Stanford släppte nyligen AI Index 2026. 425 sidor data om vart AI är på väg och vad som faktiskt funkar. En siffra sticker ut: 88% av organisationer globalt använder nu AI i minst en funktion. Men i samma rapport finns en undersökning av 6000 företagsledare som visar att de flesta knappt sett några produktivitetsvinster i sina egna siffror än.
I den här artikeln går Henrik Martin igenom vad datan faktiskt säger om gapet mellan att ha AI och att få ut värde av det. Och var ledningens jobb börjar.
–
Jag har gått och funderat på sida 193 i Stanfords nya AI Index-rapport. På sidan står det att globalt använder 88% av organisationer nu AI i minst en funktion (upp från 78% året innan). Tjugosju sidor längre in finns en separat undersökning av 6000 chefer i USA, Storbritannien, Tyskland och Australien. Hög adoption, står det. Minimal realiserad produktivitet.
De två datapunkterna säger samma sak från två håll.
Mätt på “gör vi något?” har vi nästan gått i mål.
Mätt på “blir det bättre?” har vi knappt börjat.
Och frågan jag tycker att fler företagsledningar borde sitta med är inte hur snabbt vi kan rulla ut nästa verktyg, eller var nästa AI-policy ska klubbas. Det är vad som händer mellan utrullning och värde och varför det glappet är så svårt att stänga.
Mätt på ‘gör vi något?’ har vi nästan gått i mål. Mätt på ‘blir det bättre?’ har vi knappt börjat.
Produktiviteten finns. Men inte överallt.
Rapporten listar en handfull studier på AI:s produktivitetseffekter och de pekar i olika riktningar. Men ett mönster framträder ändå. När arbetet är strukturerat, mätbart och har tydliga feedback-loopar, blir vinsten påtaglig. Kundsupport, 14 till 15% fler ärenden i timmen. Mjukvaruutveckling, 26% fler pull requests. Marknadsföring, 50% mer ad-output per medarbetare. Det är inte särskilt små siffror.
Sen kommer den andra sidan av samma datamängd. När arbetet kräver djup bedömning, omdöme eller helhetstänkande blir vinsten marginell eller försvinner. Och en studie av Shen och Tamkin (2025) hittade till och med vad forskarna kallar “learning penalties”: mjukvaruutvecklare som lutade sig tungt mot AI när de lärde sig nya kodbibliotek blev inte mätbart snabbare, samtidigt som deras egen förståelse på området stagnerade. AI gjorde inte arbetet snabbare, men personen själv lärde sig mindre.
Det är en beskrivning av var tekniken faktiskt biter, och var den ännu inte gör det.
För en organisation betyder det att den stora vinsten inte ligger i att alla får samma verktyg. Den ligger i att förstå vilka delar av jobbet AI höjer (och vilka inte) och designa runt den verkligheten. Det är ett ledningsansvar att axla, ta in hjälp om ni behöver, men kartan finns inne i huset, inte i ett white paper.
88% adoption. Mindre än 10% agent-deployment.
Det allvarligare gapet i rapporten går mellan ytlig och djup användning.
88% använder AI i minst en funktion. Men när McKinsey frågade om AI-agenter, alltså AI som faktiskt utför sammanhängande arbetsmoment över flera steg, har ensiffriga procent skalat upp det. I så gott som varenda affärsfunktion. Även i IT och knowledge management, där aktiviteten är som högst, har två tredjedelar inte alls börjat.
För klassisk AI där människan håller i tangentbordet är vi i någon slags “mainstream”-fas. För agent-AI är vi i pionjärfasen. Och som jag läser rapporten är det agent-AI som har potential att skifta hur arbete organiseras, inte de avgränsade verktyg vi nu använder för enskilda moment.
Om strategin är “vi har AI” så har du redan vunnit ett spel som inte längre spelas.
Som ledare betyder det att om strategin är “vi har AI” så har du redan vunnit ett spel som inte längre spelas. Det spel som spelas nu handlar om vilken typ av arbete som faktiskt utförs annorlunda om sex månader och hur den förändringen prioriteras, finansieras och får tid att landa.
J-kurvan, om man har tålamod
Erik Brynjolfsson, en av rapportens författare, brukar tala om det här som en J-kurva. Organisationer som inför AI tar först kostnaderna, lärande och omorganisation, innan de större produktivitetsvinsterna börjar synas i siffrorna. På makronivå finns indikationer på att J-kurvan har börjat vända. USA:s arbetsproduktivitet växte 2,7% under 2025, ungefär dubbelt så mycket som genomsnittet det senaste årtiondet.
Men ett aggregat döljer enskilda fall. Inom snittet finns företag som ligger djupt i sin J, och företag som har börjat klättra.
Två frågor avgör var ert företag ligger.
1. Har ni faktiskt kartlagt var arbetet utförs idag, beslutspunkter, friktion, vad som tar tid och vad som är slack, eller har ni mest tagit AI-cases från ett white paper och rullat ut?
2. Har ni ledare som kan översätta “AI är värdefullt” till konkreta arbetsdesignval, hur möten ändras, vilka roller som flyttar, vad människor faktiskt slutar och börjar göra?
Båda frågorna är ledarskapsfrågor. Ingen av dem löses genom att köpa nästa licens.
Adoption är inte längre en konkurrensfördel
För några år sen var det en faktisk fördel att ha börjat med AI överhuvudtaget. Nu har 88% kommit dit. Adoption är, som nationalekonomerna säger, en kommoditet. Det som differentierar är djupet och omdömet i tillämpningen.
Och det är där rapporten hittar de mer oroande siffrorna. En tredjedel av organisationerna förväntar sig att AI kommer minska deras personalstyrka kommande år. “Anticipated reductions outpaces those already observed”, skriver författarna. Många organisationer är alltså på väg att skära innan de har verifierat att produktiviteten faktiskt ökat.
Det blir en svår vinst att räkna hem. Och en svår förlust att förklara om vinsten inte materialiserar sig.
Vad som troligen avgör de kommande fem åren
Min gissning är att de organisationer som vinner på AI under nästa femårsperiod blir de som tog tid att förstå hur det faktiska arbetet ska se ut runt verktygen, inte de som rullade ut snabbast. Vilka beslut som flyttas. Vilka roller som skiftar. Vilken kompetens som plötsligt blir kritisk när rutinarbetet är borta.
För att komma dit krävs ett ledarskap som kan stå med ett ben i “vi måste röra oss snabbt” och ett ben i “vi måste tänka igenom det här” utan att bli paralyserad. Som varken stannar tills allt är klart eller rusar för att slippa fundera.
Det är där J-kurvan vänder. Eller stannar.
Källa: Stanford HAI, AI Index Report 2026. hai.stanford.edu/ai-index/2026-ai-index-report
