Så går mjukvaruorganisationer från AI-piloter till AI-transformation

AI-användningen ökar, men transformationen är fortfarande i ett tidigt skede

Artificiell intelligens är inte längre bara ett experiment för mjukvaruorganisationer. Den blir en allt viktigare faktor för hur de konkurrerar. Ändå ökar, snarare än minskar, klyftan mellan organisationer som bara experimenterar och de som faktiskt transformerar sin verksamhet med AI.

Rapporten bygger på fem på varandra följande omgångar av vår kvartalsvisa kundundersökning och omfattar fler än 270 organisationer från mars 2025 till mars 2026. Data visar ett konsekvent och tankeväckande mönster för samtliga uppmätta användningsområden: kravhantering, skapande av ny kod, modernisering av äldre kod, leverans, portföljhantering samt säkerhet och regelefterlevnad.

Andelen organisationer som uppger att de ”inte använder AI för närvarande” minskar inom alla kategorier. Experimenterandet är utbrett. Men de högre mognadsnivåerna – där AI aktivt hjälper människor i stor skala, agenter arbetar i arbetsflöden och AI fungerar autonomt – syns knappt alls. För ledare i reglerade och delvis reglerade branscher är bilden ännu tydligare: de användningsområden som är viktigast för regelefterlevnad och riskhantering har de långsammaste ökningstakterna.

Rapporten förklarar vad data visar, varför de flesta organisationer stannar upp och hur teknik- och affärsledare kan använda ett strukturerat ramverk för att gå från att optimera enskilda uppgifter till att transformera hela mjukvaruverksamheten.

Sedan början av 2025 har vi genomfört en kvartalsvis undersökning för att följa hur kundbasen – stora och medelstora organisationer inom olika branscher, bland annat finans, industri, hälso- och sjukvård, offentlig sektor och teknik – använder AI i hela sin livscykel för mjukvaruutveckling.

Undersökningens utformning

Varje kvartalsvis undersökning omfattar svar från cirka 360 till 380 deltagare per användningsområde. De svarande bedömer själva organisationens nuvarande användningsnivå inom sex användningsområden:

• Skapande av ny kod

• Kravhantering

• Refaktorering av äldre system

• Leverans

• Portföljhantering

• Säkerhet och regelefterlevnad

För varje användningsområde väljer de svarande den mognadsnivå som bäst beskriver organisationen i dag:

Den här femgradiga skalan är direkt kopplad till vårt AI Adoption Framework, som beskrivs utförligt i avsnitt 6. Undersökningens longitudinella upplägg – fem mätningar under 12 månader – gör det möjligt att följa takten i användningen, inte bara dess nuvarande nivå.

Diagrammet nedan visar samtliga sex användningsområden över fem kvartalsvisa mätningar, från W1 mars 2025 till W5 mars 2026. Varje stapelgrupp visar fördelningen mellan de fem mognadsnivåerna vid en viss tidpunkt.

Vilka av följande användningsområden använder du AI för?

Användningen ökar, men transformationen uteblir

Inom samtliga sex användningsområden minskar de röda staplarna — organisationer som inte använder AI alls — över tid. Det är de goda nyheterna. Experimenterandet (orange) ökar, och andelen som uppger att AI aktivt stödjer människor (gul) ökar gradvis, särskilt inom kodskapande.

Men kategorierna som representerar verklig transformation, såsom agenter i arbetsflöden och autonom AI, är fortfarande mycket små inom de flesta användningsområden och mätningar. Data tyder starkt på att de allra flesta organisationer har fastnat i övergången från utforskande till integrering och inte lyckas nå de faser som ger oproportionerligt stort affärsvärde.

AI-användning per användningsområde inom mjukvaruutveckling

Nytt kodskapande leder AI-användningen

Kodskapande visar den mest avancerade användningskurvan av alla sex kategorier. I W5 mars 2026 är andelen svarande som uppger att AI aktivt stödjer människor här högre än för något annat användningsområde, och experimenterandet är också som störst. Det är intuitivt rimligt: kodassistenter var de första AI-verktygen som blev brett tillgängliga för mjukvaruteam, och produktivitetsvinsterna är omedelbara och mätbara. Men även här är agenter i arbetsflöden och autonom AI fortfarande marginella — vinsterna ligger fortfarande främst på nivån individuell produktivitet.

Kravhantering har stor AI-potential, men användningen är fortfarande i ett tidigt skede

Kravhantering började med en av de högsta nivåerna för ”använder inte för närvarande” i mätning 1, över 75 %. I mätning 5 har detta minskat betydligt, medan experimenterande och AI-stöd har ökat. Detta är ett användningsområde där AI kan påskynda översättningen av affärsintentioner till maskinläsbara specifikationer avsevärt. Data visar dock att organisationer knappt har börjat utnyttja det som är möjligt. Särskilt för reglerade branscher, där spårbarhet i krav är ett compliance-krav, innebär detta både en risk och en möjlighet.

Modernisering av äldre kod är ett AI-användningsområde med högt värde men långsam användning

Modernisering av äldre kod visar ett mönster som liknar kravhantering: fortfarande över 40 % ”använder inte” i mätning 5, trots att AI utan tvekan är som mest kraftfullt inom detta område. Att modernisera stora, komplexa och bristfälligt dokumenterade kodbaser är precis den typ av arbete som tröttar ut mänskliga utvecklare — och där AI-agenter kan skapa asymmetriskt värde. Den långsamma användningen här speglar sannolikt både riskaversion hos organisationer med kritiska äldre system och avsaknaden av de styrningsstrukturer som krävs för att kunna lita på AI med kod med hög insats.

AI inom mjukvaruleverans utvecklas stadigt

Mjukvaruleverans visar en stadig, om än måttlig, minskning av utebliven användning över de fem mätningarna, från cirka 70 % till omkring 40 %. Detta är en bred kategori som omfattar CI/CD, releasehantering och överlämning till drift, och den gradvisa kurvan tyder på att användningen sker stegvis i takt med att AI-verktygen mognar genom hela pipelinen. Mjukvaruleverans är också där den ”flaskhalseffekt” som beskrivs i avsnitt 4 är som tydligast — snabbare kodgenerering tidigare i processen ökar trycket på leveransprocesser som ännu inte har effektiviserats på samma sätt.

Portföljhantering är fortfarande en blind fläck för AI-användning

Portföljhantering har genomgående några av de högsta nivåerna för ”använder inte” i samtliga mätningar och ligger fortfarande över 45 % i mätning 5. Det är anmärkningsvärt eftersom beslutsfattande på portföljnivå — prioritering, investeringsfördelning och roadmaphantering — är där AI-stöd kan påverka affärsresultat mer direkt än utvecklingseffektivitet. Data tyder på att AI-användningen i de flesta organisationer drivs nerifrån och upp genom utvecklarverktyg och ännu inte har nått de strategiska nivåerna där det största värdet finns.

AI-användningen inom säkerhet och compliance är fortfarande långsam

Säkerhet och compliance är det användningsområde som är mest direkt relevant för reglerade branscher — och det visar en av de långsammaste användningskurvorna. I mätning 5 använder omkring 40 % av de svarande fortfarande inte AI alls inom detta område. Eftersom säkerhet och compliance är obligatoriska, icke förhandlingsbara aktiviteter i alla reglerade sektorer, är detta både en risksignal och en möjlighet. Organisationer som framgångsrikt använder AI-agenter för säkerhetsskanning, policyefterlevnad och complianceverifiering får inte bara högre effektivitet utan även en strukturell fördel i att hantera kostnaden för reglering.

Enkätdata beskriver vad som händer. För att förstå varför måste man titta på de strukturella hinder som gör att organisationer inte kommer vidare från experiment i tidiga skeden. Baserat på vårt arbete med över 100 kunder i tio länder ser vi att fyra hinder står för den stora majoriteten av AI-transformationer som stannar av.

Flaskhalseffekten i detalj

Den vanligaste missuppfattningen om ROI för AI är att en kodningsassistent gör organisationen mer produktiv. Isolerat sett gör den det – utvecklare skriver kod snabbare. Men i de flesta organisationer är utveckling inte flaskhalsen. Att samla in krav tar veckor. Testning sker delvis manuellt och tar dagar. Compliance-granskning styrs av checklistor. Driftsättning kräver mänskligt godkännande i flera steg.

När du snabbar upp ett steg i en pipeline men lämnar resten oförändrat går inte pipelinen snabbare. I stället skapar du en längre kö vid nästa begränsning. Snabbare kodproduktion innebär helt enkelt att mer kod får vänta längre på testning, granskning och driftsättning. Ledtiden förbättras inte. Affärsvärdet kommer inte snabbare. Och ROI för AI-investeringen verkar vara noll, trots att den underliggande tekniken fungerar precis som utlovat.

SYSTEMLÄRDomen FÖR LEDARE

Verkliga produktivitetsvinster med AI kräver ett helhetsperspektiv. Organisationer som snabbar upp ett steg utan att hantera den omgivande pipelinen kommer inte att se några förbättringar i det som är viktigt för verksamheten: tid till värde, releasefrekvens och felgrad. AI-transformation är ett systemproblem, inte ett verktygsproblem.

Varför reglerade branscher står inför en ytterligare utmaning

För organisationer som verkar inom formella regelverk – oavsett om det gäller finansiella tjänster, hälso- och sjukvård, energi, försvar, offentlig förvaltning eller kritisk infrastruktur – förstärks de fyra hindren ovan av ett femte: kravet på att upprätthålla en granskningsbar och försvarbar dokumentation av varje betydelsefullt beslut som fattas under mjukvarans livscykel.

Traditionella AI-verktyg som byggts för kommersiella SaaS-driftsättningar är inte utformade med regulatoriska revisionsspår i åtanke. Att driftsätta dem utan en lämplig styrningsinfrastruktur skapar juridiska risker och risker för bristande regelefterlevnad. Men att bygga den styrningsinfrastrukturen kräver kompetens, arkitektur och organisatorisk mognad som de flesta organisationer fortfarande håller på att utveckla.

Resultatet är att reglerade branscher, som ofta har mest att vinna på AI-driven effektivitet – eftersom kostnaderna för regelefterlevnad är oproportionerligt höga – också är de mest begränsade i hur snabbt de kan införa AI på ett säkert sätt.
Strategigapets omfattning gör detta tydligt. Enkätdata visar att vid den femte mätningen har endast 10 % av organisationerna faktiskt en formell AI-strategi på plats, medan 59 % håller på att ta fram en. Ytterligare 31 % saknar strategi helt. Organisationer kan inte styra det de inte har definierat.

Vårt ramverk för AI-användning beskriver fem faser av AI-mognad i mjukvaruorganisationer. Faserna är inte godtyckliga – de speglar de strukturella förändringar inom människor, processer och teknik som krävs för att frigöra varje efterföljande nivå av effektivitetsökning.

De flesta organisationer befinner sig fortfarande i ett tidigt skede av AI-mognad

Enkätdata stämmer väl överens med detta ramverk. Majoriteten av de svarande organisationerna befinner sig i fas 1, medan vissa är på väg in i fas 2. Vinsterna här är verkliga – enskilda utvecklare arbetar snabbare och vissa uppgifter delegeras till AI-agenter – men det handlar om optimeringsvinster, inte transformationsvinster.

Det avgörande steget är övergången från fas 3 till fas 4. Det är här förändringens karaktär skiftar från ”vi har gjort våra befintliga processer mer effektiva” till ”vi har förändrat den grundläggande verksamhetsmodellen för vår mjukvaruverksamhet”. De verktygskapaciteter som krävs för att nå fas 4 och fas 5 finns redan. Det som saknas för de flesta organisationer är inte teknik, utan grunden inom människor, processer och styrning för att använda den säkert och i stor skala.

Risken för polarisering

En avgörande strategisk dynamik börjar växa fram på marknaden. När AI-verktyg går från prenumerationsmodeller per användare till förbrukningsbaserad prissättning – där man betalar för tokens, beräkningskapacitet och agentåtgärder i stället för licenser – kommer ekonomin för AI-användning i allt högre grad att gynna organisationer som har nått högre faser i ramverket.

Organisationer som främst ser AI som ett verktyg för kostnadsreduktion – och använder det för att minska antalet anställda och sänka kostnaderna – kommer att få vinsterna i fas 1 och sedan plana ut. Organisationer som ser AI som en motor för värdeskapande, genom att använda det för att bygga nya förmågor, ge kunder bättre service och snabbare gå in på nya marknader, kommer att fortsätta förstärka sitt försprång. Skillnaderna mellan dessa två grupper kommer att öka snabbare.

För organisationer som verkar i reglerade eller delvis reglerade miljöer handlar AI-användning inte bara om att införa verktyg och utbilda utvecklare. Det kräver att nivån av AI-kontroll anpassas till den regulatoriska miljön. Den anpassningen måste vara ett medvetet strategiskt val, inte något som kommer i efterhand.

Vi har utvecklat ett ramverk med fem kontrollnivåer som kopplar regulatoriska krav till lämpliga arkitekturer för AI-driftsättning:

De flesta organisationer i reglerade branscher befinner sig för närvarande på L1 eller L2 och använder kommersiella SaaS-baserade AI-verktyg med begränsade kontrollmekanismer för styrning. Enkätdatan återspeglar detta: användningsfall inom säkerhet och compliance har den långsammaste AI-användningen, just eftersom de kontrollnivåer som krävs för L3, L4 eller L5 ännu inte finns på plats. Infrastrukturdata från Wave 5 bekräftar bilden – 59 % av organisationerna kör AI främst i publika moln, 29 % i hybridmiljöer och endast 2 % på suverän AI-infrastruktur.

Att gå över till L3 eller högre är inte bara ett teknikprojekt. Det kräver beslut om dataarkitektur, val av leverantör, personalens placering och bakgrundskontroller samt juridisk jurisdiktion. Dessa beslut påverkar AI-strategin på alla nivåer. En organisation som väljer en driftsättning helt inom EU:s gränser (L3) kommer att göra andra verktygsval än en organisation som kan använda global SaaS.

STRATEGISK REKOMMENDATION

Ledare i reglerade branscher bör fastställa vilken kontrollnivå de behöver innan de väljer AI-verktyg – inte efteråt. Kostnaden för att i efterhand lägga till styrning i en AI-driftsättning är vanligtvis betydligt högre än att bygga in den från början. Detta är ett arkitekturbeslut, inte ett inköpsbeslut.

Den kanske viktigaste insikten från fem omgångar av enkätdata är denna: Begränsningen för AI-användning är inte tekniken. Verktygen finns. API:erna är tillgängliga. Modellerna är kapabla. Begränsningen är organisatorisk och i grunden en ledarskapsutmaning.

Så utvecklas roller i AI-drivna mjukvaruorganisationer

De flesta organisationer befinner sig i dag fortfarande i vad som kan kallas Builder-fasen av samarbete mellan människor och AI: utvecklare använder AI för att snabba upp sitt individuella arbete, inom verktyg snarare än arbetsflöden, med fokus på lokala produktivitetsvinster.
Nästa fas — Composer — kräver människor som kan utforma AI-drivna arbetsflöden, samordna arbete mellan människor, verktyg och AI-agenter samt arbeta på teamnivå snarare än individnivå. Fasens därefter — Value Architect — kräver ledare som definierar resultat och system och anpassar AI till affärsvärde på organisationsnivå.
Nittio till nittiofem procent av organisationerna arbetar i dag på Builder-nivå. Att gå vidare till Composer och Value Architect kräver medvetna investeringar i kompetensutveckling, nya rollbeskrivningar och kulturell förändring — inte bara tillgång till bättre verktyg.

Därför är detta en ledarskapstransformation, inte en teknisk transformation

Tidigare stora tekniktransformationer, som ERP-implementationer, molnmigreringar och införanden av Agile, förändrade de yttre lagren av hur organisationer arbetar: verktygen de använder och processerna de följer. De var betydande och svåra. Men de förändrade inte i grunden vem som fattar beslut eller vad besluten handlar om.

Den agentiska AI-transformationen går djupare. Den förändrar vem som utför arbetet (människor och AI-agenter tillsammans), vilka beslut som fattas (där AI deltar i eller driver beslut som tidigare fattades enbart av människor) och varför organisationen är strukturerad som den är (när agenter kan äga arbetsflöden från början till slut förlorar traditionella funktionella silor sitt syfte).

Därför misslyckas de flesta AI-initiativ med att gå längre än pilotprojekt. Ett pilotprojekt är ett teknikexperiment. En transformation kräver ledningens engagemang, organisatorisk omformning, investeringar i en omfattning som kan jämföras med ERP eller molnmigrering samt viljan att förändra centrala operativa modeller i stället för att bara lägga till nya verktyg till de befintliga.

Enkätdata och ramverket ovan pekar på tre konkreta åtgärder som teknik- och affärsledare bör vidta nu – oavsett var organisationen befinner sig på mognadskurvan.

AI-transformation bygger på styrning, människor och ledarskap

Data från fem omgångar av kundundersökningar berättar en tydlig historia: användningen av AI i mjukvaruorganisationer är verklig, den ökar snabbt och för de flesta organisationer är den fortfarande långt ifrån att nå sin fulla potential.

De organisationer som kommer att vinna är inte nödvändigtvis de som rör sig snabbast i dag. Det är de som bygger rätt grund: förstår sina flaskhalsar, etablerar lämplig styrning, investerar i sina medarbetare och ser AI som en affärstransformation snarare än en uppgradering av verktyg.

För ledare i reglerade och delvis reglerade branscher är möjlighetsfönstret öppet, men det kräver mer genomtänkta överväganden kring kontroll, compliance och arkitektur än vad den bredare marknaden behöver göra. De organisationer som hanterar detta väl kommer att upptäcka att de regulatoriska kraven, som bromsade deras initiala användning, blir en konkurrensfördel: en plattform för pålitlig, granskningsbar och styrd AI-kapacitet som är mycket svår för mindre disciplinerade konkurrenter att efterlikna.