Men inte var.

Så varje gång chatbotten sa något, så ringde kunden ändå supporten och sa: “Jag pratade med botten men förstod ingenting.”

Supporten gick upp. Inte ner.

⸻

Vecka 12: Chatbotten stängdes av.

“Den funkar inte. AI är överskattat.”

Jag sa: “AI:n är inte problemet. Arkitekturen är problemet.”

“Vad menar du?”

“Ni försökte bygga en smart assistent ovanpå tre system som inte pratar med varandra. Det är som att anlita en tolk som inte får höra hela meningen.”

“Men vi har ju inte budget för systemintegration.”

“Ni hade 300 000 för en chatbot.”

Tystnad.

⸻

De integrerade systemen istället.

CRM, betalplattform, ekonomisystem - kopplades ihop. Ett ställe. En bild.

Supporten halverades. Inte för att de automatiserade.

Utan för att de slutade tvinga folk att gissa.

⸻

Innan du kastar AI på problemet

Nästa gång någon säger “Vi borde använda AI för det här” – kör den här listan först.

1. Skriv ner problemet som chatbotten skulle lösa.

Inte “vi behöver bli mer effektiva.” Utan: Vad tar för lång tid? Vad kostar för mycket? Vad går fel?

Som med chatbotten: “Supporten dränker oss” är inte ett problem. “Folk frågar var deras pengar är och svaret finns i tre olika system” - det är problemet.

2. Finns svaret ni vill att AI ska ge?

Chatbotten kunde inte svara på “Varför är mitt konto spärrat?” för att svaret fanns i ett Excel-ark ingen länkat till systemet.

AI kan inte gissa rätt när ni själva inte vet var svaret finns.

3. Kan AI komma åt svaret?

Som chatbotten: Om svaret finns i tre system som inte pratar med varandra - AI löser inte arkitekturproblem.

CRM hade kontostatus. Betalplattformen hade transaktioner. Ekonomisystemet hade bokföring. Ingen hade hela bilden.

4. Kan du lösa det enklare?

Chatbotten kostade 300 000 kronor och supporten gick upp.

Systemintegration löste grundproblemet. Supporten halverades.

Ibland är AI bara ett dyrare sätt att undvika det riktiga problemet.

5. Vem ska underhålla det här om två år?

AI-modeller kräver underhåll. De går sönder när verkligheten förändras.

Chatbotten kopplades till tre system. När systemen uppdaterades – slutade chatbotten fungera. Ingen visste hur man fixade den.

6. Hur mäter ni om det blev bättre?

Chatbotten skulle minska supporten. Istället ökade den.

Folk pratade med botten, förstod ingenting, ringde ändå.

Om ni inte kan mäta rätt sak – vet ni inte om AI hjälpte.

7. Vad händer om ni fixar grundproblemet istället?

Chatbotten var ett plåster på dålig arkitektur.

När de integrerade systemen - försvann behovet av chatbot helt.

⸻

AI är ett verktyg. Ett imponerande sådant.

Men de flesta problem löses inte med smartare teknik.

De löses med tydligare kommunikation. Bättre processer. Mod att ändra det som är fel.

Så innan du kastar AI på problemet: tänk först.

Kör checklistan. Fixa grunderna.

Och om problemet fortfarande finns efter det – då, kanske, är AI rätt verktyg.

Men ofta är det inte det.

Och det är helt okej.