Alla stora företag "gör AI". Väldigt få får betalt för det.
Tre siffror sammanfattar läget.
- 78 % av organisationerna använde AI i minst en affärsfunktion 2024, upp från 55 % året innan. (McKinsey, The state of AI, 2024)
- Bara 1 % av ledarna beskriver sitt företag som "moget" i sin AI-användning. (McKinsey)
- 74 % av företagen kämpar med att skapa och skala värde från sina AI-investeringar. (BCG, 2024)
Man kan köpa ChatGPT Enterprise till 10 000 anställda. Det förändrar inte resultaträkningen. Det som förändrar resultaträkningen är omdesignen av arbetsflödet — och det är det arbetet som nästan ingen faktiskt gör.
Den här guiden handlar om hur vi tänker kring det arbetet på Kiri Media. Vi är en AI-native byrå, och det arbetssätt vi bygger för våra klienter går direkt att överföra till interna team på större företag. Kortversionen: vinsterna är verkliga, siffran ligger i spannet 20–30 % för rätt uppgifter, och vägen dit handlar nästan uteslutande om arbetsflödesdesign och förändringsledning — inte om att köpa licenser.
Produktivitetssiffrorna är entydiga.
De bäst utförda kontrollerade studierna har konvergerat mot liknande intervall:
- 40 % bättre prestation på uppgifter inom AI:s kompetensområde när konsulter använder GPT-4 — och i genomsnitt 12,2 % fler slutförda uppgifter, 25,1 % snabbare. (Dell'Acqua m.fl., Navigating the Jagged Technological Frontier, Harvard Business School / BCG, 2023)
- 55,8 % kortare slutförandetid för utvecklare som använder GitHub Copilot på en kodningsuppgift. (Peng m.fl., MIT/Stanford, 2023)
- 14 % total produktivitetsökning inom kundsupport — 35 % för nyanställda — när medarbetarna arbetar tillsammans med en generativ AI-assistent. (Brynjolfsson, Li, Raymond, NBER Working Paper 31161)
- 0,1–0,6 procentenheter tillagda till den årliga arbetsproduktiviteten det kommande decenniet — en ekonomisk effekt på 2,6–4,4 biljoner dollar per år. (McKinsey, The economic potential of generative AI, 2023)
Så taket är verkligt. Det svåra är att ta sig dit.
Tre mönster vi ser överallt.
Verktygsinförande är inte samma sak som förändring av arbetsflödet
Ni rullar ut Copilot eller Gemini i organisationen, mäter adoption via antal licenser och utropar seger. Ett år senare använder nästan varje anställd det till samma sak: att skriva utkast till mejl. Det är en individuell 5 %-vinst, kanske. Det syns aldrig i resultaträkningen.
Den "taggiga gränsen" är osynlig
Harvard/BCG-studien gjorde begreppet konkret: AI är briljant på vissa uppgifter, direkt skadlig på andra, och gränsen är inte intuitiv. Konsulter som använde AI på uppgifter utanför kompetensområdet presterade sämre än kontrollgruppen. De flesta utbildningsprogram lär ut verktyget. Era team lär sig var knappen sitter — inte var kanten går.
Ingen agentinfrastruktur
AI-produktivitet på företagsnivå är inte att en person ställer en fråga till ChatGPT. Det är en agent som körs schemalagt, hämtar data från fyra system, skriver utkastet, flaggar gränsfall för mänsklig granskning, loggar sitt arbete och försöker igen vid fel. Det kräver ingenjörsarbete. Att köpa licenser ger er inte det — det ger ett chattfönster.
Arbetsflödena som levererar 20–30 %.
Agent-arbetsflödena där vi konsekvent ser vinster på teamnivå har samma struktur:
- Ett smalt, end-to-end-jobb. Inte "hjälp med skrivandet" — utan "skriv veckans produktlanseringsbrief från vår kalender, hämta priser från Shopify, berika med konkurrentdata och lägg i Notion för granskning". Agenten äger hela loopen, inte ett steg.
- Människan vid beslutspunkterna, inte vid produktionsstegen. Människan godkänner. Hen skriver inte utkastet.
- Observerbarhet från dag ett. Varje agentkörning loggas. Varje output går att granska. Ni ser vad agenten gjorde, varför, och vad det kostade.
- Itereras veckovis, inte kvartalsvis. Agentens prompt, verktygslista och granskningsregler är levande dokument — ägda av teamet, inte av leverantören.
Det är formen vi bygger på Kiri Media — för paid media-audits, SEO-agent-arbetsflöden, creative-granskning och rapportering efter kampanjer. Samma mönster fungerar inne i en marknadsorganisation på 500 personer.
Fyra lager av företags-AI som multiplicerar.
Tänk på det som en stack. Varje lager multiplicerar lagret under.
Chat, autocomplete, förslag i editorn
Förväntad vinst: 10–15 % på enskilda uppgifter. Det är här ungefär 95 % av företagen har stannat. Nyttigt, men taket ligger på individnivå — det förändrar inte hur arbetet flyter genom organisationen.
Ett jobb, end-to-end
Förväntad vinst: 25–40 % på uppgiften. Agenten skriver kontraktet, briefen, rapporten. En människa granskar och godkänner. Överlämningskostnaden försvinner för den uppgiften.
Flera steg, flera system, flera godkännanden
Förväntad vinst: byggs ovanpå Lager 2 — vinsten blir multiplikativ. Hela cykeln SEO-audit → content-brief → publicering. Eller inkommande lead → berikning → kvalificerad routing. Tidsvinsterna multiplicerar sig eftersom överlämningarna försvinner genom hela kedjan, inte bara på ett steg.
Övervakning, avvikelsedetektering, triagering, första analysen
Förväntad vinst: frigör 20–30 % av den mänskliga kapaciteten permanent. Körs dygnet runt, eskalerar bara när det spelar roll. De flesta företag bygger inte det här — och det är där produktiviteten faktiskt låses upp.
Kostnaden per lager är ungefär platt. Vinsten är ungefär exponentiell. De flesta företag bygger Lager 1 och stannar där; de som drar ifrån bygger Lager 3 och 4.
Hur det ser ut konkret.
En nyligen granskad nordisk e-handelsklient — YMYL-vertikal, 2 000+ SKU:er, ett redaktionellt team på fyra, ett utvecklarteam på sex, ungefär 12 000 organiska besök per månad. Innan vi började:
- Produktsidornas meta-descriptions skrevs manuellt, när någon hade tid. 40 % var tomma.
- Redaktionen kunde publicera två artiklar per vecka — på en bra vecka. Författare saknades på fyra av sex artiklar — ett compliance-problem i deras vertikal.
- Tekniska SEO-problem (schema, canonicals, hreflang) hopades eftersom ingen hann leta upp dem.
En agent äger long-tail-produktionen nu. Den skriver meta-descriptions enligt varumärkets tonalitet. Den flaggar artiklar där författare saknas. Den öppnar pull requests för triviala tekniska fixar. Teamet granskar och publicerar. Redaktionskapaciteten har i praktiken ökat med 30 % — utan en nyanställning.
Kostnaden för agenten landar på runt 0,5 % av den frigjorda personalkostnaden. Det är inte ett skrivfel.
Hur man faktiskt tar sig dit.
De företag som vinner den här cykeln köper inte fler AI-verktyg. De gör följande:
- Väljer tre arbetsflöden med hög hävstång — inte de enklaste, utan de med högst överlämningskostnad idag.
- Designar om vart och ett som en end-to-end-agentloop med tydliga godkännandepunkter.
- Bygger observerbarhetslagret innan agenten går live, inte efter.
- Utbildar teamen om gränsen — var AI är stark, var den är farlig — inte om verktyget.
- Mäter i output per vecka, inte i antal utrullade licenser.
Steg 2 och 3 är där de flesta organisationer saknar ingenjörskapacitet. Det är det gapet vi hjälper till att stänga på Kiri Media. Vi har lagt tre år på att bygga agentarbetsflöden för tillväxt, SEO och creative i klientskala — samma arkitektur överförs direkt till en intern ops-funktion.
Om det här är problemet ni löser.
Skicka en rad om företaget, era team och de arbetsflöden ni helst skulle vilja agentifiera. Första samtalet är en behovskartläggning — ingen pitch, ingen presentation.