Därför ger din AI-investering inte resultat
Ekonomiavdelningar har länge testat om AI kan ge en samlad bild av företagets utgifter. Men frågan är hur mycket värde investeringarna faktiskt skapar. I en ny undersökning från Pleo* uppger 61 % av ekonomicheferna att de har investerat i AI på områden där avkastningen fortfarande är oklar.
Skillnaden mellan investeringen och värdet den faktiskt skapar betyder inte att AI har misslyckats. Ofta ligger problemet någon annanstans – i de utgiftsdata som AI har att jobba med.
Tecken på att utgiftsdatan är splittrad
För de flesta ekonomiavdelningar är informationen om företagets utgifter utspridd på flera håll. Utlägg hanteras i ett system, fakturor i ett annat och attester hanteras kanske via mail eller Slack. Dessutom organiserar systemen informationen på olika sätt. Det som är en kategori i ett system kan vara en tagg i ett annat, valutaväxlingen kan ske vid olika tidpunkter och samma leverantör kan förekomma under flera olika namn.
När informationen om företagets utgifter inte hänger ihop måste ekonomiavdelningen själv pussla ihop rapporter, mappar och kalkylark för att få en tillförlitlig helhetsbild. Det är precis den typen av manuellt arbete som AI var tänkt att ta över, så att ekonomiavdelningen kan lägga tiden på att agera på siffrorna i stället för att först samla ihop dem och dubbelkolla att allt stämmer.
"Vi har flera bolag upplagda i systemet. Om du förbereder transaktioner för export för ett bolag och råkar lägga dem i fel mapp kan det bli helt fel. Då måste du backa allt och göra om." - Shafier Saboerali, Financial Controller på SILICON
Därför gör splittrade data AI mindre träffsäkert
För att kunna ge tillförlitliga svar och faktiskt utföra uppgifter behöver AI data som är konsekventa, strukturerade och pålitliga. När utgiftsdata ser olika ut i olika system blir det svårt för AI att få ihop helheten. Då kan den antingen upptäcka att något saknas, eller försöka fylla i luckorna själv och ändå låta säker på svaret. Frågar du till exempel hur mycket företaget har spenderat hos en viss leverantör kan fakturor som ligger i ett annat system helt enkelt missas utan att det märks.
Det märks även i helt vanliga frågor. Om du till exempel frågar AI om ett köp följer företagets regler måste den kunna få ihop policyn, kategorin och attesthistoriken.Om kategorin i utgiftsverktyget inte stämmer överens med formuleringarna i policyn, eller om valutaväxlingen räknas olika i olika system, blir det svårt för AI att avgöra vad som faktiskt är fel. Då kan den antingen flagga korrekta utgifter i onödan eller missa ett verkligt problem för att siffrorna ser tillräckligt rimliga ut.
Det kostar när förtroendet försvinner
När ekonomiavdelningen väl upptäcker att AI har haft fel om något sjunker förtroendet snabbt, även för svar som faktiskt är korrekta. Att bygga upp det igen tar ofta mer tid än uppgiften gjorde från början och kan leda till att man går tillbaka till de manuella arbetssätt som AI skulle ersätta.
I en ny undersökning från Pleo* uppger 68 % av ekonomicheferna att kompetensen, utbildningen och tryggheten kring AI fortfarande ligger långt efter i deras team. En viktig anledning är att resultaten inte alltid är konsekventa eller tillförlitliga. Det är svårt att bygga förtroende för AI-baserad utgiftsanalys när svaret varierar beroende på vilket system den hämtar information från.
Samlad data är nyckeln till att få ut värde av AI
AI-verktyg skapar verkligt värde först när de kan utgå från en samlad bild av företagets utgifter. Transaktioner, budgetar och attester behöver hänga ihop på ett ställe, med tydlig spårbarhet bakom varje siffra.
När AI-assistenter som Claude, ChatGPT och Microsoft Copilot kopplas till en gemensam och tillförlitlig källa för utgiftsdata blir svaren också mer användbara. Då kan en vanlig fråga ge ett svar som går att agera på direkt, i stället för något som först måste stämmas av manuellt mot ett kalkylark.
Det går också att ta ett steg längre. När all information finns samlad kan återkommande uppgifter, som att jaga kvitton eller rätta kategorier, hanteras i ett sammanhängande flöde i de verktyg ni redan använder.
Det är skillnaden mellan AI för utgiftshantering som faktiskt är värd investeringen och lösryckta AI-verktyg som inte lever upp till det de lovar.
Siffrorna är hämtade från en kommande rapport från Pleo som lanseras i september 2026. Undersökningen genomfördes av Sapio Research i april och juli 2026 bland beslutsfattare och yrkesverksamma inom ekonomi i organisationer med 51–1 000 medarbetare i Tyskland, Danmark, Spanien och Storbritannien.