AI-projekt har vuxit snabbt under de senaste åren, ofta drivna av höga förväntningar och stark press att "göra något med AI". Samtidigt har många pilotprojekt svårt att bevisa ett bestående affärsvärde.
Vi pratade med Frank Sinde, Field CTO AI på Damovo, som leder AI-projekt för kunder. Han förklarar varför han förväntar sig att delar av AI-marknaden kommer att svalna, var värdet kommer att finnas kvar och hur företag bör förbereda sig nu.
Frank, du förutspår att AI-bubblan kommer att spricka 2026. Vad förväntar du dig exakt?
Under de senaste åren har förväntningarna på AI blivit överdrivna. Många projekt startades för att ”göra något med AI” utan någon tydlig affärsidé. Vid någon tidpunkt kommer investerare och styrelser att fråga var det återkommande värdet finns.
Detta förutsågs också nyligen av Anthropics grundare och VD, Dario Amodei. Han är orolig för att vissa AI-företag kanske tar för stora risker med de enorma summor de spenderar på datacenter och datorkraft.”Jag tror att det finns vissa aktörer som lever efter mottot ’YOLO’ och tar för stora risker”, sade VD:n under The New York Times Dealbook Summit den3 december 2025.
Så, vad händer då?
Då kommer finansieringen att sinas för leverantörer som lever på pilotprojekt och presentationsmaterial. Vissa nystartade företag kommer att försvinna eftersom deras koncept aldrig ledde till stabila intäkter. De företag som överlever är de som kan visa mätbara effekter på produktivitet, kvalitet eller intäkter. Med andra ord blir avkastning på investeringar istället för hype det nya normala.
Vad innebär detta konkret för Damovos kunder?
För våra B2B-kunder innebär det att vi går från att experimentera med AI till att använda det i produktionen. Detta gäller alla våra områden, det vill säga Unified Communications, Customer Experience och Contact Centre, Enterprise Networks och Cybersecurity.
Vi ställer en enkel fråga för varje AI-funktion: kan den bevisa sitt värde inom en kort, tydligt definierad period, till exempel inom 90 dagar i ett värdebevis? Om svaret är nej, avbryter vi eller omarbetar vi. Vår roll är att hjälpa kunderna att fokusera på några få användningsfall med högt värde istället för en lång lista med pilotprojekt som aldrig skalas upp.
Hur ser ett sådant värdebevis ut i praktiken?
I praktiken är ett värdebevis ganska konkret. Vi börjar med att välja ett konkret användningsfall tillsammans med kunden och komma överens om hur vi ska mäta framgången. Det innebär att vi definierar processen, nyckeltalen och den data vi behöver, till exempel vilka samtal eller ärenden som ingår och hur situationen såg ut tidigare.
Sedan integrerar vi AI i befintliga verktyg, såsom kontaktcentret eller företagets nätverksplattform. Målet är inte att bygga något vid sidan om, utan att förbättra det sätt som människor redan arbetar på.
Slutligen kör vi scenariot under en begränsad period och jämför före och efter. Om data visar en tydlig fördel har vi ett argument för att skala upp. Om inte, justerar vi eller avbryter. På Damovo använder vi ett AI Proof of Value (PoV)-ramverk med mallar, KPI-dashboards och integrationshandböcker för miljöer med flera leverantörer. Kunderna behöver inte börja om från början varje gång. De kan snabbt se effekten istället för att lägga månader på installation.
Vilka områden ger redan tillförlitliga resultat?
De starkaste områdena just nu är kundupplevelse, teknisk service, företagsnätverk och cybersäkerhet. Inom dessa områden ser vi repeterbara resultat, inte bara isolerade pilotprojekt.
Kan du ge ett konkret exempel?
Ta kundupplevelsen som exempel. I ett kontaktcenter som hanterar förfrågningar använder vi bots som är utformade utifrån en tydlig katalog med avsikter, såsom saldokontroller, betalningsdatum och policyändringar. Botten löser enkla förfrågningar från början till slut vid första kontakten, vilket minskar kötiderna. För mer komplexa scenarier erbjuder boten på ett intelligent sätt en återuppringning eller eskalerar till en liveagent med fullständig kontext. När interaktionen når en agent får denne en realtidstranskription, en automatiserad sammanfattning av konversationen och föreslagna svar eller bästa möjliga åtgärder. Detta gör det möjligt för agenten att lösa förfrågan snabbare, förbättra kundnöjdheten och konsekvent uppfylla viktiga KPI:er för tjänsten.
Och utöver kundservice?
Teknisk service är ett annat starkt område. Många servicedesk hanterar många återkommande ärenden samtidigt som de har brist på kompetent personal.
I företagsnätverk ligger fokus på att minimera driftstopp och förbättra tillförlitligheten. AI analyserar telemetridata, upptäcker ovanliga mönster tidigare och kan utlösa förändringar innan användarna ens märker att något är fel. Det förhindrar förstås inte alla incidenter, men det kan minska oplanerade driftstopp och antalet ärenden som hamnar hos driftpersonalen. Dessutom automatiserar inbyggda AI-agenter repetitiva arbetsflöden, vilket frigör driftpersonal som då kan koncentrera sig på mer värdefulla uppgifter.
Hur är det med säkerheten? Alla pratar om AI och cyberhot.
Cybersäkerhet går från statisk detektering till adaptivt, AI-drivet försvar. Istället för att enbart förlita oss på signaturer eller fördefinierade regler använder vi kontextmedveten och hotfokuserad analys för att identifiera risker tidigare – till exempel när sårbarheter blir utnyttjbara eller när angriparens beteende indikerar aktiva rekognoscerings- eller utnyttjandeproblem.
Moderna plattformar kombinerar automatiserad intelligensberikning, beteendebaserad detektering och AI-koordinerade strategier. Detta innebär att potentiella hot såsom nätfiske, spoofing, felkonfigurationer eller sårbara tjänster valideras i sitt sammanhang, prioriteras automatiskt och åtgärdas snabbare.
Resultatet: färre framgångsrika attacker, kortare responstider och en säkerhetsstrategi som kontinuerligt anpassar sig till det aktuella hotlandskapet.
Det är alla externa användningsfall. Hur är det med intern produktivitet eller medarbetarupplevelse?
Intern produktivitet är där AI i tysthet omformar det dagliga arbetet. I moderna UC-plattformar sträcker sig detta bortom transkription och sammanfattningar till realtidsmöteskoordinering, intelligenta åtgärder och omedelbar hämtning av tidigare konversationer. Anställda upplever detta inte som ”ny teknik”, utan helt enkelt som ett smidigare kommunikationsflöde.
Den verkliga utmaningen för företag är kontrollerad aktivering. UC-system hanterar de mest känsliga kommunikationsuppgifterna, så ledningen måste definiera vilka AI-funktioner som kan få tillgång till vilka konversationer, hur leverantörernas AI-assistenter ska bete sig och hur användningen ska förbli konsekvent i Teams, Webex, Zoom eller hybridmiljöer. Att aktivera allt på en gång är sällan ett alternativ.
När vi bevisar värdet letar vi efter tydliga signaler, t.ex. mindre tid som läggs på dokumentation, färre upprepade möten, tydligare beslut och mindre kontextväxling. Målet är inte att automatisera all kommunikation, utan att minska det administrativa arbetet kring den och ge människor mer tid att fokusera.
Okej, men här är min fråga. Om allt detta fungerar så bra, varför tror du då att bubblan kommer att spricka?
Eftersom de flesta företag inte gör det jag just beskrev. De kör pilotprojekt som aldrig tar slut. De testar tio olika AI-verktyg utan någon plan att välja ett. De mäter ”engagemang” istället för intäkter.
När budgetarna skärs ned tar det slut. Snabbt.
Så, vad ska företagen göra nu?
Jag tror att det viktigaste företagen behöver just nu är färre experiment och fler partners som kan koppla AI till verkligt affärsvärde. De flesta organisationer har genomfört ett eller flera pilotprojekt. Det svåra är att skala upp de få som verkligen fungerar, hålla dem stabila i den dagliga verksamheten och samtidigt uppfylla alla säkerhets- och efterlevnadskrav. Det är där många team fastnar.
Var brukar du börja med kunderna?
Vi börjar vanligtvis ganska pragmatiskt. Tillsammans med kunden bygger vi upp en liten portfölj med AI-användningsfall för varje affärsområde. Tanken är att tydligt se var en investering faktiskt är meningsfull och var den inte är det. Var kan man förvänta sig hinder, och har kunden interna resurser för att ta itu med projekten?
Därefter integrerar vi dessa användningsfall i befintliga plattformar, till exempel UC, kontaktcenter, nätverk eller säkerhetssystem. Vi försöker undvika att skapa ännu en isolerad lösning. AI ska förbättra befintliga processer, inte skapa en parallell värld.
Ett annat mål är att lära kunderna att själva identifiera nya användningsområden och utvärdera dem därefter.
Och hur säkerställer man att detta är skalbart och förblir säkert?
Det är här data, styrning och drift kommer in i bilden. Vi definierar vem som har tillgång till vilka data, hur uppmaningar och modeller hanteras och hur vi övervakar kvalitet och risk. Det låter kanske lite torrt, men utan detta grundarbete går det inte att skala upp verksamheten.
På Damovo tar vi sedan över delar av den löpande driften om kunden så önskar. Vi sköter övervakning, mätningar och kontinuerlig finjustering så att AI-lösningarna fortsätter att leverera värde och inte tyst försämras med tiden. Idén är egentligen enkel. Inga fler engångsprov som försvinner efter några månader, utan en stabil lösning som kan växa med verksamheten.
Sista frågan. Vad är din slutsats om AI-bubblan?
Jag förväntar mig att delar av marknaden kommer att svalna kraftigt. Det är sunt. Projekt som inte kan visa resultat kommer att avbrytas och vissa leverantörer kommer att lämna marknaden.
Värdet av AI kvarstår dock. År 2026 kommer vinnarna att vara de leverantörer och kunder som anpassar AI till tydlig avkastning, operativ beredskap och säkerhet. De kommer att dra nytta av marknadskonsolideringen och skala upp de användningsfall som verkligen betyder något. Inte drivna av hype, utan av resultat.