Hävstångseffekten: Därför förändrar de flesta AI-satsningar i tjänstesektorn ingenting
Alla företag ställer sig i dag frågan om AI kan göra verksamheten snabbare. För tjänsteföretag är den verkliga frågan mer komplex: Kan AI hjälpa oss att skapa mer värde med samma antal timmar, utan att kompromissa med lönsamheten, leveranskvaliteten eller kundrelationerna som verksamheten bygger på?
Utmaningen är välkänd. Kompetens är en bristvara och kostar därefter. Marginalerna är pressade och granskas in på decimalen. Kunder förväntar sig samma snabba respons som de får från sin bank eller sin favoritapp. AI ses som det självklara verktyget för att skala upp, och ledare inom branschen vet om det. Ett företag har historiskt sett bara kunnat växa på tre sätt: anställa fler, ta mer betalt för dem man har, eller få ut mer värde av varje arbetad timme. De första två har tydliga tak. Därför handlar mycket om det tredje alternativet, hävstångseffekten, och det är exakt detta som AI förväntades möjliggöra.
För de flesta företag resulterade det dock bara i att inkorgen fylldes snabbare.
Alla ser möjligheterna, men att stå stilla är en risk i sig
Ingen seriös aktör hävdar att tjänsteföretag bör undvika AI. Den samlade forskningen pekar åt motsatt håll: vinsterna är stora, och att agera för långsamt är en fara i sig. Men samma studier är ovanligt tydliga med hur sällan dessa fördelar faktiskt realiseras.
MIT:s studie State of AI in Business för 2025 visar att 95 procent av alla pilotprojekt inom generativ AI för företag inte ger någon mätbar avkastning, trots investeringar på 30 till 40 miljarder dollar. Orsaken var inte svaga modeller eller små budgetar. Problemet var att verktygen var svåra att anpassa, frikopplade från hur arbetet faktiskt utförs och oförmögna att lära sig verksamhetens specifika processer och behov.¹
av alla pilotprojekt inom generativ AI för företag
ger ingen mätbar avkastning, trots investeringar på 30 till 40 miljarder dollar.
Utmaningen är extra påtaglig för tjänstesektorn
Det är här tjänsteföretag skiljer sig från detaljhandel, tillverkning eller logistik. I tjänsteverksamheter är det avgörande hur arbetet faktiskt utförs, eftersom det är där lönsamheten skapas eller går förlorad.
Marginalen finns i skillnaden mellan en fakturerbar timme och en timme som måste skrivas av. Beläggningsgraden avgör om en konsult avslutar ett uppdrag på fredag och påbörjar nästa på måndag, eller om outnyttjad kapacitet gradvis urholkar kvartalets resultat. Leveransrisker uppstår ofta långt innan de syns i rapporterna, kanske i en resursallokering som gjordes för tre veckor sedan eller i en milstolpe som riskerar att passera kvartalsslutet utan att nås.
Siffrorna visar tydligt hur pressad situationen är. SPI Researchs 2026 Professional Services Maturity Benchmark, baserad på 509 företag, visar att den debiterbara beläggningen har sjunkit till 66,4 procent. Det är den lägsta nivån i undersökningens historia och långt under de 75 procent som rapporten menar krävs för hälsosamma marginaler. Den visar också att de framgångsrika företagen drar ifrån tack vare AI, med betydligt högre AI-mognad och kompetens i organisationen.⁴
DOch det är just detta glapp som generiska AI-lösningar har svårt att hantera. De har tränats på generell information och kopplats till verksamhetens data först i efterhand. De kan läsa rader i ett kalkylblad, men de förstår inte verksamhetslogiken bakom intäktsredovisning, resursplanering eller projektlönsamhet. Resultatet blir ofta en assistent som svarar snabbare, men som inte förändrar det som verkligen påverkar verksamhetens resultat. Unit4:s tekniska chef, Claus Jepsen, förklarar:
”Merparten av den AI som idag adderas till affärssystem handlar inte om resonemang eller beslutsfattande. Det handlar om att dirigera arbetsuppgifter med hjälp av bättre språk.”
– Claus Jepsen, CTO, Unit4 (Diginomica)²
AI kan flytta en uppgift från en plats till en annan. Men den kan inte automatiskt väga olika alternativ mot varandra eller fatta bättre verksamhetsbeslut. Och det är just där den verkliga hävstångseffekten finns. Den skapas inte genom snabbare knapptryckningar eller effektivare e-posthantering, utan genom bättre beslut.
Att räkna agenter är inte samma sak som hävstångseffekt
Den naturliga impulsen är ofta att investera i mer AI: fler copiloter, fler agenter och fler funktioner. Men skala utan förståelse är värre än att gå långsamt fram. Gartner bedömer att uppgiftsspecifika AI-agenter kommer att finnas i 40 procent av alla företagsapplikationer vid slutet av 2026, jämfört med mindre än 5 procent i dag. Samtidigt förutspår analysföretaget att över 40 procent av alla agentbaserade AI-projekt kommer att läggas ned före utgången av 2027 på grund av otydligt affärsvärde och bristande styrning. Gartner varnar också för så kallad ”agent washing”, där etablerad automatisering marknadsförs som autonom AI.³ Hundra agenter som inte förstår det uppdrag de utför ger ingen hävstångseffekt. De skapar bara risker.
Mönstret bakom siffrorna
Sammantaget beskriver dessa rön ett tydligt problem. Att stå stilla är inte ett alternativ, eftersom potentialen är verkliga och de företag som lyckas omsätta AI i affärsvärde skaffar sig snabbt en försprång. Men snabbt inför AI utan tillräcklig förståelse är värre, eftersom AI som agerar i en verksamhet den inte begriper skapar risker istället för nytta. Begränsningen ligger inte i hur smart modellen är, utan i hur väl den förstår den ekonomi som företaget lever i.
Detta är det verkliga dilemmat för ledare inom tjänstesektorn under 2026. Inte om de ska införa AI, utan om den AI de väljer förstår skillnaden mellan en debiterad timme och en avskriven timme innan den agerar.
I resten av den här serien ska vi titta på hur den balansen faktiskt uppnås: varför de flesta AI-system för företag snarare dirigerar än resonerar, vad som krävs för att ett system ska tala samma språk som ett tjänsteföretag, varför styrning är nyckeln till hållbara marginaler och vad allt detta innebär en helt vanlig måndagsmorgon. Svaret beror mindre på hur intelligent tekniken är, och mer på hur djupt den förstår den miljö den verkar i.
Beviset finns i era egna siffror. Om ni redan är kund hos Unit4 kan ni testa våra AI-funktioner utan kostnad och utvärdera värdet innan ni skalar upp användningen: https://www.unit4.com/sv/try-our-ai. Om ni är nyfikna på Unit4 kan ni läsa mer om vår AI på https://www.unit4.com/sv/ai-native-erp.
Källor
- MIT NANDA, The GenAI Divide: State of AI in Business 2025, via Fortune, 18 augusti 2025.
- Claus Jepsen, teknisk chef, Unit4, "From routing to reasoning," Diginomica.
- Gartner, uppgiftsspecifika agenter i 40 % av företagsapparna till 2026; över 40 % av projekten med agentisk AI avbryts före slutet av 2027.
- SPI Research, 2026 Professional Services Maturity Benchmark (undersökning bland 509 företag, hösten 2025).
Prenumerera för att läsa mer som detta
Everyone can see the opportunity, and standing still is its own risk
No serious voice argues that services firms should keep AI out. The research consensus runs the other way: the prize is large, and moving too slowly is itself a risk. But the same research is unusually blunt about how rarely the prize is actually collected.
MIT's 2025 State of AI in Business study found that 95% of enterprise generative AI pilots deliver no measurable return, despite $30 to $40bn of spend. The cause was not weak models or thin budgets. It was that the tools were brittle, disconnected from how the work actually happens, and unable to learn a specific business.¹
The risk is specific to services
Here is where a services firm diverges from a retailer or a logistics operation. "How the work actually happens" is unforgiving, and it is where money is made or lost. Margin lives in the gap between a billable hour and a write-off. Utilisation is the difference between a consultant who finishes on Friday and starts Monday, and a bench that quietly eats the quarter. Delivery risk hides in a resource allocation made three weeks ago, and in a milestone about to slip past quarter-end.
The numbers show the squeeze. SPI Research's 2026 Professional Services Maturity Benchmark, drawn from 509 firms, found billable utilisation had fallen to 66.4%, the lowest in its surveying history and well below the 75% the report says keeps margins healthy. It also found the leaders pulling away on AI, with high-performing firms reporting markedly stronger AI fluency across their teams.4
That gap is exactly what generic AI can't see. It was trained on the world in general and pointed at your data as an afterthought. It reads rows. It does not read revenue recognition. So the firm gets an assistant that answers faster and changes nothing underneath. Unit4's Chief Technology Officer, Claus Jepsen, names why:
Most AI added to enterprise software today is not reasoning. It is routing with better language. — Claus Jepsen, Chief Technology Officer, Unit4 (Diginomica)²
It moves a task from one place to another. It does not weigh a decision. And leverage comes from better decisions, not faster typing.
Counting agents is not the same as leverage
The instinct is to buy more AI: more copilots, more agents, more features. But scale without understanding is worse than slow. Gartner expects task-specific AI agents in 40% of enterprise applications by the end of 2026, up from less than 5%. In the same breath, it predicts that more than 40% of agentic AI projects will be scrapped by the end of 2027, undone by unclear value and inadequate controls, and it warns of "agent-washing," vendors rebranding old automation as autonomy.³ A hundred agents that do not understand the engagement they are acting on do not add up to leverage. They add up to risk.
The pattern behind the numbers
Read together, the findings describe one shape of problem. Standing still is not safe, because the gains are real and the firms that capture them pull ahead. But speed without understanding is worse, because AI that acts on a business it does not comprehend creates liability, not leverage. The constraint is not how clever the model is. It is how well it grasps the economics the firm already lives with.
That is the genuine dilemma facing services leaders in 2026. Not whether to adopt AI, but whether the AI they adopt understands the difference between an hour billed and an hour written off, before it acts on it.
Over the rest of this series we will look at how that balance is actually struck: why most enterprise AI routes rather than reasons, what it takes for a system to speak the language of a services business, why governance is where the margin holds, and what it all unlocks on an ordinary Monday morning. The answer depends less on how clever the AI is, and more on how deeply it understands the world it is working in.
The proof is in your own numbers. If you are already a Unit4 customer, you can put our AI to work on your own engagements for free and see the value before you expand: https://www.unit4.com/try-our-ai. If you are new to Unit4, find out more about AI at Unit4 at https://www.unit4.com/ai-native-erp.
Sources
- MIT NANDA, The GenAI Divide: State of AI in Business 2025, via Fortune, 18 August 2025.
- Claus Jepsen, Chief Technology Officer, Unit4, "From routing to reasoning," Diginomica.
- Gartner, task-specific agents in 40% of enterprise apps by 2026; over 40% of agentic AI projects canceled by end 2027.
- SPI Research, 2026 Professional Services Maturity Benchmark (Fall 2025 survey of 509 firms).