De bästa stjärnorna ger upp AI efter några veckor – här är varför (och hur du räddar dem)

Du har sett det hända. Först: wow! Folk testar ChatGPT, Microsoft Copilot, Gemini eller Claude och börjar fantisera om en vardag där mejl skriver sig själva, rapporter blir klara på lunchen och mötesanteckningar magiskt får struktur. ✨

Sen… går det några veckor. Och plötsligt är det tyst. “Det blev bara generiskt.” “Den hittade på.” “Det är snabbare att göra själv.” Och där, mitt i det som borde vara en produktivitetsboost, blir AI istället en liten besvikelse som sakta rullas in under mattan.

Här kommer min kärnpoäng (och ja, jag säger den med glimten i ögat): AI är inte en trollstav. Det är ett hantverk.

När du ser AI som en maskin blir du besviken. När du ser AI som ett verktyg i händerna på en hantverkare börjar det hända grejer på riktigt.

I den här bloggposten bygger jag vidare på mitt LinkedIn-inlägg om “veckorna efter wow” – och kompletterar med en viktig observation från forskning och stora utrullningar: framgång med AI handlar inte främst om att kunna ett verktyg. Det handlar om omdöme, arbetssätt och ledarskap.

Varför entusiasmen toppar – och sen faller

Det vanligaste mönstret jag ser i team (och hos mig själv, om jag ska vara ärlig 😇) går ungefär så här:

Man testar AI på en stor uppgift direkt: “Skriv en rapport”, “Gör en plan”, “Summera allt”.
AI svarar… helt okej. Men lite fluffigt.
Man provar igen. Den blir självsäker. Kanske för självsäker.
Man tappar förtroendet när något blir fel eller kräver för mycket efterarbete.
Man går tillbaka till gamla vanor.

Problemet är sällan att AI är “dålig”. Problemet är att vi använder den som om den vore en pålitlig maskin. Men AI beter sig mer som en smart, snabb – och ibland slarvig – junior kollega.

Och juniora kollegor behöver ledning.

Det är också här många företag missar. De kör en “introduktion”: här är verktyget, här är prompts, lycka till. Sen undrar man varför användningen dalar.

Microsofts egen erfarenhet från storskalig utrullning av Copilot visar tydligt att adoption kräver medvetet arbete, tydliga arbetssätt och lärande i organisationen – inte bara tillgång till licenser. (Som inspiration: Microsoft Inside Track om Copilot-utrullning)

AI:s “taggiga gräns”: därför blir det både grymt och riskabelt

En av de bästa förklaringarna till varför folk tappar sugen är det som Harvard/BCG beskriver som en taggig gräns (på engelska “jagged technological frontier”). AI är fantastisk på vissa typer av uppgifter, men svag på andra – och det är inte alltid intuitivt vilka som är vilka. (Översikt: D3/Harvard om den taggiga gränsen)

I deras studier ser man ett tydligt mönster: när människor använder AI på uppgifter där den faktiskt har styrka, blir resultatet bättre och snabbare. Men när man använder AI på uppgifter där den ser ut att vara bra men inte är det, kan kvaliteten sjunka. Det är där besvikelsen föds.

Och det är där “de bästa stjärnorna” försvinner.

För de mest samvetsgranna medarbetarna – de som bryr sig om kvalitet och vill göra rätt – är ofta de som snabbast säger: “Nä, jag vågar inte lita på det här.” De hoppar av inte av lathet, utan av ansvar.

Så hur räddar du dem? Du gör AI till ett hantverk – med träning på rätt saker.

De sex områdena du behöver träna på (för att faktiskt bli bra)

Här är min lista från LinkedIn, men nu med mer “hur” och mindre “tadaa”.

1️⃣ Instruktioner: gör AI:n smartare genom att vara tydligare

Det här är inte nördig “prompt engineering” i första hand. Det är tydlig kommunikation.

💡 En enkel mall jag lär ut till team:

Roll (vem ska AI vara?)
Mål (vad ska bli klart?)
Mottagare (vem ska läsa?)
Ramar (format, längd, ton, vad som måste med/inte med)
Exempel (2–3 korta exempel gör underverk)

📌 Exempel:

“Agera som projektledare. Skriv ett mejl till en leverantör. Ton: saklig och varm. Max 120 ord. Tre bullets. Avsluta med ett förslag på nästa steg.”

Ju bättre du är på att ge kontext, desto mindre behöver du “rädda” svaret efteråt.

2️⃣ Iteration: första svaret är bara ett utkast

AI ger ofta 60–80% direkt. Resten är hantverket.

✅ Träna teamet på tre pass:

Grovversion (struktur, rubriker, logik)
Skärpning (ta bort fluff, gör tydligare)
Finish (ton, fakta, risk, format)

Och framför allt: våga ställa följdfrågor.
“Vilka antaganden gör du?”
“Ge tre alternativ med för- och nackdelar.”
“Vad saknas för att det ska bli redo att skickas?”

Det är här magin känns som magi – men egentligen är det bara bra iterativt arbete.

3️⃣ Utvärdering: kan du avgöra om det är bra?

Det här är den största blinda fläcken i många organisationer. För om du inte kan bedöma kvaliteten i en text, en analys eller ett förslag – då hjälper det inte att AI producerar mer av den.

Jag gjorde en klassiker i vardagen: bad AI om hjälp att hitta rätt ersättningsdel till en pryl hemma (microtallriken). Svaret var självsäkert, fullt av detaljer… och jag klickade hem fel grej. 🙃

AI ljög inte med flit. Den gissade trovärdigt.

👉 Min regel:

Om det kan kosta pengar, tid eller förtroende: bygg in en verifiering (som kanske bara är en enkel rutin).

4️⃣ Verktygskoll: rätt verktyg för rätt jobb

Alla verktyg är inte lika bra på allt, och framför allt: de passar olika bra i olika miljöer.

💡 Praktisk tumregel:

Jobbar ni mycket i Microsoft 365? Då kan Copilot vara starkt eftersom det “bor” i er arbetsmiljö och era dokument.
Vill ni testa det senaste, ha de bästa funktionerna inom ett specifikt område? Kanske ChatGPT eller Googles Gemini passar er bättre - eller varför inte kodarnas favorit Claude?

Det är som att välja rätt bits till skruvdragaren. Samma hand, olika jobb.

5️⃣ Arbetsflöde: AI måste få en plats i vardagen

Här dör adoption annars. För AI blir “något man testar ibland”.

🚀 Gör så här i teamet:

Välj en återkommande process: t.ex. “mötesanteckningar”, “offertutkast”, “veckobrev”, “kundmejl”.
Bygg en mini-playbook:
- Input: vad matar vi in?
- Promptmall: hur frågar vi?
- Kontroll: hur verifierar vi?
- Output: var hamnar det färdiga?

När AI får en plats i processen blir användningen stabil. När den bara är ett verktyg på sidan blir den valfri – och då försvinner den.

6️⃣ Källkritik: behåll ratten – alltid

AI är bra på att låta trovärdig. Därför behöver du vara bra på att vara lite jobbigt källkritisk. 🤔

✅ En enkel check:

Spårbarhet: kan jag koppla påståendet till en källa eller data jag litar på?
Motbevis-test: vad skulle få mig att ändra uppfattning?

Källkritik är inte en bromskloss. Det är säkerhetsbältet som gör att du vågar köra fort.

AI som en ledarskapsfärdighet (inte bara en verktygsfärdighet)

En av de starkaste reframes jag gillar (och som jag ser funkar i praktiken) är den här: de bästa AI-användarna är ofta bra på att leda arbete. De är bra på att sätta ramar, bryta ner uppgifter, ge feedback och kvalitetssäkra.

I en intervju om AI på jobbet uttrycks det som att de som lyckas ofta har “manager/teacher”-skills snarare än teknikskills. (Valence intervju med Ethan Mollick)

Tänk så här:

Du skulle inte ge en ny praktikant en 100-sidig uppgift och säga “lös”.
Du skulle:

bryta ner arbetet,
förklara vad “bra” betyder,
sätta checkpoints,
granska och ge feedback.

Exakt samma principer räddar AI-adoptionen.

En plan som räddar adoptionen utan att bli ett jätteprojekt

Du behöver inte göra en stor “AI-transformation” för att få effekt. Men du behöver göra något som är tillräckligt konkret för att bygga vana.

Här är en enkel plan jag ofta kör med team – anpassad för de första veckorna när peppen annars brukar dala:

Steg 1: Välj två “säkra vinster”

✅ Exempel:

Utkast till kundmejl
Mötesanteckningar → actionlistor
Förslag på rubriker och struktur i dokument

Låg risk. Hög frekvens. Snabb feedback.

Steg 2: Bygg en gemensam promptmall

✅ En mall som hela teamet använder (och förbättrar):

Roll, mål, mottagare, ramar, exempel.

Det gör att kunskap blir delad, inte individuell.

Steg 3: Inför en 2-minuters kvalitetsspärr

✅ Innan något skickas:

Är tonen rätt?
Finns det fakta som behöver dubbelkoll?
Har vi missat något viktigt?

Det tar mindre tid än att hantera konsekvenserna av ett fel.

Steg 4: Gör lärandet synligt (inklusive misstagen)

✅ 10 minuter varje vecka:

“Veckans AI-vinst”
“Veckans AI-miss” (ja, på riktigt)

Det är socialt bevis som bygger kultur – och det är där adoptionen blir hållbar.

Varför jag tjatar om detta på AIOlle

Många ger upp AI efter de första veckorna – inte för att AI saknar potential, utan för att vi behandlar den som en maskin istället för en (ojämn) kollega. Träna de sex områdena: instruktioner, iteration, utvärdering, verktygskoll, arbetsflöde och källkritik. När ni dessutom leder användningen med tydliga ramar och små, delade playbooks får ni adoption som håller.

Vill du veta mer?

Vill du att jag hjälper ditt företag att gå från “wow i början” till en hållbar vardagsnytta? Jag kör både AI workshop, AI föreläsning och praktisk AI-implementering för svenska företag (särskilt SME). Hör av dig via AI Olle så sätter vi ett upplägg som passar just er – utan fluff, men med mycket “aha!”. ✅