Mer än 80 % av alla AI-projekt misslyckas. Det är inte min siffra, utan slutsatsen från RAND Corporation, baserad på intervjuer med 65 erfarna dataforskare och ingenjörer. Det är mer än dubbelt så högt som för vanliga IT-projekt. Och det blir värre. S&P Global rapporterade 2025 att 42 % av företag hade övergett majoriteten av sina AI-initiativ före produktion, upp från 17 % bara ett år tidigare.
Så varför misslyckas AI-projekt när tekniken aldrig varit bättre? Svaret är nästan aldrig tekniken i sig. Det är det som sitter under.
Sammanfattning
- → 80 % av AI-projekt misslyckas för att grunden inte var redo, inte för att tekniken var fel
- → De 4 vanligaste orsakerna går att identifiera med 5 frågor per process
- → AI-trappan visar var varje process befinner sig och vad som behövs före AI
De 4 verkliga orsakerna till att AI-projekt misslyckas
De flesta artiklar listar generella orsaker som “brist på ledarskap” eller “otydlig strategi.” Det är inte fel, men för vagt för att vara användbart. RAND-rapporten är mer specifik. De hittade fyra tekniska grundorsaker som faktiskt går att undersöka:
- Företaget missförstod vilket problem som skulle lösas. AI-teamet fick ett uppdrag som lät bra på ytan men var oklart definierat. Resultatet passade inte verkligheten.
- Datan saknades eller räckte inte till. Antingen fanns den inte, eller så var den utspridd över flera system på ett sätt som gjorde den oanvändbar.
- Man jagade teknik istället för att lösa ett verkligt problem. Någon hade sett en demo, köpt visionen, och letade sedan efter ett problem att applicera den på.
- Systemen pratade inte med varandra. Det saknades API:er och ingen hade byggt de kopplingar som krävs för att data ska flöda mellan system.
Källa: RAND Corporation, baserat på 65 erfarna dataforskare.
Ingen av de fyra handlar om att AI-verktyget var för dåligt. Alla handlar om vad som inte fanns under AI:n. Processer som inte var kartlagda, data som inte var tillräcklig, system som inte var integrerade.
Gartner förutspår att 60 % av alla AI-projekt som saknar AI-redo data kommer att överges innan 2027. Deras undersökning av 248 datachefer visade att 63 % av organisationer antingen saknar eller är osäkra på om de har rätt datahantering för AI. Det är en anmärkningsvärd siffra: nästan två av tre företag vet inte ens om deras data håller, men investerar ändå.
Det är därför frågan “varför misslyckas AI-projekt” nästan alltid har samma svar: grunden var inte redo.
Vad det kostar när grunden saknas
Siffrorna från S&P Global visar hur vanligt problemet är.
42 % av företagen hade övergett majoriteten av sina AI-initiativ före produktion. Det är en ökning från 17 % bara ett år tidigare. 46 % av projekten lades ner mellan proof-of-concept och faktisk användning. — S&P Global / CIO Dive, 2025
Gapet mellan demo och produktion är precis var pengarna försvinner. Ett AI-verktyg som funkar i en kontrollerad testmiljö men aldrig når ut i verksamheten är inte halvfärdigt. Det är en ren kostnad.
Vi har sett det på nära håll. Ett SaaS-bolag vi arbetade med spenderade 200 000 kr i månaden på marknadsföring utan att veta om den var lönsam. De hade ett enormt Excel-ark för att räkna ut kundanskaffningskostnad, ihopklippt från flera system. Ingen litade på siffrorna, och de hade rätt i att inte göra det. Ingenting stämde.
De bad oss fixa buggar i appen. Men det verkliga problemet var att data inte samlades in på rätt sätt och att systemen inte var kopplade. Vi fixade grunden, kopplade ihop systemen, och visade i realtid att kundanskaffningskostnaden var nästan lika hög som kundens livstidsvärde. Utan den grunden hade vilket AI-verktyg som helst gett dem fel svar, fast med hög självsäkerhet.
Problemet gäller inte bara medelstora företag. McDonald’s avslutade sitt samarbete med IBM om AI-drivna drive-through-beställningar i juni 2024, efter 3 år och utrullning på över 100 restauranger i USA. Systemet nådde 80 % träffsäkerhet mot ett mål på 95 %. Virala videor visade hur AI:n la till 260 Chicken McNuggets och bakon på glass. Om IBM och McDonald’s inte kunde få det att fungera med obegränsade resurser, vad händer då i ett företag med 80 anställda och en Excel-baserad offertprocess?
Svenska företag har samma mönster
SCB:s undersökning från 2025 bekräftar att hindren ser likadana ut i Sverige:
- 74,7 % säger att brist på kompetens är det största hindret för AI.
- 44 % säger att datakvaliteten inte räcker.
- 42 % säger att systemen inte är kompatibla med AI.
Det som slår mig när man lägger SCB:s siffror bredvid RAND:s analys är hur exakt de bekräftar varandra. RAND säger att de vanligaste orsakerna till att AI-projekt misslyckas är bristande data och infrastruktur. SCB visar att 44 % av svenska företag som överväger AI säger att datan inte räcker, och 42 % att systemen inte klarar det. Det betyder att nästan hälften av alla svenska företag som vill satsa på AI redan har de förutsättningar som forskningen visar leder till misslyckande. Inte kanske. Dokumenterat.
Tillväxtverket visar dessutom att 84 % av små och medelstora företag behöver extern hjälp med att definiera en AI-strategi. Samtidigt konstaterar de att konsultmarknaden har ett glapp: IT-konsulter förstår tekniken men inte verksamheten, och managementkonsulter tvärtom. Företagen hamnar i ett vacuum där varken intern kompetens eller extern hjälp räcker. Det förklarar varför problemet förvärras år för år, som S&P Globals siffror visar (från 17 % övergivna initiativ till 42 % på ett enda år).
5 frågor som avslöjar om ni är redo
Istället för abstrakta fallgropar går det att testa beredskapen konkret. För varje process där ni överväger AI, ställ de här frågorna:
- Är processen dokumenterad? Kan en ny medarbetare följa den utan att fråga någon? Om svaret är nej befinner sig processen på steg 0 på AI-trappan, och AI har ingenting att jobba med.
- Samlas data in strukturerat? Finns det data från processen i ett system, eller sitter den i mejl, Excel-ark och i någon persons huvud?
- Är systemen integrerade? Kan data flöda mellan de system som berörs, eller kräver det manuell inmatning på flera ställen?
- Litar ni på siffrorna? Om ni byggde en dashboard över processen idag, skulle ni fatta beslut baserat på den? Eller skulle någon säga “de där siffrorna stämmer inte riktigt”?
- Är problemet tydligt definierat? Kan ni i en mening formulera vad AI ska göra bättre? Inte “effektivisera” eller “optimera”, utan specifikt: “förutsäga vilka kunder som är på väg att lämna oss” eller “generera offerter automatiskt från förfrågningsunderlag.”
Om ni inte kan svara ja på alla fem finns det steg som behöver tas innan AI ger resultat. De stegen är ofta varken dyra eller komplicerade, men de måste tas i rätt ordning. Varje ja ni lägger till tar er närmare en process där AI faktiskt fungerar i produktion.
Hur AI-trappan gör bristerna synliga
Frågorna ovan hänger ihop med stegen i AI-trappan, det ramverk vi använder för att bedöma AI-beredskap per process.
| Steg | Namn | Vad som krävs | Typisk brist |
|---|---|---|---|
| 0 | Ad hoc | Inga krav, inga processer | Kunskap sitter i nyckelpersoners huvuden |
| 1 | Processdriven | Dokumenterade arbetsflöden | ”Vi vet hur vi gör, men det är inte nedskrivet” |
| 2 | Datadriven | Strukturerad data, integrerade system | Data samlas in men systemen är inte kopplade |
| 3 | AI-driven | Allt från steg 1-2 plus API:er, AI-verktyg, säkerhet | Grunden är på plats, AI kan utföra uppgifter |
Det som gör trappan användbar är att varje process placeras för sig. Ert företag befinner sig inte på “ett steg.” Er fakturering kan vara på steg 2 medan offertprocessen är på steg 0. Det är normalfallet för de flesta företag vi träffar.
När RAND-rapporten säger att AI-projekt misslyckas för att data saknas eller att infrastrukturen inte räcker till, så beskriver de företag som försökte hoppa från steg 0 eller 1 direkt till steg 3. Det funkar inte. Varje steg bygger på det föregående.
En AI-uppstart går igenom era processer och placerar var och en på trappan. Resultatet är en konkret bild av var ni står och vad som behövs för att ta nästa steg.
Vad som faktiskt funkar
Företag som lyckas med AI gör tre saker annorlunda:
De börjar med problemet, inte med verktyget. De frågar inte “hur kan vi använda AI?” utan “vilken process kostar oss mest, och vad behövs för att förbättra den?” Ibland är svaret AI. Ibland är det en systemintegration eller att dokumentera en process som bara finns i någon persons huvud.
De fixar grunden först. Istället för att köpa ett AI-verktyg och hoppas kopplar de ihop system, säkerställer datakvalitet och dokumenterar arbetsflöden. Inte lika spännande som en AI-demo, men det är det som gör att AI:n faktiskt funkar när den väl är på plats.
De tar ett steg i taget. De väljer den process som har störst potential, bygger grunden för den, och går vidare till nästa först när den första fungerar. Det är skillnaden mellan att ha ett AI-projekt i produktion och att ha 5 som aldrig kom förbi demo.
BCG:s forskning kvantifierar skillnaden. Företag som bara placerar AI i befintliga arbetsflöden, det BCG kallar “deploy”, ser 10-20 % förbättring. Företag som designar om sina processer kring AI, “reshape”, ser 30-50 %. Skillnaden är inte verktyget utan vad man gör med processen under. De företag som lyckas bäst lägger över 80 % av sin AI-budget på omdesign, inte på fler verktyg.
Frågan “varför misslyckas AI-projekt” har nästan alltid en enkel princip som svar: ta reda på var ni står, och bygg därifrån.
Vanliga frågor
Är det alltid grunden som är problemet när AI-projekt misslyckas?
I de allra flesta fall. RAND-rapporten visar att de fyra vanligaste orsakerna alla handlar om bristande förståelse, data eller infrastruktur. Det finns undantag, som att AI-modellen inte passar problemet, men det är ovanligt jämfört med att grunden saknas.
Hur vet vi om vi är redo för AI?
Ställ de 5 frågorna ovan för varje process där ni överväger AI. Om ni inte kan svara ja på alla fem är processen inte redo. Det finns grundarbete att göra först, och det är bättre att veta det innan ni investerar än att upptäcka det halvvägs in.
Vad kostar det att inte göra något?
Det beror på hur många processer ni har som läcker tid och pengar. De företag vi träffar har oftast processer som kostar 150 000-500 000 kr per år i onödigt manuellt arbete, per process. Multiplicera med antalet processer och lägg till vad det kostar när ni växer, för manuella processer skalar bara genom att anställa fler.
Kan vi inte bara börja med ett litet AI-pilotprojekt?
Jo, men bara om piloten riktas mot en process där grunden redan är på plats. En pilot på en process som saknar dokumentation, integrerad data eller tydlig målsättning bevisar ingenting, oavsett resultat. Välj en process på steg 2 på AI-trappan, så har piloten en verklig chans att visa vad AI kan göra.
Börja med att ta reda på var ni står
Den vanligaste anledningen till att AI-projekt misslyckas är inte att företaget valde fel teknik. Det är att ingen ställde de grundläggande frågorna före start. Var är processerna dokumenterade? Var är datan tillräcklig? Var är systemen kopplade?
AI-kollen tar 2 minuter, kräver inga kontaktuppgifter, och ger er en första bild av var era processer befinner sig på AI-trappan. Om de flesta landar på steg 0 eller 1 vet ni var ni ska börja, och det är inte med att köpa ett AI-verktyg.