En ny teknik dyker upp och mönstret är alltid bekant. De tidiga användarna lägger ner tid, pengar och tro, och kämpar ofta för att motivera investeringen medan resten tittar på från sidlinjen. Sedan kommer det oundvikliga skiftet: rädslan för att missa något tar överhanden och plötsligt rusar alla för att vara med på vågen, ofta utan en klar förståelse för vart den är på väg eller varför de följer den.
Alla bygger AI, säljer AI, investerar i AI och hävdar att de drivs av AI. Spänningen är påtaglig och möjligheterna är verkliga. Men mitt i allt brus är det värt att ställa en enkel fråga:
Är dagens AI-teknik svaret på allt?
Det ärliga svaret är nej.
Jag skriver den här artikeln med hjälp av Claude och det är precis den här typen av uppgifter där den briljerar: att utarbeta, strukturera och vässa ett argument. Men AI bör inte lösa alla problem, och i många fall är det inte ens rätt verktyg. Varför är det så?
Börja med de ekonomiska aspekterna. Hyperscalarna gav oss det blå pillret för ett tag sedan: «Varsågod, billig AI. Gör allt för en bråkdel av vad det skulle kosta i mänskliga timmar». Problemet är att det blå pillret aldrig skulle hålla i längden. De funktioner som vi använder mest flyttar i tysthet bakom premiumnivåer, och trenden bara accelererar.
Några exempel som redan är här:
Microsoft har höjt priset på Microsoft 365 mer än en gång under de senaste åren, och den senaste höjningen var uttryckligen kopplad till kostnaden för de AI-funktioner som ingår. Gör dig redo för M365 E7-licensen ... den så kallade "Frontier Suite".
Inget av detta är en tillfällighet. Trycket från marknaden och investerarna ökar. De stora aktörerna har spenderat svindlande summor, i storleksordningen hundratals miljarder dollar per år, på att bygga AI-datacenter över hela världen, och det kapitalet måste betalas tillbaka. Följdeffekterna sprider sig över hela IT-industrin, inte minst de stigande hårdvarukostnaderna när alla konkurrerar om samma chip, minne och kraft.
Så var finns det värde som nästan ingen tittar på? I allt högre grad ligger det inte i AI i sig, utan i de tekniker som AI påskyndar.
Kvantberäkningar är det tydligaste exemplet. AI används nu för att angripa ett av kvantvärldens svåraste problem, felkorrigering, och de två områdena konvergerar snabbt. I slutet av 2025 demonstrerade Google en verifierbar kvantfördel, en fysiksimulering som kördes tusentals gånger snabbare än världens ledande klassiska superdator. De branscher som är mest utsatta för denna konvergens är just de där de svåraste problemen finns: materialvetenskap, energi, klimat- och vädermodellering samt logistik.
Robotteknik och autonoma labb är en annan. Forskare bygger nu system med slutna kretslopp som kombinerar AI-driven planering med robotutförande, maskiner som utformar ett experiment, kör det, läser resultaten och utformar nästa, med liten mänsklig inblandning. Kombinera detta med den snabba utvecklingen av människoliknande robotar, så får du teknik som kommer att förändra både produktion, logistik och själva forskningsprocessen.
Olja och gas är ett typexempel, även om det sällan skapar rubriker (jag menar... det gör det, men av fel skäl). AI tuggar sig igenom de seismiska undersökningarna, brunnsloggar och satellitdata som det tidigare tog geologer veckor att tolka, lokaliserar reservoarer snabbare och minskar antalet torra och mycket dyra brunnar. På Cegal har vi hjälpt flera kunder att uppnå mätbara resultat genom verkliga användningsfall där fördelarna är tydligt synliga.
Kraft och förnybara energikällor kan vara där det betyder mest. Hela problemet med vind- och solkraft är att man inte kan slå på solen eller vinden hur som helst, vilket gör ett elnät fullt av dem väldigt svårt att driva. AI håller på att bli en realtidskoordinator för det system som förutspår produktionen av förnybara energikällor flera timmar framåt, bestämmer när batterierna ska laddas eller laddas ur i förhållande till nätets behov och marknadspriserna, och balanserar utbud och efterfrågan mycket snabbare än en mänsklig operatör skulle kunna göra.
Poängen är den här: AI:s största långsiktiga påverkan kanske inte är chatboten på din skärm. Det kan vara allt som den frigör under ytan.
Om du inte kan mäta det, är det förmodligen inte för AI
Missförstå mig inte, AI är här för att stanna. Det kommer att förändra vårt sätt att arbeta (det har det redan gjort) och det finns ett enormt värde att hämta inom det här området. Men det får inte ske till varje pris.
Vi måste identifiera de användningsområden som kan mätas och förankras i starka KPI:er. Det måste vara det första målet, inte en eftertanke. Börja i liten skala, kör en riktig pilot och knyt den till resultat som du faktiskt kan kvantifiera: sparade timmar, minskad felfrekvens, kortare cykeltider, ökade intäkter. Disciplinen är viktigare nu än någonsin, eftersom AI-kostnader inte beter sig som traditionell programvara, tokenkonsumtion, nivåtrösklar och uppgraderingar mitt i kontraktet kan i tysthet förvandla en blygsam budget till en katastrof.
Så här är mitt ärliga test. Om du kämpar för att identifiera bra användningsfall, om du inte kan kvantifiera det, om du inte kan mäta före och efter och peka på en siffra som rörde sig, då är mitt svar enkelt: detta är förmodligen inte för AI.
På Cegal har vi hittat en beprövad formel för att omvandla AI-ambitioner till affärsvärde. Det börjar med att föra samman rätt personer: domänexperter, AI-specialister och företagsledare i samma rum.
Genom att kombinera djup branschkunskap, teknisk expertis och affärsinsikt kan vi identifiera de mest värdefulla användningsområdena, prioritera dem baserat på potentiell påverkan och avkastning på investeringen samt bygga en färdplan för framgång. Hela processen drivs av en kritisk grund: data av hög kvalitet.
Resultatet är AI-initiativ som inte bara är innovativa utan också praktiska, mätbara och i linje med dina affärsmål.
Mario