Kan AI lyfta produktiviteten?

Produktivitet är relationen mellan insatser och resultat. En god och varaktig produktivitets­tillväxt är nödvändig för att välståndet ska växa. Produktivitets­tillväxten har bromsat in i Sverige och i hela OECD området de senaste 20 åren. Det finns stora förhoppningar att de tekniska genombrotten inom AI blir den injektion som kan lyfta produktivitetstillväxten igen.

De flesta makroscenarier över AI:s effekter på produktivitetsutvecklingen uppskattar att AI kan höja produktiviteten med mellan 0,7 och 1,0 procent om året det närmaste decenniet. Det finns dock både lägre och betydligt högre uppskattningar beroende på olika antaganden om AI:s möjligheter att effektivisera verksamheter och bidra till bättre forskning och fler innovationer.

AI kan öka produktiviteten genom att ersätta människor i vissa uppgifter eller genom att hjälpa dem att göra sina uppgifter snabbare eller bättre. Många nya mikrostudier visar att AI-verktyg kan effektivisera olika tänkande arbetsuppgifter betydligt.

På en del områden är effekten särskilt kraftig. AI kan avsevärt snabba på flera moment inom mjukvaruutveckling, framför allt kodning och felsökning. Studier visar tidsbesparingar på mellan 26 och 71 procent med bibehållen kvalitet. Tidsvinsterna i enskilda moment behöver dock inte betyda att mjukvaran som helhet blir klar snabbare.

På en del områden är effekten betydande. Ett flertal studier visar exempelvis tidsvinster på sex till 18 procent när AI-verktyg används i kundtjänst och olika kontorsuppgifter. Studier visar också att AI-baserad journalföring och AI-stöd vid diagnoser kan ge betydande tidsbesparingar inom sjukvården.

De flesta studier pekar på att AI höjer produktiviteten mest för mindre erfarna medarbetare och inte är till samma nytta för mer erfarna.

I takt med att AI-verktygen utvecklas och olika verksamheter lär sig hur arbeten ska organiseras för att använda verktygen bäst kan dessa sannolikt användas till allt fler arbetsuppgifter och ge betydande ökningar av produktiviteten. Produktivitetsvinsterna kommer dock inte att uppstå automatiskt utan beror på hur tekniken implementeras.

Ett lyckat införande av AI kräver att ledningen för företag och andra verksamheter kan identifiera vilka delar som passar för AI och vilka delar som passar bäst för medarbetarna. Ledningen måste också bedöma vilka risker som finns i omställningen och kunna omfördela resurser inom verksamheten.

De viktigaste insikterna för att säkra ett bra införande av AI som främjar produktiviteten i verksamheten är:

Produktivitet är relationen mellan resursinsatser och resultat. Om produktiviteten ska öka behöver vi utföra en arbetsuppgift lite snabbare (eller bättre) idag än igår. Till en början kan det vara lätt att åstadkomma produktivitetsförbättringar men det blir ofta succesivt allt svårare.

Ekonomisk tillväxt är ett ganska nytt fenomen. Under hundratals år av mänsklig historia har tillväxten varit nästan obefintlig, ända fram till den industriella revolutionen i mitten av 1700-talet. De förbättringar som gjordes innan den industriella revolutionen var helt enkelt inte tillräckliga för att varaktigt lyfta produktiviteten. När arbetet utförs på ungefär samma sätt från år till år sker typiskt sätt inga större förbättringar. En insikt från forskningen är att det krävs ändrade arbetssätt eller teknologiska innovationer för att åstadkomma en god produktivitetstillväxt.

Det är ett av skälen till att frågan om AI:s betydelse för produktiviteten diskuteras i debatten. AI kan betraktas som en teknologisk innovation vars värde i stor utsträckning kommer påverkas av hur den införs. Att göra något ”digitalt” eller med ”AI” leder inte automatiskt till förbättringar. Det finns alltid en kontext för teknologin och den spelar roll.

Tidigare forskning om produktivitetstillväxt har fokuserat på betydelsen av utbildning, institutioner, och kapitalbildning. Alla dessa spelar alltjämt viktiga roller men när en ny teknologi ska införas på arbetsplatser har även ledningen (management) en central funktion. Det är styrelse, vd och ledningsgrupp som ska bestämma vilka processer som ska ändras, hur kontor och fabriker ska anpassas eller hur medarbetare ska utvärderas för sina prestationer. Det finns empiriskt stöd från början av 2000-talet att IT är komplementärt till hur arbetet organiseras på företagsnivå (Bresnahan med flera, 2002). De faktorer som medförde att digitaliseringens påverkan på produktiviteten blev en utdragen process gäller även för AI.

Produktivitetstillväxt – avgörande för välståndet på lång sikt

Hur produktivitetstillväxt skapas är helt centralt för samhället. På lång sikt utgör produktivi­tetstillväxt skillnaden mellan om ett land blir rikt eller förblir fattigt. Produktivitetstillväxten har bromsat in i hela OECD området de senaste 20 åren. Trenden började redan innan finanskrisen 2007–2009 och har fortsatt därefter.

Ekonomen Robert Gordon har i flera uppmärksammade texter drivit tesen att produktivi­tets­tillväxten har dämpats på grund av att digitaliseringens effekter inte är lika betydelse­fulla som de teknologier som infördes tidigare, däribland elektrifieringen, förbrännings­motorn, modern medicin med mera.¹ Dessutom pekar Gordon på flera makroekonomiska motvindar mot tillväxten, som åldrande befolkningar, miljöproblem, minskad skal­avkast­ning på utbildning samt hög skuldsättning. Redan under 1980-talet myntade Robert Solow uttrycket ”You can see the computer age everywhere but in the productivity statistics.”

Argument för att digitaliseringen inte stärker produktiviteten är dock långt ifrån oemot­sagda. En möjlig förklaring till den svaga utvecklingen är att motvindarna har varit för starka i förhållande till vinsterna med digitaliseringen. Litteraturgenomgången i följande avsnitt visar även vilket spann av bedömningar som förekommer. Det finns en viss tendens till skillnader mellan ”mikro” och ”makro”. Studier som tittar på enskilda tillämpningar av ny teknik hittar ibland betydande produktivitetsvinster medan effekten är mindre tydligt i studier och bedömningar av helheten. Det finns åtminstone fyra faktorer som är relevanta:

De första tre av dessa har diskuterats i forskningen. I det som följer kommer vi dock främst diskutera den sistnämnda frågan, som är framåtblickande och inte en forsk­nings­fråga. Den kan sammanfattas till att hur-frågan är viktig: hur företagen inför AI i sina organisationer avgör om teknologin leder till ökad produktivitet. Det räcker dess­utom inte med små positiva effekter om AI ska kunna uppväga de makroekono­miska motvindarna. Det är troligt att olika antaganden kring vad företagen gör och hur regelverken utformas leder till skilda produktivitetsbedömningar.

En forskningslitteratur har börjat växa fram med fokus på hur AI kan påverka produkti­vi­tetstillväxten. I detta avsnitt sammanfattas kunskapsläget.

Generativ AI blev allmänt tillgänglig för fyra år sedan genom lanseringen av ChatGPT i november 2022. Därefter har tekniken spridits snabbt. År 2026 använde 49 procent av alla svenska företag med mer än tio anställda någon form av AI-teknik. I de branscher som är mest exponerade mot AI är användningen betydligt högre (SCB, 2026).

I Norden har införandet gått snabbt. Mer än var fjärde dansk anställd inom yrken som var högt exponerade mot AI använde tekniken redan ett år efter att den blev tillgänglig (Humlum och Vestergaard, 2025). I USA använde var fjärde amerikansk anställd inom alla branscher AI två år efter att den blev tillgänglig (Bick med flera, 2024).

AI har därmed införts mycket snabbare än tidigare digitala teknologier. Fyra år efter lanseringen av ChatGPT beräknas 1,1 miljarder människor använda AI regelbundet. Som en jämförelse dröjde det 16 år efter att internet uppfanns 1989 innan antalet användare passerade en miljard.

AI lyfts fram som en av de mest genomgripande teknologier som utvecklas med enorm potential att höja produktivitet och tillväxt. Tidigare teknik­skiften har främst inneburit att fysiska och enklare jobb blivit färre och ersatts med tänkande jobb. Generativ AI kan däremot automatisera tänkande och kreativa jobb.

AI förväntas höja produktiviteten på flera sätt:

Ännu är det för tidigt att avgöra om tekniken givit några betydande effekter på produkti­viteten. Ny teknik kräver förändringar i organisationen, utbildning och kompletterande investeringar innan den får effekt på produktionen (Brynjolfsson med flera, 2021).

I Konjunkturinstitutet (2026) konstateras att produktiviteten i AI-nära branscher ökat något snabbare än i övriga ekonomin sedan 2023. Skillnaden är dock inte anmärknings­värd. Användningen av AI är högst inom informations- och kommunikations­sektorn och där har produktiviteten ökat extra snabbt de senaste tre åren. Uppgången kommer dock efter en period med svag produktivitetsutveckling dessförinnan.

Tabell 1. Uppmätta effekter på produktiviteten i Sverige

I Tillväxtanalys (2026) har svenska företag graderats efter hur exponerade deras anställda är mot AI. Produktiviteten har ökat snabbare i de mest AI-exponerade företagen sedan 2023. Under den perioden har den fjärdedel av företagen som är mest exponerade mot AI bidragit med huvuddelen av produktivitets­ökningen i ekonomin. AI behöver dock inte vara den drivande faktorn utan det kan finnas andra förklaringar.

Forskare och institut har konstruerat olika scenarier för hur mycket AI kan öka produktivi­teten de närmaste tio till 20 åren. Skillnaderna i scenarierna är stora vilket beror på olika antaganden om hur snabbt AI kan införas, hur stor andel av arbetsuppgifterna som kan effektiveras av AI och hur AI:s förmågor utvecklas framöver. En sammanfattning av resultaten finns i Tabell 2.

En tidig beräkning gjordes av McKinsey (2023) som uppskattade att generativ AI kan höja arbetsproduktiviteten globalt med mellan 0,1 och 0,6 procent om året fram till 2040. Det höga alternativet bygger på antagandet att introduktionen av AI går så snabbt att hälften av arbetsuppgifterna har automatiserats redan 2030. I det låga alternativet antas att detta dröjer till 2060. Under samma antaganden skulle arbetsproduktivi­teten i Sverige öka med 0,2 till 0,8 procent om året fram till 2040 eftersom en större del av den svenska ekonomin är exponerad mot AI.

Briggs och Kodnani (2023) beräknade att generativ AI gradvis kan öka arbetsproduktiviteten i utvecklade länder och globalt betydligt under de kommande tio åren. De uppskattade att AI kan öka arbetsproduktiviteten i USA med i genomsnitt en procent om året fram till 2034 i USA och något mindre i övriga utvecklade länder. Bidraget antas vara mindre i början men växa i takt med AI införs. Lejonparten av produktivitets­ökningen antas bero på att AI ökar arbets­kraftens produktivitet i befintliga jobb och en mindre del på automatisering. Om investeringarna i AI delvis tränger undan andra digitala investeringar kan det bromsa produktivitetstillväxten något.

En stiliserad beräkning av Baily med flera (2023) uppskattar att generativ AI kan höja produk­tiviteten i USA med 2,0 procent om året de närmaste 20 åren. Hälften av produk­ti­vitets­tillväxten beräknas komma från effektivisering av befintligt arbete och hälften på att generativ AI bidrar till spridning av kunskap och främjar forskning, nya idéer och innovationer. Det senare ger liten effekt på produktivitetstillväxten i början av perioden men betydligt mer längre fram.

Tabell 2. Makroscenarier om framtida ökad produktivitet på grund av AI

Den mest pessimistiska beräkningen görs av Acemoglu (2024) som beräknar att generativ AI bara kommer att höja produktiviteten i USA med 0,06 procent om året de kommande tio åren. Hans beräkning är en logisk kedja där ökningen av produktiviteten beror på hur stor andel av alla arbetsuppgifter – viktade efter andel av BNP – som är exponerade mot AI, hur stor andel av dessa som är lönsamma att utföras av AI och hur stor kostnadsbesparingen blir i varje arbetsuppgift. Acemoglu kommer fram till att bara fem procent av alla nuvarande arbets­uppgifter i USA kan utföras lönsamt av AI.

Aghion och Bunel (2024) använder samma metod som Acemoglu men beräknart att AI kommer att höja produktiviteten med 0,7 procent om året de kommande tio åren. Den högre uppskattningen beror på att de räknar med att fler arbetsuppgifter är exponerade mot AI. De uppskattar att 20 procent av arbetsuppgifterna kan utföras lönsamt av AI och kostnadsbesparingen i varje uppgift blir större. Om AI även främjar innovationer kan produk­tiviteten öka ännu mer.

Med samma metod som i de två studierna ovan men delvis annorlunda antaganden beräknade (OECD 2024b, OECD 2025) att AI kommer att höja produktiviteten i USA med 1,0 procent­ om året de kommande tio åren. Till skillnad från de två föregående studierna antog OECD att AI:s förmågor kommer förstärkas under perioden.

Tamkin och McCrory (2025) använde en helt annan metod. Deras beräkning grundades på 100 000 konversa­tioner med AI-verktyget Claude om hur mycket tid som generativ AI kan spara inom olika arbetsuppgifter inom de flesta yrken i USA.³ Den potentiella tidsbespa­ringen i varje yrke viktades samman med sysselsättnings- och lönedata till en uppskattning av den potentiella ökningen av arbets­produktiviteten. De uppskattar att arbetsproduktivi­teten i USA kan öka med 1,8 procent om året de närmaste tio åren om AI där den kan öka effektiviteten. Beräkningen utgår från de förmågor generativ AI har idag. Om AI utvecklas kan produk­tiviteten öka mer.

Många nya studier har mätt hur mycket AI effektiviserar olika yrken. Det handlar både om attitydundersökningar, kontrollerade experiment och studier på verkliga arbetsplatser. De flesta studier har fokuserat på effekterna inom ett enskilt yrke men några har studerat yrken mer brett.

Generella effekter i arbetslivet

Boston Consulting Group (2025) har låtit 4 000 nordiska tjänsteman som använder AI i sitt arbete uppskatta hur mycket tid de sparar på detta. Den självuppskattade tidsbesparingen var 2,5 timmar i veckan, vilket motsvarar drygt sex procent av arbetstiden. Motsvarande siffra i Europa var hela 5,3 timmar i veckan.

Tabell 3. Generella studier om AI och ökad produktivitet i arbetslivet

Humlum och Vestergaard (2025) studerade effekten av att införa chattbotar inom elva yrken som är högt exponerade mot AI.⁴ Införandet av chattbotarna ledde i genomsnitt till relativt små tidsbesparingar för användarna. Den genomsnittliga tidsbesparingen var 2,8 procent för dessa elva yrken. Den högsta tidsbesparingen – 6,8 procent – uppmättes för mjukvaruutvecklare och marknadsförare. Den lägsta uppmättes för lärare – 0,6 procent.

I en studie av Baslandze med flera (2026) har 750 företagsledare i USA inom tjänster, finans, industri och bygg upp­skattat hur AI påverkat deras företags produktivitet. Företags­ledarna uppgav att AI hade höjt deras företags produktivitet med 1,8 procent under 2025.⁵ Data över företagets intäkter och kostnader pekade dock mot att produktiviteten bara ökat med 0,6 procent samma år. Företagsledarna kan ha överskattat nyttan med AI eller så hade andra faktorer minskat företagens produktivitet.

Ökad produktivitet för mjukvaruutvecklare

Kontrollerade experiment har visat att AI-verktyg kan bidra med stora produk­tivitetsvinster inom mjukvaruutveckling. Al-Ahmad (2024) fann att ChatGPT avsevärt kunde snabba på tre viktiga moment inom mjukvaruutveckling; kodning, felsökning och dokumentation. Peng med flera (2023) fann att mjukvaruutvecklare som använde GitHub Copilot⁶ kunde utföra standardiserade kodnings­uppgifter 56 procent snabbare än de som inte gjorde det. Effekten var störst för mindre erfarna utvecklare. Enligt en studie av Rajbhoj (2024) kunde kodare som använde ChatGPT arbeta 71 procent snabbare än andra.

Resultaten är inte entydiga. I ett experiment av Becker med flera (2025) fick en grupp erfarna mjukvaruutvecklare arbeta i stora kodbaser de var bekanta med. Ibland fick använda Cursor Pro och Claude 3.5/3.7 Sonnet och ibland inte. De erfarna utvecklarna arbetade 19 procent långsammare när de använde AI. Studien tyder på att erfarna utvecklare som arbetar med data de känner väl har mindre nytta av AI. Det kan ta längre tid att instruera AI-verktyget hur den ska skriva rätt kod än att göra det själv.

Tabell 4. Studier över AI och ökad produktivitet inom mjukvaruutveckling

Produktivitetsvinsterna i korta kontrollerade experiment har visat sig vara svåra att upprepa på verkliga arbetsplatser över en längre tid. Cui med flera (2025) studerade effekten av att använda GitHub Copilot för kodnings­upp­gifter på tre företag i USA under sex till tolv månader. Utvecklare som använde AI ökade sin produktivitet med 26 procent med samma kvalitet. Nyttan var störst för mindre erfarna utvecklare. Ökningen av produktiviteten var mindre än i experimen­ten vilket delvis berodde på att AI inte kunde användas för alla delar av arbetet.

Stray med flera (2026) jämförde norska mjukvaruutvecklare som använde GitHub Copilot under två år med utvecklare som inte gjorde det. Användarna var betydligt mer produktiva än de övriga men de hade varit mer produktiva redan innan. Skillnaden ökade något när de började använda AI-verktyget men ökningen var inte signifikant.

AI-verktyg kan öka hastigheten i kodning eller andra enskilda moment kraftigt. Det betyder inte att den färdiga mjukvaran produceras så mycket snabbare. Andra flaskhalsar kan bromsa upp produktionen. Demirer med flera (2026) har visat att produk­tivi­tetsvinsterna av minskar kraftigt på vägen från skriven kod till färdig mjukvara. AI-baserade parprogram­me­rare kunde öka produktiviteten i kodning med upp till 40 procent men detta ledde i slut­änden till tio procent mer färdig mjukvara. Interaktiva AI-agenter kunde producera kod upp till 180 procent snabbare än en människa men längre ner i produktionskedjan hade mängden färdig mjukvara bara ökat med 20 procent.

Ökad produktivitet för vissa kontorsuppgifter

Administrativa kontorsuppgifter brukar betraktas som högt exponerade för AI (Felten, 2023 och Pizzinelli, 2024).

Dillon med flera (2025) mätte effekterna av AI på olika kontors­upp­gifter på företag i USA.⁷ De som använde Copilot för att skanna och samman­fatta e-post lade 18 procent mindre tid på att hantera sin mail än övriga. De som tog hjälp av Copilot för skrivuppgifter utförde dem sex till tolv procent snabbare än andra. Copilot förenklade också arbetet med mötes­anteckningar avsevärt men den tidsbesparingen verkade ätas upp av fler möten.

Noy och Zhang (2023) lät en utvald grupp av högskole­utbildade tjänstemän inom olika kontorsyrken använda ChatGPT för kortare skrivuppgifter.⁸ Användarna utförde uppgifterna snabbare och med högre kvalitet än övriga. Personer med lägre förmåga i yrket hade mest nytta av verktyget. Användarna fick främst hjälp av ChatGPT med de första textutkasten och kunde lägga mer av sin tid på det inledande idéarbetet och den slutliga redigeringen av dokumenten.

Tabell 5. AI och ökad produktivitet inom kontorsuppgifter

Brynjolfsson med flera (2025) studerade när kund­support på ett stort företag i USA fick använda en chattbot som särskilt hade tränats på företagets data.⁹ Produktiviteten mättes under en längre period innan och efter att chattboten infördes. Boten hjälpte personalen att lösa sina ären­den 15 procent snabbare än tidigare och med nöjdare kunder. Ökningen av produktiviteten berodde nästan uteslutande på att snabbhet och kvalitet ökade bland de mindre erfarna handläggarna. De mer erfarna arbetade snabbare men kvaliteten gick ned.

Viktigt hjälpmedel i sjukvården

Svenska läkare uppges lägga upp till en arbetsdag per vecka åt journalföring och annan administration (Läkartidningen, 2019). AI-baserad journalföring innebär att ett särskilt AI-verktyg lyssnar på samtalet mellan vårdpersonal och patient och transkriberar ett utkast till journal­anteckning som direkt kan läggas in i det elektroniska journal­systemet efter att det granskats och godkänts av vårdpersonalen. AI-baserad journalföring kan bli ett viktigt hjälpmedel för att minska den administrativa bördan för läkare och annan vårdpersonal och frigöra mer tid för vårdinsatser.

AI-baserad journalföring har introducerats inom sjukvården i Sverige och globalt de senaste åren. De studier som gjorts visar att tiden för journalföring kan minska med 15 till 30 procent och leda till mindre stress bland vårdpersonalen. Studierna har också visat att texterna blir för långa och kräver efterredigering. Effektstudierna bygger dock på små urval. Det saknas ännu utvärderingar av hur AI-baserad journalföring fungerar i större kliniska miljöer under en längre tid (Sasseville, 2025 och Hassan, 2025).¹⁰

Tabell 6. AI och ökad produktivitet inom sjukvården

Radiologer är specialistläkare som tolkar medicinska bilder för att upptäcka sjukdomar och skador.¹¹ Ett stort antal experiment har visat att generativ AI kan höja radiologers produktivitet inom olika moment kraftigt (Nair med flera, 2025 och Gu med flera 2026).

Huang med flera (2025) har visat att detta även kan överföras till verkliga vårdsituationer under en längre tid. Radiologer på Northwestern Medicin i Chicago som under ett halvår tog hjälp av AI-verktyg kunde analysera röntgenbilder och ställa diagnos 15,5 procent snabbare än radiologer som arbetade utan hjälp av AI med bibehållen kvalitet.

Bättre hjälp till juniorer

Flera studier (Noy och Chang, 2023, Peng med flera, 2023, Brynjolfsson med flera, 2025, och Cui med flera, 2025) har visat att AI-verktyg höjer produk­tiviteten mest för personer med kortare erfarenhet och är till mindre nytta för erfarna personer med högre förmåga. AI kan därför bidra till att snabbare höja förmågan hos nyanställda.

Caplin med flera (2024) och Martin (2026) visar att nyttan av AI beror på hur bra personer bedömer sin förmåga inom arbetet. Personer som känner sina kunskaper och sina begränsningar vet när de bör ta råd från AI-verktyget och när de ska lita till sin egen förmåga.

En rättfram utgångspunkt för de sätt som AI kan påverka produktiviteten är att utgå från en enkel modell med kapital och arbetade timmar. AI kan påverka båda dessa direkt, något som ibland benämns som capital deepening. Det finns dock ytterligare en kanal som är viktig – den så kallade multifaktorproduktiviteten – som är den del av produktions­föränd­ringar som inte kan förklaras av arbete eller kapital.

Capital deepening – att använda kapital mer effektivt

Genomgången i avsnitt två visar att finns verksamheter där AI avsevärt förenklar och snabbar upp vissa arbetsmoment. Det kan ske på framför allt två sätt. AI:n kan snabba upp eller förbättra en människans arbete (komplement). AI kan ersätta människans arbete (substitut). Detta gäller allt från programmering, till juridiska- och finansiella tjänster. Även områden där människans kreativitet är central påverkas av AI, däribland media, musik och text­skrivande. Att skriva en rapport, en akademisk studie, eller en bok kan med AI komprimeras till minuter från något som tidigare räknades i dagar, månader eller år.

På ett övergripande plan förbättrar AI relationen mellan arbete och kapital. Det behövs mindre arbete för att åstadkomma samma resultat, dvs. att kapitalet arbetar mer effektivt. Det kan exempelvis handla om:

Multifaktorproduktivitet – det som inte fångas upp av annat

Multifaktorproduktivitet (MFP) är allt som påverkar produktivitetstillväxten men som inte direkt kommer från arbete eller kapital. Hit räknas ofta institutionella faktorer, som hur väl regler tillämpas och förutsägbarheten i ekonomin. Formellt sett är MFP en residual – skillnaden mellan den produktivitet som kan förklaras av insatsfaktorerna och den uppmätta BNP-produktiviteten.

Management – som teknologi

MFP kan ses som ett uttryck för hur väl olika delar av ekonomin samverkar för produktionen av varor och tjänster. På företagsnivå handlar det om hur väl människor använder fysiskt kapital, som IT, robotar eller produktionskedjor. Det ligger därför nära till hands att management har stor betydelse. Ledningen är ansvarig för hur företaget fungerar och för att resultaten uppnås.

Att högre managementkvalité leder till en större förmåga till produktion verkar självklart men det har länge saknats kvantitativa studier som visar detta vetenskapligt. En studie som utgår från analys av

11 000 företag i 34 länder finner att cirka 30 procent av produktivitets­skillnaderna mellan länder kan förklaras av management. Dessutom finns evidens att amerikanska multinationella företag har varit bättre på att införa IT än andra länder (Bloom med flera, 2012 och 2016). En ytterligare studie (med flera av samma medförfattare) finner att 20 procent av skillnaden mellan amerikanska företag kan förklaras av management (Bloom med flera, 2019). Det som fångas upp i studierna är faktorer om hur väl företagen utför uppföljning, monitorering, styrning och incitament. Även om måtten självklart inte fångar allt blir det ändå ett sätt att utveckla en struktur på vad som utmärker god manage­ment och kvantifiera delar som kan mätas objektivt.

Betydelsen av management i en tid av AI

I studier om betydelsen av managementkvalitet används olika dimensioner av den dagliga styrningen av företaget som sedan kvantifieras på ett systematiskt sätt. Eftersom AI kan användas brett i företag är kopplingen till management därmed helt central. Det är nästan självklart att en framgångsrik AI-omställning förutsätter bra management, men vad betyder det i praktiken? Ett företag som har bra kontroll på sina styrprocesser har väsentligen bättre möjligheter att utveckla och anpassa verksamheten till AI än där styrningen är svag.

För en lyckad implementering behöver företag identifiera vilka delar av verksamheten som passar för AI respektive vilka roller där människan är bättre. Det är frågor som åligger styrelse, VD och ledningsgrupp. På deras bord ligger även att bedöma risker med omställningen samt att vid behov omallokera resurser. Det kan exempelvis vara nödvändigt att minska personalstyrkan, utbilda till andra roller eller att ändra affärsmodeller. Missar i den strategiska implementeringen av digitalisering kan leda till försämrade intäkter eller till och med att underminera företagets framtid, se exempel om Intel i Box 1.

Box 1. Intels strategiska missar: betydelsen av management.

Det finns flera andra företag närmare i tiden där ledningen har gjort strategiska misstag kring en ny teknologi. Ett sådant är chipsproducenten Intel. Från 1970-talet var man en viktig aktör för mikroprocessorer. Fram till tidigt 2010-tal dominerande företaget marknaden för chips. Under dess absoluta storhetstid på 1990-talet myntades exempelvis uttrycket Wintel, en hopskrivning av Windows från Microsoft och Intel.

Microsoft var inledningsvis sen att anpassa verksamheten till internet men det kom att bli Intel som gjorde de mer långtgående strategiska missarna: 1) Företaget valde att inte tillverka chips för smarta telefoner (iPhone) och missade därmed en stor del av utvecklingen kopplat till iPhones och Android; 2) Ett decennium senare missade företaget att vara positionerad för AI-boomen. Konkurrenten Nvidia hade redan grafikchips i produktion som passade väl för AI-tillämpningar. Intels strategiska misstag gjorde att den tidigare IT-gigantens framtid har blivit ifrågasatt och det är ännu oklart om utvecklingen går att vända.

I Tabell 7 sammanfattar vi några faktorer kopplat till management som kan leda till en misslyckad implementering av AI eller utebliven produktivitetsvinst. I vissa fall finns även avsevärda risker för företagets varumärke eller kärnverksamhet.

Det mest centrala är att ledningen har en tydlig strategisk bild av hur man vill använda AI samt var AI:n inte ska användas. Empirisk forskning visar att användningen av AI kan såväl stärka som försämra resultaten, beroende på situationen (Dell’Acqua med flera, 2023).

Tabell 7. Fallgropar för AI och produktivitetstillväxten

Stiger produktiviteten om bara en insatsvara ökar kraftigt?

En fallgrop finns på företagets utbudssida, dvs. hur AI används i verksamheten. Ökad AI användning behöver inte leda ökad produktion för företagets varor eller tjänster. För det första är AI ofta bara en insatsfaktor bland andra. Ta exemplet där varje vara/tjänst kräver en kombination av fysiska komponent och AI. Även om AI-delen kan öka med en faktor av tio, 100 eller tio triljoner är helheten ändå begränsad av en fysisk produkt. Om AI:n i stället används för att optimera delar så begränsas produktionen ändå av fysikens lagar eftersom fysiska insatsvaror inte har minskande marginalkostnader och vare sig robot eller människa kan hantera objekt lika snabbt som en AI kan utföra analyser.

Samma problem finns även i tjänster som är helt digitala, utan fysiska insatsvaror. Företagets chefer och seniora medarbetare har begränsad mottagningskapacitet i förhållande till hur snabbt AI kan skapa material. Det är särskilt viktigt i verksamheter där hög kvalitet är viktigt för varumärket. AI:n kan visserligen skriva rapporter, analyser eller kod på löpande band men om materialet måste kontrolleras hamnar man ändå i en flaskhals där människans arbete behövs och utgör en (viktig) bromskloss. Problemet har fått etiketten ”botsitting” som innebär att en tjänsteperson måste kontrollera det som AI:n har gjort.¹² Det finns rapporter om att arbetare lägger ned många timmar varje vecka på botsitting. Eller annorlunda uttryckt, arbetet förskjuts från produktion av text/kod till kontroll vilket medför att produktivitetsvinsten blir mer blygsam eller kanske helt uteblir.

Det går i och för sig att be en annan AI utföra en kvalitetskontroll, men risken för företaget kan vara påtaglig om något blir fel. Det finns incidenter där de fyra giganterna inom management-consulting har låtit AI rapporter med fel eller hallucinationer publiceras.¹³ Det finns även dokumenterade tillfällen där jurister har skickat in underlag till domstolar som visat sig innehålla AI-hallucinationer med fabricerade prejudikat och citat.¹⁴ Problemet med hallucinationer har minskat med senare AI modeller men lär inte försvinna helt.

Frågan är viktig även i verksamheter där det skrivna ordet inte vägs med samma noggrannhet kan företag riskera sitt anseende, bli skadeståndsskyldig eller i vart fall skapa en massa merarbete för de som ansvarar för kvalitet. I regel behöver såväl rapporter som kod kvalitetsgranskas, oavsett om de är skrivna av AI eller människor. Om en rapport inte är tillräckligt viktig för att kräva en granskning kommer den naturliga följdfrågan om varför den överhuvudtaget behövdes.

Ett liknande problem finns på företagets efterfrågesida, även om det inte påverkar produktiviteten i företaget, se Box 2.

Box 2. Efterfrågekurvan

Efterfrågan på varor och tjänster påverkar inte direkt företagets produktivitet, men har ändå indirekt betydelse från AI. Om ett företag snabbt och enkelt kan producera mer tjänster – dvs. att produktiviteten ökar – kan efterfrågesidan spela en betydande roll. Om efterfrågan är elastisk kommer priset att sjunka när företag ökar sin produktion. Det kanske inte finns mottagningskapacitet hos kunder att köpa ytterligare tjänster – eller intresset minskar om kvaliteten är lägre. Om det finns svag efterfrågan kan företag visserligen öka sin vinstmarginal per producerad tjänst, men kanske inte sälja större volym. Ett exempel på detta är nedladdningar av appar. Med AI-agenter har antalet appar ökat med cirka 80 procent under 2025–26 men antalet nedladdningar visar tvärtom en svag minskning (Burns-Murdoch, 2026).

Tidsbesparingar äts upp av mer byråkrati

En annan fallgrop är att tidsvinster äts upp av mer byråkrati och möten. Om AI:n kan minska tiden att producera en vara eller tjänst är det centralt att det frigjorda utrymmet används konstruktivt. Om det i stället leder till fler möten eller mer ”samverkan” osv. är risken att den icke-produktiva tiden ökar. Om chefer inte är medvetna om att AI inneburit en tidsbesparing kan medarbetare använda tiden till annat än arbete.

Incitament att överanvända AI

En relaterad fallgrop är att vissa företag skapar incitament att överanvända AI eller att använda AI på ett överdrivet sätt för att få uppmärksamhet snarare än det som gör mest nytta för produktionen. Ett exempel på detta är de som ”input-maximerar.” Särskilt det senaste året har det förekommit rapporter om så kallad ”tokenmaxxing” med AI agenter. Om företaget använder olika mått på AI användning för att utvärdera och belöna med­arbetarnas arbetsprestation kommer verktyget troligen att överutnyttjas. Det finns rapportering om att en ingenjör på OpenAI hade använt 210 miljarder tokens samt att en användare vid Anthropic hade dragit på sig en månads­kostnad om $150,000 för AI-tokens (Roose, 2026).

Men det är inte bara de stora digitala bolagen där medarbetare kan ha incitament att överanvända AI eller att prova lösningar som kan skapa risker för företaget.¹⁵ Inom de flesta bolag kommer det att finnas personal som är snabba att anamma ny teknik om belönings­system och befordran uppmuntrar AI användning. Det gäller särskilt om företaget inte har någon fastställd policy eller saknar strategisk inriktning. Risken ökar om det är för mycket fokus på inputfaktorer (som till exempel antal rapporter, mängd av kod, presentationer med mera) snarare än det som påverkar företagets intäkter och resultat. Ett exempel på detta redovisades i Financial Times. Medan AI hade lett till en 300 procentig ökning av viss programmering på individnivå hade företagets resultat ökat med en tiondel av detta (Burns-Murdoch, 2026). Förvisso är en 30 procentig ökning ett gott resultat men visar ändå risken med att fokusera för mycket på insatsfaktorer.

Behövs rutinarbete för att vara kreativ?

Ett argument för att AI skulle öka produktiviteten är att människan behöver göra mindre av enformiga, tråkiga arbetsmoment, för att därmed kunna lägga en större andel av tiden på kreativitet. Innovativa idéer kan leda till förbättrade arbetsmetoder, tidsbesparingar eller nya affärsmöjligheter. Många av vinsterna med AI hänger ihop just med möjligheten att effektivisera även kognitivt rutinarbete för ökad fokus på forskningsfronten inom olika vetenskapliga områden eller tillämpningar.

Att mer tid för kreativitet leder till mer innovationer är dock ett antagande som inte är självklart. Även om det kanske finns individer som kan ägna hela dagar åt kreativitet är det nog för de allra flesta mer ovanligt. För många är det troligen orealistiskt att ägna timmar åt kreativitet.¹⁶ Flera forskningsrapporter ger stöd för att en viss andel rutin­arbete behövs för att hjärnan ska ha förmåga att vara kreativ (Sio och Ormerod, 2009). Studier har visat att AI i vissa fall har intensifierat arbetet. I stället för att frigöra tid för kreativitet så har epost, meddelanden och chattar ökat (Ranganathan och Xingqi, 2026 samt Smith, 2026).

En relaterad fråga är att det kan förmodas krävas ganska mycket förkunskap för att utveckla nya idéer. Det är även ett stort arbete från idé till verklighet. Inom läkemedelsforskningen har det funnits förhoppningar om att AI och kvantdatorer skulle snabba på upptäckten och utvecklingen av nya mediciner, men än så länge har det inte skett i någon större utsträck­ning (Kuchler och Heikkilä, 2025). Juniora medarbetare behöver även lära sig hantverket innan det går att utveckla ett omdöme för vad som är bra arbete. Det kan ta lång tid att överföra företagsspecifik kunskap från seniora till juniora medarbetare och det finns en risk att lärandet i organisationer försämras (O’Connor, 2026).

Acemoglu, D. (2024) The simple macroeconomics of AI. MIT, April 2024. The Simple Macroeconomics of AI.pdf

Aghion, P. och S. Bunel (2024) AI and growth: Where do we stand? AI-and-Growth-Aghion-Bunel.pdf

Al-Ahmad, A. med flera (2024) Enhancing software engineering with AI: Key insights from ChatGPT. Cardiff School of Technologies. Enhancing Software Engineering with AI: Key Insights from ChatGPT – Cardiff Metropolitan University Research Explorer

Almega (2026) Tre år med AI: Vad har hänt med jobben? Tre år med AI: Vad har hänt med jobben? | Almega

Becker, J. med flera (2025) Measuring the Impact of Early-2025 AI on Experienced Open-Source Developer Productivity, METR. Measuring the Impact of Early-2025 AI on Experienced Open-Source Developer Productivity

Baily, M. med flera (2023) Machines of mind: The case for an AI-powered productivity boom. Machines of mind: The case for an AI-powered productivity boom | Brookings

Baslandze, S. med flera (2026) Artificial intelligence, productivity and the workforce: Evidence from corporate executives. Federal reserve bank of Atlanta, Working paper 2026-4. Artificial Intelligence, Productivity, and the Workforce: Evidence from Corporate Executives – Federal Reserve Bank of Atlanta

Boston Consulting Group (2025) GenAI in the Nordics. A deep dive on Sweden. sweden-genai-complacency-the-costly-inaction-in-the-nordics.pdf

Berwick, Isabel (2026) AI and the Productivity Paradox, Financial Times 10 juni. Subscribe to read

Bick, A. med flera (2024) The rapid adoption of generative AI. NBER, working paper 32966. w32966.pdf

Bijnens med flera (2024) Digitalisation and productivity, European Central Bank, Occassional Paper Series, No 339. Digitalisation and productivity

Bloom med flera (2012). “Americans do IT better: US multinationals and the productivity miracle.” American Economic Review. Vol. 102(1). P. 167–201.

Bloom med flera (2016). “Management as a technology.” NBER. Working Paper. No. 22327;

Bloom med flera (2019). ”What differences in management practices?” American Economic Review. 109(5). P 1648–1683.

Bresnahan, T., Erik Brynjolfsson och Lorin M. Hitt (2002).” Information Technology, Workplace Organization, and the Demand for Skilled Labor: firm-level evidence.” Quarterly Journal of Economics. Vol. 117(1). P. 339–76.

Briggs, J. och D. Kodnani (2023) Upgrading our longer run global growth forecast to reflect the impact of generative AI. Goldman och Sachs, research. Upgrading Our Longer-Run Global Growth Forecasts to Reflect the Impact of Generative AI (Briggs/Kodnani)

Brynjolfsson, E., Rock, D. och C. Syverson (2021) The productivity J-curve: How Intangibles Complement General Purpose Technologies. American Economic Journal: Macroeconomics, 13(1) P. 333-372. The Productivity J-Curve: How Intangibles Complement General Purpose Technologies – American Economic Association

Brynjolfsson, E. med flera (2025) Generative AI at work. Quarterly Journal of Economics sid. 889-942. Generative AI at Work* | The Quarterly Journal of Economics | Oxford Academic

Burns-Murdoch, J. (2026) How Much Value is AI Really Creating? Financial Times, 5 juni 2026. Åtkomst 13 augusti 2026. Subscribe to read

Caplin, A. med flera (2024) The ABCs of who benefits from working with AI: Ability, beliefs and calibration. NBER, working paper 33021. The ABC’s of Who Benefits from Working with AI: Ability, Beliefs, and Calibration | NBER

Cui, K.Z. med flera (2025) The effects of generative AI on high-skilled work: Evidence from three field experiments with software developers. Demirer_AI_productivity.pdf

Dell’Acqua, F. med flera (2023) Navigating the Jagged Technological Frontier: Field Experiment Evidence of the Effects of AI on Knowledge Worker Productivity and Quality, Organizational Science, Vol. 37(2). Navigating the Jagged Technological Frontier: Field Experimental Evidence of the Effects of Artificial Intelligence on Knowledge Worker Productivity and Quality

Demirer, M. med flera (2026) Writing Code vs. Shipping Code: Productivity Effects Across Generations of AI Coding Tools. NBER Working Paper 35275. https://www.nber.org/papers/w35275

Dillon, E. med flera (2025) Early impacts of M365 Copilot. Early Impacts of M365 Copilot by Eleanor Wiske Dillon, Sonia Jaffe, Sida Peng, Alexia Cambon :: SSRN

Gordon, Richard J. (2017). The rise and fall of American growth. Princeton University Press.

Gu, Z. med flera (2026) Radiology Workflow Assistance With Artificial Intelligence: Establishing the Link to Outcomes. Journal of the American College of Radiology, 2026:23, p. 389-398. Radiology Workflow Assistance With Artificial Intelligence: Establishing the Link to Outcomes

Hassan, H med flera (2025) Clinical Implementation of Artificial Intelligence Scribes in Health Care: A Systematic Review. Applied Clinicial Informations, 2025. Clinical Implementation of Artificial Intelligence Scribes in Health Care: A Systematic Review

Huang, J. med flera (2025) Efficiency and quality of generative AI-assisted radiograph reporting. huang_2025_oi_250461_1748448325.30901.pdf

Humlum A. och E. Vestergaard (2025) Large language models, small labor market effects. University of Chicago, Working paper 2025-56. BFI_WP_2025-56-1.pdf

Hyman, Louis (2026). ”It’s not the end of work. It’s the end of boring work.” The New York Times. 23 april. Åtkomst: 13 augusti 2026 Opinion | It’s Not the End of Work. It’s the End of Boring Work. – The New York Times

International Teleunion (2026) Hemsida, statistik. Uttag 5 oktober, 2026. Statistics

Konjunkturinstitutet (2026) Produktivitet I AI-nära branscher. KI-kommentar, juni 2026. Produktivitet i AI-nära branscher – Konjunkturinstitutet

Kuchler, H och M. Heikkilä (2025) Why Is AI Struggling to Discover New Drugs? Financial Times 10 september 2025. Åtkomst 13 augusti 2026. Subscribe to read

Läkartidningen (2019) Läkare lägger en dag i veckan på administration. 3 juli 2019. Läkare lägger en dag i veckan på administration – Läkartidningen

Martin, D. (2026) Revisiting the ABC:s of working with AI: A replication with radiologists. abcs_replication_202605.pdf

McKinsey (2023) Generativ AI. Den ekonomiska potentialen för Sverige. Generativ AI – den ekonomiska potentialen för Sverige | McKinsey

Nair, A. med flera (2025) Enhancing Radiologist Productivity with Artificial Intelligence in Magnetic Resonance Imaging (MRI): A Narrative Review. Diagnostics 2025 15(9) 1146. Enhancing Radiologist Productivity with Artificial Intelligence in Magnetic Resonance Imaging (MRI): A Narrative Review

Noy, S. och W. Zhang (2023) Experimental evidence on the productivity effects of generative artificial intelligence. Noy_Zhang_1.pdf

OECD (2024a). Compendium of productivity indicators. OECD Compendium of Productivity Indicators 2024.

OECD (2024b) Miracle or myth? Assessing the macroeconomic productivity gains from artificial intelligence. OECD artificial intelligence papers, no. 29. Miracle or Myth? Assessing the macroeconomic productivity gains from Artificial Intelligence | OECD

OECD (2025) Macroeconomic productivity gains from Artificial Intelligence in G7 economies. OECD artificial intelligence papers, June 2025 No. 4. Macroeconomic productivity gains from Artificial Intelligence in G7 economies (EN)

O’Connor, S. (2026) A White-Collar World Without Juniors? Financial Times, 25 mars 2026. Åtkomst 13 augusti 2026. Subscribe to read

Peng, S. med flera (2023) The impact of AI on developer productivity: Evidence from GitHub Copilot. 2302.06590

Rajbhoj, A. med flera (2024) Accelerating software development using generative AI: Chat GPT case study. Accelerating Software Development Using Generative AI: ChatGPT Case Study

Ranganathan, A och Xingqi (2026) AI Doesn’t Reduce Work – It Intensifies It. Harvard Business Review, 9 februari 2026. Åtkomst 13 augusti 2026. AI Doesn’t Reduce Work—It Intensifies It

Roose, Kevin (2026) More! More! More! Tech Workers Max Out Their AI Use. The New York Times, 20 March. Åtkomst 12 augusti 2026. More! More! More! Tech Workers Max Out Their A.I. Use. – The New York Times

Sasseville, M. med flera (2025) The Impact of AI Scribes on Streamlining Clinical Documentation: A Systematic Review. Healthcare 2025, 13(12), 1447. https://doi.org/10.3390/healthcare13121447

SCB (2026) IT-användning i företag 2026. Nästan vartannat företag använde AI under 2026

Sio, Ut Na och Thomas C. Ormerod (2009) Does incubation enhance problem solving? A meta-analytic review. Psychological Bulletin, Vol. 135 (1), p. 94-120. (PDF) Does Incubation Enhance Problem Solving? A Meta-Analytic Review

Smith, Ray A. (2026) AI Isn’t Lightening Workloads. It’s Making Them More Intense. The Wall Street Journal, 11 mars 2026. Åtkomst 13 augusti 2026. AI Isn’t Lightening Workloads. It’s Making Them More Intense. – WSJ

Stray, V. med flera (2026) Developer productivity with and without GitHub Copilot: A longitudinal mixed methods case-study. Developer Productivity With and Without GitHub Copilot: A Longitudinal Mixed-Methods Case Study

Tamkin, A. och P. McCrory (2025) Estimating AI productivity gains from Claude conversations. Estimating AI productivity gains \ Anthropic

Tillväxtanalys (2026) Strukturomvandlingen och AI. En realtidsanalys av produktivitet, dynamik och ungdomars arbetsmarknadsinträde. Rapport 2026:17. Strukturomvandligen och AI

Wall Street Journal (2023) Judge Sanctions Lawyers Who Filed Fake ChatGPT Legal Research, Wall Steet Journal, 22 juni 2023. Judge Sanctions Lawyers Who Filed Fake ChatGPT Legal Research – WSJ