Analys · AI och produktiviteten
Sverige, Norge, Danmark och Finland är bland de snabbaste i Europa på att ta AI i drift, men vinsten samlas hos en minoritet av företagen. På många enskilda kunskapsuppgifter verkar tekniken fungera väl. Frågan är var vinsten tar vägen någonstans mellan skrivbordet och ekonomin som helhet.
En ny rapport från integrationsbolaget Frends, "State of Integration & AI 2026", bygger på en oberoende undersökning bland 611 IT-beslutsfattare i sex europeiska länder. Den ger en siffra som är värd att stanna vid: 38 procent av svenska företag har AI i drift i delar av verksamheten, vilket är över det europeiska genomsnittet. Men bara 21,2 procent av de svenska AI-projekten leder till mätbara resultat — mot ett europeiskt snitt på 25,5 procent. Enligt rapporten har dessutom endast 8 procent av svenska företag rullat ut AI brett i hela organisationen.
Med andra ord: Sverige köper in tekniken snabbare än de flesta, men omsätter den i värde långsammare. För att förstå varför är det mest användbara sättet att följa vinsten uppåt genom nivåerna — från den enskilda uppgiften till hela ekonomin. Då framträder det som är artikelns egentliga poäng: problemet verkar inte vara att AI misslyckas, utan att effekten tunnas ut för varje steg.
Och det här är inte ett svenskt problem. Samma uttunning syns hos våra grannländer och i de största internationella mätningarna — det är där mönstret blir svårt att avfärda.
Det här är den del av bilden som svensk press sällan visar, eftersom källorna är norska, danska och finska. Men de pekar entydigt åt samma håll, och det är just samstämmigheten som är poängen.
I Norge har AI-användningen ungefär fördubblats — från 24 procent 2023 till 55 procent 2025 (NHO och Samfunnsøkonomisk Analyse). Men bara omkring 20 procent av företagen är det rapporten kallar "KI-frontløpere", de som integrerat AI brett och strategiskt. Det är den gruppen som skiljer ut sig med större vinster och oftare ökade intäkter. De sporadiska testarna gör det inte. I Danmark uppger 70 procent av AI-användarna en positiv effekt, men 80 procent av dem som avstår anger bristande kunskap och erfarenhet i den egna organisationen som skäl (Danmarks Statistik). I Finland är formuleringen rakast: AI Finland sammanfattar läget som "kahtiajako syvenee – edelläkävijät karkaavat" — klyftan fördjupas och föregångarna drar ifrån. Bolaget Tieto konstaterar i en egen studie att "Suomen tekoälyloikka vaatii kulttuurinmuutosta ja vahvaa johtamista" — Finlands AI-språng kräver kulturförändring och starkt ledarskap, inte ny teknik.
De största internationella mätningarna pekar likadant. En studie från National Bureau of Economic Research (NBER), baserad på nära 6 000 chefer i fyra länder, finner att 69 procent av företagen använder AI medan 89–90 procent inte kan se någon mätbar effekt på produktivitet eller sysselsättning. MIT-ekonomen Daron Acemoglu sammanfattade fynden som "disappointing relative to the promises that people in the industry and in tech journalism are making" — en besvikelse i förhållande till de löften som branschen och teknikjournalistiken har gett.
Parallellt publicerade MIT:s NANDA-initiativ rapporten "The GenAI Divide: State of AI in Business 2025". Slutsatsen där är ännu skarpare: trots uppskattningsvis 30–40 miljarder dollar i företagsutgifter på generativ AI ser 95 procent av organisationerna ingen affärsavkastning, och bara 5 procent av de skräddarsydda AI-verktygen når faktisk produktion. Det viktiga är dock vad MIT pekar ut som orsak.
Att en minoritet lyckas och majoriteten inte gör det har två rimliga förklaringar. De utesluter inte varandra — troligen bidrar båda.
MIT kallar problemet för ett inlärningsgap — alltså företagens oförmåga att foga in AI-modeller i sina arbetsflöden, strukturer och kulturer. Enligt rapporten är det inte tekniken som fallerar, utan integrationen av den i det dagliga arbetet. Det tyska ifo-institutet kom 2026 till samma slutsats, och formulerade den under en rubrik som fångar hela paradoxen: "Wenn KI allgegenwärtig ist – und doch kaum etwas bewirkt" — när AI är allestädes närvarande och ändå nästan inte åstadkommer något. ifo:s bedömning är att "Nicht die Technologie hemmt den Fortschritt, sondern ihre planlose Einführung" — det är inte tekniken som hämmar framsteget, utan dess planlösa införande. Att en svensk, en finsk, en tysk och en amerikansk mätning oberoende av varandra landar i samma förklaring är i sig anmärkningsvärt.
Två observationer ur MIT-materialet är särskilt konkreta för den som faktiskt ska fatta beslut:
För det första: enligt MIT lyckas inköpta verktyg från specialiserade leverantörer ungefär 67 procent av gångerna, medan egenutvecklade interna lösningar lyckas bara en tredjedel så ofta. För det andra: mer än hälften av budgetarna för generativ AI går till verktyg för försäljning och marknadsföring, samtidigt som rapporten finner den största avkastningen i stödfunktioner — att automatisera administration och minska kostnader för externa tjänster.
Den svenska Frends-rapporten pekar åt samma håll på ett konkret plan: 22 procent av de svenska företagen bygger fortfarande manuella punkt-till-punkt-integrationer — den högsta andelen i hela undersökningen. Innan AI kan ge effekt måste den kopplas in i system som ofta inte är byggda för det. Det är ett tråkigt, icke-glamoröst arbete, och det är möjligen just därför det förbises.
Det finns en alternativ förklaring som är mindre smickrande att tala om, eftersom den inte går att lösa med bättre ledarskap. Den säger att AI fungerar utmärkt på vissa uppgifter — men att de flesta jobb består av en kedja av moment där bara några få är de som AI snabbar upp. Resten är flaskhalsar som tekniken inte rör. Den HBS-studie som uppmätte 25 procents tidsvinst fann samtidigt en baksida: på uppgifter utanför det forskarna kallar AI:s "jagged frontier" — den ojämna gräns där tekniken plötsligt blir opålitlig — blev konsulterna med AI omkring 19 procent oftare fel än de utan. AI hjälper alltså på vissa moment och stjälper på andra.
Ta ekonomen som blir tre gånger snabbare på att skriva en rapport. Rapporten ska ändå gå igenom samma möten, samma beslutsled, samma godkännanden och samma budgetprocess som förut. De stegen tar lika lång tid som tidigare. Då syns ingen produktivitetsvinst på företagsnivå — trots att AI fungerade perfekt på just den uppgift den fick.
Skillnaden mellan förklaringarna spelar roll. Är problemet organisatoriskt går det att lösa med tid och ombyggda arbetssätt — och då har optimisterna rätt om att vinsterna kommer. Är det i stället de mänskliga flaskhalsarna som utgör huvuddelen av arbetet, hjälper ingen mängd AI på de snabba momenten. Var sanningen ligger avgör hur stor AI:s faktiska produktivitetseffekt blir.
Allt detta förutsätter att dagens svaga siffror säger något om framtiden. Det gör de inte nödvändigtvis, och det finns en grupp ekonomer som menar att hela frågan är felställd. Erik Brynjolfsson vid Stanford har beskrivit en "produktivitets-J-kurva": när en ny grundteknik införs faller den uppmätta produktiviteten ofta först, eftersom företagen lägger resurser på att bygga om sig utan att det syns i statistiken — för att sedan stiga desto brantare. Forskaren Ethan Mollick och ekonomen Andrew McAfee gör en besläktad poäng: de stora vinsterna från en grundteknik kommer inte av att man gör det gamla snabbare, utan av att man uppfinner nya sätt att arbeta som inte fanns förut. Det tar år.
Invändningen är rimlig, men svår att vederlägga eftersom den i praktiken säger "vänta". Det enda som kan avgöra om optimisterna har rätt är tid — och därför är historien värd en blick.
Det här är inte första gången en ny teknik syns överallt utom i statistiken. 1987 myntade nobelpristagaren Robert Solow det som blivit känt som Solow-paradoxen: "You can see the computer age everywhere but in the productivity statistics" — man ser datoråldern överallt utom i produktivitetssiffrorna. Det dröjde till slutet av 1990-talet innan effekterna syntes i siffrorna — efter att företagen hunnit bygga om sina arbetssätt. Och datorerna var inte ensamma om att vänta.
| Elmotorn ersätter ångmaskinen i fabrikerna | ~30 år |
| Datorn på kontoret (Solow-paradoxen) | ~20 år |
| Internet och bredband | ~15 år |
| Generativ AI i företagen | ? |
Elmotorns fördröjning är talande. Det räckte inte att byta ut ångmaskinen mot en elmotor — fabrikerna var byggda kring en central kraftaxel. Först när man decennier senare ritade om hela fabriken kring eldrivna maskiner kom lyftet. Tekniken fanns långt innan organisationen kring den fanns. Det är den mest optimistiska läsningen av dagens AI-siffror — och, för den som hoppas på snabb avkastning, den mest oroande.
Om bilden stämmer följer tre praktiska slutsatser för svenska chefer och investerare. De är tolkningar grundade på studiernas egna fynd, inte garantier.
Först: adoptionsgrad är fel mätetal. Att Sverige ligger högt i att ta AI i drift säger ingenting om värdet — tvärtom ligger vi under det europeiska snittet i resultat trots att vi ligger över i adoption. Den finska siffran är den skarpaste påminnelsen: nästan en femtedel av företagen kan inte ens säga om AI gett något, eftersom de saknar sätt att mäta det.
Sedan: för de flesta mindre bolag talar dagens data för att köpa färdiga lösningar först och bygga eget senare. MIT:s siffror visar att inköpta lösningar lyckas ungefär dubbelt så ofta som egenutvecklade — men det är värt att läsa rätt. Det MIT sannolikt mäter är att de flesta företag är dåliga på att bygga AI, inte att det är fel att bygga. Netflix, Amazon, Klarna och Spotify bygger mycket själva och gör det med framgång. Skillnaden är att de har förmågan. Ett mindre svenskt bolag utan egen AI-avdelning gör klokt i att börja med köpta lösningar.
Och slutligen: leta värdet i stödfunktionerna, inte i marknadsföringen. Där budgetarna i dag hamnar är inte där avkastningen finns. Den tråkiga administrationen — fakturahantering, rapportering, integration mellan system — är enligt materialet den mest sannolika platsen för faktisk effekt.
Den enskilda medarbetaren som använder AI för att skriva snabbare har sannolikt rätt i att det går snabbare. Och makrosiffran som säger att ekonomin inte blivit effektivare har sannolikt också rätt. Båda kan vara sanna samtidigt — och gapet mellan dem är inte ett mätfel. Det är arbetet som ingen ännu gjort, och de flaskhalsar som ingen teknik ännu löst.
Kvar står den fråga som egentligen är den mest intressanta, och som denna analys bara snuddat vid: om AI verkligen gör arbete billigare, vart tar då vinsten vägen? Hamnar den hos kunderna i form av lägre priser, hos AI-leverantörerna, eller hos de få företag som lyckats? Eller äts den upp av nya kostnader för energi, konsulter och integration? Det är där den verkligt avgörande striden om AI:s värde kommer att stå — och det är en fråga värd att hålla ögonen på.