Fel angreppssätt kan bli dyrt

Den första frågan i ett AI-projekt formuleras ofta fel. Jämförelsen börjar med modeller och priser, när det första som egentligen behöver definieras är vad verksamheten behöver uppnå: hur bra ett resultat måste vara för att vara tillräckligt, vilken typ av fel som är acceptabel, vilken data som får behandlas och hur tjänsten ska bete sig när något går fel.

Det här är ingen marginell fråga. Enligt Statistikcentralen använde 38 procent av de finländska företagen AI-teknik våren 2025, och bland företag med minst 100 anställda var andelen 68 procent. I Eurostats jämförelse från samma mätperiod placerade sig Finland på andra plats i hela EU när det gäller AI-användning, medan EU-genomsnittet låg på 20 procent. Samtidigt hade endast 15 procent av de finländska företagen dokumenterade riktlinjer eller arbetssätt för sina AI-system. Finland ligger alltså i Europas topp när det gäller användning – men inte när det gäller att kunna motivera och förklara den. Användningen har spridits snabbare än förmågan att rättfärdiga den.

Styckkostnaden för AI har på bara ett par år sjunkit till en bråkdel av tidigare nivåer, och utvecklingen fortsätter. Trots det ökar företagens totala kostnader, eftersom antalet användare och mängden material som ska behandlas hela tiden växer, samtidigt som AI-agenter multiplicerar antalet modellkörningar.

I augusti 2026 uppskattade Gartner att kostnaden för agentiska arbetsflöden kommer att mer än femdubblas fram till 2028. Att skicka en uppgift till en reasoning-modell kostar minst fem gånger mer än att hantera samma sak som en vanlig konversation, och skillnaden växer i takt med att uppgiften blir mer komplex. Ett lägre styckepris minskar alltså inte AI-notan. Det ökar användningen.

Därför är den avgörande faktorn kostnaden för ett godkänt produktionsresultat, när integrationer, kvalitetssäkring, misslyckade körningar, övervakning och underhåll räknas in. När det inte tas med i kalkylen kommer kostnaden senare. Gartner uppskattar att mer än 40 procent av agentbaserade AI-projekt kommer att avbrytas före utgången av 2027 på grund av kostnader och otydligt affärsvärde.

Moln och lokal drift löser olika problem.

En hanterad molntjänst är ofta den bästa lösningen när man vill komma igång snabbt, behöver de senaste funktionerna eller har en varierande belastning. Leverantören hanterar en stor del av infrastrukturen. Beroende på tjänst kan starka säkerhetskontroller byggas in i molnet genom kryptering, nätverkssegmentering och behörighetsstyrning.

En modell som körs i den egna miljön och som släppts med öppna modellvikter kan passa i en stabil driftmiljö och för återkommande uppgifter där volymerna är förutsägbara, eller när man inte vill flytta data till en extern tjänst. Öppna modellvikter innebär att modellen kan laddas ner och köras i den egna miljön. Det betyder däremot inte automatiskt att hela modellen är open source.

Vissa kunduppdrag genomförs i miljöer med hög säkerhetsklassning, där publika molntjänster inte är ett alternativ. I sådana fall är en noggrant utvald och lokalt körd modell den enda hållbara lösningen.

Lokal drift är dock inte per automatik billig eller säker. Hårdvara, kapacitet, uppdateringar, informationssäkerhet och kvalitetsövervakning är fortfarande organisationens eget ansvar. Valet är bara hållbart om även dessa förmågor och kostnader ingår i jämförelsen.

En kombination av moln och lokal drift kan vara motiverad när stora volymer hanteras internt och de mest krävande uppgifterna hanteras av en molnmodell. Men en hybridlösning är inte automatiskt det bästa alternativet. Gränssnitt och parallella arbetssätt ökar den totala komplexiteten som behöver underhållas. Nyttan måste därför kunna visas genom mätning.

Ibland är den bästa lösningen inte en generativ modell över huvud taget. En traditionell maskininlärningsmodell, ett regelbaserat system eller RPA kan lösa en avgränsad uppgift både billigare och mer förutsägbart.

Förtroende för AI måste kunna bevisas

Förtroende för AI är inte en enskild säkerhetsinställning. Det handlar om att kunna visa att en lösning fungerar för den överenskomna uppgiften, hanterar data säkert, håller kostnaderna under kontroll och klarar förändring.

Innan en modell väljs bör en beslutsfattare kräva svar på fyra frågor:

1. Vilket mått används för att godkänna kvaliteten på resultatet, och vid vilken punkt behövs en människa i beslutsfattandet?
2. Vilken data använder lösningen, var lagras den och hur länge sparas den?
3. Vad är den totala kostnaden vid verkliga användningsvolymer, inklusive integrationer, övervakning och underhåll?
4. Vad händer vid ett driftavbrott, eller när leverantören, priset eller modellen förändras – går lösningen att byta utan att hela tjänsten behöver byggas om?

De här frågorna förvandlar teknikdiskussionen till affärskrav och visar om det är hastighet, kontroll över data eller kontinuitet som väger tyngst i den aktuella situationen.

EU:s AI Act bygger på samma resonemang: kraven avgörs av risk och roll. I Digital Omnibus-ändringen som trädde i kraft i juli 2026 sköts kraven för högrisksystem enligt Annex III fram till december 2027, och för system som är inbyggda i produkter enligt Annex I till augusti 2028. Kraven för general-purpose AI-modeller har däremot gällt sedan augusti 2025, och transparenskraven sedan augusti 2026.

En senarelagd tidsplan innebär mer tid – inte ett undantag. Dataflöden, roller och ansvar bör dokumenteras redan från början som en del av urvalsprocessen.

En hållbar lösning måste också gå att byta ut

Mindre modeller och modeller som släppts med öppna modellvikter utvecklas snabbt. I Stanfords AI Index var den minsta modellen som nådde över 60 procent på det breda kunskapstestet MMLU 540 miljarder parametrar år 2022. År 2024 räckte en modell som var 142 gånger mindre för att uppnå samma resultat.

Samtidigt får molntjänster hela tiden nya funktioner och prismodeller förändras. Ett bra val idag får inte bli morgondagens inlåsning.

Utbytbarhet betyder inte att en modell kan bytas med ett knapptryck. En ny modell måste alltid testas mot företagets egen data, kvalitetskriterier och risknivåer. En välbyggd lösning separerar däremot affärslogiken från modellen, bevarar utvärderingsdatasetet och gör omtestning till en kontrollerad process.

Tillförlitlig AI uppstår inte för att man väljer den mest välkända modellen, det största molnet eller lokal drift. Den uppstår genom förmågan att motivera valet, mäta hur väl lösningen fungerar och kunna förändra den.

HiQ:s roll som partner är inte att styra kunden mot en enda plattform, utan att hjälpa till att hitta och validera rätt kombination för det aktuella användningsfallet.

Författare: Jukka Salmenkylä, AI Architect på HiQ, som hjälper kunder att välja och validera AI-lösningar som passar deras verksamhet.