En enkel modell för att värdera AI-idéer efter värde, datamognad och risk, och välja den första piloten.
Prioritera AI-användningsfall genom att börja i en konkret arbetsuppgift, inte i en teknik. Bedöm varje idé separat på affärsvärde, datamognad och risk, och välj sedan en liten pilot med ett mätbart resultat och ett datum då ni bestämmer er. En bra AI-strategi handlar mindre om att hitta den största idén och mer om att välja den första som ni faktiskt kan pröva och utvärdera.
De flesta ledningsgrupper kan ta fram en lång lista med AI use cases på en eftermiddag. Att välja bland dem är svårare. En säljassistent, en prognosmodell och en fakturaklassificerare löser olika problem, kräver olika data och skapar olika ansvar. Att de står på samma bild gör dem inte jämförbara.
Samla in idéerna på ett sätt som går att jämföra
"Vi behöver en AI-agent" lämnar för mycket öppet. Vem ska använda den? Vilken uppgift tar för lång tid i dag? Vad händer efter att den har svarat?
Formulera i stället problemet: "Vår kundtjänst lägger tid på att leta upp godkända felsökningsinstruktioner i flera system." Det går att undersöka innan ni väljer modell eller leverantör.
Använd samma mall för varje idé:
- Uppgift: vilket arbete som ska bli bättre, och hur ofta det utförs.
- Användare: vilka som gör jobbet i dag, och ett färskt exempel som de kan visa.
- Ägare: en person i verksamheten med mandat att ändra arbetssättet och bedöma resultatet.
- Nuläge: tid, kvalitet eller kostnad i dag, så att ni har något att jämföra med.
- Enklare alternativ: kan problemet lösas med en regel, en gemensam definition eller ett automatiserat dataflöde utan AI?
Den sista punkten är viktig. Många AI-lösningar som diskuteras är egentligen rapport- eller integrationsproblem. AI är värt att pröva när uppgiften innehåller variation som enkla regler hanterar dåligt, och när det finns ett praktiskt sätt att kontrollera resultatet. Saknar en idé ägare behöver den en sponsor innan den behöver programvara.
Poängsätt värde, datamognad och risk var för sig
De tre måtten svarar på olika frågor. Värde: spelar det någon roll om uppgiften blir bättre? Datamognad: finns rätt data, med rätt behörigheter, i tillräcklig kvalitet? Risk: vad händer om svaret är fel, och upptäcker någon det i tid?
Följande exempel är påhittat för att visa modellen. Det är inte ett kundcase och inte en beskrivning av Devies egen metod. Skalan är 1 till 5, och högre värde är bättre i alla kolumner (hög riskpoäng betyder låg risk).
Användningsfall
Värde
Datamognad
Risk (5 = låg)
Största beroende
Beslut
Hitta godkända serviceinstruktioner
Värde
3
Datamognad
4
Risk (5 = låg)
4
Största beroende
Inaktuella dokument, behörigheter
Beslut
Pilot med en servicegrupp
Föreslå kontering av leverantörsfakturor
Värde
4
Datamognad
3
Risk (5 = låg)
3
Största beroende
Historiska exempel, granskning av ekonomi
Beslut
Kontrollera data först
Automatiskt kreditbeslut
Värde
5
Datamognad
2
Risk (5 = låg)
1
Största beroende
Regelverk, förklarbarhet, felkonsekvens
Beslut
Egen utredning, inte första pilot
Summera inte kolumnerna och kalla summan objektiv. Låt i stället varje kolumn fungera som en spärr. Ett allvarligt behörighetsproblem ska synas även om idén har en attraktiv besparingskalkyl. Fråga också vilket antagande som skulle ändra beslutet. För serviceinstruktionerna kan saknade behörigheter eller opålitliga källdokument ta bort hela fördelen.
Risk är inte bara teknisk. EU:s AI-förordning, förordning (EU) 2024/1689, delar in AI-system efter risknivå, och bilaga III räknar bland annat AI som används för att bedöma fysiska personers kreditvärdighet som högrisk. Sådana idéer kräver en egen juridisk bedömning och passar sällan som första pilot. Tidplanen för högriskkraven har ändrats under 2026, så kontrollera vilka datum som gäller för just ert fall.
Bedöm datamognaden för den valda uppgiften
Datamognad är en egenskap hos en uppgift, inte hos hela företaget. Ni kan vara redo för en intern dokumentassistent men långt ifrån redo för automatiska prognoser.
Spåra en typisk fråga bakåt till källan. Var finns svaret, vem underhåller det och hur når det applikationen? Gör samma sak för ett undantag. Ofta hittar ni två "slutgiltiga" versioner av samma dokument, fritextfält i CRM eller en export som tyst utesluter makulerade order.
Kontrollera fem saker:
- Ägarskap: vem bestämmer vilken källa som gäller?
- Definitioner: betyder "kund" samma sak i försäljning och ekonomi?
- Aktualitet: hur gammal får informationen vara när den används?
- Behörigheter: ser användaren bara det hon får se, även i svar och loggar?
- Utvärdering: finns representativa frågor med kända rätta svar?
Om svaret på någon av dem är oklart är det oftast billigare att lösa det först än att byta modell senare.
Välj och genomför en avgränsad pilot
Bestäm före bygget hur piloten ska bedömas. För en sökassistent kan det vara andelen svar som pekar på rätt godkänd källa, tid per ärende och hur ofta en granskare måste rätta svaret. Ta med svåra fall och frågor som saknar giltigt svar, och kontrollera att systemet avstår i stället för att hitta på.
Sätt tre gränser:
- Omfång: en grupp användare, en dokumentsamling eller ett flöde.
- Beslutsdatum: när ni ska avgöra fortsätt, smalna av eller stoppa.
- Stoppvillkor: till exempel om nyttan försvinner när granskning och integration räknas in.
Behåll nuläget som referens. Annars kan ni fira snabba svar och missa den extra granskningstid som krävs för att svaren ska gå att använda.
Skala det som fungerar
En lyckad pilot visar att vissa uppgifter fungerade under testade förhållanden. Innan ni breddar behöver ni pröva fler användare, verkliga behörigheter, undantag och data som förändras.
Här blir datagrunden avgörande. En kontrollerad dokumentsamling eller en enda integration räcker ofta för en pilot. När flera AI use cases ska dela samma källor, definitioner och dataflöden lönar det sig att bygga en gemensam dataplattform i stället för en ny lösning per idé. Dokumentera också vem som förvaltar tjänsten när indata eller affärsregler ändras.
Avsluta varje prioriteringsrunda med ett kort beslutsunderlag: vad ni testar, vad ni skjuter upp och varför, med ägare, beroenden och nästa beslutspunkt för varje idé.
Devies
Vill ni ha en second opinion?
Devies, en produkt- och utvecklingskonsult i Göteborg, arbetar med frågor som den här tillsammans med nordiska produkt- och IT-team. Berätta var ni står så föreslår vi ett rimligt första steg.
Vanliga frågor
Ska vi välja det användningsfall som har störst besparing?
Inte automatiskt. Jämför besparingen med underlaget bakom den. En kalkyl som inte räknar med granskning, integration och förvaltning är ofullständig. Ett mindre fall med mätbart resultat är ofta en bättre första pilot.
Behöver vi en färdig dataplattform innan vi gör en AI-pilot?
Nej, ofta räcker en avgränsad och godkänd datamängd. En plattform blir relevant när uppgiften kräver flera källor, återkommande transformationer eller när flera användningsfall ska dela samma data.
Ska vi anlita en AI-konsult eller ett AI-företag, eller göra prioriteringen själva?
Ni kan göra mycket själva med mallen ovan. Extern hjälp är mest användbar när ni saknar erfarenhet av att bedöma datamognad och risk, eller när interna intressen gör det svårt att prioritera neutralt. Kräv i så fall ett skriftligt beslutsunderlag, inte bara en idélista.
Källor
- Förordning (EU) 2024/1689 om artificiell intelligens (AI-förordningen)
- NIST AI Risk Management Framework, Core
- Devies: Data and AI Use Case Discovery Workshop
- Devies: Data Hub
- Devies: Data Foundation Platform










