[KUNSKAPSSAMARBETE] De flesta företag hävdar i dag att de använder AI, men få kan visa upp konkreta affärsresultat.
Enligt McKinsey & Company uppger 88 % av organisationer globalt att de använder AI i minst en affärsfunktion, och 79 % använder generativ AI (GenAI) regelbundet i minst en funktion.
Vår erfarenhet av att arbeta med stora företag – och av att skala AI inom den egna organisationen – visar dock att klyftan mellan förväntningar och faktiska resultat är betydligt större än vad offentliga rapporter antyder.
Verkliga framsteg kräver mer än tillgång till verktyg. Det kräver operativa förändringar, disciplinerade experiment och en tydlig förståelse för var AI faktiskt kan skapa mätbart värde.
Under det senaste decenniet har vår resa på Sigma Software Group visat att en AI-redo organisation i mindre grad handlar om teknik och i större grad om struktur, kultur och tajming. AI-införande är inte ett systemprojekt – det är ett transformationsarbete. Fyra faktorer har visat sig vara avgörande.
- Börja med människor – inte med verktyg
Vårt första steg var inte att automatisera allt över en natt, utan att hjälpa medarbetarna att förstå vad AI redan kan göra. Genom utbildning i verktyg som ChatGPT och Microsoft Copilot skapade vi en gemensam kunskapsgrund. Det gjorde det möjligt för alla – från HR till marknad och ekonomi – att förstå både möjligheter och begränsningar, och att se AI som ett praktiskt stöd snarare än ett abstrakt koncept.
Evgeniy Bachinskiy, Vice President, Sigma Software Group
För att snabba på införandet lanserade vi programmet AI Champions. Proaktiva medarbetare från varje affärsenhet fick mandat och tid att driva förändring. Programmet inleddes med ett tredagars bootcamp med fokus på bästa användningsfall, prompt engineering och hur man bygger AI-agenter. Deltagarna fick även tillgång till avancerade verktyg för att kunna experimentera självständigt i sina team.
I dag är förmågan att använda AI-verktyg i det dagliga arbetet en grundläggande och obligatorisk kompetens för alla medarbetare. Det lade grunden för nästa steg: agentbaserad automation.
- Använd AI i kärnprocesserna
Som mjukvaruutvecklingsbolag började vi med att tillämpa generativ AI i våra kärnprocesser – framför allt i systemutvecklingslivscykeln. Vi testade verktyg som GitHub Copilot och Cursor i ett begränsat antal projekt, satte tydliga mätetal och stöttade utvecklarna med workshops och en växande kunskapsbas.
När resultaten visade sig vara stabila – i linje med globala studier – skalade vi upp användningen till samtliga projekt. Vår interna analys visar att AI-baserad kodgenerering sparade i genomsnitt 16,8 % av utvecklarnas tid, och att 27,5 % av den AI-genererade koden kunde accepteras utan ändringar.
Samtidigt identifierade vi begränsningar, vilket ledde till att vi utvecklade kompletterande verktyg för utvecklingsprocessen. Dessa inkluderar autonom generering av enhetstester, analys av kodändringars påverkan vid regressionstestning samt en AI-assistent för projektteam som stödjer onboarding och hjälper till att navigera i gemensam projektkontext.
Kontinuerligt lärande, omvärldsbevakning, kunskapsdelning och riktad FoU är nu centrala delar i vår förbättring av kärnprocesserna.
- Dela erfarenheter och arbeta tillsammans
Genom nära samarbete med kunder och partners identifierar vi gemensamma områden där AI ger störst effekt. Vår erfarenhet visar att många organisationer möter liknande utmaningar i sina AI-resor.
En studie från MIT visar att endast cirka 5 % av organisationer ser meningsfull avkastning från GenAI-införande. Av dessa lyckas två tredjedelar tack vare strategiska partnerskap med teknikleverantörer. Det är knappast förvånande, med tanke på hur nytt och komplext området är. De som rör sig snabbast framåt är de som samarbetar med aktörer som redan har genomfört liknande projekt.
Vi har därför valt att vara öppna med våra egna lärdomar från AI-transformationen. Det sker genom gemensamma utbildningar och workshops, stöd i framtagande av AI-strategier och färdplaner samt möjlighet för kunder att delta i våra FoU-initiativ och pilotprojekt.
Detta samarbete kombinerar vår tekniska expertis med kundernas branschkunskap och har resulterat i AI-lösningar för bland annat bank, försäkring, telekom, adtech och healthtech. Ett exempel är en lösning för dokumenthantering som utvecklades tillsammans med en kund och som nu fungerar som grund för liknande projekt – med betydande tids- och kostnadsbesparingar.
- Genomför kontrollerade experiment
En kultur av kontinuerlig experimentation är avgörande för AI-införande, men utan struktur blir den snabbt ineffektiv. Många organisationer fastnar i ett stort antal isolerade proof-of-concept-projekt utan tydliga mål eller väg till produktion.
Effektiv experimentation kräver styrning. Varje PoC bör ha ett tydligt syfte och helst ett affärscase. Organisationer gynnas också av strukturer som kanaliserar kreativitet utan att tappa kontrollen – till exempel hackathons, idéworkshops och interna demonstrationer där resultat delas och vidareutvecklas.
Parallellt behöver organisationer bygga egen expertis och faktiska lösningar. Därför avsätter vi dedikerade FoU-resurser för att utveckla verktyg med tydligt och mätbart värde, både internt och för våra kunder. Detta arbetssätt har resulterat i lösningar för automatiserad testgenerering, analys av kodändringar och onboarding-assistenter. Ett av dessa initiativ, vår interna AI-assistent SIGMA, har till och med utvecklats till en kommersiell produkt.
Av Evgeniy Bachinskiy, Vice President, Sigma Software Group
Artikeln är ett kunskapsamarbete mellan Sigma Software Group och IT Media Group. Sponsrade inlägg och kunskapsamarbeten är en del av IT Media Groups annonserbjudande. Om du har frågor kring sponsrade inlägg, hör av dig till info@itmediagroup.se
