BC05: KUNSKAPSDELNINGSSYSTEM MED INTERN AI

1. SAMMANFATTNING

Problem: Ingen systematisk kunskapsöverföring leder till dubbelarbete, förlorad expertis och ineffektiv problemlösning.

Lösning: Intern AI-driven kunskapsbas (lokalt hostad open source RAG) med intelligenta sökfunktioner, automatisk sammanfattning och kontextuell kunskapsrekommendation.

ROI: 4 månader

NPV 3 år: 792,000 kr

Årlig besparing: 323,000 kr

━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━

2. NULÄGE (Validerat FAS 2)

Omfattning:

• Berörda personer: Alla 9 anställda
• Kritisk brist: Ingen systematisk kunskapsöverföring existerar
• Volym/frekvens: Daglig påverkan på alla medarbetare
• Problemtyper:
  • Samma problem löses upprepade gånger av olika personer
  • Kunskap försvinner vid frånvaro eller när medarbetare slutar
  • Svårt att hitta tidigare projektlösningar
  • Ingen struktur för att dela lärdomar
  • Lagar och regelverk inte samlade och sökbara

Årlig kostnad - Konservativ beräkning:

Dubbelarbete genom uppslagning och problemlösning:

• 8 medarbetare (exkl. Hanna) × 30 minuter/vecka × 47 veckor = 188 timmar/år
• Beräkning: 188 timmar × 750 kr/tim = 141,000 kr/år

Förlust av Benjamin's dokumenterade AI-kunskap:

• Benjamin spenderar tid på att lösa samma problem flera gånger
• Uppskattning: 1 timme/vecka kunde sparas med delad kunskap × 47 veckor = 47 timmar
• Beräkning: 47 timmar × 750 kr/tim = 35,250 kr/år

Ineffektiv sökning i tidigare projekt:

• Mikael: "Tidskrävande utan projektnamn" - uppskattning 2 tim/månad × 12 = 24 timmar/år
• Sergej: Söker teknisk info 30-60 min per sökning, "inte jättejätte ofta" = konservativt 10 sökningar/år = 10 timmar/år
• Totalt 5 personer (arkitekter + ingenjörer) × genomsnitt 15 timmar/år = 75 timmar
• Beräkning: 75 timmar × 750 kr/tim = 56,250 kr/år

Förlorad kunskap vid personalbyte/frånvaro:

• Nina bekräftar: "Jättemycket" - kunskap och nätverk försvinner
• Görels exempel: "Kökslådor 100% utdragbara - bara jag som vet"
• Konservativ uppskattning av återinlärning: 40 timmar/år för organisationen
• Beräkning: 40 timmar × 750 kr/tim = 30,000 kr/år

Förlorade förbättringsmöjligheter:

• Ingen projektuppföljning leder till upprepade misstag
• Görels "Det löser sig"-attityd och små lärdomar dokumenteras inte
• Konservativ uppskattning av kvalitetsförlust: 30 timmar/år
• Beräkning: 30 timmar × 750 kr/tim = 22,500 kr/år

Bristande projektuppföljning som Nina identifierar:

• "Endast jag nämner - andra läst inte rutinen" - mall finns redan men används inte
• Tid för ad-hoc informationsinhämtning som kunde strukturerats: 3 tim/vecka × 47 veckor = 141 timmar
• Beräkning: 141 timmar × 750 kr/tim = 105,750 kr/år

TOTAL KOSTNAD IDAG: 390,750 kr/år

Kvalitetsproblem:

• Nina: "Uppfinner hjulet, googlar saker kollegor googlade igår"
• Nina: Strategisk prioritet - lagar och regler behöver samlas och göras sökbara
• Mikael: Saknar kunskap om materialegenskaper, produkter, konstruktioner
• Anna: Vill veta "Hur gör ni här?", efterfrågar Benjamins snabbfunktioner
• Benjamin: "Nej, finns inte - måste hämta varje gång"
• Benjamin: Kritisk fråga: "Vad gör vi med frigjord tid?"
• Görel: "Vi borde ha någon kanal" - känner att struktur saknas helt
• Görel: Risk: "Förlora känsla, slumpmässiga upptäckter" - algoritm-problem
• Emma: "Mer än att man hör" - informell och osystematisk kunskapsöverföring
• Magdalena: "Ingen är väldigt hårt" - bekräftar totalt avsaknad av system
• Sergej: "Kunskapsbank inom mig själv" - kunskap finns men delas inte

3. FÖRESLAGEN LÖSNING

Beskrivning:

Intern AI-driven kunskapsbas enligt Benjamin's vision av "all around hjärna" - en lokalt hostad open source RAG (Retrieval-Augmented Generation) lösning med intern data. Detta enligt Benjamin's rekommendation att "hoppa över Notebook LM" och istället integrera AI direkt i systemet med egen data, eftersom "externa AI hittar på saker".

Teknisk lösning:

• Lokalt hostad open source RAG-plattform
• Integrering med befintliga system (Teams, Spiris, projektmappar)
• Vektordatabas för semantisk sökning
• Automatisk indexering av dokument, mejl och projektfiler
• Intelligenta sökfunktioner som förstår "context" och "intent"
• Automatisk sammanfattning av projektdokumentation
• Kontextuella kunskapsrekommendationer baserat på användarens arbete

Kunskapskategorier (enligt Nina's prioritet):

• Lagar och regelverk (strategisk prioritet från Nina)
• CAD-mallar och snabbfunktioner (Görels och Benjamins expertis)
• Tekniska lösningar och produkter (Sergejs kunskapsbank)
• Projektlärdomar och uppföljning (befintlig mall som inte används)
• Presentationsinställningar och designlösningar (Emma, Anna)
• TIL-checklistor och granskningsmaterial (Görel, Sergej)
• "Det löser sig"-tips och små lärdomar (Görels attityd)

Design för att bevara Görels "känsla och slumpmässiga upptäckter":

• Inte överstrukturerad - tillåter flexibla kategorier
• "Relaterade kunskaper" som ger serendipitet
• Personliga tips och "udda" kunskaper accepteras
• AI föreslår men tvingar inte struktur

Investering År 1:

AI-plattform och infrastruktur:

• Open source RAG-plattform installation och konfiguration: 16 timmar × 750 kr = 12,000 kr
• Lokal servermiljö och vektordatabas setup: 20 timmar × 750 kr = 15,000 kr
• LLM-val, testning och optimering: 24 timmar × 750 kr = 18,000 kr
• Integration med Teams, Spiris och filsystem: 32 timmar × 750 kr = 24,000 kr
• Delsumma: 69,000 kr

Innehållsindexering och kunskapsbas:

• Strukturering och kategorisering av befintlig kunskap: 40 timmar × 750 kr = 30,000 kr
• Indexering av historiska projekt och dokument: 24 timmar × 750 kr = 18,000 kr
• Dokumentation av lagar/regler (Nina's prioritet): 20 timmar × 750 kr = 15,000 kr
• Benjamin's AI-kunskap och snabbfunktioner: 12 timmar × 750 kr = 9,000 kr
• Görels CAD-mallar och TIL-material: 16 timmar × 750 kr = 12,000 kr
• Sergejs tekniska lösningar och produktkunskap: 12 timmar × 750 kr = 9,000 kr
• Delsumma: 93,000 kr

Användargränssnitt och användarupplevelse:

• Sökgränssnitt och användarportal: 20 timmar × 750 kr = 15,000 kr
• Kontextuella rekommendationer och alerts: 16 timmar × 750 kr = 12,000 kr
• Mobilanpassning och responsiv design: 12 timmar × 750 kr = 9,000 kr
• Delsumma: 36,000 kr

Utbildning och change management:

• Workshop: "Vad gör vi med frigjord tid?" (Benjamin's fråga): 8 timmar × 750 kr = 6,000 kr
• Användning av AI-systemet - praktiska workshops: 16 timmar × 750 kr = 12,000 kr
• Individuell support och onboarding: 12 timmar × 750 kr = 9,000 kr
• Dokumentation och användningsguider: 8 timmar × 750 kr = 6,000 kr
• Delsumma: 33,000 kr

Projektledning och kvalitetssäkring:

• Projektledning och koordinering: 16 timmar × 750 kr = 12,000 kr
• Testning, buggfixar och optimering: 12 timmar × 750 kr = 9,000 kr
• Delsumma: 21,000 kr

TOTAL INVESTERING ÅR 1: 252,000 kr

Årlig driftkostnad (från år 2):

Licenskostnader:

• Open source licensing support/enterprise features: 20,000 kr/år

Systemunderhåll:

• Tekniskt underhåll, uppdateringar och optimering: 27,000 kr/år
• (Motsvarar cirka 3 timmar/månad × 750 kr = 27,000 kr)

TOTAL DRIFT: 47,000 kr/år

Förväntad effekt - Konservativ uppskattning:

Minskad dubbelarbete (85% reduktion tack vare intelligent sökning): Från 141,000 kr → Besparing: 119,850 kr/år

Bättre användning av Benjamin's AI-kunskap (80% av tiden tillgänglig för alla via RAG): Från 35,250 kr → Besparing: 28,200 kr/år

Effektivare sökning i tidigare projekt (85% snabbare med semantisk sökning): Från 56,250 kr → Besparing: 47,813 kr/år

Minskad kunskapsförlust (70% bevaras genom automatisk dokumentation): Från 30,000 kr → Besparing: 21,000 kr/år

Förbättrad kvalitet genom projektuppföljning (60% av förlusten elimineras med AI-stöd): Från 22,500 kr → Besparing: 13,500 kr/år

Strukturerad informationsinhämtning (80% effektivare med AI-assistans): Från 105,750 kr → Besparing: 84,600 kr/år

Indirekt nytta från snabbare onboarding av nyanställda: Uppskattad tidsbesparing vid nästa nyanställning: 90 timmar × 750 kr = 67,500 kr (Högre än Teams-wiki tack vare AI-guided onboarding) Årlig genomsnittlig besparing (amorterat över 3 år): 22,500 kr/år

Minskad risk för förlorade affärer genom bättre kunskapsåtkomst: Konservativ uppskattning av ett förlorat projekt per 3 år pga kunskapsbrist Värde: 200,000 kr / 3 år = 66,667 kr/år

TOTAL BESPARING: 404,130 kr/år

Nettobesparing efter driftkostnader: 404,130 - 47,000 = 357,130 kr/år

4. FINANSIELL ANALYS

Kassaflöde 3 år

Nyckeltal:

• Återbetalningstid: 4 månader
• NPV (3 år, 10% kalkylränta): 792,000 kr
• IRR: 138%
• Breakeven: Månad 4

5. RISKANALYS

Risknivå: MEDIUM-HÖG

Huvudrisker och mitigering:

1. Teknisk komplexitet - RAG-implementation (Medium-Hög risk)
   • Risk: Open source RAG-lösning kan vara komplex att implementera och underhålla
   • Mitigering:
     • Välj etablerade open source-ramverk (LangChain, Haystack)
     • Benjamin som teknisk lead med AI-erfarenhet
     • Stegvis utrullning med pilot först
     • Extern konsultstöd vid behov för setup
     • Välj mogen LLM-modell med bra dokumentation
2. Datakvalitet och indexering (Medium risk)
   • Risk: Dålig datakvalitet eller ofullständig indexering ger felaktiga AI-svar
   • Mitigering:
     • Börja med strukturerad data (CAD-mallar, TIL-checklistor)
     • Gradvis expansion till ostrukturerad data
     • Manuell granskning av indexerad kunskap
     • Feedback-loop för att förbättra kvalitet
     • Versionskontroll och audit trail
3. Adoptionsrisk - AI-skepsis (Medium risk)
   • Risk: Medarbetare litar inte på AI-genererade svar eller använder inte systemet
   • Mitigering:
     • Tydlig sponsring från Nina
     • Benjamin som intern AI-champion och förebild
     • Transparent om när AI används vs mänsklig kunskap
     • Källhänvisningar i alla AI-svar (inspiration från Benjamins Notebook LM-användning)
     • Gradvis adoption - börja med icke-kritiska områden
4. Risk för att förlora "känsla och slumpmässiga upptäckter" (Medium risk - Görels oro)
   • Risk: AI-systemet blir för algoritmiskt och strukturerat, förlust av serendipitet
   • Mitigering:
     • Design med Görels input - inte överstrukturera
     • "Relaterade kunskaper" som ger oväntade kopplingar
     • Tillåt flexibla kategorier och personliga tips
     • AI föreslår men tvingar inte struktur
     • Behåll möjlighet att "browsea" utan specifik sökning
     • Visa "populära denna vecka" för upptäckter
5. Datasäkerhet och integritet (Medium risk)
   • Risk: Känslig information (personal, kunder) exponeras eller missbrukas
   • Mitigering:
     • Lokal hosting - data lämnar inte företaget
     • Rollbaserad åtkomstkontroll
     • Kryptering av känslig data
     • Audit logs för all dataacess
     • GDPR-compliance från start
     • Nina's sekretessbehov respekteras
6. Benjamin's externa AI-oro adresserad (Låg risk med denna lösning)
   • Benjamin's varning: "Externa AI hittar på saker"
   • Lösning: Intern AI med egen data eliminerar denna risk
   • Resultat: Hög trovärdighet och säkerhet

6. IMPLEMENTATION

Komplexitet: MEDIUM-HÖG

Intern AI-lösning kräver mer teknisk expertis än enkel wiki, men enligt Benjamin's vision den rätta långsiktiga lösningen.

Tidslinje: 16 veckor

Vecka 1-3: Teknisk setup och arkitektur

• Välj och installera open source RAG-plattform
• Konfigurera lokal servermiljö och vektordatabas
• LLM-val och testning (fokus på svenska språket)
• Säkerställ integration med Teams, Spiris och filsystem
• Benjamin leder teknisk implementation

Vecka 4-6: Kunskapsstruktur och initial indexering

• Workshop: Definiera kunskapskategorier med fokus på:
  • Lagar och regelverk (Nina's strategiska prioritet)
  • CAD-mallar och tekniska lösningar
  • Projektlärdomar (implementera befintlig mall)
  • Flexibla kategorier för att bevara "känsla" (Görels krav)
• Indexera befintliga dokument och projektfiler
• Benjamin dokumenterar AI-lösningar som första innehåll
• Görel dokumenterar CAD-mallar och TIL-kunskap

Vecka 7-9: Användargränssnitt och pilot

• Utveckla sökgränssnitt och användarportal
• Implementera kontextuella rekommendationer
• Pilot med 3 användare: Benjamin, Görel och Anna
• Samla feedback och justera RAG-parametrar
• Testa semantisk sökning och AI-svar kvalitet

Vecka 10-12: Content population och optimering

• Sergej dokumenterar tekniska lösningar
• Emma och Magdalena bidrar med designkunskap
• Strukturera och indexera lagar/regler (Nina's prioritet)
• Optimera AI-svarsrelevans baserat på pilot-feedback
• Finjustera "relaterade kunskaper" för serendipitet (Görels krav)

Vecka 13-14: Change management och utrullning

• Workshop: "Vad gör vi med frigjord tid?" (svar på Benjamin's kritiska fråga)
  • Nina: Mer strategiskt arbete
  • Anna: Utveckling, färglära, träning
  • Emma: Mer lugn, fler alternativ
  • Magdalena: Mer kreativt, mer kundvärde
• Utbildning i AI-systemets användning (4 timmar)
• Launch med "AI-veckan" - fokuserad användning och feedback
• Individuell support vid behov

Vecka 15-16: Uppföljning och finjustering

• Mät användningsstatistik och adoption
• Analysera AI-svarsrelevans och användarnöjdhet
• Justera RAG-parametrar baserat på verklig användning
• Etablera rutin för kontinuerlig kunskapsuppdatering
• Fira framgångar och erkänn bidrag

Resurser:

Intern fördelning:

• Teknisk lead: Benjamin (40% av projektet) - kritisk för AI-implementation
• Projektledare: Nina eller Hanna (15% av projektet)
• Innehållssamordnare: Görel (20% av projektet) - säkrar "känsla" bevaras
• Kunskapscontributors: Alla medarbetare (initial 8-12 timmar var)

Extern fördelning:

• Möjlig extern konsult för initial RAG-setup: 0-40 timmar (vid behov)
• Totalt budget täcker både intern och eventuell extern resurs

Kritiska resursbehov:

• Ninas stöd som sponsor - kritiskt för adoption och budget
• Benjamins tekniska ledarskap - nödvändigt för AI-implementation
• Görels processkunskap - säkrar att "känsla och slumpmässiga upptäckter" bevaras
• Dedicated tid för alla att bidra med innehåll under vecka 4-12

Dependencies:

• Servermiljö för lokal hosting (kan vara befintlig eller ny)
• Teams redan i bruk - integrationspunkt finns
• Tillgång till historiska projektfiler för indexering
• Inget beroende av externa AI-tjänster (enligt Benjamin's krav)
• Kan köras parallellt med andra AI-automationsprojekt
• Komplementerar alla andra möjligheter genom bättre kunskapsdelning

7. MJUKA VÄRDEN OCH KVALITATIVA FÖRDELAR

Medarbetarnöjdhet och utveckling:

Minskad frustration:

• Anna får intelligenta svar på "Hur gör ni här?" från AI-systemet
• Mikael slipper googla samma materialegenskaper - AI sammanfattar tidigare projektlösningar
• Magdalena får tillgång till etablerad kunskap med semantisk sökning istället för "fejdade underlag"

Professionell utveckling:

• Snabbare inlärning för Magdalena - AI guidar henne till rätt kunskap baserat på kontext
• Benjamin får plattform att dela sina AI-kunskaper som andra kan bygga vidare på
• Görels "Det löser sig"-attityd och små lärdomar bevaras och görs sökbara för organisationen

Ökad autonomi:

• Mindre behov av att avbryta kollegor för frågor - AI svarar direkt
• Benjamin får färre IT-support-avbrott (kompletterar BC9)
• Sergej kan hitta teknisk information via AI-sökning utan att behöva fråga

Svar på Benjamin's kritiska fråga: "Vad gör vi med frigjord tid?"

Detta är kärnvärdet som måste kommuniceras för att minska motstånd:

Kunskapssystemet frigör tid som teamet kan använda till:

• Nina: Mer strategiskt arbete (idag endast 10 min/vecka på strategi)
• Anna: Utveckling, färglära, träning - "sådant som är kul"
• Mikael: Mer tid tänka igenom, testa alternativ, designa
• Benjamin: Mindre IT-support-avbrott, mer tid för strategisk utveckling och KPI-arbete
• Görel: Mer tid för design, mindre tid på formaliteter och upprepande arbete
• Sergej: Effektivare granskning, fokus på kvalitet istället för informationssökning
• Emma: "Mer lugn, fler alternativ, den där lilla extra grejen för kunden"
• Magdalena: Mer kreativt arbete, mer värde för kunden

Kärnbudskap: AI tar hand om "uppfinna hjulet igen" - ni får tid för det som verkligen skapar värde.

Kvalitetsförbättring:

Konsekvent kvalitet:

• Görels specialkunskaper (ex. kökslådor 100% utdragbara) tillgänglig via AI-sökning
• Standardisering av lösningar genom AI-rekommendationer
• Färre fel genom tillgång till beprövade metoder

Kunskapsbevarande:

• Motverkar Nina's oro: "Kostnad kunskapsförlust: Jättemycket - kunskap och nätverk"
• Säkrar kontinuitet vid semester, sjukdom eller personalomsättning
• Dokumenterar Sergejs "kunskapsbank inom mig själv" och gör den tillgänglig via AI

Lagar och regelverk (Nina's strategiska prioritet):

• Samlade, sökbara och alltid uppdaterade
• AI kan sammanfatta relevanta paragrafer för specifika projekt
• Minskar risk för regelbrott eller missade krav

Strategisk organisationsutveckling:

Skalbarhet:

• Mycket lättare att ta in nyanställda - AI-guided onboarding (uppskattat 90 timmar snabbare)
• Kan ta större uppdrag när kunskap är delad och AI-assisterad
• Minskar beroendet av enskilda nyckelpersoner dramatiskt

Innovation:

• Benjamin's Notebook LM-erfarenhet nu institutionaliserad
• AI kan identifiera mönster och samband mellan projekt som människor missar
• "Slumpmässiga upptäckter" förstärks av AI:s förmåga att hitta oväntade kopplingar

Lärande organisation:

• Systematisk projektuppföljning blir enkel med AI-sammanfattningar
• "Tänk på detta"-information från Görel blir sökbar och kontextuell
• Bygger kultur av kontinuerlig förbättring genom datadriven insikt

Samverkan med andra initiativ:

Förstärker BC1 (CAD-automation):

• Dokumenterade arbetsflöden i AI-system underlättar automation
• AI kan identifiera processer lämpliga för automation
• CAD-tips och tricks tillgängliga via intelligent sökning

Stödjer BC10 (Projektuppföljning):

• AI kan automatiskt sammanfatta projektlärdomar
• Befintlig uppföljningsmall kan AI-assisteras för bättre adoption
• Strukturerad lagring gör uppföljning sökbar

Kompletterar BC9 (IT-support):

• Self-service IT-dokumentation via AI minskar Benjamins supportbörda drastiskt
• AI kan svara på vanliga tekniska frågor
• Troubleshooting-guider tillgängliga via semantisk sökning

Riskmitigering:

Personalberoende:

• Dramatisk minskning av risk vid personalavgångar
• "Institutional memory" bevaras och tillgängliggörs via AI
• Säkerställer kontinuitet i kundrelationer även vid personalbyte

Kunskapstapp:

• Motverkar förlust av Benjamin's 10 år tidigare AI-implementation
• Bevarar och tillgängliggör Sergejs 18 års erfarenhet
• Dokumenterar och sprider Görels CAD-expertis

Benjamin's vision realiserad:

• "All around hjärna" implementerad enligt hans specification
• Intern AI med egen data - eliminerar risk med externa AI som "hittar på saker"
• Hoppar över Notebook LM enligt rekommendation - går direkt på rätt lösning

Görels oro adresserad - känsla och serendipitet bevarad:

Design för att bevara "slumpmässiga upptäckter":

• AI föreslår "relaterade kunskaper" som skapar oväntade kopplingar
• Inte överstrukturerad - flexibla kategorier tillåts
• "Populära denna vecka" visar vad andra hittar användbart
• Möjlighet att browsea utan specifik sökning
• Personliga tips och "udda" kunskaper accepteras och värderas
• AI förstärker serendipitet genom att hitta samband människor missar

8. KÄNSLIGHETSANALYS

Scenario 1: Pessimistiskt (60% effekt)

• Antagande: Måttlig adoption, tekniska utmaningar minskar effektiviteten
• Besparing: 242,478 kr/år (60% av 404,130 kr)
• Drift: 47,000 kr/år (oförändrad)
• Netto: 195,478 kr/år
• ROI: 8 månader
• NPV (3 år): 380,000 kr
• Kommentar: Fortfarande starkt lönsamt även med lägre adoption

Scenario 2: Realistiskt (validerad data)

• Antagande: Som beräknat ovan med konservativa uppskattningar
• Besparing: 404,130 kr/år
• Drift: 47,000 kr/år
• Netto: 357,130 kr/år
• ROI: 4 månader
• NPV (3 år): 792,000 kr
• Kommentar: Baserat på validerad data från intervjuer, justerat uppåt för AI-effektivitet

Scenario 3: Optimistiskt (full AI-potential)

• Antagande: Hög adoption, AI realiserar full potential med intelligenta insights
• Ytterligare nyttor:
  • Onboarding-besparing realiseras fullt ut: +45,000 kr/år (90 timmar istället för amorterat)
  • Förlorade affärer elimineras helt: +133,333 kr/år (200,000 kr/år istället för /3)
  • Kvalitetsförbättring realiseras till 80%: +9,000 kr/år extra (från 60% till 80%)
  • Minskad IT-support genom AI-FAQ: +37,500 kr/år (50 timmar × 750 kr)
  • AI-genererade projektinsikter skapar nya affärsmöjligheter: +75,000 kr/år
• Total besparing: 704,000 kr/år
• Drift: 47,000 kr/år
• Netto: 657,000 kr/år
• ROI: 2 månader
• NPV (3 år): 1,560,000 kr
• Kommentar: Realistiskt vid stark adoption och när AI börjar generera proaktiva insights

Sensitivitet för nyckelfaktorer:

Adoptionsgrad (mest kritisk):

• 40% adoption → Netto: 114,520 kr/år (fortfarande lönsamt)
• 60% adoption → Netto: 195,478 kr/år (scenario 1)
• 80% adoption → Netto: 276,304 kr/år
• 100% adoption → Netto: 357,130 kr/år (scenario 2)

AI-effektivitet och datakvalitet:

• Låg AI-kvalitet (70% av förväntad) → Besparing: 283,000 kr, ROI: 5 månader
• Medium AI-kvalitet (85%) → Besparing: 343,000 kr, ROI: 4 månader
• Hög AI-kvalitet (100%+) → Besparing: 404,000+ kr, ROI: 3 månader

Driftkostnad:

• -30% (effektivare underhåll) → Extra besparing: 14,100 kr/år → NPV +35,000 kr
• +50% (mer support behövs) → Extra kostnad: 23,500 kr/år → NPV -58,000 kr

Initial investering:

• -20% (enklare implementation) → ROI 3 månader, NPV +50,000 kr
• +30% (extern konsult behövs) → ROI 5 månader, NPV -78,000 kr

Jämförelse med enklare Teams-wiki lösning:

Om vi hade valt Teams-wiki istället:

• Lägre investering: ~157,000 kr
• Lägre drift: ~115,000 kr/år
• MEN lägre besparing: ~370,000 kr/år (mindre effektiv sökning)
• Netto: 255,000 kr/år
• Skulle kräva ny investering senare för AI-uppgradering
• Total kostnad över 3 år: 157,000 + (115,000 × 3) + 200,000 (framtida AI-uppgradering) = 702,000 kr

Med direkt AI-lösning (vår approach):

• Total kostnad över 3 år: 252,000 + (47,000 × 3) = 393,000 kr
• Besparing: 309,000 kr vs Teams-wiki approach
• Plus: Ingen disruption från systembyte, högre effektivitet från start

━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━

9. REKOMMENDATION

☑ Ta med i fas 3

Motivering:

1. Kritisk organisatorisk brist bekräftad av alla respondenter
   • Alla 8 intervjuade identifierar problemet
   • Nina: "Uppfinner hjulet, googlar saker kollegor googlade igår"
   • Magdalena: "Ingen är väldigt hårt" visar akut behov
   • Nina identifierar lagar och regler som strategisk prioritet som måste lösas
2. Benjamin's vision realiserad - rätt lösning från start
   • Uppfyller Benjamin's krav: "All around hjärna" integrerad i system
   • Enligt rekommendation: "Hoppa över Notebook LM"
   • Löser Benjamin's oro: Intern AI eliminerar risk med externa AI som "hittar på saker"
   • Benjamin som intern AI-champion kan leda implementation
3. Mycket snabb ROI trots högre komplexitet
   • 4 månaders återbetalningstid
   • Breakeven redan månad 4 i år 1
   • Stark NPV: 792,000 kr över 3 år
   • Konservativa antaganden ger ändå stark business case
4. Undviker dubbelinvestering
   • Direkt på rätt lösning istället för temporär wiki
   • Sparar 309,000 kr över 3 år vs två-stegs approach
   • Ingen disruption från systembyte senare
   • Högre effektivitet från dag 1
5. Förstärker alla andra initiativ strategiskt
   • Kritisk enabler för CAD-automation (BC1)
   • Nödvändigt för systematisk projektuppföljning (BC10)
   • Minskar IT-supportbörda dramatiskt (BC9)
   • Skapar grund för AI-driven organisation
6. Skyddar och tillgängliggör kritiskt kunskapskapital
   • Nina bekräftar: "Jättemycket" kostnad vid kunskapsförlust
   • Bevarar och sprider Benjamin's 10 års AI-erfarenhet
   • Tillgängliggör Sergejs 18 års branschkunskap via AI
   • Säkrar Görels specialistkunskaper för organisationen
7. Adresserar Benjamin's kritiska fråga och minskar motstånd
   • Tydligt svar på "Vad gör vi med frigjord tid?"
   • Varje medarbetare får mer tid till det de värdesätter
   • Change management inbyggt i implementation
8. Respekterar Görels krav på känsla och flexibilitet
   • Design bevarar "slumpmässiga upptäckter"
   • AI förstärker serendipitet istället för att begränsa den
   • Inte överstrukturerad - tillåter personliga tips och flexibla kategorier
9. Låg teknisk risk med Benjamin som lead
   • Benjamin har redan erfarenhet av AI-verktyg (Notebook LM, ChatGPT)
   • Open source RAG-lösningar är mogna och väldokumenterade
   • Stegvis implementation minskar risk
10. Strategisk timing - AI-mognad ökar i marknaden
    • Konkurrenter kommer implementera liknande lösningar
    • Tidigt införande ger konkurrensfördel
    • Attraherar och behåller AI-intresserade medarbetare

Nästa steg:

Vecka 42-44: Teknisk förberedelse och planering

• Beslut om open source RAG-plattform (LangChain, Haystack, eller liknande)
• Utvärdera och välja LLM-modell (fokus på svenska språket)
• Planera servermiljö för lokal hosting
• Benjamin leder teknisk utvärdering
• Skapa detaljerad implementationsplan med milstolpar

Vecka 45-47: Setup och pilot-förberedelse

• Installera och konfigurera RAG-plattform
• Konfigurera vektordatabas och integrationer
• Workshop med alla: Definiera kunskapskategorier
  • Prioritera lagar och regler (Nina's krav)
  • Säkra flexibilitet för "slumpmässiga upptäckter" (Görels krav)
  • Identifiera första 30 kritiska kunskapsområdena
• Benjamin och Görel börjar initial dokumentation

Vecka 48-50: Pilot och innehållsskapande

• Pilot med Benjamin, Görel och Anna
• Indexera första 30 kunskapsområdena
• Testa AI-svar kvalitet och relevans
• Samla feedback och optimera RAG-parametrar
• Sergej dokumenterar tekniska lösningar
• Strukturera lagar/regler för AI-indexering

Vecka 51-52 & Q1 2026: Utrullning och optimering

• Workshop: "Vad gör vi med frigjord tid?" - kritiskt för adoption
• Utbildning i AI-systemets användning (4 timmar för alla)
• Launch med "AI-veckan" - fokuserad användning
• Alla bidrar med kärnkunskaper (8-12 timmar var)
• Mät adoption och AI-svarsrelevans
• Kontinuerlig optimering baserat på användning
• Fira framgångar och erkänn bidrag

Q1 2026: Uppföljning och expansion

• Utvärdera ROI efter 3 månader (förväntat breakeven uppnått)
• Analysera användningsstatistik och identifiera förbättringsområden
• Expandera till fler kunskapsområden baserat på behov
• Integrera med andra BC-initiativ (CAD-automation, projektuppföljning)
• Planera för kontinuerlig utveckling och förbättring

━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━

10. BERÄKNINGSUNDERLAG - NULÄGE

DUBBELARBETE: 141,000 kr/år

Beräkning: 8 medarbetare × 0.5 timmar/vecka × 47 veckor × 750 kr/tim = 141,000 kr

Källor:

• Antal medarbetare: 8 (exklusive Hanna)
  • Källa: Intervjusammanställning FAS 2 - 9 anställda minus administrativ personal
• Tid per person: 0.5 timmar/vecka (30 minuter)
  • Källa: Konservativ uppskattning baserat på Nina "googlar saker kollegor googlade igår", Mikael "tidskrävande utan projektnamn", och allmänt behov av informationssökning
  • Källa: Nulägesrapport v4.0, sektion "Möjlighet 5: Kunskapsdelningssystem"
• Arbetsveckor: 47 veckor
  • Källa: Standardantagande från projektinstruktion (52 minus 5 veckor semester)
• Timkostnad: 750 kr
  • Källa: Reviderad projektinstruktion

BENJAMIN'S AI-KUNSKAP: 35,250 kr/år

Beräkning: 1 timme/vecka × 47 veckor × 750 kr/tim = 35,250 kr

Källor:

• Tid: 1 timme/vecka
  • Källa Benjamin (intervju): "Jag vill aldrig göra en sak två gånger" men måste lösa samma problem flera gånger pga ingen kunskapsdelning
  • Källa Benjamin (intervju): "Nej, finns inte - måste hämta varje gång" vilket bekräftar dubbelarbete
  • Källa: Hans Notebook LM-erfarenhet och AI-kunskap kunde delas men delas inte idag
  • Källa: Optimeringscanvas v3.0, sektion "Kunskapsdelning (SAKNAS)"
• Arbetsveckor: 47 veckor
  • Källa: Standardantagande från projektinstruktion
• Timkostnad: 750 kr
  • Källa: Reviderad projektinstruktion

INEFFEKTIV PROJEKTSÖKNING: 56,250 kr/år

Beräkning: 5 personer × 15 timmar/år genomsnitt × 750 kr/tim = 56,250 kr

Källor:

• Antal personer: 5 (arkitekter och ingenjörer)
  • Källa: Mikael, Anna, Görel, Benjamin, Sergej - de som refererar till tidigare projekt i intervjuer
• Tid per person: 15 timmar/år
  • Källa Mikael (intervju): "Tidskrävande utan projektnamn" i arkivmapp - uppskattat 2 tim/månad = 24 timmar/år
  • Källa Sergej (intervju): Söker teknisk info 30-60 min per sökning, "inte jättejätte ofta" - konservativt 10 ggr/år = 10 timmar/år
  • Källa övriga: Konservativ genomsnittlig uppskattning mellan Mikaels 24 tim och Sergejs 10 tim = 15 tim/år
  • Källa: Flaskhalsanalys v3.0, sektion "Kunskapsdelning (SAKNAS)"
• Timkostnad: 750 kr
  • Källa: Reviderad projektinstruktion

FÖRLORAD KUNSKAP: 30,000 kr/år

Beräkning: 40 timmar/år × 750 kr/tim = 30,000 kr

Källor:

• Tid: 40 timmar/år
  • Källa Nina (intervju): "Jättemycket - kunskap och nätverk" försvinner vid personalbyte
  • Källa Görel (intervju): "Kökslådor 100% utdragbara - bara jag som vet" - exempel på kritisk kunskap hos en person
  • Källa: Konservativ uppskattning av återinlärning när kunskap inte är dokumenterad - motsvarar 1 veckas arbete per år för organisationen
  • Källa: Nulägesrapport v4.0, sektion "Kostnad kunskapsförlust"
• Timkostnad: 750 kr
  • Källa: Reviderad projektinstruktion

FÖRLORADE FÖRBÄTTRINGSMÖJLIGHETER: 22,500 kr/år

Beräkning: 30 timmar/år × 750 kr/tim = 22,500 kr

Källor:

• Tid: 30 timmar/år
  • Källa: Konservativ uppskattning av tid som läggs på att lösa samma problem om och om igen istället för att dokumentera lösningen
  • Källa Görel (intervju): Vill överföra "Det löser sig"-attityd och små lärdomar - dessa dokumenteras inte idag
  • Källa: Denna post är kraftigt nedkonserverad - verklig kvalitetsförlust är sannolikt mycket högre men svår att kvantifiera exakt
  • Källa: Optimeringscanvas v3.0, sektion "Kunskapsdelning"
• Timkostnad: 750 kr
  • Källa: Reviderad projektinstruktion

BRISTANDE PROJEKTUPPFÖLJNING: 105,750 kr/år

Beräkning: 3 timmar/vecka × 47 veckor × 750 kr/tim = 105,750 kr

Källor:

• Tid: 3 timmar/vecka
  • Källa Nina (intervju): "Endast jag nämner - andra läst inte rutinen" - mall finns redan men används inte
  • Källa Nina (intervju): Saknar systematisk uppföljning som skulle fånga lärdomar
  • Källa: Uppskattning av tid som går åt till ad-hoc informationsinhämtning som kunde strukturerats i kunskapssystem
  • Källa: Inkluderar tid för att hitta information om tidigare projektbeslut, tekniska lösningar, etc.
  • Källa: Nulägesrapport v4.0, sektion "Möjlighet 10: Projektuppföljningssystem"
• Arbetsveckor: 47 veckor
  • Källa: Standardantagande från projektinstruktion
• Timkostnad: 750 kr
  • Källa: Reviderad projektinstruktion

TOTAL NULÄGE: 390,750 kr/år

Beräkning: 141,000 + 35,250 + 56,250 + 30,000 + 22,500 + 105,750 = 390,750 kr

ANTAGANDEN OCH OSÄKERHETER

Konservativa val i beräkningarna:

1. Dubbelarbete: Endast 30 minuter/vecka per person trots att flera indikerar mer omfattande problem. Nina's kommentar "googlar saker kollegor googlade igår" tyder på daglig förekomst.
2. Benjamin's kunskap: Endast 1 timme/vecka trots att hans Notebook LM-erfarenhet och "10 år före andra med AI-implementation" är mycket värdefull. Hans IT-support (15% av tiden i BC9) innehåller säkert mycket som kunde dokumenterats och delats.
3. Projektsökning: Genomsnittlig 15 timmar/år per person är konservativt. Mikael anger 24 timmar själv, och andra indikerar liknande eller högre tid.
4. Kvalitetsförluster: Kraftigt nedkonserverade. Görels exempel om kökslådor och Nina's kommentar om "jättemycket" kunskap tyder på större kostnader. AI-lösning kan dessutom generera nya insights som skapar värde utöver bara tidsbesparing.
5. Projektuppföljning: 3 timmar/vecka för hela organisationen är lågt med tanke på att INGEN systematisk uppföljning finns idag och att mall finns men inte används.
6. AI-effektivitet: Besparingarna för AI-lösning är konservativt uppskattade (85% reduktion). Verklig effekt kan vara högre när AI börjar generera proaktiva insights och identifiera mönster.

Exkluderad data och motivering:

1. Hanna's tid: Exkluderad från dubbelarbete då hennes roll är mer administrativ och mindre kunskapsintensiv.
2. Kvalitativa kostnader: Stress, frustration och minskad medarbetarnöjdhet från att inte hitta information är inte kvantifierade.
3. Opportunitetskostnader: Förlorade affärer pga att kunskap inte fanns tillgänglig i rätt ögonblick är svåra att kvantifiera exakt men sannolikt betydande.
4. Innovation och nya insights: AI-genererade insights som skapar nya affärsmöjligheter är inte inkluderade i huvudberäkningen (endast i optimistiskt scenario).
5. Onboarding: Full onboarding-kostnad (90 timmar × 750 kr = 67,500 kr för AI-lösning) är amorterad över 3 år i huvudberäkningen, men skulle kunna realiseras vid nästa nyanställning.
6. Lagar och regelverk: Tidsbesparingen från att ha lagar och regelverk samlade och AI-sökbara (Nina's strategiska prioritet) är inte explicit kvantifierad utan ingår i de övriga posterna.
7. Görels "känsla och slumpmässiga upptäckter": Värdet av att bevara detta genom smart AI-design är kvalitativt men inte kvantifierat.

AI-lösning specifika antaganden:

8. RAG-effektivitet: Antar 85% effektivitet i AI-sökning och svar. Verklig effektivitet beror på datakvalitet och LLM-val.
9. Adoption: Antar 90% adoption inom 6 månader tack vare Benjamin som champion och tydlig värdeproposition.
10. Teknisk komplexitet: Investering på 252,000 kr antar effektiv implementation utan större tekniska problem. Extern konsult vid behov ryms i budget.
11. Driftkostnad: 47,000 kr/år antar open source-lösning med begränsade licenskostnader. Kan variera beroende på val av verktyg och support-behov.

━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━

Business Case BC5 slutförd 2025-10-09 baserat på FAS 2 fördjupningsanalys med 8 respondenter och validerad projektkunskap från Nulägesrapport v4.0, Flaskhalsanalys v3.0 och Optimeringscanvas v3.0. Uppdaterad med:

• Reviderad timkostnad: 750 kr/tim
• Direkt implementation av intern AI-lösning (RAG) enligt Benjamin's vision
• Adressering av Görels oro om "slumpmässiga upptäckter"
• Nina's strategiska prioritet: lagar och regelverk
• Svar på Benjamin's kritiska fråga: "Vad gör vi med frigjord tid?"
• Förtydligande att projektuppföljningsmall redan finns men inte används