Ni har investerat i AI. Varför tar användningen inte fart?

Du har fått i uppdrag att leda AI-adoptionen i ditt företag. Strategin är på plats, licenserna är säkrade, utbildningen har dragit igång och medarbetarna har fått höra varför AI är viktigt. Till en början ser det lovande ut. Användningen börjar öka, människor börjar experimentera och de som är tidigt ute skapar en känsla av att utvecklingen har tagit fart.

Sedan, några månader senare, planar kurvan ut.

Vissa medarbetare använder AI varje dag, medan andra knappt rör det. Ledningen börjar fråga varför adoptionen inte går snabbare och vad du tänker göra åt det. Plötsligt börjar den spännande AI-satsningen kännas lite mer som en het potatis.

Om det här låter bekant är du långt ifrån ensam.

Organisationer investerar stort i AI, men att omsätta investeringen i varaktig användning och affärsvärde visar sig vara svårare än att bara införa tekniken. BCG rapporterade 2026 att bara en liten andel av företagen i deras undersökning skapade betydande värde med AI, medan en mycket större grupp rapporterade litet eller inget påtagligt värde. Deras övergripande poäng var att en framgångsrik AI-transformation beror lika mycket på det som händer runt tekniken som på tekniken i sig: hur människor arbetar, hur processer organiseras och om nya beteenden etableras.[1]

Gapet mellan att helt enkelt ha AI och att faktiskt använda det syns också i mer kontrollerad forskning. En sex månader lång studie följde fler än 7 000 kunskapsarbetare i 66 företag som fick tillgång till Microsoft 365 Copilot. Att ha tillgång innebar inte att människor använde det regelbundet. Den typiska medarbetaren använde Copilot under ungefär 4 av 10 veckor. Under studiens sista tre månader använde 1 av 5 det inte alls, medan bara 1 av 20 använde det varje vecka. [2]

Det är den viktiga poängen: att ge tillgång är inte detsamma som att skapa adoption.

Föreställ dig tre medarbetare som har tillgång till exakt samma AI-verktyg och har gått exakt samma utbildning. En använder det varje morgon för att förbereda möten, analysera information och skriva utkast till dokument. En annan är intresserad av att använda det men är fortfarande osäker på vilken företagsinformation som säkert kan matas in. När en verklig uppgift dyker upp väljer personen därför att det är säkrare att inte använda AI. Den tredje vet mycket väl hur verktyget fungerar men öppnar automatiskt samma kalkylblad eller mall som använts de senaste fem åren när en deadline närmar sig.

Tekniken är densamma. Utbildningen kan ha varit densamma. Beteendet är det inte.

I en användningsdashboard kan den andra och tredje medarbetaren helt enkelt framstå som ”sällananvändare”. Men det som ligger bakom deras beteende är helt olika saker. Den ena kan brottas med osäkerhet. Den andra med vana. Någon annan kanske saknar självförtroende, inte ser tillräckligt värde för sin roll eller helt enkelt tycker att AI är för omständligt att använda vid sidan av allt annat som behöver göras.

Gallups forskning från 2026 förstärker den här bilden. Bland medarbetare i organisationer där AI redan fanns tillgängligt angav de som sällan eller aldrig använde det en rad olika skäl. Vissa föredrog att fortsätta arbeta på välbekanta sätt. Andra ifrågasatte om AI var användbart i just deras arbete, samtidigt som oro kring etik, integritet, säkerhet och regelefterlevnad också var framträdande.[3]

Låg adoption är alltså inte ett enda problem. Det är ett utfall som kan uppstå till följd av många olika problem.

Och det är här beteende blir intressant.

AI-adoption beror på både individen och omgivningen

När adoptionen är lägre än väntat är det frestande att leta efter en enda förklaring. Kanske behöver medarbetarna mer kompetens. Kanske uppmuntrar cheferna inte AI tillräckligt. Kanske är verktygen dåligt integrerade. Kanske litar medarbetarna helt enkelt inte på AI.

Vilken som helst av de förklaringarna kan vara rätt. Men beteende har sällan en enda enkel orsak.

Människor tar med sig sina egna kunskaper, sitt självförtroende, sina föreställningar, vanor, erfarenheter och farhågor i mötet med AI. Samtidigt verkar de i en organisation som formar vad som är enkelt, svårt, uppmuntrat, tillåtet och normalt.

Båda sidorna spelar roll.

Tänk på någon som har utmärkt tillgång till AI, tydliga policyer och en stöttande chef, men som inte ser hur tekniken skapar värde i just den egna rollen. Personen provade flera gånger, fick mediokra resultat och återgick gradvis till sitt gamla arbetssätt. Bättre integration i arbetsflödet kanske inte ensam löser det problemet. Hindret kan snarare handla om upplevd nytta, självförtroende eller tidigare erfarenheter.

Föreställ dig nu en medarbetare i den motsatta situationen. Personen är mycket motiverad, vet hur AI används på ett bra sätt och ser direkt var det skulle vara till hjälp. Men användningen kräver att information flyttas mellan flera system, policyerna är svåra att tolka och chefen ger sällan teamet tid att experimentera. Viljan är inte problemet. Omgivningen gör beteendet onödigt svårt.

Och så finns medarbetarna någonstans däremellan: de har vissa färdigheter men lite självförtroende, stöttande chefer men otydliga regler, bra verktyg men ingen etablerad rutin för att använda dem.

Samma låga användning. Olika beteendemässiga förutsättningar.

Gallups data visar hur starkt vissa av de här organisatoriska förutsättningarna hänger samman med faktisk användning. Bland medarbetare som helt instämde i att AI passade väl ihop med de system och processer de redan använde var 88 % frekventa AI-användare, jämfört med 55 % av dem som inte helt instämde. Frekvent användning var också betydligt vanligare bland medarbetare som upplevde att deras chef aktivt stöttade AI, som kände sig uppmuntrade att experimentera och som ansåg att organisationens AI-policyer var tydliga.[3]

De resultaten bevisar inte att en ändrad policy eller en uppmaning till en chef att vara mer stöttande automatiskt kommer att öka adoptionen. Men de är en användbar påminnelse om att vi inte bör behandla AI-användning som något som avgörs av medarbetaren ensam.

McKinseys forskning från 2026 pekar på samma spänning från ett annat håll. I deras undersökning av 750 medarbetare och ledare som redan använde AI uppgav 70 % av de svarande att de kände sig personligen förberedda på att arbeta med AI. Ändå ansåg bara 27 % av ledarna att deras organisationer var redo för de bredare förändringar som krävs. McKinseys analys visade också att organisatorisk beredskap — däribland arbetsflöden, ledarskapspraktiker, verksamhetsmodeller och kulturella normer — hade ett starkare samband med rapporterat värde för verksamheten än enbart personlig beredskap.[4]

Med andra ord kan medarbetarna vara redo innan organisationen runt dem är det.

Det är här det välbekanta uttrycket att kultur äter strategi till frukost blir relevant. Men kultur bör inte behandlas som en abstrakt förklaring till allt som går fel. Den skapas delvis genom mycket praktiska erfarenheter: vad människor har tid att göra, vad chefer uppmuntrar, vad som belönas, vad policyer tillåter, vad processer gör enkelt och vad kollegorna runt dem gör.

Säg till medarbetarna att det är en strategisk prioritet att experimentera med AI, men ge dem ingen tid att experimentera, så tappar budskapet en del av sin kraft. Säg åt dem att integrera AI i det dagliga arbetet, men placera verktyget utanför deras vanliga arbetsflöde, så vinner välbekanta rutiner ofta. Uppmuntra experimenterande samtidigt som medarbetarna är osäkra på vilken information som säkert kan matas in, så kan det vara ett fullt rimligt val att undvika AI.

AI-adoption är därför inte bara en teknisk utrullning; det är en organisatorisk förändringsutmaning. Medarbetare kan behöva förändra hur de arbetar, bygga nya färdigheter, utveckla tillit till verktygen och ompröva delar av sin yrkesroll. Samtidigt kan organisationen runt dem också behöva förändras — från arbetsflöden, incitament och förväntningar till hur tid fördelas, hur experimenterande stöttas och vilka beteenden som ses som värdefulla.

På AI Modus tycker vi att det är användbart att skilja mellan individuella och organisatoriska hinder när vi undersöker AI-adoption.

Individuella hinder kan vara att inte veta var AI är användbart, sakna självförtroende eller praktiska färdigheter, ha svårt att utvärdera resultat, misstro tekniken, inte se tillräckligt värde i en viss roll, glömma att använda AI eller helt enkelt falla tillbaka i etablerade vanor.

Organisatoriska hinder kan vara bristande tillgång, verktyg som inte passar befintliga system, otydliga policyer, otillräcklig tid att experimentera, konkurrerande prioriteringar, svagt stöd från chefer, otydlig strategisk riktning eller få möjligheter att lära av kollegor som redan använder AI framgångsrikt.

Ingen av kategorierna existerar oberoende av den andra. Organisatoriska förutsättningar kan påverka individuellt beteende, och individuella erfarenheter kan förändra hur människor reagerar på de förutsättningarna.

Någon kan börja med hög motivation men gång på gång möta otydliga policyer och omständliga processer. Efter flera frustrerande försök sjunker motivationen. Någon annan kan arbeta i en organisation med utmärkta verktyg och starkt stöd från ledningen men ändå inte förstå hur AI kan användas i just det egna arbetet. En annan medarbetare kan ha färdigheterna, tillgången och motivationen men under press fortsätta välja den gamla metoden eftersom den har blivit automatisk.

Den användbara frågan är alltså inte bara: ”Varför använder inte våra medarbetare AI?” Den är: ”Vad gör beteendet enklare eller svårare?” Användning är ett mått. Det är inte en diagnos.

Anta att nästa rapport till ledningen visar att bara 30 % av medarbetarna regelbundet använder organisationens AI-verktyg. Den siffran är viktig. Den berättar något om vad som händer. Men vad ska du göra med den?

Ska du ordna mer utbildning? Utveckla rollspecifika användningsfall? Skriva om AI-policyn? Be cheferna uppmuntra experimenterande? Ge medarbetarna mer tid att öva? Integrera AI djupare i befintliga system?

Användningssiffran kan inte tala om det för dig.

Detsamma gäller när vi tittar på skillnader mellan team. Föreställ dig att team A använder AI betydligt mer än team B. Det är lätt att dra slutsatsen att team A helt enkelt är mer innovativt, motiverat eller öppet för förändring.

Men kanske råkar team A utföra uppgifter där dagens AI-verktyg är särskilt användbara. Kanske visar deras chef regelbundet hur hen själv använder AI. Kanske har medarbetarna tydligare vägledning, mer tid att experimentera eller kollegor att be om hjälp. Kanske har team B fått exakt samma licens och utbildning men arbetar under helt andra förutsättningar.

De skillnaderna är inte brus runt adoptionsproblemet. De kan vara själva adoptionsproblemet.

När AI-adoptionen stannar av bör nästa steg därför inte automatiskt vara ännu en insats. Det bör vara att titta bakom användningssiffran.

En användbar utgångspunkt är att undersöka tre övergripande frågor.

För det första: kan människor använda AI effektivt? Förstår medarbetarna var det är användbart i deras arbete? Har de kunskapen och självförtroendet att använda det? Kan de utvärdera resultat och känna igen när mänskligt omdöme fortfarande behövs? Om svaret är nej kan utbildning och praktisk erfarenhet vara precis det som krävs.

För det andra: stödjer omgivningen AI-användning? Finns rätt verktyg tillgängliga? Är policyerna tydliga? Passar AI naturligt in i befintliga arbetsflöden, eller skapar användningen extra arbete? Finns tid att experimentera? Stöttar cheferna det? Kan medarbetarna enkelt lära av kollegor som redan använder AI på ett bra sätt?

För det tredje: ser människor tillräckliga skäl att använda det — och har det blivit en del av deras vanliga beteende? Ser medarbetarna konkret värde i sin egen roll? Litar de tillräckligt på AI för att använda det? Stämmer det överens med deras bild av hur man gör sitt jobb bra? När det blir mycket att göra, kommer de att tänka på AI, eller tar det välbekanta arbetssättet automatiskt över?

De här frågorna ger ledare en mer användbar utgångspunkt än att bara fråga varför ”människor inte tar AI till sig”. Nästa steg är att samla in underlag.

Prata med medarbetarna i stället för att bara prata om dem. Titta på användningsmönster tillsammans med data från medarbetarenkäter. Jämför team där adoptionen skiljer sig åt. Använd intervjuer eller fokusgrupper för att förstå vad som ligger bakom siffrorna. Undersök vad någon faktiskt måste göra när de försöker använda AI under en vanlig arbetsdag.

Och skilj belägg från antaganden.

”Våra medarbetare behöver mer utbildning” är ännu ingen diagnos. Det är en hypotes.

”Cheferna behöver uppmuntra AI mer” är en hypotes.

”Medarbetarna behöver bara förstå fördelarna” är en hypotes.

Poängen är inte att lägga månader på att diagnostisera varje möjlig påverkansfaktor innan man gör något. Det handlar om att samla tillräckligt med information för att fatta ett bättre beslut om var man ska börja leta.

Det är också den logik vi har byggt in i AI Modus: plattformen ger organisationer ett strukturerat sätt att samla in beteendedata om AI-adoption, skilja mellan individuella och organisatoriska hinder och se var mönster skiljer sig åt mellan grupper eller team. Det är ett sätt att göra den här typen av diagnos mer systematisk, särskilt när organisationen är för stor för att enbart förlita sig på individuella samtal.

Men principen gäller oavsett vilken metod som används: ställ en diagnos innan ni väljer insats.

Utbildning är en bra lösning när förmåga är hindret. Om människor vet hur de ska använda AI men är osäkra på vad som är tillåtet kan tydligare policyer vara viktigare. Om medarbetarna ser värdet men AI ligger obekvämt utanför deras arbetsflöde kan integration vara prioriteringen. Om användbara arbetssätt redan finns men är isolerade till en handfull team kan det hjälpa att synliggöra dem och skapa möjligheter att lära av kollegor.

Olika hinder kräver olika åtgärder.

Det finns ytterligare ett skäl till att detta spelar roll. Målet är i slutändan inte bara att öka antalet inloggningar. McKinseys forskning tyder på att högre individuell användning i sig inte nödvändigtvis leder till bredare värde för organisationen. Organisationer behöver också tänka om kring arbetsflöden och arbetssätt utifrån vad AI gör möjligt.[4]

Så när adoptionskurvan planar ut och någon frågar vad du tänker göra härnäst är det bästa svaret kanske inte ännu ett initiativ riktigt än.

Börja med frågan bakom siffran: Vad är det som formar det här beteendet?

För användningen berättar vad som händer. Att förstå hindren hjälper dig att avgöra vad som behöver förändras.