Varför 95 procent av alla AI-projekt misslyckas
Liam Otley på Morningside AI har implementerat AI för några av världens mest kända varumärken under de senaste två och ett halvt åren. Hans slutsats är enkel och brutal: 95 procent av alla AI-initiativ i företag levererar noll avkastning. Inte för att tekniken är dålig. För att bolagen gör det i fel ordning.
De gör det bakvänt
Mönstret är alltid detsamma. Ledningsgruppen ser en rubrik, köper ett verktyg, och försöker plugga in det i ett kaotiskt system med spridd data och processer som ingen egentligen förstår fullt ut. Och sedan undrar man varför det inte fungerar.
MIT publicerade nyligen en studie med samma siffra som Otley citerar: 95 procent av alla AI-initiativ i enterprise-bolag levererar ingen mätbar avkastning. Det är inte ett påstående om att tekniken är överskattad. Det är ett påstående om att de flesta bolag inte har gjort grundarbetet.
De fem procent som faktiskt ser avkastning gör tvärtom. De startar med processen, inte tekniken. De kartlägger hur bolaget faktiskt fungerar, med alla fula detaljer, innan de skriver en enda rad kod eller köper ett enda verktyg. Otley kallar det att bli världens bästa expert på hur ett specifikt bolag fungerar: djupintervjuer med alla från avdelningschefer till operativ frontlinjepersonal, visuell processkartläggning, identifiering av flaskhalsar, prioritering av var AI faktiskt gör nytta idag.
Det arbetet är tidskrävande. Men det är det som separerar de som lyckas från de som inte gör det.
Snabbvinsterna finns i de tråkigaste processerna
En av de starkaste insikterna från Morningsides arbete är var snabbvinsterna faktiskt sitter. Inte i de imponerande projekten som ser bra ut i en presentation. I de tråkiga.
Manuell datainmatning. Rapportskrivning. Dokumentsökning. Vänta, jag kollar det åt dig. Det är de processerna som ger hundratusentals kronor i besparat tid när du automatiserar dem. Och de är relativt enkla att bygga, relativt snabbt, till relativt låg kostnad.
Logiken är rak. Dessa processer är väldefinierade. Input är känd. Output är känd. Reglerna är tydliga. Det är exakt vad AI-agenter är bra på: att köra väldefinierade transaktioner med hög volym och hög precision. De mer spännande projekten, de prediktiva systemen och de strategiska beslutsstöden, kräver infrastruktur som de flesta bolag inte har på plats. De kan vara rätt på sikt. Men de är sällan rätt som ett första steg.
Otley är tydlig med varför de flesta misslyckas just på det här steget: de letar efter det häftiga projektet de läste om i nyhetsbrevet, inte efter den väldefinierade flaskhalsen som kostar dem tid och pengar varje dag. Det är fel sökfråga.
Vad det innebär för din back office
Morningside arbetar primärt med mid-market-bolag, 50 till 500 anställda. Exakt den grupp där back office-funktioner ofta har skalat linjärt med volym i år, utan att någon ifrågasatt varför.
Varje faktura som stäms av manuellt. Varje produktdata-uppdatering som görs för hand. Varje orderstatus som kollas i ett system och kopieras till ett annat. Det är väldefinierade transaktioner med känd input och förväntat output. Om du kan skriva ner dem exakt nog kan en AI-agent köra dem.
Men du hittar inte de möjligheterna om du startar med tekniken. Du hittar dem när du kartlägger processerna ordentligt, identifierar flaskhalsarna, och sedan kopplar ihop det med vad AI faktiskt levererar i produktion idag.
Otley öppnar källkoden på sin metod och ger den till vem som helst som vill använda den. Det är generöst. Men metoden kräver tid, kompetens i AI-lösningar, och förmågan att omsätta processkartläggning till faktiska system med SLA-garantier. De flesta bolag saknar den kombinationen internt, och har inte råd att vänta tills de byggt upp den.
Det är den luckan Lights Out fyller. Vi gör kartläggningen. Vi identifierar snabbvinsterna. Sedan tar vi driftansvaret med SLA. Kunden köper resultatet, inte resan dit.