Bra verksamhetsplanering har alltid börjat i strategin och arbetat sig nedåt — mål, plan, aktiviteter, och först därefter resurser och bemanning. Det är inte nytt. Det nya är att vid sista steget, när arbetet ska bemannas, har gränsen mellan människa och maskin suddats ut: AI kan i dag utföra resonerande uppgifter som tidigare var reserverade för människor. Därför räcker det inte längre att fråga hur många personer vi behöver — utan vilken kombination av människor och AI som löser uppgiften bäst.
Logiken i sund planering är välkänd. Strategin bryts ner i mål. Målen ger en affärsplan. Affärsplanen pekar ut vilka aktiviteter som måste göras. Och först när aktiviteterna är kända fastställs resurser och budget, bemanning inräknad. Den ordningen är riktig, och den har inte förändrats. Det som har förändrats är vad själva resurssteget innebär.
Tidigare var saken enkel: aktiviteter utfördes av människor, och maskiner var verktyg som människor använde. Resonemang, bedömning och omdöme var människans område. Den gränsen håller inte längre. AI kan i dag göra uppgifter som kräver resonemang — analysera, föreslå, formulera, dra slutsatser — som förut var helt mänskliga. Maskinen har gått från verktyg till utförare, och människa och maskin är nu båda kapabla till bedömning, om än på olika sätt och olika bra på olika saker.
Den förändringen betyder att resurssteget inte längre kan besvaras med bara hur många personer och i vilka roller. Frågan måste ställas bredare: vilken kombination av människor och AI ska utföra arbetet, och vem eller vad gör vad bäst? Det är skillnaden mellan att planera en arbetsstyrka och att planera de resurser — människor och AI — som faktiskt ska leverera resultatet. Planeringslogiken är densamma; det är resursbegreppet som blivit nytt.
Planeringslogiken är inte ny. Det nya är att en del av arbetet nu kan utföras av en maskin som kan resonera.
Var ska gränsen gå — och vem bär ansvaret?
När både människor och AI kan utföra arbete blir designfrågan var gränsen ska gå. Tekniken är inte längre ett verktyg vid sidan av organisationen, utan en del av den: den påverkar arbetsfördelning, ansvar, kontroll, kvalitet och lärande. Därför räcker det inte att fråga om AI klarar en uppgift. Den verkliga frågan är vilket arbete som ska ligga hos människan, vilket hos AI, och var det behövs mänsklig kontroll och omdöme.
Ett praktiskt sätt att tänka är att låta risk och ansvar styra rollen. I vissa flöden ska människan vara utförare, i andra granskare, och i några lågriskflöden kan AI arbeta mer självständigt. Det avgörande är inte hur avancerad tekniken är, utan vad ett fel skulle kosta och vem som bär ansvaret för resultatet.
Eftersom frågan ytterst handlar om risk och ansvar hör den hemma i ledning och styrelse, inte bara i IT. Seriös AI-användning kräver struktur — policy, ansvar, riskhantering och uppföljning — annars blir användningen en samling oövervakade experiment.
Vad vi vet hittills
Mönstret från både forskning och praktik är entydigt: värdet kommer inte automatiskt av verktygen. De bolag som får effekt har förändrat processer, styrning och arbetsflöden — inte bara köpt licenser. Vinsten är ofta som störst för mindre erfarna medarbetare, men bara när tekniken byggs in i hur arbetet faktiskt görs.
Så här hjälper JL HR Consulting
Vi hjälper ledningar att gå från ren bemanningsplanering till att planera resurssteget som en medveten kombination av människor och AI — och att hålla ihop det med tydlig styrning, risk och ansvar. AI är en lednings- och organisationsfråga, inte en teknikfråga.
Källor
- NIST AI Risk Management Framework: https://www.nist.gov/itl/ai-risk-management-framework
- ISO/IEC 42001 — AI management system: https://www.iso.org/standard/81230.html
- Stanford AI Index 2025: https://aiindex.stanford.edu/report/
- World Economic Forum — Future of Jobs Report 2025: https://www.weforum.org/publications/the-future-of-jobs-report-2025/
- McKinsey — The State of AI: https://www.mckinsey.com/capabilities/quantumblack/our-insights/the-state-of-ai
- NBER — Brynjolfsson, Li & Raymond, Generative AI at Work: https://www.nber.org/papers/w31161