75% av AI-projekt genererar ingen avkastning. Hur du undviker att bli ett av dem

Mer än 500 miljarder dollar årligen. Det är vad AI-industrin investerar i infrastruktur. Meta har höjt sin capex-prognos till 115–135 miljarder. Microsoft överstiger 120 miljarder annualiserat. Amazon närmar sig 200 miljarder.

Bara 5%. Det är vad som faktiskt genererar verkligt värde i stor skala med AI.

Den siffran, publicerad av BCG 2025, borde vara den första bilden i vilket styrelsemöte som helst som utvärderar AI-investeringar. Inte för att AI inte fungerar — det gör det — utan för att avståndet mellan “teknologin fungerar” och “investeringen ger avkastning” är enormt, och de flesta organisationer tar sig igenom det på fel sätt.

De siffror som branschen helst inte lägger ihop

Vad som investeras

Kapitalkoncentrationen i AI har inget motstycke i teknikhistorien:

• 2023: 75 miljarder dollar i riskkapital för AI (~30% av globalt VC)
• 2024: 131 miljarder (45% av globalt VC)
• 2025: 258,7 miljarder (61% av globalt VC, enligt OECD)
• Q1 2026: Bara fyra mega-rundor (OpenAI, Anthropic, xAI, Waymo) samlade ~65% av allt riskkapital för kvartalet

189 miljarder dollar på en enda månad. I februari 2026 koncentrerades 83% av den globala finansieringen till tre företag. Det är den mest extrema koncentrationen i tekniksektorns historia.

Vad som erhålls

• Bara 5% av företagen genererar substantiellt värde i stor skala med AI (BCG, 2025)
• 75% av AI-projekten når inte den förväntade ROI
• Uppskattningsfel: de faktiska kostnaderna för AI-projekt överstiger 500–1 000% av den ursprungliga budgeten
• Dolda kostnader: dataförberedelse, underhåll, omträning, styrning — kan representera 60–80% av den totala ägandekostnaden

Mer investeras än någonsin. Mindre erhålls än förväntat. Gapet mellan kapital och avkastning minskar inte — det ökar.

Tre kurvor med olika hastigheter

Det som definierar den aktuella situationen är att tre grundläggande kurvor utvecklas med mycket olika hastigheter:

1. Teknisk förbättring — Den bromsar in. Varje prestandasprång kostar mer och är mer inkrementellt. Steget från GPT-4 till GPT-5 kostade betydligt mer än från GPT-3 till GPT-4, med proportionellt mindre förbättringar.

2. Adoption — Den är snabb men ytlig. Många företag använder AI, men få integrerar den i kritiska affärsprocesser. Adoptionsgapet mellan stora företag och SME:er dubblas jämfört med andra teknologier.

3. Hållbar monetisering — Den är den långsammaste. De flesta affärsmodeller baserade på generativ AI visar fortfarande inte sunda marginaler i stor skala. Fallet Sora (totala intäkter på 2,1 miljoner dollar mot kostnader på 15 miljoner dagligen innan dess nedstängning i mars 2026) är en brutal påminnelse om hur svårt det är att omvandla teknisk kapacitet till ett bärkraftigt företag.

När investeringen ligger före alla tre kurvor finns det ett problem. Inte nödvändigtvis en bubbla — hyperscalernas kapital stöds av kontanter, inte skuld — men en obalans som förr eller senare korrigeras.

Varför 75% misslyckas

Analysen av dokumenterade misslyckandmönster visar att orsakerna upprepas med en avslöjande konsistens.

1. Spridning av ansträngningar

Företag som misslyckas försöker ta itu med 6 eller fler användningsfall samtidigt. De som lyckas fokuserar på 3–4 och tar dem till produktion innan de expanderar.

Frestelsen att “göra något med AI i varje avdelning” är det dyraste sättet att inte uppnå något.

2. Att inte mäta avkastningen

Många AI-projekt startas utan ett tydligt framgångsmått. “Förbättra produktiviteten” är inte ett mått. “Minska handläggningstiden för reklamationer från 4 timmar till 20 minuter” är det.

Utan mätning finns ingen möjlig optimering.

3. Underskatta de dolda kostnaderna

API-priset är den synliga delen av isberget. Under det finns allt annat:

• Dataförberedelse: 100 000–380 000 dollar för ett genomsnittligt projekt
• Årligt underhåll: 15–30% av infrastrukturkostnaden
• Omträning: varje gång data eller kontext förändras
• Styrning: regelefterlevnad, bias, integritet
• Teknisk skuld: sköra integrationer som ackumulerar kostnad över tid

API-fakturan kan vara 20% av den verkliga kostnaden. De andra 80% syns inte i något pitch deck.

4. Automatisera utan mänsklig plan

AI som eliminerar uppgifter utan att erbjuda alternativ till de berörda personerna skapar internt motstånd, förlust av institutionell kunskap och ryktesrisk.

Framgångsrika företag använder AI för att frigöra sina teams tid, inte för att ersätta dem.

5. Använda fel modell

Det finns en tendens att använda den mest kraftfulla tillgängliga modellen för varje uppgift. Men att använda GPT-5 för att klassificera e-post är som att ta en 40-tons lastbil för att handla bröd.

Skillnaden i förbrukning — och kostnad — mellan en flash-modell och en frontier-modell kan vara x10 för samma resultat.

Vad de 5% gör annorlunda

Företag som faktiskt genererar värde i stor skala med AI delar ett konsekvent mönster. Det är inte tur — det är metod.

De fokuserar. 3–4 väldefinierade användningsfall, med tydliga mått, tagna till full produktion innan fler läggs till.

De mäter obsessivt. Inte bara modellprestanda — de mäter affärspåverkan. Sparad tid. Undvikna fel. Inkrementella intäkter. Total ägandekostnad.

De investerar i människor. 70% av deras resurser går till människor och processer, inte teknologi. AI är verktyget; teamet är det som får det att fungera.

De börjar i liten skala. Prototyp på veckor, pilot på månader, skalning på kvartal. De försöker inte transformera hela organisationen på en gång.

De väljer rätt modell. Inte den mest kraftfulla — den mest lämpliga för varje uppgift. En vältränad modell med 3 miljarder parametrar kan överträffa en med 400 miljarder parametrar som tillämpas fel.

Framgångsmönstret är inte att spendera mer. Det är att fokusera, mäta och skala bara det som fungerar.

Bubbla eller transformation? Halvbiljonfrågan

Frågan “Är AI i en bubbla?” har inget binärt svar. Verkligheten är mer nyanserad:

• Teknologin fungerar. Modellerna är kapabla, användningsfallen är verkliga, det potentiella värdet är enormt.
• Intäkterna existerar. AI-företag genererar miljarder i verklig omsättning.
• Men kapitalet är långt före. Infrastrukturinvesteringen överstiger vida den demonstrerade efterfrågan. Gapet mellan capex och intäkter i AI-ekosystemet är nästan 600 miljarder dollar årligen.

Den mest användbara analogin är fiberbubblsan 1998–2000: infrastrukturen visade sig vara värdefull på lång sikt, men de ursprungliga investerarna förlorade pengar. AI kommer troligtvis att följa ett liknande mönster — teknologin stannar, men inte allt investerat kapital kommer att ge avkastning.

Det är inte rätt tid att inte investera i AI. Det är rätt tid att investera med kriterier. Varje euro måste ha ett tydligt avkastningsmått, en realistisk tidsplan och en plan B.

Vad kan jag göra?

• Om du leder ett företag: Innan du godkänner en AI-investering, kräv svar på tre frågor: Vilket affärsmått förbättras? Vad är den totala ägandekostnaden (inte bara API:t)? Vad händer med de personer vars uppgifter automatiseras? Om det inte finns ett tydligt svar på alla tre, är projektet inte redo.

• Om du utvärderar AI-leverantörer: Be om energiförbrukningsdata per tjänst. Under det europeiska CSRD-ramverket inkluderar ditt koldioxidavtryck de tjänster du beställer. Om en leverantör inte kan tala om för dig hur mycket dess tjänst förbrukar, fråga dig varför.

• Om du är CTO eller teknisk ansvarig: Börja med den minsta modellen som löser uppgiften. Skala bara när datan motiverar det. Mät den totala kostnaden — inte bara latens och noggrannhet, utan också energi och underhåll.

• Om du är en yrkesperson som är bekymrad över din anställning: AI ersätter inte alla yrkespersoner, men den transformerar de flesta yrken. Att investera i att förstå verktygen — vad de kan göra, vad de inte kan, vad de verkligen kostar — är den bästa yrkesmässiga investering du kan göra just nu.

• För alla: Gör vårt test för hållbar AI-mognad för att bedöma var din organisation befinner sig och vilka steg du bör ta.