KAPITEL 6: FAS 1-2: KARTLÄGGNING OCH PRIORITERING

"Vi behöver AI," säger kunden.

"Okej," svarar jag. "Vad för problem ska vi lösa?"

"Ja... vi behöver bli mer effektiva."

"Var specifikt?"

"Överallt."

Det här samtalet händer varje vecka. Företag vet att AI kan hjälpa dem, men de vet inte var eller hur. De har läst artiklarna, hört konkurrenterna prata, och känt pressen att "göra något med AI."

Men AI för AI:s skull är en garanti för misslyckande.

Framgångsrik AI-automation börjar aldrig med tekniken. Den börjar med att förstå var tiden försvinner, var felen uppstår, och var människor gör samma bedömningar om och om igen.

Det är vad fas 1 och 2 handlar om.

Fas 1: Insikt & nuläge – Kartläggning med AI-glasögon

Klassisk processkartläggning

Vi börjar alltid med grunderna. Innan vi pratar AI kartlägger vi:

Nyckelprocesser: Offert, order, leverans, fakturering, kundtjänst
Flödesanalys: Vad händer, i vilken ordning, vem gör vad
Tidsanalys: Hur lång tid tar varje steg i verkligheten
Flaskhalsar: Var väntar jobbet, var uppstår köer, var fattas beslut
Felanalys: Vad går fel, hur ofta, vad kostar det

Tillägget: AI-potential kartläggning

Men för AI-automation lägger vi till fyra kritiska dimensioner:

1. Dataflödesanalys

Frågor vi ställer:
·         Vilken information skapas i varje steg?
·         I vilket format lagras den (Word, PDF, Excel, databas)?
·         Vem använder informationen senare?
·         Finns det kopplingar mellan olika informationskällor?

Exempel från byggföretag:
·         Offertprocess: Ritningar (PDF) → Kalkyl (Excel) → Kontrakt (Word)
·         Projektuppföljning: Tidrapporter (mobil app) → Fakturering (affärssystem)
·         Problemrapportering: Foton (telefon) → Beskrivning (mejl) → Åtgärd (manuell)

2. Repetitionsmönster

Frågor vi ställer:
·         Vilka typer av bedömningar görs om och om igen?
·         Finns det "det här liknar projekt X"-moment?
·         Vilka beslut fattas baserat på mönsterigenkänning?

Exempel:
·         Riskbedömning av nya kunder
·         Kategorisering av inkommande ärenden
·         Prioritering av underhållsåtgärder
·         Kvalitetskontroll av leverantörsfakturor

3. Ostrukturerad informationshantering

Frågor vi ställer:
·         Hur mycket tid spenderas på att läsa dokument?
·         Vilka dokument innehåller kritisk information?
·         Hur extraheras nyckelinformation från text/bilder?

Vanliga kandidater:
·         Kontrakt och avtal
·         Kundmejl och förfrågningar
·         Tekniska specifikationer
·         Kvalitetsrapporter
·         Säkerhetsprotokoll

4. Expertkunskap som används repetitivt

Frågor vi ställer:
·         Vilka bedömningar kräver expertkunskap men görs ofta?
·         Var använder experter "magkänsla" baserad på erfarenhet?
·         Vilka beslut skulle kunna fattas av mindre erfaren personal med rätt stöd?

AI-kartläggningsverktyg: Den utvidgade canvasen

Vi använder OPTIMERINGSCANVAS™ med tillägg för AI:

Original canvas:
1.        Flöde (steg för steg)
2.       Människor (roller)
3.       Teknik/System
4.       Dataflöden
5.       Flaskhalsar (TOC)
6.       Friktion och gnissel

AI-tillägg:
7.       AI-möjligheter - Var kan AI tillföra värde?
8.       Dataassets - Vilken data finns tillgänglig?
9.       Expertbedömningar - Vilka beslut fattas baserat på erfarenhet?
10.     Ostrukturerat innehåll - Vad läses/analyseras manuellt?

Case: Kartläggning hos teknikkonsult

Företag: 30 anställda, teknisk projektledning
Utgångspunkt: "Vi spenderar för mycket tid på administration"

Klassisk kartläggning visade:

·         Flaskhals: Projektrapportering tog 4 timmar/vecka per projektledare
·         Problem: Information fanns i 5 olika system
·         Kostnad: 120 timmar/månad för rapportskrivning

AI-kartläggning visade:

·         Dataassets: Alla projektdata fanns digitalt i strukturerad form
·         Repetition: 80% av rapporterna hade samma grundstruktur
·         Ostrukturerad info: Statusuppdateringar från underleverantörer via mejl
·         Expertbedömning: Riskanalys baserad på projektledarens erfarenhet

AI-potential identifierad:

1.        Automatisk sammanställning av projektdata från olika system
2.       AI-analys av mejlkorrespondens för statusuppdatering
3.       Automatisk rapportgenerering med standardformat
4.       Intelligenta varningar baserat på avvikelser i projektdata

Fas 2: Målbild & prioritering – Välja rätt AI-projekt

Målbildsworkshop för AI-automation

Vi kör workshoppen i tre steg:

Steg 1: Problemformulering (45 minuter)

Övning 1: "Det tar för lång tid att..." (15 min) Alla skriver ner 5 saker som tar onödigt lång tid. Fokus på informationshantering och bedömningar.

Övning 2: "Vi gör samma bedömning om och om igen när..." (15 min)
Identifiera repetitiva beslutssituationer där erfarenhet och mönsterigenkänning används.

Övning 3: "Om vi kunde läsa/förstå/komma ihåg allt automatiskt..." (15 min) Brainstorma kring vad som skulle förändras om AI kunde hantera all informationsbearbetning.

Steg 2: AI-potentialanalys (45 minuter)

För varje identifierat problem analyserar vi:

AI-lämplighet:
·         Finns strukturerad eller ostrukturerad data?
·         Är problemet repetitivt nog för att motivera automation?
·         Kan AI tillföra något som klassisk automation inte kan?

Teknisk genomförbarhet:
·         Finns träningsdata tillgänglig?
·         Är problemet definierat nog för AI att lära sig?
·         Finns integrationer till nödvändiga system?

Affärseffekt:
·         Hur mycket tid/pengar kan sparas?
·         Påverkar det en flaskhals eller bara effektiviserar något som redan fungerar?
·         Finns sekundära effekter (kvalitet, kundnöjdhet, etc.)?

Steg 3: Prioritering (30 minuter)

Vi använder vår AI-automations matris:

 Quick Wins: Starta här - hög effekt och AI tillför tydligt värde
Klassisk automation: Hög effekt men AI onödigt - använd enklare verktyg
Senare: Låg prioritet nu, kanske intressant senare
Ignorera: Gör något annat istället

Prioriteringskriterier för AI-automation

Tekniska kriterier:

Hög prioritet (+3 poäng):
·         Stora mängder ostrukturerad data (PDF, mejl, bilder)
·         Tydliga mönster som människor känner igen
·         Tillgång till historisk data för träning

Mellan prioritet (+1 poäng):
·         Viss manuell informationsbearbetning
·         Måttliga datamängder
·         Standardiserade format men varierat innehåll

Låg prioritet (-1 poäng):
·         Mest strukturerad data
·         Få repetitioner
·         Begränsad historisk data

Affärskriterier:

Hög prioritet (+3 poäng):
·         Påverkar identifierad flaskhals
·         Sparar >10 timmar/vecka totalt
·         Minskar kritiska fel

Mellan prioritet (+1 poäng):
·         Påverkar icke-kritisk process
·         Sparar 3-10 timmar/vecka
·         Förbättrar kvalitet

Låg prioritet (-1 poäng):
·         Marginell tidsvinst
·         Påverkar inte flaskhalsar
·         Mest "nice to have"

Organisatoriska kriterier:

Hög prioritet (+2 poäng):
·         Tydlig processägare som driver förändring
·         Användarna är positiva till AI
·         Enkelt att mäta framgång

Medium prioritet (+1 poäng):
·         Processägare finns men inte driven
·         Blandade attityder till AI
·         Något oklara framgångsmått

Låg prioritet (-1 poäng):
·         Ingen tydlig ägare
·         Motstånd mot förändring
·         Svårt att mäta effekt

Case: Prioritering hos industriföretag

Bakgrund: Tillverkande företag, 50 anställda, växer snabbt

Identifierade AI-möjligheter:

1.        Automatisk fakturahantering (leverantörsfakturor)
2.       Kvalitetskontroll via bildanalys
3.       Kundtjänst-chatbot
4.       Automatisk projektrapportering
5.       Inventering via AI och kamera

Poängsättning:

Beslut: Start med fakturahantering

Motivering:
·         Tekniskt: PDF-fakturor, repetitiv process, mycket träningsdata
·         Affär: Sparar 15 timmar/vecka, minskar fel, påverkar kassaflöde
·         Organisatoriskt: Ekonomiansvarig är mycket driven, enkelt att mäta

Nästa steg efter framgång: Projektrapportering

Vanliga misstag i kartläggning och prioritering

Misstag 1: "Vi vill ha AI överallt"

Problem: Sprider resurser på för många projekt
Lösning: Välj EN process att börja med, lär dig, sedan expandera

Misstag 2: "Det här borde AI kunna lösa"

Problem: Startar med tekniklösning istället för affärsproblem
Lösning: Börja alltid med "Vad är problemet?" inte "Vad kan AI göra?"

Misstag 3: "Vi har ingen data"

Problem: Underskattar vilken data som faktiskt finns
Lösning: Titta bredare - mejl, dokument, bilder, loggar räknas som data

Misstag 4: "Det är för komplext för AI"

Problem: Underskattar moderna AI:s kapacitet
Lösning: Testa med små experiment istället för att anta

Misstag 5: "Vi måste vara först"

Problem: Väljer för avancerade projekt för att imponera
Lösning: Börja med beprövade användningsfall, innovera senare

Resultat från fas 1-2: Färdplan för AI-automation

När ni är klara med kartläggning och prioritering ska ni ha:

Konkreta leverabler:

1.        AI-kartläggning: Utvidgad OPTIMERINGSCANVAS med AI-dimensioner
2.       Prioriterad projektlista: Rankad enligt affärseffekt och genomförbarhet
3.       Målformulering: Tydliga, mätbara mål för första AI-projektet
4.       Resursplan: Vem, vad, när för nästa fas

Tydlig riktning:

·         Första projektet: Specifik process med tydlig affärsnytta
·         Framgångsmått: Hur vet ni om det lyckas?
·         Tidslinje: Realistisk plan för implementation
·         Nästa steg: Vad kommer efter första framgången?

Organisatorisk förankring:

·         Processägare: Vem driver projektet internt?
·         Användargrupp: Vilka ska använda lösningen?
·         Beslutsmandat: Vem kan fatta nödvändiga beslut?

Framåt till genomförande

Med kartläggning och prioritering klar har ni grunden för framgångsrik AI-automation. Ni vet var ni ska börja, varför det är viktigt, och hur framgång mäts.

Men innan ni börjar koda eller konfigurera AI-modeller behöver ni säkerställa att förutsättningarna är rätt. Tekniskt, organisatoriskt och juridiskt.

Det är vad fas 3 handlar om – att skapa rätt grund för att AI-automationen ska lyckas från dag ett.

───── ⋆⋅☆⋅⋆ ─────

I nästa kapitel "Fas 3: Förberedelse & kunskap" går vi igenom hur man förbereder teknisk infrastruktur, organisatorisk förändring och juridiska aspekter för AI-automation.