Varför 'vilka avdelningar kan vi skära bort med AI' är fel fråga

I maj 2025 stod Klarnas vd Sebastian Siemiatkowski och förklarade för Bloomberg, återgivet av CNBC, varför bolaget höll på att anställa tillbaka kundtjänstpersonal man året innan sagt att en AI-bot hade gjort överflödig. Boten skötte visserligen två tredjedelar av alla kundtjänstärenden och gjorde jobbet som 700 heltidsanställda. Problemet var att den gjorde det sämre. "Kostnad har tyvärr varit en alltför dominerande faktor" i beslutet, sa han. Ren svenska: vi optimerade för fel sak.

Det här är inte en historia om att AI inte fungerar. Det är en historia om en fråga som ställdes fel från början — och den frågan ställs just nu i styrelserum över hela Sverige.

Frågan alla ställer (och varför den är fel)

"Vilka avdelningar kan vi skära bort med AI?" känns som en rimlig fråga för en VD eller CFO som just läst att AI kan ersätta 700 kundtjänstmedarbetare. Den är också fel av tre skäl:

1. Den utgår från headcount som måttstock, inte från arbetsflöden.
2. Den antar att AI ersätter roller rakt av, snarare än att omforma hur arbetet görs.
3. Och den optimerar för en kvartalsrapport i stället för en femårshorisont — vilket, som vi ska visa, är exakt tvärtom mot var pengarna faktiskt finns.

McKinseys globala AI-enkät från förra året fann att workflow-omdesign — att bygga om själva arbetsprocessen, inte bara lägga på ett AI-lager — är den enskilda faktor av 25 undersökta som har störst effekt på om ett bolag faktiskt ser resultat på sista raden. Ändå hade bara 21 procent av bolagen gjort det. Mer än 80 procent såg ingen mätbar EBIT-effekt av sin generativa AI alls.

Och i Sverige är läget, om något, ännu tydligare. Bara 21,2 procent av svenska AI-projekt når mätbara resultat på sista raden — under det europeiska snittet på 25,5 procent, enligt en rapport från Frends. Svenska bolag investerar kraftigt i AI men ligger 26 procent efter det globala snittet i att omsätta investeringarna i affärsnytta, och bara 3 procent av svenska bolag rapporterar en betydande avkastning på sina AI-satsningar. Vi är alltså inte undantaget från mönstret. Vi är, om något, ett skolboksexempel på det.

Boomerang-effekten: mönstret som redan har ett skämtnamn

Klarna är det mest citerade exemplet, men långt ifrån ensamt. Ett mönster har etablerats under 2025–2026 som redan fått ett eget öknamn i amerikansk affärspress: "the AI boomerang." Det är värt att gå igenom två fall i detalj, för de visar två olika sätt att göra samma grundmisstag — och ett fall som visar hur man faktiskt gör rätt, med en viktig brasklapp.

Klarna. Efter att ha frusit all icke-teknisk rekrytering 2023 och skrutit om att en AI-bot gjorde jobbet som 700 anställda, backade bolaget i maj 2025 och började återanställa — bland annat via en flexibel, Uber-liknande bemanningsmodell riktad mot studenter och glesbygdsbor. Siemiatkowski formulerade sedan om målbilden: AI sköter det enkla, människor blir "nästan som en VIP-grej."

Varför Klarnas AI-modell inte funkade

Det är värt att stanna upp och faktiskt förstå vad som gick fel, inte bara att det gjorde det — för det är samma fel som väntar varje bolag som kör samma resa utan att läsa på.

Boten förstod ord, inte avsikt. Enligt Solutions Review och Twig kunde AI-agenten plocka upp nyckelord i en fråga men missade ofta vad kunden egentligen var orolig för, och svarade ibland säkert och tydligt om villkor som var inaktuella eller felaktigt laddade i systemet — fel svar levererat med fullständig trygghet är värre än inget svar. Kundnöjdheten föll med rapporterade 22 procent under den mest AI-tunga perioden.

Den kunde inte läsa en frustrerad människa. Siemiatkowski själv beskrev det som "tomrum av empati som ingen algoritm kunde fylla" — boten kunde inte de-eskalera en arg kund eller känna av att någon var upprörd bortom orden de skrev.

Eskaleringen till människa gjorde det värre, inte bättre. Ärenden som gick via boten innan de nådde en människa fick systematiskt sämre nöjdhetsbetyg än ärenden som gick direkt till en människa — kunden fick upprepa allt, kände att boten slösat deras tid, och var redan irriterad när en människa äntligen tog över.

Så illa att ingenjörer fick svara i telefon. Enligt Futurism blev situationen så ansträngd att bolaget bad ingenjörer, designers och marknadsanställda hjälpa till att besvara kundfrågor manuellt — precis den typ av kaotisk quick-fix ett väl genomtänkt arbetsflöde skulle ha undvikit.

Varför IKEA:s AI-modell genererade 1,3 miljarder redan andra året

IKEA är det fall varje svensk styrelse borde studera noggrant, för det är både det bästa exemplet på att göra rätt och en påminnelse om att göra rätt en gång inte är en permanent garanti.

År 2021 satte Ingka Group (den största IKEA-återförsäljaren) in en AI-chatbot vid namn Billie i kundtjänsten. Boten löste runt 47 procent av alla kundärenden — cirka 3,2 miljoner interaktioner och ungefär 13 miljoner euro i driftsbesparingar.

I stället för att då säga upp de 8 500 medarbetare vars arbetsuppgifter minskade, analyserade Ingka vilka 53 procent av ärendena boten inte kunde lösa. Mönstret var tydligt: kunderna ville ha inredningsrådgivning, inte bara lagerstatus.

Ingka byggde en ny tjänst kring det och omskolade samtliga 8 500 medarbetare till digitala inredningsrådgivare. Den nya tjänsten genererade 1,3 miljarder euro i intäkter redan år 2022 — 3,3 procent av Ingkas totala omsättning, med ett uttalat mål om 10 procent till 2028.

Så långt är det en perfekt fallstudie i den här artikelns huvudpoäng: fråga inte "vilka kan vi ta bort", fråga "vad vill kunderna egentligen ha, och hur bygger vi om arbetet kring det."

Men berättelsen har en fortsättning som sällan citeras i samma andetag. Under våren 2026 aviserade både Ingka Group (cirka 800 kontorstjänster), huvudsakligen i Sverige och Nederländerna, och Inter IKEA (cirka 850 tjänster globalt, varav 300 i Sverige) betydande neddragningar. Skälen som angavs var vikande försäljning två år i rad, amerikanska tullar och svagare konsumentförtroende — inte AI. De 8 500 omskolade inredningsrådgivarna berördes inte; nedskärningarna träffade kontor och koncernfunktioner, inte kundmötet.

Slutsatsen är inte att IKEA-fallet är falskt. Siffrorna från 2021–2023 har aldrig dementerats. Slutsatsen är att ett enskilt klokt AI-beslut inte är en permanent immunitet mot vanliga konjunktursvängningar — och att den som citerar "IKEA sade aldrig upp någon" utan att nämna 2026 års besked antingen inte gjort sin research eller medvetet väljer den enklare, mindre sanna versionen. Det senare är, apropå ämnet för ett senare avsnitt, sin egen form av tvätt.

Vad kostar det egentligen att rulla tillbaka en AI-uppsägning?

Kort svar: mer än de flesta räknat med. Men innan siffrorna — en brasklapp: nästan all forskning på området kommer från USA, som har betydligt enklare och billigare regler för att både säga upp och anställa än Sverige.

Amerikansk anställning är i grunden "at will": ingen uppsägningstid krävs och avgångsvederlag är sällan lagstadgat, så att skära och sedan ångra sig är en relativt billig och snabb affär.

I Sverige gäller LAS — uppsägningstid på 1–6 månader beroende på anställningstid, turordningsregler ("sist in, först ut") och fackliga förhandlingar innan en enda uppsägning verkställs. Sverige har dessutom något USA saknar helt: lagstadgad företrädesrätt till återanställning. Siffrorna nedan är därför en varningsklocka snarare än en direkt Sverige-prognos — men själva mönstret, att det är dyrt att ångra sig, gäller knappast mindre här.

Careerminds enkät bland 600 amerikanska HR-ansvariga visar att två av tre bolag som gjort AI-motiverade neddragningar redan återanställer, och SHRM/Visier uppskattar kostnaden för en återanställd "boomerang"-medarbetare till 50–75 procent av årslönen — plus en genomsnittlig lönepremie på 5 procent, mot 2 procent för de som aldrig sades upp. Nästan en av tre bolag spenderade mer på återanställningen än de sparade på uppsägningen.

Minst lika dyrt är det som aldrig syns i budgeten: 32,9 procent av samma HR-ansvariga uppgav att de förlorade kritisk institutionell kunskap, och 28,1 procent att kvarvarande personal saknade kompetens att täcka luckan. Bara 8,4 procent skulle gjort om sin AI-omorganisation oförändrad.

Praktisk konsekvens: räkna alltid på "kostnaden om vi har fel" i beslutsunderlaget för en AI-uppsägning — inte bara besparingen om ni har rätt.

AI-tvätt: två varianter, och Sverige har egna exempel på båda

Begreppet "AI washing" myntades för en enklare synd: att påstå att en produkt använder AI när den i själva verket inte gör det, eller att kraftigt överdriva vad AI:n faktiskt klarar. Men det finns en andra, mindre uppmärksammad variant som är minst lika relevant för ett svenskt styrelserum: att använda "AI" som bekväm förklaring till vanliga kostnadsneddragningar, oavsett om AI faktiskt är orsaken.

Telia aviserade i januari 2026 att omkring 600 tjänster globalt skulle försvinna, varav 215 i Sverige, med motiveringen att "AI effektiviserar arbete" — samtidigt som bolaget planerade cirka 150 nya tjänster inom uppkoppling, enligt Affärsvärlden och SVT Nyheter. Det är faktiskt ett hyfsat ärligt exempel: man varken påstod att AI ensamt förklarade allt, eller döljer att nya roller skapades parallellt.

Nordea meddelade i november 2025 att man tänker minska personalstyrkan med omkring 1 500 tjänster under 2026–2027, med teknik, data och AI uttalat centralt i effektiviseringen, och ett kostnadsbesparingsmål på minst 600 miljoner euro till 2030. Det är för tidigt att veta om Nordea blir nästa boomerang-exempel eller ett genuint lyckat fall — men det är precis den typ av besked ett kritiskt styrelseöga bör granska om arton månader, mot samma facit som Klarna fick.

Att en "AI-first"-berättelse råkar vara som mest högljudd strax före en börsnotering, och som mest tystlåtet reviderad strax efter, är heller inte bevis på avsiktligt vilseledande — men Klarnas ursprungliga uppsägning 2022 beskrevs initialt som ett vanligt sparbeting, och automatiseringsnarrativet växte fram i takt med att bolaget närmade sig sin notering i New York i september 2025. Det är precis den typ av tajming en skeptisk styrelseledamot eller investerare bör fråga sig om. Om ett bolag berättar en historia om AI som passar aktievärderingen bättre än verkligheten, är det AI-tvätt även om ingen jurist kallar det så.

Snabbtest för din egen organisation: Om ni svarar ja på två eller fler, har ni sannolikt ett AI-tvätt-problem internt, inte bara externt.

1. Har ni bytt ord från "kostnadsbesparing" till "AI-transformation" i samma powerpoint utan att något i arbetssättet faktiskt ändrats?
2. Mäter ni framgång i antal borttagna tjänster snarare än i kvalitet, tid eller intäkt?
3. Har ledningen kommunicerat en AI-milstolpe externt (till press, investerare, styrelse) innan den bekräftats internt av dem som faktiskt använder verktyget?
4. Skulle ni våga fråga kundtjänst, inte bara IT-avdelningen, om AI:n faktiskt levererar?

Vi har varit här förut: lärdomen från sociala medier

Det här mönstret — hypa ny teknik, hoppa på tåget, skära kostnader i förskott på löften om avkastning, sedan bli förvånad över att avkastningen uteblir — är inte nytt. Vi har sett den fullständiga filmen förut, bara med en annan huvudrollsinnehavare.

I början av 2010-talet rusade företag in i sociala medier med ungefär samma logik som nu gäller AI: konkurrenterna gör det, vi måste synas där, vi kan inte vänta.

Forskningslitteraturen från perioden är slående lik dagens AI-rapporter. En studie från 2013 fann att 61 procent av småföretag inte såg någon avkastning alls på sina satsningar i sociala medier. Orsaken var sällan plattformen i sig, utan att bolagen hoppade på trenden utan att bygga den infrastruktur som faktiskt krävdes för att fånga värdet: ingen avsatt produktionskapacitet för innehåll, ingen mätmetodik, inga nya roller eller arbetsflöden — bara en ny kanal ovanpå en oförändrad organisation. En kartläggning av Fortune 100-bolagens "sociala infrastruktur" fann att de flesta saknade den grundläggande organisation som krävdes för att omvandla närvaro till resultat.

Skillnaden mellan de bolag som fick avkastning på sociala medier och de som inte gjorde det var sällan vilken plattform de valde. Den handlade om huruvida de var villiga att bygga om sina resurser, sin produktion och sin organisation runt kanalen — eller om de bara ville ha närvaron utan investeringen.

Det är exakt samma linje som skiljer IKEA (som byggde om en hel avdelning kring det AI faktiskt avslöjade om kundbehov) från de bolag som i dag lägger en chatbot ovanpå en oförändrad kundtjänstprocess och sedan är förvånade när kvaliteten sjunker. Tekniken byts ut. Misstaget upprepas identiskt.

Var pengarna faktiskt finns på fem års sikt

Det korta svaret, med stöd i flera oberoende källor som pekar åt samma håll, är: inte i att ta bort roller, utan i att bygga om processen roller ingick i.

Boston Consulting Group har formaliserat detta i vad som blivit känt som 10-20-70-regeln: bara 10 procent av AI-framgången kommer från vilken algoritm eller modell man väljer, 20 procent från teknik och dataarkitektur, och hela 70 procent — den avgörande majoriteten — från människor och process: kompetens, förändringsledning och omdesignade arbetsflöden.

McKinseys egen enkätdata bekräftar samma mönster: av 25 organisatoriska faktorer man testade var det just arbetsflödesomdesign — inte modellval, inte ens hur mycket man investerat i verktyg — som hade störst inverkan på om AI faktiskt syntes i resultatet.

MIT Media Labs mycket omtalade rapport från sommaren 2025 pekade åt samma håll internationellt: 95 procent av företagens generativa AI-pilotprojekt gav inget mätbart ekonomiskt resultat alls, trots 30–40 miljarder dollar i sammanlagda investeringar.

Boven i dramat var enligt rapporten inte modellerna utan organisationen — ett "inlärningsgap" mellan verktyg och arbetssätt. De projekt som faktiskt levererade avkastning satt påfallande ofta i "tråkiga" backoffice-funktioner — processautomation, kundtjänst, HR — snarare än i de flashiga marknadsförings- och säljpiloter som fick mest budget.

Sätt ihop källorna och mönstret blir tydligt, i Sverige lika mycket som globalt: bolag som frågar "vilka roller kan vi ta bort" hoppar över de 70 procent av arbetet som faktiskt avgör utfallet, och lägger pengarna där avkastningen historiskt är svagast (front-end-piloter för syns skull) snarare än där den är starkast (omdesignade back office-processer). Det är som att köpa ett gymkort och sen bli förvånad över att inte ha blivit starkare — man behöver faktiskt gå dit och lyfta rätt vikter, inte bara betala avgiften.

Den rätta frågan — och vad ni gör med den redan i morgon

Fel fråga: "Vilka avdelningar kan vi skära bort?" Rätt fråga: "Vilket arbetsflöde skulle bli fundamentalt annorlunda — inte bara snabbare — om vi byggde om det runt AI, och vad krävs av oss människor för att det ska hålla kvaliteten?"

Det är inte bara en snällare fråga. Den är mätbart mer lönsam, enligt varenda källa ovan. Så här börjar ni implementera det redan denna vecka:

1. Kör IKEA-diagnosen på er egen kundtjänst. Innan ni frågar vad AI kan ta bort, fråga vad AI inte kan lösa — och analysera det mönstret. Det var precis de 53 procent Billie inte klarade som avslöjade en miljardaffär åt Ingka. Era olösta ärenden berättar vad kunderna faktiskt efterfrågar.

2. Definiera KPI innan ni startar en pilot, inte efter. McKinsey fann att just detta — tydligt definierade mätetal för AI-lösningar — var den enskilda praxis med störst effekt på lönsamhet, och färre än en av fem bolag gör det.

3. Välj ett komplett arbetsflöde, inte en uppgift. Fråga inte "kan AI skriva svaren i kundtjänst" — fråga "hur ser hela resan ut från att en kund hör av sig till att ärendet är stängt, och vilka steg kan vi ta bort helt." Punktinsatser på enskilda uppgifter är precis det mönster MIT-rapporten och de svenska siffrorna pekar ut som orsaken bakom de projekt som misslyckas.

4. Sätt en människa i "VIP-läge", inte i malpåse. Klarnas egen omformulering efter sin motgång är faktiskt den mest användbara modellen framåt: låt AI hantera volym och rutin, men bygg medvetet in mänsklig eskalering för komplexa, känsliga eller högvärdesärenden — och kommunicera det som en kvalitetsnivå, inte en reträtt.

5. Räkna på återanställningsrisken innan ni skär. Med Careerminds-siffrorna i handen bör varje beslutsunderlag om en AI-driven uppsägning innehålla ett scenario för "vad kostar det att ha fel", inte bara "vad sparar vi om vi har rätt."

6. Separera kommunikation från verklighet — internt först, och håll fast vid det över tid. IKEA-fallet visar att den goda historien (2021–2023) och den obekväma uppföljningen (2026) båda kan vara sanna samtidigt. Det som skiljer ett hederligt bolag från ett som ägnar sig åt AI-tvätt är inte om siffrorna någonsin blir sämre — det gör de för alla, förr eller senare — utan om man fortsätter redovisa ärligt när de gör det.

Femårsavkastningen på AI ligger inte i hur många rader ni kan stryka på ett organisationsschema i kvartal ett. Den ligger i hur obekvämt ni är villiga att bygga om arbetet i grunden — precis som de bolag som faktiskt vann på sociala medier för femton år sedan gjorde, och de som bara ville ha en snygg Facebook-sida inte gjorde. Det är, ärligt talat, en mycket mindre sexig historia att berätta för en styrelse. Men det är den enda som håller efter att pressmeddelandet är glömt.