AI-mandat: Träff eller miss? Ledare berättar allt
AI-krav finns överallt just nu. Vissa antyds som kulturella förväntningar, andra skrivs in i OKR:er och prestationsbedömningar. Men fungerar de faktiskt?
Vi frågade ledare som utfärdat AI-krav, och personerna som arbetade under dem, vad kravet faktiskt innebar, hur framgång mättes och vad som hände därefter. Deras svar pekar på en överraskande konsekvent skiljelinje, och det handlar inte om huruvida kravet fanns. Det handlar om vad kravet mätte.
Så såg AI-kraven faktiskt ut
Ordet ”krav” antyder ett PM, men de verkliga varianterna sträckte sig från enkla utbildningskrav till hårda tekniska kvoter. I den mindre strikta änden finns Aniket Ghonge, senior chef för leveranskedjan på Amazon, där det inte finns någon användningskvot alls. ”Det finns ingen mätning av hur mycket jag gör [med AI]”, säger han.
Continue Reading for Free
Create a free account to finish this article, plus get ongoing access to timely insights and practical resources.
Have an account? Log In
Det Amazon däremot kräver, på alla nivåer i organisationen, är AI-utbildning: ”Vi måste slutföra AI-utbildningen. Annars kan det eskaleras”, säger han och kallar det ”en standardpraxis på Amazon”. Denna försiktiga förväntan höll honom dock inte tillbaka — Ghonge slutade med att vibekoda ett verktyg för sitt team som sparade betydande tid.
Det finns ingen mätning av hur mycket jag gör [med AI]. Men vi måste slutföra AI-utbildningen.
I den motsatta änden utfärdade Liu Peng, grundare och teknisk chef på ReelPulse och Quartz, en strikt intern regel: ”100 % av alla kodgranskningsförfrågningar för datapipelines för skrapning och lokaliseringsskript måste använda AI-assisterad kodgenerering, och varje ingenjör måste logga sina dagliga arbetsflöden med LLM-instruktioner under sprintretrospektiv.”
De flesta hamnade någonstans däremellan och begränsade AI till specifika arbetsfaser i stället för att kräva ständig användning. Neal J. McLeod, grundare på CTK Industries, drog gränsen noggrant: ”Regeln var inte ’använd AI dagligen’. Regeln var ’använd det där det minskar manuellt arbete med lågt värde utan att ta bort mänsklig granskning från förtroendekänsliga steg.’” Bogdan Condurache, produktchef och medgrundare på Brizy, hade ett liknande angreppssätt på produktsidan: ”Vårt AI-krav var att varje ny funktion skulle utforskas med AI innan arbetet började.”
När AI-kraven fungerade
Framgångshistorierna följer ett mönster: ledarna mätte resultat längre fram i kedjan, behöll människan i granskningsloopen och lämnade utrymme för omdöme. Rick Elmore, vd och grundare på Simply Noted, krävde att varje teammedlem skulle integrera AI i sitt veckovisa arbetsflöde från och med första kvartalet 2025, men följde upp det genom resultaten och frågade: ”Tog det mindre tid att ta fram förslag? Stängdes supportärenden snabbare? Behövde marknadsföringsutkast färre omgångar av revideringar?” Resultatet: ”Vår marknadsföringsproduktion fördubblades ungefär i volym utan att vi behövde anställa fler.”
Vår marknadsföringsproduktion fördubblades ungefär i volym utan att vi behövde anställa fler.
Carlos Rios, grundare på Tabula, såg liknande resultat efter att ha gjort AI till standardmetoden för hur teamet arbetar. ”Ungefär 95 % av vårt blogginnehåll börjar nu med AI-assisterad textframtagning. Ett blogginlägg som tidigare tog ungefär en vecka att skriva tar nu omkring en timmes promptande och redigering innan det är redo för granskning”, säger han, med förbehållet att varje text fortfarande går igenom hans granskning före publicering.
Siffrorna höll även i tekniska miljöer. Chongwei Chen, styrelseordförande och vd på DataNumen, kopplade sitt AI-krav till ett OKR för första kvartalet: att 30 % av ärendena skulle få hjälp av AI. ”Den genomsnittliga tiden för att lösa återställningsärenden minskade från 4,2 dagar till 2,8 dagar. Kundnöjdheten för ärenden ökade från 4,1 till 4,6”, rapporterar han.
Den genomsnittliga tiden för att lösa återställningsärenden minskade från 4,2 dagar till 2,8 dagar. Kundnöjdheten för ärenden ökade från 4,1 till 4,6.
Alla framgångar handlade inte om snabbhet. Kristiyan Yankov, medgrundare och tillväxtmarknadsförare på Above Apex, hittade vinsten någon annanstans: ”Vi halverade inte plötsligt vår arbetsbörda. Det som förändrades var konsekvensen.” Condurache blev överraskad på ett liknande sätt. ”Den största överraskningen var att AI hjälpte samarbetet mer än produktiviteten. Produkt, design och teknik började med samma utkast i stället för separata dokument”, säger han.
När krav slog tillbaka
Misslyckandena följer också ett mönster — och det är framgångarnas spegelbild. Ankita Pathak på OneMetrik upplevde den tydligaste varnande berättelsen: ledningen krävde daglig användning av ChatGPT, verifierad genom skärmdumpar som lades upp i en Slack-kanal före kl. 16.00. Det fungerade i några veckor, sedan började det gå snett. ”Under den andra månaden slog det tillbaka. Folk använde det dagligen bara för att bocka av rutan, så de började använda det till sådant det inte var bra på”, säger hon. Byrån tog bort kravet efter åtta veckor. Hennes slutsats: ”att tvinga fram daglig användning av AI skapar inte bättre vanor, det skapar bara efterlevnad.”
Även krav som gav resultat medförde dolda kostnader. Pengs kvot för pull requests fördubblade teamets leveranstakt inom 60 dagar — sedan kom räkningen, i form av det han kallar ”AI-omarbetskostnaden”. Som han beskriver det: ”Juniora utvecklare accepterade blint komplexa ORM-frågor och reguljära uttryck som genererats av AI utan att kontrollera gränsfall. Det ledde till tysta minnesläckor under videoskrapning med hög samtidighet, vilket ökade våra kostnader för molnberäkning med 22 % på en månad.” Sedan dess har han gått från ett användningskrav till ett styrningskrav och hävdar att ”AI-krav bara fungerar när man behandlar utvecklare som ’avsiktsdirektörer’ som äger arkitekturen, snarare än som passiva maskinskrivare.”
Det skapade det jag kallar AI-omarbetskostnaden. Det ledde till tysta minnesläckor under videoskrapning med hög samtidighet, vilket ökade våra kostnader för molnberäkning med 22 % på en månad.
Andrea Sommer, grundare och vd på Hive Founders, har sett samma misslyckandemönster från grundarperspektivet. ”Kraven som slår tillbaka är de som mäts genom aktivitet. ’Alla använder Copilot dagligen’ eller ’X procent av ärendena har berörts av AI’ leder till att människor manipulerar ett mätvärde i stället för att utföra ett bättre arbete”, säger hon. McLeod uttrycker det lika rakt: ”krav slår tillbaka när de belönar synlig användning i stället för mätbara verksamhetsförbättringar.”
Vad som överraskade ledarna
Utöver de uppmärksammade resultaten stötte ledarna vi talade med hela tiden på samma andrahandseffekter, av vilka få fanns med i den ursprungliga utrullningsplanen.
Det som blockerar är inte rädsla, utan vana. Elmore förväntade sig motstånd och fann något tystare: ”Det största hindret var inte rädsla för AI, utan tröghet i vanorna.” Hans lösning skulle vara strukturell: att kombinera alla framtida krav med en 30-dagars inlärningsperiod, eftersom ”Kravet utan stödstrukturen bara är press.”
AI är en röntgenbild av processerna. McLeod upptäckte att AI:s mest avslöjande resultat handlade om hans egen verksamhet: ”om indata var vag eller standardrutinen svag fick AI inkonsekvenser att synas snabbare. I den meningen blottlade AI processproblem mer än det löste dem.”
Erfarenhetens omdöme ökar i värde. Barnett konstaterade att ”de som hade störst nytta var inte de flitigaste AI-användarna. Det var de som visste när de skulle sluta förlita sig på AI och använda sitt eget omdöme.”
Och hajpen har ett tak. Rion Haber, medgrundare och strategichef på Catalyst Marketing Agency, som införde ett sex månader långt öppet AI-experiment i hela sin ledningsgrupp, lämnade experimentet med en varning till alla som förväntar sig att själva kravet ska förändra verksamheten: ”tanken att du bara är en prompt från att tiofaldiga din investering är en bluff.”
Paradoxen med AI-krav
Här är paradoxen som löper genom alla dessa berättelser: AI-krav lyckas i proportion till hur lite de faktiskt kräver AI. De utrullningar som fungerade krävde resultat, kontrollpunkter och lärande — själva verktyget var nästan oväsentligt och kunde användas flitigt av vissa och sparsamt av andra. De utrullningar som misslyckades krävde verktyget och fick exakt det de mätte: skärmdumpar i en Slack-kanal, avbockade rutor och loggade prompter. Ett krav som mäts i prompter producerar prompter. Ett krav som mäts i resultat producerar resultat — och, som det visar sig, även AI-användning.
Vill du ha fler insikter som dessa? Skapa ett kostnadsfritt DPM-konto för att höra från fler experter som dessa.
