KAPITEL 5: OPTIMA-PROCESSEN FÖR AI-AUTOMATION
Om du har läst OPTIMA-boken känner du igen strukturen. Sex faser som tar dig från nuläge till fungerande förbättring.
Men AI-automation kräver några justeringar av processen. Inte för att grundprincipen ändras – flaskhalsen först, sedan lösningen – utan för att AI tillför nya möjligheter och nya risker som vi måste hantera.
Den största skillnaden? Med klassisk automation vet vi exakt vad som kommer hända. Med AI-automation vet vi ungefär vad som kommer hända, och det räcker oftast.
Det kräver en annan typ av planering, testning och implementering.
De sex faserna – anpassade för AI
Här är OPTIMA-processen justerad för AI-automation:
Fas 1: Insikt & nuläge (med AI-fokus)
Klassisk OPTIMA: Kartlägg processer och flaskhalsar
AI-anpassning: + Kartlägg datatillgång och AI-möjligheter
Fas 2: Målbild & prioritering (AI-potential)
Klassisk OPTIMA: Sätt mål och prioritera förbättringar
AI-anpassning: + Identifiera var AI tillför unikt värde
Fas 3: Förberedelse & kunskap (AI-specifikt)
Klassisk OPTIMA: Förbered organisation och verktyg
AI-anpassning: + Datasäkerhet, testdata, AI-infrastruktur
Fas 4: Prototyp & test (FASM + AI)
Klassisk OPTIMA: Förenkla, Automatisera, Standardisera, Mät
AI-anpassning: + AI-träning, prompt-optimering, felhantering
Fas 5: Införande & uppskalning (AI-adoption)
Klassisk OPTIMA: Implementera och skala
AI-anpassning: + Användaracceptans för AI, kontinuerlig lärande
Fas 6: Uppföljning & spridning (AI-evolution)
Klassisk OPTIMA: Utvärdera och förbättra
AI-anpassning: + AI-utveckling, nya möjligheter
Låt oss gå igenom varje fas i detalj.
Fas 1: Insikt & nuläge – Vad kan AI förstärka?
I den här fasen gör vi samma grundläggande kartläggning som alltid, men lägger till en AI-dimension.
Klassisk kartläggning:
· Hur ser processerna ut idag?
· Var är flaskhalsarna?
· Vad tar tid? Vad skapar fel?
· Vem gör vad, när och varför?
AI-specifik kartläggning:
· Datatillgång: Vilken information finns tillgänglig digitalt?
· Dataformat: Strukturerad (databaser) eller ostrukturerad (mail, PDF)?
· Datavolym: Hur mycket data genereras per dag/vecka/månad?
· Datakvalitet: Är informationen korrekt, fullständig, konsekvent?
Konkret exempel: Byggföretaget
Klassisk kartläggning visade:
· Flaskhals: Kalkylering av komplexa projekt
· Problem: Tar 3-8 timmar per offert
· Orsak: Måste manuellt leta igenom gamla projekt för jämförelser
AI-kartläggning visade:
· Data finns: 500+ avslutade projekt med kalkyler
· Format: PDF-ritningar + Excel-kalkyler + Word-anteckningar
· Volym: 5-10 nya projekt per vecka
· Kvalitet: Bra för projekt efter 2020, sämre för äldre
AI-potential: Automatisk matchning av nya projekt mot historisk data
Verktyg för fas 1:
OPTIMERINGSCANVAS™ för AI – Samma canvas som tidigare, men med tillägg:
· AI-möjligheter: Var kan AI tillföra värde?
· Dataassets: Vilken data finns tillgänglig?
· Teknikmognad: Hur redo är organisationen för AI?
Fas 2: Målbild & prioritering – Där AI gör störst skillnad
Här definierar vi inte bara vad vi vill uppnå, utan specifikt var AI tillför unikt värde jämfört med klassisk automation.
AI:s unika värdeerbjudande:
1. Hantera ostrukturerad data
· Läsa PDF-dokument och extrahera nyckelinformation
· Förstå innehållet i mejl och kategorisera dem
· Analysera bilder och identifiera objekt/problem
2. Fatta kontextuella beslut
· Bedöma prioritet baserat på språk och sammanhang
· Identifiera avvikelser från normala mönster
· Matcha ny information mot historiska exempel
3. Lära sig från data
· Förbättra prestanda över tid
· Upptäcka nya mönster i stora datamängder
· Anpassa sig till förändringar i affären
Prioriteringsmatris för AI-automation:
Hög AI-effekt + Låg komplexitet:
· Kategorisering av inkommande mejl
· Extraktion av standardinformation från dokument
· Första klassificering av kundärenden
Hög AI-effekt + Hög komplexitet:
· Automatisk kontraktsanalys
· Intelligent projektmatchning
· Riskbedömning av nya affärer
Låg AI-effekt + Låg komplexitet:
· Klassisk automation räcker
· Fokusera på regelbaserade lösningar
Låg AI-effekt + Hög komplexitet:
· Undvik – dyrt och låg utdelning
Målbildsworkshop för AI
Vi kör workshoppen annorlunda för AI-automation:
1. Problemidentifiering (30 min)
· Vilka "det beror på"-moment finns i era processer?
· Var spenderar ni tid på att läsa, analysera, kategorisera?
· Vilka bedömningar gör ni om och om igen?
2. AI-brainstorming (30 min)
· Om AI kunde läsa och förstå era dokument – vad skulle det förändra?
· Om AI kunde komma ihåg allt ni gjort tidigare – hur skulle det hjälpa?
· Om AI kunde jobba 24/7 – vilka flaskhalsar skulle försvinna?
3. Prioritering (30 min)
· Rangordna baserat på affärseffekt och teknisk genomförbarhet
· Välj 1-3 konkreta områden att fokusera på
Fas 3: Förberedelse & kunskap – Skapa rätt förutsättningar
Den här fasen är kritisk för AI-automation. Mycket kan gå fel om man inte förbereder sig ordentligt.
Teknisk förberedelse:
Dataförberedelse:
· Samla och strukturera träningsdata
· Rensa bort känslig information enligt GDPR
· Skapa testmiljö med representativ data
Systemintegration:
· Kartlägg vilka system som behöver prata med varandra
· Planera för säker dataöverföring
· Säkerställ backup och återställningsmöjligheter
AI-infrastruktur:
· Välj plattform (cloud-baserad för skalbarhet)
· Sätt upp säkerhetsrutiner för AI-modeller
· Planera för monitorering och loggning
Organisatorisk förberedelse:
Kompetensutveckling:
· Grundläggande AI-förståelse för nyckelpersoner
· Träning i nya arbetsprocesser
· Förändringsledning för AI-adoption
Ansvarsfördelning:
· Vem äger AI-modellerna?
· Vem ansvarar för datakvalitet?
· Vem följer upp prestanda och förbättringar?
Juridisk & etisk förberedelse:
GDPR-uppfyllnad:
· Hur hanteras personuppgifter?
· Vilka rättigheter har individer?
· Hur säkerställs dataportabilitet och radering?
AI-etik:
· Transparens: Kan beslut förklaras?
· Rättvisa: Finns det bias i modellerna?
· Ansvar: Vem är ansvarig vid fel?
Case: Förberedelse för kontraktsanalys
Tekniskt:
· Samlade 50 kontrakt som träningsdata
· Anonymiserade känslig information
· Satte upp testmiljö med 10 nya kontrakt
Organisatoriskt:
· Tränade juridisk ansvarig i AI-verktyget
· Definierade kvalitetskrav för AI-output
· Skapade eskalationsprocess för komplexa fall
Juridiskt:
· Säkerställde att AI inte hanterar personuppgifter
· Definierade ansvar vid felaktig analys
· Skapade audit-trail för alla AI-beslut
Fas 4: Prototyp & test – FASM för AI
FASM-processen (Förenkla, Automatisera, Standardisera, Mät) måste anpassas för AI:
Förenkla – Innan AI träder in
För AI-automation:
· Eliminera onödig komplexitet i data
· Standardisera format och strukturer
· Skapa tydliga kategorier och etiketter
Exempel: Innan AI instrueras för att kunna kategorisera kundmejl – förenkla kategorierna från 12 till 5.
Automatisera – AI-implementering
Steg-för-steg:
1. Skapa instruktionen för modellen baserad på med exempel data
2. Testa på pilotdata och justera
3. Implementera i begränsad miljö
4. Övervaka prestanda kontinuerligt
5. Skala upp stegvis
AI-specifika överväganden:
· Börja med hög säkerhetsmarginal (låt människor dubbelkolla)
· Implementera feedback-loops för kontinuerlig förbättring
· Bygg in explicita felhanteringsrutiner
Standardisera – Göra AI förutsägbart
För AI-automation:
· Dokumentera vilken data som behövs för bra prestanda
· Skapa mallar för träning av nya AI-modeller
· Standardisera utvärdering och kvalitetskontroll
Mät – AI-specifika mätvärden
Tekniska mått:
· Noggrannhet (% korrekta beslut)
· Precision och recall
· Svarstider
· Felfrekvens
Affärsmått:
· Tid sparad per vecka
· Reducerade fel i processen
· Förbättrad kundnöjdhet
· ROI på AI-investering
Fas 5: Införande & uppskalning – AI-adoption
AI-automation kräver särskild uppmärksamhet på användaracceptans.
Gradvis utrullning:
Vecka 1-2: AI assisterar, människor beslutar
Vecka 3-4: AI föreslår, människor godkänner
Vecka 5-6: AI beslutar enkla fall, eskalerar komplexa
Vecka 7+: Full automation med periodisk kontroll
Kontinuerlig förbättring:
AI blir bättre med tiden:
· Samla feedback från användare
· Lägg till ny träningsdata regelbundet
· Uppdatera modeller baserat på nya mönster
· Anpassa till förändringar i affären
Förändringsledning för AI:
Vanliga rädslor:
· "AI kommer ersätta mig"
· "AI fattar fel beslut"
· "AI är för komplicerat att förstå"
Vår strategi:
· Visa AI som assistent, inte ersättare
· Var transparent om AI:s begränsningar
· Låt användare behålla kontroll
· Fira framgångar och lär av misstag
Fas 6: Uppföljning & spridning – AI-evolution
AI-automation utvecklas kontinuerligt, till skillnad från klassisk automation som ofta är "klar".
Kontinuerlig övervakning:
Prestanda över tid:
· Håller AI samma kvalitet?
· Finns det nya typer av fel?
· Har affären förändrats så att AI behöver anpassas?
Nya möjligheter:
· Vilka nya AI-kapaciteter har blivit tillgängliga?
· Kan befintliga lösningar utökas?
· Finns det nya användningsområden?
Spridning till nya områden:
Lärdomar från första implementeringen:
· Vad fungerade bra?
· Vad skulle gjorts annorlunda?
· Vilka generella principer kan återanvändas?
Identifiera nästa kandidat:
· Samma principer som första gången
· Men nu med erfarenhet och självförtroende
Slutsats: Disciplin med flexibilitet
OPTIMA för AI-automation kräver samma disciplin som alltid – fokus på flaskhalsen, tydliga mål, mätbara resultat.
Men det kräver också flexibilitet. AI utvecklas snabbt, och det som var omöjligt igår kan vara enkelt imorgon.
Nyckeln är att bygga en process som kan utvecklas tillsammans med tekniken, utan att tappa fokus på det som verkligen betyder något: att lösa verkliga affärsproblem för verkliga människor.
───── ⋆⋅☆⋅⋆ ─────
I nästa kapitel "Fas 1-2: Kartläggning och prioritering" går vi djupare in i hur man identifierar AI-möjligheter och väljer rätt projekt att börja med.