Varför AI-användningen ökar snabbare än den mätbara avkastningen

Det är lätt att räkna AI-licenser, användare och pilotprojekt. Svårare är att visa att en investering faktiskt förbättrar ett arbetsflöde så mycket att nyttan överstiger kostnaden. Undersökningar från 2026 pekar på stora luckor i både kostnadsöverblick och utvärdering – inte på att AI saknar möjlighet att skapa värde.232534

Vad siffrorna säger – och inte säger

Enligt Flexera har 31 % av organisationerna korrekt överblick över sina utgifter för AI-programvara. Samtidigt uppger 59 % att onödiga AI-utgifter har ökat under det senaste året.34 I en undersökning från Battery Ventures med 100 högre teknikchefer svarade 94 % att deras organisation saknade en enhetlig metod för att bedöma avkastningen på AI-investeringar. Bara 16 % uppgav positiv avkastning för mer än hälften av sina AI-projekt.23

Även budgetarna är svåra att hålla: i Futurums undersökning för andra halvåret 2026 sade 46,9 % att AI-utgifterna översteg planen, medan 5,6 % låg under den.33 Undersökningarna gäller olika grupper och mäter olika saker. Bristande insyn, upplevt slöseri, projektavkastning och budgetavvikelser kan därför inte slås ihop till ett enda mått på misslyckade AI-satsningar.

Användning är inte samma sak som nytta

För att beräkna avkastning behöver ett företag veta hur arbetet fungerade före AI-satsningen, vilket resultat som ska förbättras och vad lösningen kostar att driva i sin helhet. Ett mål kan vara kortare handläggningstid eller högre kvalitet – men fler användare räcker inte som bevis.

KPMG fann att de flesta organisationer fortfarande saknade heltäckande kostnadsöverblick i realtid, trots uppföljningsverktyg och godkännandeprocesser.19 I företagets globala undersökning rapporterade 15 % av organisationerna med full insyn i AI:s driftskostnader att de hade etablerad avkastning, jämfört med 3 % bland dem utan sådan insyn. Det är ett samband, inte ett bevis för att kostnadsöverblick ensam skapar avkastning.25

Tekniken måste också passa in i hur arbetet utförs. Bank of Americas teknikchef har lyft fram förändring av hela processer, återanvändning av lösningar, styrning och avkastning som prioriteringar när AI ska användas i större skala.14 Samtidigt visade en undersökning som CIO rapporterat om att 61 % av organisationerna under de föregående två åren hade pausat, skjutit upp, minskat eller övergett initiativ för att modernisera sina IT-system. Omfördelade budgetar till AI var en av de påfrestningar som nämndes, men siffran visar inte att AI orsakade varje försening.18

När AI-agenter får utföra uppgifter mer självständigt blir kraven på kostnadskontroll, tydlig nytta och riskhantering ännu viktigare. Gartner förutspådde 2025 att mer än 40 % av projekten med sådan AI skulle läggas ned före utgången av 2027, bland annat på grund av stigande kostnader, oklar nytta och otillräckliga riskkontroller. Det är en prognos – inte en uppmätt andel nedlagda projekt under 2026.51

Bank of America visar skillnaden mellan användning och resultat

Bank of America uppger att AI-verktyg finns tillgängliga för omkring 200 000 anställda. Banken rapporterar också omkring 15–20 % högre produktivitet i programmeringsarbetet bland sina cirka 19 000–20 000 utvecklare.34 Det senare säger mer om ett konkret arbetsflöde än antalet personer som har tillgång till verktygen. Bankens ledning har dessutom uppskattat nyttan till omkring 800 miljoner dollar mot kostnader på 400 miljoner dollar. Det är ledningens uppskattningar, inte en oberoende bekräftelse på att varje användningsområde lönar sig.2 En av bankens två högsta chefer har sagt att de tydligaste vinsterna hittills finns inom teknikarbete, till exempel programmering.1

Lärdomen är att ge varje AI-satsning en ansvarig, ett utgångsläge att jämföra med, en fullständig kostnadsbild och mått på kvalitet och risk. Skala upp när nyttan består efter att kostnaderna räknats in – inte bara för att användningen stiger.192325