Det vanligaste misstaget i samtalet om AI är att behandla tekniken som ännu ett digitalt verktyg. Som Excel, fast snabbare. Som ett effektivare lager ovanpå samma arbetslogik som tidigare.

Jämförelsen är delvis begriplig men i grunden otillräcklig. Traditionell mjukvara automatiserade framför allt fasta regler, definierade arbetssteg och välstrukturerade dataflöden. Generativ AI och närliggande modeller automatiserar i stället en växande del av sådant arbete som tidigare krävde tolkning, språkförståelse, sammanfattning, jämförelse, kodstöd och annan tillämpad kognitiv bearbetning.[1]

Från regelautomation till tolkning

Kalkylblad, databaser och affärssystem var enormt viktiga därför att de gjorde beräkning, registrering och uppföljning snabbare och mer skalbar. Men människan stod fortfarande tydligt för själva tolkningen: att väga alternativ, skriva första utkast, läsa mellan raderna, formulera hypoteser och översätta oklara problem till användbara nästa steg.

Det är just här AI flyttar gränsen. Moderna modeller kan formulera sammanfattningar, skriva fungerande första kodutkast, jämföra alternativ, föreslå experiment, strukturera ostrukturerat material och anpassa sitt svar efter mål och sammanhang. De gör inte detta felfritt, men de gör det ofta tillräckligt bra för att ändra hur arbetet delas mellan människa och system.[2]

Funktion före filosofi

En vanlig invändning lyder: ”Men modellen förstår ju inte på riktigt.” Filosofiskt kan det vara en viktig fråga. Praktiskt är den inte avgörande för organisationen som ska bestämma hur arbetet ska göras.

Om ett system på ett användbart sätt kan gå igenom en kravspecifikation, hitta oklarheter, föreslå omformuleringar, skriva testfall och hjälpa en erfaren människa att komma snabbare fram till ett beslut, då har arbetsuppgiften redan förändrats. Den förändringen blir inte mindre verklig av att vi fortsätter diskutera om systemet ”egentligen” förstår eller bara approximera mönster.[3]

Det betyder inte att filosofiska frågor saknar värde. Det betyder att de inte behöver vara lösta för att teknikens samhällseffekter ska bli stora. För planering räcker det långt att fråga: vilka uppgifter kan systemen hantera tillräckligt väl för att ändra rollfördelning, produktivitet och krav på kvalitetssäkring?

Vad detta förändrar i organisationer

När en organisation köper ett kalkylprogram köper den ett verktyg. När den inför AI inför den ofta något som mer liknar ett kvalificerat förstastöd: ett system som behöver instruktioner, avgränsning, verifiering, feedback och tydligt ansvar.

Det får följder. Juniora arbetsuppgifter kan tunnas ut eller komprimeras. Seniora personer kan få större hävstång. Kraven på domänkunskap, datakvalitet och granskningsförmåga ökar samtidigt som vissa flaskhalsar försvinner. Därför är AI inte bara en it-fråga. Det är en organisationsfråga och i förlängningen en arbetsmarknadsfråga.

Vad jämförelsen med Excel ändå lär oss

Det finns samtidigt något nyttigt i Excel-jämförelsen: även ett mycket kraftfullt verktyg blir först verkligt värdefullt när verksamheten lär sig hur det ska användas. AI skapar inte automatiskt goda beslut. Fel instruktioner, dålig data, svag domänkunskap och otydligt ansvar ger fortfarande dåliga resultat.

Den viktiga skillnaden är alltså inte att gamla verktyg var enkla och AI är magi. Skillnaden är att AI verkar högre upp i arbetskedjan, närmare språk, bedömning och problemlösning. Därför blir konsekvenserna bredare när tekniken fungerar — och kostnaderna högre när den används slarvigt.

Planeringsfrågan

Om AI bara vore ännu ett kontorsverktyg skulle uppgiften vara begränsad: några utbildningar, några nya rutiner och gradvis anpassning. Men när tekniken börjar påverka själva innehållet i kvalificerat arbete måste även planeringen bli större.

Det är därför jag menar att AI inte är Excel. Inte därför att liknelsen är dum, utan därför att den gör skiftet mindre än det är. Den som planerar som om detta vore vanlig digitalisering kommer sannolikt att bygga för lite, utbilda för snävt och reagera för sent.

Källnoter

Essän är framför allt begreppslig. Källorna nedan stöder beskrivningen av hur AI används i arbetsuppgifter och hur dess ekonomiska betydelse diskuteras i forsknings- och policyunderlag.

  1. För användning av generativ AI i arbetsuppgifter, se Anthropic Economic Index och Economic primitives.
  2. Översikter över kapacitetsutveckling och diffusion: Stanford HAI, AI Index Report 2025 och PwC Global AI Jobs Barometer 2025.
  3. För arbetsmarknads- och uppgiftsperspektiv, se ILO 2025 update, WEF Future of Jobs 2025 och IMF.

Rolf Skogling skriver AI-skiftet ur ett industrinära och praktiskt perspektiv, med utgångspunkt i arbete med AI i skarpa verksamheter.