I detta avsnitt pratar vi om varför AI-lösningar inte ska köpas och onboardas på samma sätt som andra IT-lösningar. Vi diskuterar vad det innebär att rekrytera en AI till teamet och hur det skiljer sig åt från en kollega. Vi lyfter bland annat vilka arbetsuppgifter som en AI kan utföra och hur vårt arbetssätt förändras i det nya paradigmskiftet.
Vill du fördjupa dig ytterligare? Lär dig mer om bland annat AI-adoption i vårt bibliotek.
I avsnittet lär du dig:
Röster i avsnittet
Lyssna på avsnittet direkt
Transkribering av avsnittet
Att rekrytera en AI till teamet
Syntra är en podcast från Fiwe om samspelet mellan människor, system och data – och hur nya tekniska möjligheter förändrar hur vi arbetar.
I detta första avsnitt pratar vi om en fråga många brottas med just nu: hur “rekryterar” man en AI till teamet? Vad betyder det i praktiken – och varför är det ett bättre sätt att tänka än “vi köper in ett AI-system”?
Medverkande
- Sebastian Mildgrim – Technical Advisor, Fiwe
- Glenn Svanberg – Utvecklare (innovation & experiment), Fiwe
- Mitra Javadzadeh – Head of Business Development, Fiwe
Sebastian: Jag har jobbat på Fiwe i 11 år och haft många olika roller. Idag hjälper jag kunder att förstå vilka lösningar som kan lösa deras utmaningar – både rådgivande och ute hos företag för att stärka deras förmåga att använda data bättre. Mycket landar i det vi kallar Data Governance.
Glenn: Jag är utvecklare och brinner för innovation – att skapa nya grejer, testa ny teknik och utforska vad som finns bakom “nästa kulle”. Jag driver initiativ där vi experimenterar och bygger för att ligga i framkant.
Mitra: Jag jobbar med affärsutveckling. Vi hjälper kunder i sin transformation och i det paradigmskifte som sker när AI blir en del av vardagen.
Varför heter podden Syntra?
Namnet Syntra handlar om att överföra information strukturerat mellan olika entiteter – till exempel mellan system och människor, eller mellan maskin och människa – på ett sätt som gör informationen förståelig.
Syntra är podden för dig som vill driva din funktion framåt och förstå hur samspelet mellan teknik och användare påverkar arbetssätt, processer och resultat.
Avsnittets tema: “rekrytera en AI till teamet”
Vad menar vi med att rekrytera en AI?
Sebastian: Traditionellt köper man in ett IT-system för ett väldigt specifikt ändamål. Det gör “en sak” enligt en tydlig specifikation. Men en AI är mycket mer anpassningsbar – och kan göra betydligt fler saker än ett klassiskt system.
Därför vill vi utmana tanken “vi köper in ett AI-system” och istället tänka: Vi rekryterar en kollega.
Det betyder onboarding, tydliga uppgifter, ramar, feedback och ett arbetssätt där människan fortsätter vara ansvarig.
AI är inte deterministisk
Glenn: En stor skillnad är att traditionella IT-system ofta är deterministiska. Du implementerar dem och de beter sig likadant varje gång.
AI är däremot probabilistisk. Ställer du samma fråga tio gånger kan du få flera olika svar – även om inputen är densamma.
Det gör att du inte kan behandla AI som “en implementation som blir klar”. Det blir mer som en onboarding-process där du jobbar sida vid sida med AI:n, styr den och förbättrar den över tid.
Är AI samma sak som automation?
Mitra: I grunden använder du fortfarande en maskin för att utföra en uppgift automatiskt. Men skillnaden är att AI kan hantera mer komplexitet, ostrukturerad input och mindre “fyrkantiga” outputs.
Sebastian: Och kraven blir helt andra. I klassisk automation ligger ansvaret mycket i att vi specificerar rätt och bygger en tydlig “räls” som processen går på. Med AI måste vi tänka annorlunda kring ansvar och kvalitet – för output kan variera och ibland bli fel på sätt som inte alltid är uppenbara.
Människan måste vara med – och ansvarig
När AI används i flöden behöver människor vara mer närvarande än vid traditionell automation.
- Du kan inte ge AI “totalt ansvar”.
- Du måste granska output – och ha ett sätt att avgöra vad som är “bra nog”.
- Rollen för människor förflyttas från att göra allt manuellt till att orchestrera, styra och kvalitetssäkra.
Det är en tydlig mindset-förändring: från doer → manager.
Vilka uppgifter passar AI bäst för?
Glenn: AI passar särskilt bra för repetitiva uppgifter där outcome går att beskriva och kontrollera.
Exempel:
- skapa text i stor skala (med tydlig tonalitet/ramverk)
- klassificera produkter
- strukturera och omforma information
- föreslå innehåll baserat på givna regler
Nyckeln är att du måste kunna ge bra feedback på resultatet.
Sebastian: Tänk som med en kollega. “Det här blev inte bra” hjälper varken en människa eller en AI. Du måste kunna säga vad som blev fel och varför – till exempel:
“Den här texten riskerar greenwashing. Undvik det genom att använda konkreta fakta, mätetal och neutralt språk.”
AI som kunskapsstöd
Sebastian: En annan tydlig styrka är att hjälpa oss hitta rätt i stora informationsmängder.
Exempel: kundtjänst. Jag tycker inte AI ska ersätta mänsklig kontakt, men den kan vara ett kraftfullt stöd som gör att kundtjänst snabbt hittar rätt information i FAQ:er, tidigare ärenden och interna datakällor – i rätt kontext.
Men här finns en viktig förutsättning: ordning på data. Struktur och tydlighet är grunden för att AI ska bli hjälpsam och trygg att använda.
“AI vet ingenting” – men låter ofta rimlig
Glenn: AI kan vara extremt duktig på att låta självsäker och rimlig, även när den har fel. Därför är kontext och instruktioner avgörande.
AI “lär sig” inte som en människa i varje enskild körning. Du behöver ge den:
- rätt information
- rätt ramar
- rätt instruktioner
- rätt feedbackmodell
Ju bättre du är på att ge AI precis rätt kontext (varken för lite eller för mycket), desto bättre kvalitet och ofta också lägre kostnad per körning.
Ansvar: input och output
AI kan inte vara ansvarig. Det måste alltid finnas människor som tar ansvar för:
- Input – vilken data AI:n får och vilka instruktioner den får
- Output – vad som publiceras, skickas, används eller blir beslutsunderlag
I slutändan hamnar ansvaret alltid på företaget.
Skala kräver nya sätt att bygga tillit
Glenn: AI kan producera 10 000 texter snabbt. Men då uppstår frågan: kan vi granska 10 000 texter?
Nej – då måste vi jobba med metoder som bygger tillit utan att läsa allt:
- urval och stickprov
- valideringsregler
- tydliga ramar och policy
- programmatisk kontroll där det går
Målet är att hitta en nivå av kvalitet och säkerhet som är praktiskt rimlig – och jämförbar med hur människor faktiskt gör fel ibland också.
Onboarding: börja med affärsvärdet
Mitra: Det är lätt att fastna i hype. Men allt måste bottna i affärsvärde. “Bättre texter” kan vara bra – men spelar det roll för kunden och affären? Om ingen läser texterna kanske det inte är rätt ställe att börja.
Sebastian: En bra övning är att skriva en “rekryteringsannons” för AI:n:
- Vad ska den göra?
- Vilken output ska den leverera?
- Vilka ramar gäller?
- Vilken data behöver den?
Det tvingar fram tydlighet – och gör det enklare att förstå vad som krävs runt omkring.
Konkreta tips för att lyckas
Om du vill komma igång och “rekrytera” en AI på ett bra sätt:
- Välj en uppgift som är tydligt beskriven och repetitiv
- Säkerställ att du förstår både input och output
- Se till att du har rätt data tillgänglig
- Ha ett sätt att ge konkret feedback på kvalitet
- Utse människor som äger processen (input + output) och kan styra AI:n över tid
Avslut
Tack för att du lyssnar på Syntra – en podcast från Fiwe.
Har du feedback eller önskemål om teman framåt? Hör gärna av dig. Vi kommer släppa fler avsnitt löpande om mötet mellan människor, teknik och data.