De flesta cio:er och andra it-ledare har förtroende för sina teams förmåga att möta de kommande utmaningarna inom AI, men många anser att verksamhetens driftsmodeller och processer behöver ses över.
Över 80 procent av de ledande it-chefer som deltog i Deloittes undersökning 2026 Global Leadership Technology Study är övertygade om att deras organisationer kan implementera och hantera AI-funktioner i stor skala. Men 75 procent anser att deras verksamhetsmodeller och processer måste förändras under de kommande 12 till 18 månaderna för att skapa större värde.
Undersökningsresultaten tyder inte på att it-cheferna är övermodiga när det gäller sina teams förmåga att införa AI, och de verkar inte heller peka på någon större flaskhals för AI inom it-organisationen, säger Anjali Shaikh, vd för Deloitte Consulting och ansvarig för Deloittes globala program för CIO:er och tekniska chefer i USA.
De pekar dock på ett behov av omfattande förändringar av verksamhetsmodeller och processer i hela organisationen, inte bara inom it, för att uppnå bättre AI-resultat, säger hon. Och även om cio:er inte kan styra hur affärsflöden utformas, har de en roll att spela när det gäller att verka för processer som bättre utnyttjar AI-verktyg.
– Det vi hör nu är att AI inte bara blottlägger dessa tekniska begränsningar, utan även begränsningar i företagets utformning. Det nya är att tekniken inte längre är flaskhalsen, utan det är verksamhetsmodellen och arbetssätten.
De affärsflöden som behöver förändras är de manuella processerna som inte är anpassade för AI-integration, till exempel att använda kalkylblad för viss bokföring eller manuell datainmatning.
Cio som förespråkare
Cio:er kan använda sin expertis för att driva på omformningen av företagets arbetsflöden så att de bättre anpassas till AI-verktyg som agenter, tillägger Shaikh, vilket skapar möjligheter för cio:er i ett föränderligt landskap.
– AI-eran börjar kräva en ny typ av ledare. De kommer att behöva leda organisationen genom denna förändring, bygga upp AI-relaterade team och kartlägga vilka kompetenser som krävs, inte bara för deras team utan för verksamheten som helhet.
En annan slutsats från Deloitte-rapporten är att cio:er och andra IT-ledare befinner sig i ett avgörande skede då de ställs inför stora nya förväntningar på sina roller, däribland förmågan att leda förändring och bygga upp AI-redo team.
Ledarskap är viktigt, säger Shaikh, eftersom de organisationer som har de mest framgångsrika AI-implementeringarna oftast är de som har stöd från ledningen för förändringar av verksamhetsmodeller och processer.
– Det handlar om en investering och ett åtagande från toppen och nedåt – styrelsen, vd:n och ledningsgruppen har åtagit sig att satsa inte bara tid, utan även budget, resurser och kompetens för att hjälpa oss att genomgripande förändra vårt sätt att arbeta. När man får den samstämmigheten och det åtagandet från ledningen sänder det en signal till alla i organisationen.”
Fokusera på det rätta
Många organisationer anammar AI genom att köpa Chat GPT-licenser och anordna lunchseminarier om prompt engineering, men de löser fel problem, säger Peter-Paul Schreuder, Chief Cloud Officer och vice vd för support hos Ultimo, en leverantör av programvara för tillgångshantering inom företagssektorn.
– Att lära människor att använda Chat GPT tar ungefär en timme. Att lära en organisation att grundligt ompröva hur arbetet utförs kräver fyra till fem månader av hårt och oansenligt processarbete, men ger exponentiellt mycket större värde, säger hann.
Ett stort problem är att de flesta organisationer inte förstår sina egna arbetsflöden tillräckligt väl för att kunna avgöra var AI skulle kunna tillföra värde, tillägger han.
– De vet inte var informationen fastnar. Vilka uppgifter tar oproportionerligt mycket tid? Var uppfinner vi hjulet om och om igen bara för att kunskapen finns i någons huvud? Tills man kan besvara dessa frågor konkret spelar ingen AI-utbildning någon roll.
För att få ut mesta möjliga av AI krävs en genomgripande omställning i hur företagen tänker kring hur de utför sitt arbete, menar han, och om AI-initiativ saknar ett djupt engagemang från ledningen för den operativa verksamheten är de dömda att misslyckas.
– Om du inte kan skissa upp hur ditt arbete flödar från mottagande till slutförande är du inte redo för AI-stöd. Om din lista innehåller ”sammanfatta dokument” eller ”skriva utkast till e-postmeddelanden” ser du på AI som en avancerad ordbehandlare. Transformativa tillämpningar är processspecifika.
Vissa företag har därför en tydlig bild av hur de kopplar samman nya AI-verktyg med omformningen av arbetsflödena. När finansföretaget IMA Financial Group inför en ny AI-funktion behandlar företaget det inte som en tekniklansering, utan som en omvandling av hur arbetet utförs, säger Megan Cullen-Meyer, företagets vice vd för data och AI. Företaget undersöker till exempel vilka uppgifter som behöver förändras, vilka roller som behöver omfördelas och vilken utbildning och omskolning som krävs.
Med AI automatiserar IMA rutinmässigt, transaktionsbaserat arbete som tidigare tog mycket tid och energi i anspråk.
– Vi talar mycket om att vi inte kommer att få det värde vi vill ha av AI genom att tillämpa den på gamla, föråldrade processer. Vi granskar noggrant våra kärnuppgifter och arbetsflöden för att avgöra var vi ska automatisera arbetet, var vi ska förstärka det och var vi ska behålla människan i centrum, säger hon.
Att lägga rätt grund
Deloitte-rapporten tyder på att it-teamet inte kan bygga AI-verktyg i ett vakuum, säger Luis Mesas, vice vd för produktutveckling hos it-tjänsteleverantören Sngular. Värdet av AI uppstår när organisationen från början utvecklar ett bra styrningsramverk, kan fortsätta lära sig av vad som händer i sina arbetsflöden och kan anpassa systemet utan att varje förbättring blir ett nytt initiativ, menar han.
– Det kräver att it-avdelningen arbetar mycket närmare affärsproblematiken redan från början, säger han.
– Teknikteamen kan inte utveckla AI-system isolerat och förvänta sig att de ska tas i bruk senare, eftersom de måste förstå processen, kvaliteten på underliggande data och risken för felaktiga svar innan de kan utforma något som håller måttet i den dagliga användningen.