Varför era AI-ambitioner stannar vid det gamla affärssystemet

AI-investeringarna är på plats. Ledningen är ombord. Pilotprojektet ser lovande ut i demo. Och sedan, när det är dags att skala upp till verklig produktion – stannar det. Inte för att modellen är fel. Utan för att infrastrukturen den ska köra på aldrig var byggd för att leverera det AI:n behöver.

Det här är inte ett undantag. Det är mönstret.

Precio Fishbone
Publicerad: 19 okt. 2026

Det är inte modellen som är problemet – det är fundamentet

Skillnaden mellan organisationer som faktiskt får ut värde av AI och de som fastnar i pilotstadiet handlar sällan om vilken modell de valt. 78 % av företag uppger att de kämpar med att integrera AI med befintliga system (SoftwareSeni, baserat på Deloitte Tech Trends 2026). Och enligt Deloittes undersökning identifierar 60 % av AI-ansvariga ledare integration med legacy-system som det primära hindret för att implementera mer avancerad, agentbaserad AI.

Det är en strukturell skillnad, inte en teknologisk detalj. Som en branschanalys uttrycker det: organisationer upptäcker att AI inte är mjukvara man installerar som ett CRM-system – det är infrastruktur man bygger ovanpå, och fundamentet bär inte lasten.

Data som inte går att lita på är värre än ingen data alls

AI är bara så bra som datan den får tillgång till. Och i de flesta organisationer är den datan utspridd, inkonsekvent och dåligt dokumenterad. Enterprise-undersökningar visar att organisationer i snitt hanterar data spridd över mer än 400 distinkta system och källor (CXO Tech Magazine) – en fragmentering som gör AI-beredskap till en arkitektur- och styrningsfråga, inte bara ett verktygsval.

Konsekvensen när data inte är redo är förutsägbar: AI levererar inkonsekventa resultat, team tappar förtroende, pilotprojekt skalar aldrig upp, och ledningen börjar ifrågasätta hela investeringen (RightPatient). Det är en av de vanligaste anledningarna till att lovande AI-initiativ tystnar efter ett halvår – inte för att idén var fel, utan för att grunden aldrig fanns på plats.

Arkitektur byggd för ett annat årtionde

Äldre system, särskilt kärnsystem som affärssystem och core-plattformar, byggdes för ett helt annat syfte än det AI kräver idag. De är konstruerade för strukturerade transaktioner, inte ostrukturerad data eller realtidsinferens, och saknar ofta den beräkningskapacitet, modularitet och skalbarhet som moderna AI-verktyg förutsätter (Optimum).

Liknelsen som används inom banksektorn fångar problemet väl: att försöka lägga AI-funktionalitet ovanpå ett föråldrat kärnsystem är som att koppla in fiberinternet i en byggnad som fortfarande kör på gammal kopparledning (Wednesday.is). Det spelar ingen roll hur snabb anslutningen är om byggnaden inte kan ta emot den.

Den moderna AI-paradoxen: ni behöver AI för att modernisera, men modernisering för att använda AI

Här uppstår ett cirkulärt problem som många organisationer fastnar i. AI-assisterad kodanalys kan faktiskt hjälpa till att modernisera äldre system effektivt – manuell genomgång av decennier av gammal kod leder ofta bara till analysförlamning. Men samtidigt går det inte att driftsätta mer avancerad AI utan de moderna integrationsmönster som bara modernisering kan leverera (SoftwareSeni).

Lösningen är sällan att vänta tills allt är moderniserat, eller att modernisera allt på en gång. Den smartare vägen är att identifiera var AI redan kan skapa värde med befintlig integration, och återinvestera de vinsterna i att bygga den infrastruktur som möjliggör djupare AI-användning längre fram.

Fönstret är inte oändligt

Forskning pekar på att företag har ungefär två år på sig att visa meningsfullt AI-värde innan investeringsviljan och det interna förtroendet börjar svikta (SoftwareSeni). De organisationer som inte löser den arkitektoniska frågan i tid riskerar att hamna i den statistik över AI-initiativ som misslyckas – och tvingas förklara för styrelsen varför.

Samtidigt visar bredare forskning från IDC och McKinsey att organisationer med högre digital mognad konsekvent presterar bättre vad gäller operativ smidighet och kostnadseffektivitet, och att moderniseringsmognad kopplar direkt till snabbare innovationscykler (AITUDE). AI-beredskap är med andra ord oskiljbar från arkitektonisk beredskap.

Tre frågor att ställa innan nästa AI-initiativ skalas upp

  • Kan vårt äldsta affärskritiska system faktiskt leverera data i realtid till de AI-verktyg vi vill använda – eller bygger vi på antaganden om data som inte stämmer?
  • Hur många olika system måste vår data passera genom innan den är tillräckligt ren och konsekvent för att AI ska kunna lita på den?
  • Om vårt nästa AI-pilotprojekt lyckas – har vi den integrationskapacitet som krävs för att faktiskt skala det, eller stannar det vid en imponerande demo?

Ni behöver inte byta ut allt – men ni behöver veta vad som blockerar

Det vanligaste misstaget är att anta att AI-beredskap kräver att hela teknikstacken ersätts. I praktiken är en fullständig utbytning ofta onödigt dyr och disruptiv. Den smartare frågan är vilka system som faktiskt kan moderniseras stegvis, och vilka som har blivit ett genuint hinder för tillväxt (ISHIR).

Modernisering är rätt väg när ett befintligt system fortfarande stödjer kärnverksamheten väl, men behöver förbättras för att möjliggöra AI-användning och skalbarhet. Det är sällan en allt-eller-inget-fråga – det är en fråga om att identifiera exakt var flaskhalsen sitter.

I seriens sista artikel går vi igenom hur ni faktiskt väljer rätt moderniseringsstrategi: när det är läge att sanera, när det är läge att bygga nytt, och hur ni undviker att fatta det beslutet på fel grunder.

Källor

Meny