AI-ROI-paradoxen: varför generalistmodeller och äldre affärssystem kommer att ruinera din budget

I oktober 2025 publicerade Deloitte en rapport som bekräftade vad alla konsulter redan borde veta under en längre tid. Företag investerar miljarder dollar i generativ artificiell intelligens, men den utlovade avkastningen på investeringen är fortfarande ganska svårfångad.

Vi förväntade oss att AI omedelbart skulle automatisera våra företagssystem och drastiskt minska driftskostnaderna. Istället ser chefer skyhöga programvarukostnader, avstannade pilotprogram och en tydlig brist på mätbart affärsvärde. Marknaden är uppenbarligen fortfarande förvirrad, och den senaste tidens panik kring SaaS-affärsmodeller återspeglar denna djupa osäkerhet.

Om ert företag kämpar med att hitta ROI i era nya AI-initiativ ligger problemet inte i själva konceptet artificiell intelligens. Problemet ligger främst på fabriksnivå.

Enligt min mening bevittnar vi just nu en enorm arkitekturell obalans. Organisationer gör två misstag samtidigt: de köper fel typ av information och de försöker integrera den i fel typ av programvara.

Låt mig förklara exakt var jag ser att er AI-budget blöder och hur jag tror att ni kan vända trenden genom att ompröva hela ert tillvägagångssätt för affärssystem.

Den universella hjärnans illusion

Under mina senaste erfarenheter har jag lagt märke till en återkommande, farlig instinkt: lusten att jaga de största och mest kända AI-modellerna på marknaden. Ur mitt perspektiv verkar de flesta människor helt fokuserade på generalistiska stora språkmodeller (LLM) utrustade med biljoner parametrar och successivt bredare, universella funktioner.

Missförstå mig inte, jag tycker att dessa massiva generalistmodeller är onekligen fantastiska för många konsumentapplikationer.

Min vision av framtiden för företagsteknik är dock helt annorlunda. I mitt dagliga arbete ser jag ständigt att dessa områden kräver en helt annan uppsättning förmågor.

Jag håller helt med AI-pionjären Yann LeCun när han påpekar att dessa massiva LLM:er saknar någon inneboende förståelse för den fysiska världen. De är bara probabilistiska motorer utformade för att förutsäga nästa logiska ord. Enligt min mening är det absolut ingen mening att fortsätta jaga modeller med fler och fler parametrar om målet är att exekvera mycket specifik affärslogik.

Om du ber en generalistjurist att optimera ett cross-docking-materialflöde i ett hektiskt lager, eller att omräkna en flernivås stycklista baserat på en plötslig komponentbrist, kan jag garantera att du ber om problem. Det kanske genererar ett svar som låter grammatiskt felfritt och otroligt säkert, men jag har själv sett hur samma svar sannolikt kommer att vara fysiskt omöjligt att genomföra eller ekonomiskt katastrofalt.

Jag tror att den verkliga avkastningen på investeringen inom företagsprogramvara inte ligger i generalistisk kunskap om biljoner parametrar. Den ligger i hyperspecialisering.

Jag ser svaret på just detta resursslöseri tydligt: ​​Small Language Model (SLM). En SLM arbetar vanligtvis med färre än 10 miljarder parametrar och tränas på noggrant kurerade datamängder av lärobokskvalitet. Istället för att veta lite om allt på internet är en SLM utformad för att veta absolut allt om ett specifikt område.

Om ett företag överväger att driftsätta en lokaliserad SLM tar de bokstavligen ansvar för informationen. Dina proprietära data lämnar aldrig din säkra perimeter. Du får tillgång till en högt specialiserad agent som förstår de fysiska och logistiska begränsningarna för just din verksamhet, samtidigt som de förbrukar en bråkdel av den beräkningskraft och API-kostnader som krävs av molnjättarna.

Fällan med det anpassade chassit

Att skaffa sig rätt, specialiserad AI-modell löser bara hälften av ekvationen. Den andra viktiga anledningen till att AI-resultat är så svårfångade är den miljö där denna intelligens används.

Som jag utförligt beskrev i min tidigare artikel, ”AI-dödaren: Varför smutsig data kommer att ruinera din agent”, finns det en hård verklighet som dödar företags-AI: du kan inte placera en vältrimmad Ferrari-motor i ett rostigt, trettio år gammalt chassi och förvänta dig ett mirakel.

Historiskt sett bar företag sina kraftigt anpassade, lokala ERP-system som ett hedersmärke. Idag är den extrema anpassningen ett teknologiskt fängelse som i sig är fyllt med smutsig data.

Eftersom AI uteslutande lär sig från historiska mönster, lär sig tio års föråldrad data att skala upp ineffektiviteten i blixtens hastighet. Denna " skräp in, katastrof ut "-cykel är just därför företag betalar premiumpriser för AI-programvara men ser noll avkastning på investeringen.

Användbara insikter för företagsledare

Om du är CEO, finanschef eller IT-chef med uppgift att motivera din nuvarande AI-budget eller planera din nästa ERP-migrering, här är de praktiska stegen du måste vidta för att säkra en mätbar avkastning på din investering.

1. Konvertera dina kärnanpassningar: sluta behandla ditt ERP-system som ett skräddarsytt stycke skräddarsydda lösningar. Konvertera aktivt äldre anpassningar till moderna utökningsmöjligheter. Även om AI tekniskt sett kan läsa anpassade tabeller saknar den semantisk förträning för att förstå dina unika fält, vilket leder till kostsamma omträningscykler eller hallucinationer. Genom att flytta anpassad logik till externa API-drivna tillägg förblir din kärndatabas standard och omedelbart förståelig för AI:n.

2. Flytta fokus till små språkmodeller: sluta oroa dig för vilken massiv teknikjätte som har släppt modellen med flest parametrar den här veckan. Börja utvärdera modeller med öppen vikt som kan finjusteras specifikt för din bransch. Beräkna avkastningen på investeringen (ROI) för att hosta en SLM i din egen kontrollerade miljö (oavsett om det är på dedikerad lokal hårdvara eller en privat molninfrastruktur som AWS) mot de oförutsägbara, återkommande kostnaderna för att hyra generalistiska API-tokens.

3. Genomför en "ren" datamigrering: innan du startar något AI-pilotprogram måste du städa upp ditt hus. När du migrerar till ett modernt molnbaserat ERP-system, var fullständigt hänsynslös med dina historiska data. Migrera inte femton år av stängda fakturor eller döda leverantörskoder. Arkivera den informationen i en separat datasjö och använd generativ BI för att fråga efter den vid behov. För endast in dina aktiva masterdata, öppna transaktioner och aktuella lagersaldon i det nya systemet. Ett högt signal-brusförhållande är den grundläggande förutsättningen för AI-noggrannhet. Om du vill dyka djupt in i ämnet, börja här: Migreringshandboken.

Mitt slutgiltiga perspektiv

ROI-paradoxen som Deloitte lyfte fram fungerar som en mycket nödvändig väckarklocka för hela teknikbranschen. Den påminner oss om att det inte magiskt förvandlar en organisation till ett autonomt kraftpaket att bara köpa en prenumeration på den senaste trendiga mjukvaran.

Sann företagsintelligens kräver djupgående arkitektonisk disciplin. Marknaden kommer utan tvekan att se en utrensning av företag som försöker tvinga generalistisk AI att åtgärda sina trasiga äldre processer. Men de organisationer som kombinerar det hyperspecialiserade fokuset hos små språkmodeller med den standardiserade flexibiliteten hos molnbaserad ERP-utökning kommer äntligen att sluta jaga hajpen. De kommer att bygga grunden som krävs för att generera verkligt, sammansatt värde på fabriksgolvet.

Skriven av Andrea Guaccio 

28 mars 2026