Vad AI faktiskt flyttar — och vad det inte gör.

Under de senaste två åren har vi sett en tydlig förändring i hur samtal med kunder börjar. Fler dyker upp med ett fungerande underlag — en rapport byggd i Power BI som de satt ihop på en eftermiddag, en applikation i Power Apps som löser ett konkret problem, en datamodell sammansatt med hjälp av ett AI-verktyg som visste vilka steg som krävdes.

Det här är genuint bra. Tröskeln för att komma igång har sjunkit. Kostnaden för att utforska ett problem utan att involvera en konsult är lägre än den någonsin har varit. Och det finns verksamheter som har löst problem de aldrig hade haft råd att lösa annars.

Det AI-verktyg har förändrat är framförallt det som brukar kallas grundläggande konstruktion — att skriva boilerplate-kod, sätta upp standardstrukturer, förstå hur en teknik fungerar tillräckligt för att komma igång. Det tar timmar nu som tog veckor förut.

Men det finns en del av arbetet som AI inte förändrat nämnvärt, och den delen är ofta den tyngsta.

Att förstå hur er verksamhet faktiskt fungerar — vilka undantag som finns, vilka system som är integrerade med vad, var affärslogiken som byggdes in för tio år sedan sitter, vad som händer i edge-cases som aldrig dokumenterades — det är arbete som kräver att någon pratar med era medarbetare, granskar er befintliga kod och förstår er organisation. Ingen AI-modell har den förståelsen på förhand.

Arkitekturval kostar fortfarande vad de kostar. Ett beslut om hur en dataplattform ska struktureras, vilka integrationsmönster som ska användas, hur säkerheten ska se ut — de besluten har konsekvenser som sträcker sig över år. Att göra dem rätt kräver erfarenhet av vad som håller och vad som skapar problem på sikt.

Compliance och säkerhet har inte blivit enklare. Om något är kraven mer komplexa nu än för fem år sedan, och konsekvenserna av att hantera dem fel är kännbara.

Och förvaltning — att hålla en lösning levande, uppdaterad och relevant när verksamheten förändras — är precis lika krävande som det alltid har varit.

Det praktiska konsekvensen av allt detta är att kalkylen för att bygga ett system ser annorlunda ut 2026 än den gjorde 2022. Initialkostnaden för att ta ett problem från idé till fungerande lösning har sjunkit. Det betyder att projekt som tidigare var för dyra att ta sig an nu är möjliga.

Det som däremot inte har förändrats är det arbete som krävs för att göra lösningen produktionsklar, säker, underhållbar och anpassad till er specifika verksamhet. Den delen tar fortfarande tid, kräver fortfarande erfarenhet, och är fortfarande det som avgör om ni har ett system eller en avancerad demo.

Vi ser det som att AI har öppnat dörrarna för fler samtal. Det har gjort det lättare att komma igång, billigare att utforska och snabbare att visa ett första resultat. Men partnerns roll — att förstå verksamheten djupt, fatta de rätta arkitekturbesluten, och ta lösningen hela vägen till produktion — är om möjligt viktigare nu än den var när grundläggande konstruktion var det som dominerade arbetet.

Vi tycker det är värt att vara raka med det här. Ja, ni kan bygga mycket mer själva nu. En liten IT-avdelning med bra AI-verktyg kan åstadkomma saker som tidigare krävde ett konsultteam i månader.

Vi finns för det som kräver mer än vad verktygen ger av sig självt: för de beslut som skapar problem om de fattas fel, för de integrationer mot system med egna regler och beteenden, för det långsiktiga ansvaret att hålla lösningen vid liv. Och för att vi har sett tillräckligt många varianter av det här för att veta var fällorna brukar ligga.

AI har gjort det möjligt att komma längre på kortare tid. Det har inte eliminerat behovet av att komma rätt.