Konsumentframgång som ett bedrägeri | Den stora desillusioneringen: När artificiell intelligens misslyckas på fabriksgolvet

"Illusion of Thinking": Varför ChatGPT-hypen kraschade mot fabriksgolvet

Medan världen fortfarande förundras över ChatGPT:s kreativa förmågor utspelar sig ett helt annat drama i den reala ekonomin. Ny data visar att drömmen om en AI-revolution inom industrin hotar att bli den dyraste besvikelsen i digital historia.

Det finns en baksmälla efter guldrushen. I tre år har generativ artificiell intelligens dominerat rubrikerna, drivit upp aktiekurserna och antytt en era av gränslös produktivitet. Men den som tittar bakom kulisserna på de glittrande teknikdemonstrationerna och ser var det verkliga värdeskapandet sker – i produktionshallar, logistikcenter och industrins balansräkningar – upplever ett oförskämt uppvaknande.

Det som fungerar som en användbar chatbot i privatlivet misslyckas ofta spektakulärt i den komplexa maskineriet inom industriell tillverkning. Siffrorna är alarmerande: Medan teknikjättar pumpar in biljoner i datacenter, är 95 procent av AI-implementeringarna i företag ineffektiva enligt färska studier från MIT och McKinsey. Istället för den utlovade effektivitetsexplosionen upplever vi en kostnadsexplosion utan avkastning på investeringen.

Från "inlärningsklyftan" och bristen på datastrategier till tyska små och medelstora företags kapitulation: Denna artikel avslöjar skoningslöst varför AI-bubblan kan vara på väg att spricka, varför artificiell intelligens ofta bara simulerar en "illusion av tänkande" och varför 2026 kommer att bli ett avgörande år för hela tekniksektorn. En analys av den utbredda desillusioneringen – och frågan om vad som kommer att återstå efter hajpen.

Lämplig för detta:

• "Strukturellt konkursad"? ChatGPTs förlustbringande verksamhet: Den chockerande sanningen om OpenAIs affärsmodell

Varför drömmen om den automatiserade fabriken håller på att bli den dyraste desillusioneringen i digital historia

Efter tre år av ohämmad hype kring ChatGPT och generativ artificiell intelligens håller en vändpunkt på att uppstå. Det som utropades till en produktivitetsrevolution visar sig alltmer som det klassiska mönstret av teknologisk överdrift: imponerande demonstrationseffekter kolliderar med allvarliga affärsrealiteter. Medan miljontals människor världen över använder artificiell intelligens för text, bilder och vardagliga digitala uppgifter har det utlovade genombrottet uteblivit där det verkliga ekonomiska värdeskapandet sker – i produktionshallar, monteringslinjer och komplexa industriella processer.

Siffrorna talar för sig själva. En McKinsey-analys från 2025 avslöjar hela omfattningen av skillnaden: Medan 78 procent av företagen nu använder artificiell intelligens i någon form, kan en lika stor andel inte uppvisa någon mätbar fördel. Massachusetts Institute of Technology går ännu längre i sin omfattande studie och kommer fram till en fördömande slutsats: 95 procent av alla AI-implementeringar för företag visar ingen som helst inverkan på resultaträkningen. Endast fem procent av pilotprojekten tar ens steget från testfasen till faktisk produktionsberedskap. Det som framträder här är inte en tillfällig anpassningssvårighet, utan ett strukturellt misslyckande med djupt rotade orsaker som kommer att få långtgående konsekvenser.

Konsumentframgång som ett bedrägeri

Den utbredda acceptansen av artificiell intelligens i den privata sfären har skapat en farlig illusion. OpenAI rapporterar häpnadsväckande 800 miljoner veckoanvändare av ChatGPT för september 2025, en åttafaldig ökning sedan november 2023. I Tyskland använder 64 procent av befolkningen AI-drivna chattrobotar eller röstassistenter minst en gång i veckan; bland 16- till 29-åringar stiger denna siffra till 89 procent. Dessa imponerande implementeringsgrader förmedlar intrycket av en teknik som framgångsrikt har etablerat sig. Detta intryck är dock fundamentalt missvisande när man beaktar det faktiska värdeskapandet.

Konsumentanvändningen är koncentrerad till applikationer med låg ekonomisk påverkan: att svara på vardagliga frågor, skapa text för personliga ändamål och generera bilder för underhållning. 87 procent av användarna använder uteslutande gratisversioner av tjänsterna. Bara detta faktum illustrerar den begränsade betalningsviljan och därmed det upplevda ekonomiska värdet. Även om OpenAI genererar en imponerande uppskattad årlig intäkt på 12 miljarder dollar, härrör denna framgång främst från det stora antalet användare och företagslicenser, inte från påvisbara produktivitetsvinster i den reala ekonomin.

Det verkliga testet för artificiell intelligens ligger inte i att generera innehåll på sociala medier eller besvara triviala frågor, utan i de komplexa miljöerna inom industriell tillverkning, logistik och produktionskontroll. Här måste systemen hantera fysiska processer, olika produktmixer, förändrade specifikationer och komplexa maskinens ekosystem. Och det är just här som misslyckandena blir uppenbara.

Produktivitetsparadoxen återvänder

Det som just nu framträder är en oroande upprepning av ett fenomen som ekonomer redan känner till från 1980-talet: Solowparadoxen. Nobelpristagaren Robert Solow observerade 1987 att datoråldern är synlig överallt utom i produktivitetsstatistik. Denna paradoxala situation upprepade sig med digitaliseringen på 2000-talet. Enligt OECD-data ökade produktiviteten i Tyskland, trots massiva investeringar i digitalisering, endast med 0,7 procent årligen mellan 2010 och 2018. Mellan 1992 och 2010 hade den till och med fallit med 1,55 procent per år.

Vi bevittnar nu en tredje version av denna produktivitetsparadox, den här gången med artificiell intelligens som den förmodade revolutionen. En McKinsey-analys från 2025 visar att 92 procent av företagen kommer att öka sina AI-investeringar, men endast en procent har en mogen implementering. Faktum är att 67 procent rapporterar att minst ett AI-initiativ har minskat den totala produktiviteten. Dessa siffror avslöjar en förödande skillnad mellan investeringsvolym och realiserad avkastning.

Orsakerna till denna återkommande paradox är mångfacetterade. En grundläggande utmaning ligger i själva naturen hos moderna AI-system. De för närvarande dominerande stora språkmodellerna är baserade på statistisk mönsterigenkänning i träningsdata, inte på systematiskt logiskt resonemang eller genuin förståelse. En Apple-studie från juni 2025 sammanfattade kortfattat problemet: även så kallad förklarbar AI, som steg för steg beskriver sin problemlösningsprocess, genererar bara en illusion av tänkande. Denna grundläggande begränsning gör systemen opålitliga för tillämpningar där precision och konsekvens är avgörande – just de egenskaper som är oumbärliga i industriella tillverkningsprocesser.

Misslyckande i industriell verklighet

Implementeringen av artificiell intelligens i produktionsmiljöer stöter på en rad ihållande hinder som inte kan övervinnas enbart genom tekniska förbättringar. En MIT-studie identifierar det så kallade inlärningsgapet som kärnproblemet: De flesta AI-system kan inte lära sig av operativ feedback, anpassa sig till förändrade sammanhang eller förbättras över tid. Nittio procent av de tillfrågade företagsanvändarna föredrar mänskliga kollegor framför artificiell intelligens för komplexa, långsiktiga projekt eftersom systemen kräver omfattande input varje gång de används och inte bygger ett ihållande sammanhang.

Denna strukturella brist förvärras av ett antal organisatoriska och tekniska faktorer. Tyska ekonomiska institutet (IW) och olika branschundersökningar målar upp en konsekvent bild: 76 procent av små och medelstora företag (SMF) kämpar med otillräcklig datakvalitet och fragmenterade datasilos. 68 procent saknar en välutvecklad AI-strategi. 82 procent rapporterar betydande kompetensbrister inom AI. Tyskland har för närvarande en brist på 244 000 STEM-yrkesverksamma, inklusive 29 500 IT-specialister. Dessa siffror illustrerar att problemet sträcker sig långt bortom tekniska begränsningar.

För att ett tillverkningsföretag ska kunna implementera AI framgångsrikt krävs en hel rad förutsättningar: högkvalitativ, strukturerad och integrerad data från olika källor; teknisk infrastruktur för att samla in, lagra och bearbeta dessa data; specialister med expertis inom både datavetenskap och specifika produktionsprocesser; organisationsstrukturer för förändringshantering och att främja acceptans; samt tydliga styrningsramverk för ansvar och riskhantering. Om ens ett av dessa element saknas är det högst sannolikt att projekten misslyckas.

Verkligheten i tyska tillverkningsföretag är allvarlig. En studie från Koblenz universitet visar att medan två tredjedelar av de 120 undersökta företagen redan rapporterar att de använder AI, har 80 procent av dem bara gjort det i ungefär två år. En närmare titt på faktiska tillverkningsmetoder visar att AI-baserade processer fortfarande är en avlägsen möjlighet för de flesta tillverkningsföretag. Det största hindret är konsolideringen och tillgängligheten av data, tätt följt av bristen på kvalificerad arbetskraft, vilket ytterligare binder upp redan begränsade IT-resurser.

Kostnadsexplosion utan avkastning på investeringen

Parallellt med bristen på operativa fördelar eskalerar investeringskostnaderna till svindlande proportioner. De globala utgifterna för AI-datacenter uppskattas till 600 miljarder dollar år 2025 och förväntas stiga till mellan 3 och 4 biljoner dollar år 2030. Detta motsvarar en årlig tillväxttakt på 46 procent. McKinsey förutspår till och med ett behov på 7 biljoner dollar år 2030 enbart för datacenterinfrastruktur. OpenAI planerar, genom sitt Stargate-initiativ med Oracle och Softbank, datacenter till ett värde av 500 miljarder dollar. Metas VD Mark Zuckerberg förutspår kostnader på 600 miljarder dollar år 2028.

Dessa enorma summor måste så småningom löna sig. Sequoia Capital har beräknat att AI-industrin skulle behöva generera 600 miljarder dollar i årliga intäkter för att rättfärdiga nuvarande investeringar, ett hinder som verkar nästan omöjligt att övervinna på kort sikt. Goldman Sachs har utfärdat skarpa varningar om att 1 biljon dollar i AI-investeringar kanske inte ger den förväntade avkastningen. Analytikern Jim Covello uttryckte det rakt ut: Att överdriva saker som världen inte har någon användning för, eller inte är redo för, slutar vanligtvis illa.

Energikomponenten är särskilt problematisk. Kapacitetspriserna i den viktiga PJM-regionen i USA har stigit till 329 dollar per megawattdag för leveransåret 2026/2027, en nästan niofaldig ökning jämfört med 2025/2026. Denna kritiska press för effektivitet tvingar hyperskalare att omedelbart anta energieffektiva arkitekturer. Men även med förbättrade arkitekturer hotar en explosion i mitten av 2026, då det kapitalutgiftsdrivna utbudet växer snabbare än den monetariserade användningen. I detta scenario kan kostnaden per token närma sig noll, vilket leder till en snabb devalvering av nybyggd inferenskapacitet.

Situationen påminner om dotcom-bubblan i början av 2000-talet, då massiva investeringar i fiberoptiska kablar ledde till överkapacitet som aldrig utnyttjades fullt ut. Många av de nybyggda AI-datacentren kan drabbas av ett liknande öde om efterfrågan inte utvecklas i den beräknade takten. Gartner Hype Cycle, ett väletablerat prognosverktyg för teknikcykler, antyder att artificiell intelligens kan gå in i sin tredje fas, desillusioneringens botten, år 2026. I denna fas blir begränsningar och höga kostnader tydligt uppenbara, medan skalningsproblem och brist på hållbara affärsmodeller leder till att många projekt misslyckas och att leverantörer försvinner.

Den tyska medelklassen kapitulerar

Medan teknikjättar fortsätter att pumpa miljarder i artificiell intelligens, framträder en anmärkningsvärd trend i Tysklands små och medelstora företag (SMF): en strategisk reträtt. En undersökning av 200 SMF som publicerades i januari 2026 av managementkonsultföretaget Horvath visar att dessa företag bara kommer att spendera 0,35 procent av sina intäkter på AI-teknik år 2025, jämfört med 0,41 procent år 2024. Det innebär att SMF investerar cirka 30 procent mindre än den totala marknaden, en skillnad som ökar.

Orsakerna till denna utveckling är avslöjande. Geopolitiska spänningar har skapat oro för många medelstora företag och skiftat deras fokus till kostnadsoptimering. Ännu viktigare är dock att tidiga AI-tillämpningar kanske inte har levererat de hoppades effektivitetsvinsterna. Heiko Fink, studiechef och medlem i Horvaths styrelse, varnar bestämt: Om AI-transformationen inte accelereras kraftigt nu kommer teknikgapet att utvecklas till en existentiell strategisk risk.

De utmaningar som små och medelstora företag (SMF) står inför är mångfacetterade och djupt rotade. Byråkratiska hinder och långsamma framsteg inom digitaliseringen försämrar avsevärt deras förmåga att implementera AI. Oro kring dataskydd och digital suveränitet hindrar ytterligare implementeringen. En omfattande AI-studie av SMF från 2025 målar upp en dramatisk bild: Även om 86 procent inser relevansen av AI, har endast 23 procent framgångsrikt implementerat konkreta AI-projekt. Endast 32 procent har en välutvecklad AI-strategi, och bara 19 procent har etablerat en dedikerad AI-chef eller ett dedikerat AI-team.

Dataproblem visar sig vara en stor akilleshäl. 76 procent av små och medelstora företag (SMF) kämpar med otillräcklig datakvalitet och datasilos mellan system. 83 procent saknar en heltäckande datastrategi. 69 procent vet inte ens vilka data de behöver för AI-applikationer. 58 procent saknar strukturer för datastyrning. Dessa siffror illustrerar att problemet börjar långt före den faktiska AI-implementeringen: Det saknas grundläggande digital infrastruktur.

Till detta kommer bristen på styrning. Även om 91 procent anser att AI-säkerhet och efterlevnad är avgörande, saknar 76 procent ett ramverk för AI-styrning. Denna skillnad utgör en betydande juridisk och anseendemässig risk, särskilt med tanke på EU:s AI-lag, som trädde i kraft i augusti 2024. Även om förordningen skapar ett nödvändigt ramverk för ansvarsfull AI-användning, uppfattar många företag den som överreglering som försätter dem i en konkurrensnackdel jämfört med USA och Kina. Medan europeiska företag kämpar sig igenom djungeln av nya regleringar, fortsätter teknikjättar i Nordamerika och Asien att ha relativt fria tyglar.

En ny dimension av digital transformation med 'Managed AI' (Artificial Intelligence) – Plattform & B2B-lösning | Xpert Consulting - Bild: Xpert.Digital

Här får du lära dig hur ditt företag kan implementera skräddarsydda AI-lösningar snabbt, säkert och utan höga inträdesbarriärer.

En Managed AI-plattform är ditt heltäckande och bekymmersfria paket för artificiell intelligens. Istället för att behöva hantera komplex teknik, dyr infrastruktur och långa utvecklingsprocesser får du en nyckelfärdig lösning skräddarsydd efter dina behov från en specialiserad partner – ofta inom några dagar.

De viktigaste fördelarna i korthet:

⚡ Snabb implementering: Från idé till operativ tillämpning på dagar, inte månader. Vi levererar praktiska lösningar som skapar omedelbart värde.

🔒 Maximal datasäkerhet: Dina känsliga uppgifter stannar hos dig. Vi garanterar säker och korrekt behandling utan att dela data med tredje part.

💸 Ingen ekonomisk risk: Du betalar bara för resultat. Höga initiala investeringar i hårdvara, mjukvara eller personal elimineras helt.

🎯 Fokusera på din kärnverksamhet: Koncentrera dig på det du gör bäst. Vi hanterar hela den tekniska implementeringen, driften och underhållet av din AI-lösning.

📈 Framtidssäkert och skalbart: Din AI växer med dig. Vi säkerställer kontinuerlig optimering och skalbarhet och anpassar modellerna flexibelt till nya krav.

Mer om detta här:

• Den hanterade AI-lösningen - Industriella AI-tjänster: Nyckeln till konkurrenskraft inom tjänste-, industri- och maskintekniksektorerna

Där artificiell intelligens faktiskt skapar mervärde

Trots den i stort sett allvarliga helhetsbilden finns det områden och användningsfall där artificiell intelligens påvisbart genererar mervärde. Dessa framgångshistorier är dock mycket specifika och följer igenkännbara mönster som skiljer sig avsevärt från de misslyckade massprojekten.

En IBM-studie från oktober 2025 visar att 62 procent av företagen i Tyskland redan uppnår betydande produktivitetsvinster genom AI. Nästan hälften förväntar sig att se en mätbar avkastning på investeringen inom tolv månader, främst genom förbättrad medarbetarnöjdhet, tidsbesparingar och ökade intäkter. En SAP-studie kommer fram till liknande slutsatser: Den genomsnittliga avkastningen på investeringar i AI är 16 procent under det första året och förväntas nästan fördubblas till 31 procent inom två år. 64 procent av de svarande uppgav att de var nöjda med sin nuvarande avkastning på investeringen, högre än med någon annan teknikinvestering.

Dessa positiva siffror dämpas dock avsevärt när man tittar närmare på var och hur värdet skapas. MIT-studien identifierar ett avgörande mönster: Framgångsrika AI-implementeringar fokuserar på backoffice-automation, inte på de storslagna löftena om revolutionerade produktionsprocesser. Dokumentautomation, upphandlingsprocesser och riskbedömningar visar högst avkastning. Framgångsrika implementeringar sparar mellan två och tio miljoner dollar årligen genom att minska outsourcing av affärsprocesser. Byråkostnaderna minskar med 30 procent när AI-verktyg tar över kreativa och analytiska uppgifter.

Lämplig för detta:

• Från experiment till skalning och industrialisering: Enterprise AI 2026 som en vändpunkt mot strukturerad affärsverksamhet

Ett grundläggande problem avslöjas i fördelningen av investeringar

Mer än hälften av generativa AI-budgetar spenderas på marknadsföring och försäljning, trots att automatisering av backoffice ofta genererar högre avkastning. Denna felfördelning är symptomatisk för teknikimplementering som drivs av hype snarare än rationell kostnads-nyttoanalys.

Inom själva industriell produktionen är framgångarna sporadiska och begränsade till specifika tillämpningar. Prediktivt underhåll, som använder maskindata för att upptäcka slitage eller fel tidigt, visar påvisbar framgång. Biltillverkare som Volkswagen använder AI i sina fabriker för att analysera sensordata, vilket minimerar oplanerad driftstopp. Ford använder AI för att automatisera tillverkningsprocesser som svetsning och montering. General Motors minskade driftstoppen med 20 procent genom prediktivt underhåll.

Kvalitetskontroll med hjälp av datorseende är ett annat område med dokumenterad framgång. AI-stödda system analyserar kamerabilder i realtid och upptäcker även mikroskopiska defekter, vilket avsevärt ökar tillförlitligheten. Analyser visar att en fullt implementerad AI-infrastruktur kan ge en avkastning på investeringen på 200 till 300 procent genom felreducering och snabbare inspektionscykler. Optimering av leveranskedjan och lager uppnår en avkastning på investeringen på 150 till 250 procent genom att förhindra lagerbrist och förbättra leveranskedjans hantering.

Avgörande är att dessa framgångar inte härrör från en enkel plug-and-play-implementering av standard AI-lösningar, utan snarare från djupgående, anpassad integration i specifika processer, åtföljd av betydande förändringshantering och kontinuerlig anpassning. MIT-data visar att externa partnerskap når produktionsberedskap ungefär dubbelt så ofta som interna utvecklingar, 67 procent jämfört med 33 procent. Framgångsrika köpare behandlar AI-leverantörer inte som programvaruleverantörer, utan som affärspartners, och mäter framgång utifrån affärsresultat snarare än tekniska riktmärken.

Skugg-AI-ekonomin som en indikator

Ett fascinerande fenomen framträder vid en närmare analys av användningsmönster: I 90 procent av de undersökta företagen använder anställda privata AI-verktyg för sitt arbete, trots att endast 40 procent av företagen har förvärvat officiella AI-licenser. Denna så kallade skugg-AI-ekonomi visar på en grundläggande motsägelse: Individer kan framgångsrikt använda AI om verktygen är flexibla och användarvänliga. Institutionell implementering, å andra sidan, misslyckas på grund av komplexitet, bristande integration och organisatoriska hinder.

Denna parallella värld av inofficiell AI-användning har flera implikationer. För det första visar den att tekniken i sig kan vara fördelaktig om den är lättillgänglig. För det andra avslöjar den ett massivt styrningsproblem: 81 procent av företagen har inga riktlinjer för användning av AI-verktyg. 64 procent har oro för dataskydd. 73 procent kan inte mäta produktivitetsvinster. 58 procent rapporterar kvalitetsproblem med AI-resultat. Utan ett holistiskt AI-arbetsplatskoncept är skugg-IT och ineffektiva verktygslandskap en verklig risk.

Skillnaden mellan individuell konsumentanvändning och misslyckad företagsimplementering är symptomatisk för kärnproblemet med artificiell intelligens i dess nuvarande form. Systemen är optimerade för enkla, individuella användningsfall med låg risk och komplexitet. De misslyckas dock systematiskt när de behöver bäddas in i komplexa organisatoriska sammanhang med höga krav på kvalitet och tillförlitlighet. Det så kallade inlärningsgapet – systemens oförmåga att lära av feedback och anpassa sig till sammanhang – gör dem olämpliga för de långsiktiga, komplexa projekt som dominerar industriföretag.

Branschspecifika avvikelser

MIT-analysen avslöjar ett annat avgörande mönster: Endast två av de nio studerade branscherna – teknologi och media – visar genuina strukturella förändringar genom artificiell intelligens. I sju andra branscher, inklusive tillverkning, förblir omvandlingen svårfångad trots betydande pilotaktiviteter. Denna branschspecifika skillnad är inte en slump utan återspeglar grundläggande skillnader i komplexitet och krav.

Teknik- och medieföretag verkar i digitala miljöer med strukturerad data, hög processstandardisering och korta iterationscykler. Deras affärsmodeller är baserade på programvara och digitala tjänster, inte på fysiska produkter med komplexa leveranskedjor och tillverkningsprocesser. De har stora grupper av dataforskare och AI-experter. Deras organisationskultur är inriktad på snabb teknikimplementering. Alla dessa faktorer gynnar en framgångsrik AI-implementering.

Tillverknings- och industriföretag står inför helt olika utmaningar. Produktionsmiljöer definieras av nyanser: varierande produktmixer, föränderliga specifikationer, fluktuerande efterfrågan och komplexa maskinekosystem. När AI-modeller förbiser dessa realiteter, sprids falsklarm och medarbetarnas förtroende urholkas. Manufacturing Leadership Council uppskattar att de flesta verkliga tillverkningsdata förblir outnyttjade. När sammanhang missas är AI benägen att orsaka kostsamma fel, såsom att klassificera processbrus som defekter eller att förbise genuina signaler för förbättring.

Till detta kommer problemet med fragmenterade IT- och OT-landskap. Årtionden gamla arkitekturer isolerar ofta operativa tekniksystem, som genererar maskindata, från IT-system, som ansvarar för process- och affärsdata. Denna fragmentering döljer viktiga signaler och innebär att AI-modeller arbetar med en partiell, föråldrad eller inkonsekvent bild av verkligheten på verkstadsgolvet. Att övervinna dessa strukturella hinder kräver massiva infrastrukturinvesteringar som bara lönar sig på lång sikt.

Deloittes Smart Manufacturing Survey 2025 visade att 92 procent av tillverkarna tror att smart tillverkning kommer att driva framtida konkurrenskraft, men 84 procent kan inte automatiskt reagera på dataintelligens. En S&P Global-undersökning rapporterar att 42 procent av organisationerna övergav de flesta AI-initiativ år 2025, jämfört med bara 17 procent år 2024. En RAND-rapport från 2024 drar slutsatsen att över 80 procent av industriella AI-projekt misslyckas, en siffra som tillskrivs processkomplexitet, dålig datakvalitet och brist på verklighetskontext.

Omfattningen av brutna löften

För att fullt ut förstå omfattningen av denna desillusionering är det värt att se tillbaka på de löften som gavs 2023 och 2024. I januari 2025 tillkännagav OpenAI:s VD Sam Altman triumferande på sin blogg att de nu visste hur man konstruerar artificiell generell intelligens. Han hävdade att AI-agenter skulle ha en märkbar inverkan på företagets resultat senare samma år. Sedan, i november 2025, ansåg Altman det vara en betydande prestation att ChatGPT äntligen kunde hantera streck korrekt. Denna skillnad mellan ambition och verklighet illustrerar hur långt ifrån varandra förväntningar och faktiska förmågor var.

Institutet för ekonomisk forskning, som beställts av Google, förutspådde att användningen av generativ AI skulle kunna öka bruttoförädlingsvärdet inom den tyska tillverkningssektorn med upp till 7,8 procent, motsvarande 56 miljarder euro. Verkligheten är dock en helt annan. Arbetsproduktiviteten inom maskinteknik och andra delar av tillverkningssektorn har i stort sett varit oförändrad sedan 2018 och ökat med endast 0,4 procent årligen. Hittills finns det inga tecken på någon AI-utdelning.

McKinsey förutspådde att AI skulle öka produktiviteten med enorm potential för den globala ekonomin. Goldman Sachs varnade å andra sidan för att tekniken, trots sina höga kostnader, var långt ifrån användbar. Överdrifter med saker som världen inte har någon användning för eller inte är redo för slutar vanligtvis illa. Riskkapitalbolaget Sequoia och hedgefonden Elliott ser redan teknikföretag i bubbelterritorium.

Kritiska röster inom forskarsamhället blir allt högre. Kognitionsvetaren Gary Marcus varnar för att medan fler och fler företag experimenterar med tekniken, ser de inga väsentliga förbättringar. En Forrester-studie förutspår att ungefär en fjärdedel av de planerade AI-investeringarna kommer att skjutas upp till 2026. Boston Consulting Group målar upp en bild av stagnation köpt till ett högt pris: endast en försvinnande liten andel företag har hittills kunnat omsätta sina enorma investeringar i verkligt mervärde.

De strukturella orsakerna till misslyckande

Analysen av misslyckade AI-projekt avslöjar ett konsekvent mönster av strukturella orsaker som inte kan åtgärdas genom iterativa algoritmförbättringar. Det främsta hindret är bristande styrning. De flesta företag behandlar artificiell intelligens som bara ett IT-projekt, snarare än som ett ekosystem som kräver kontinuerligt underhåll. Tydliga ansvarsområden, ramverk för riskhantering och mekanismer för kontinuerlig kvalitetssäkring saknas.

Problemet med datamognad representerar det andra grundläggande hindret. En analys av teknikföretag baserad på över 20 000 timmars forskning i fler än 50 företag visar att endast 14 procent har de nödvändiga grunderna för framgångsrik implementering av AI. Majoriteten kämpar med fragmenterad data, inkonsekventa system och bristande datastyrning. Utan högkvalitativ, strukturerad och tillgänglig data förblir även de mest avancerade algoritmerna ineffektiva.

Kompetensgapet förvärrar problemet ytterligare. Tyskland saknar för närvarande 244 000 STEM-experter, inklusive 29 500 IT-specialister. För datavetenskapsexperter, inklusive dataforskare och AI-specialister, förväntas kompetensgapet uppgå till 18 655 år 2027. Den största relativa ökningen förväntas bland chefer inom IT-nätverksteknik och IT-administration. Företag står inför dilemmat att de behöver expertis för framgångsrik AI-implementering som knappt finns tillgänglig på marknaden.

Bristen i förändringshanteringen utgör den fjärde pelaren för misslyckande. Teknisk implementering är bara halva ekvationen. Utan omfattande förändringshantering faller acceptansen vid sidan av. En finansiell tjänsteleverantör implementerade ett sofistikerat system för bedrägeridetektering, men det hade liten effekt på grund av bristande integration i godkännandeprocessen, eftersom anställda regelbundet kringgick systemet. Operatörer och ingenjörer är ofta skeptiska när AI-rekommendationer inte överensstämmer med verkligheten på fabriksgolvet eller kommer från svarta lådor som inte ger någon transparent motivering.

Felallokering av resurser förvärrar dessa strukturella problem. Mer än hälften av generativa AI-budgetar går till försäljning och marknadsföring, trots att backoffice-automation ofta genererar högre avkastning. Företag jagar snabba projekt utan att ha etablerat den grundläggande digitala infrastrukturen. De bygger på perfekt demodata som omedelbart kollapsar under verkliga förhållanden. De underskattar systematiskt den ansträngning som krävs för integration, underhåll och kontinuerlig anpassning.

De kommande tjugofyra månaderna som ett vägskäl

De kommande två åren kommer att vara avgörande för den fortsatta utvecklingen av artificiell intelligens inom produktion och industri. Flera trender tyder på att 2026 och 2027 kommer att bli en avgörande period där vinnare och förlorare tydligt kommer att urskilja sig.

Gartners hypecykel antyder att artificiell intelligens kommer att gå in i en besvikelsebotten år 2026. Under denna fas blir begränsningar och höga kostnader tydligt uppenbara. Skalningsproblem och brist på hållbara affärsmodeller leder till att många projekt misslyckas och leverantörer försvinner. Denna fas är dock inte en katastrof, utan snarare en nödvändig marknadskorrigering. Teknologier som går igenom hypecykeln når produktivitetsplatån efter besvikelsens botten, där verkligt värdeskapande sker.

Investeringsdynamiken pekar på en potentiell explosion i mitten av 2026. Om utbudet, drivet av kapitalutgifter, växer snabbare än den monetariserade användningen, kan kostnaden per token närma sig noll. Detta skulle leda till en snabb devalvering av nybyggd inferenskapacitet och tvinga fram massiva nedskrivningar. Företag som insåg för sent att deras AI-investeringar inte genererade avkastning kommer att behöva göra smärtsamma justeringar.

Samtidigt framträder en ny generation av AI-system, så kallad agentisk AI. Dessa system har permanent minne och iterativ inlärning, vilket direkt adresserar det inlärningsgap som företag identifierar som ett stort hinder. Tidiga experiment med kundtjänstmedarbetare som autonomt hanterar kompletta förfrågningar, eller finansiella processagenter som övervakar rutintransaktioner, visar lovande potential. Företag som nu investerar i adaptiva, djupt integrerade AI-system skapar konkurrensfördelar som kommer att vara svåra att komma ikapp senare.

Regelverken kommer också att spela en avgörande roll. EU:s AI-lag fastställer en bindande rättslig ram med övergångsperioder på sex till 36 månader och potentiellt betydande böter för bristande efterlevnad. Även om detta skapar efterlevnadsskyldigheter och dokumentationsbördor, kan AI Made in Europe också ses som en kvalitetsstämpel. Företag som tidigt implementerar efterlevnadskrav kan positionera sig som pionjärer inom området för pålitlig AI. Frågan är om europeisk reglering kommer att skapa det önskade försprånget vad gäller förtroende eller om den främst kommer att fungera som en konkurrensnackdel jämfört med USA och Kina.

Vad följer efter desillusionering?

Den nuvarande desillusioneringen kring artificiell intelligens inom produktion och industri är inte en tillfällig anpassningssvårighet, utan det oundvikliga resultatet av uppblåsta förväntningar på att möta strukturellt ofullständig teknologi. De system som idag kallas AI är mycket sofistikerade verktyg för specifika användningsfall, inte universella problemlösare. De kan känna igen mönster i data, men kan inte tänka systematiskt och logiskt. De kan automatisera enkla uppgifter, men kan inte självständigt optimera komplexa produktionsprocesser. De kan stödja mänsklig expertis, men inte ersätta den.

Denna insikt innebär inte slutet för AI-innovation, utan snarare början på en mer realistisk fas. De företag som kommer att lyckas under de kommande åren är de som inte ser artificiell intelligens som en magisk kula, utan som ett verktyg som kräver noggrann integration, kontinuerligt underhåll och realistiska förväntningar. De kommer inte att investera i månprojekt, utan i de grundläggande digitala grunderna: datakvalitet, systemintegration, kompetensutveckling och organisatorisk förändringsledning.

Värdeskapandet under de kommande åren kommer främst att uppstå i snävt definierade användningsfall där styrkorna hos artificiell intelligens, mönsterigenkänning i stora datamängder, automatisering av repetitiva uppgifter och snabb bearbetning av strukturerad information kommer in i bilden. Prediktivt underhåll kommer att fortsätta att få större betydelse. Kvalitetskontroll baserad på datorseende kommer att etableras. Backoffice-automation kommer att ge betydande kostnadsbesparingar. Visionen om autonoma, självoptimerande fabriker kommer dock att förbli science fiction under överskådlig framtid.

Tyska små och medelstora företag står inför en strategisk vändpunkt. Den nuvarande oviljan att investera i AI är förståelig med tanke på de nedslående resultaten från tidigare projekt. Total avhållsamhet är dock inte lösningen. Företag som nu skapar de grundläggande förutsättningarna – datainfrastruktur, digitala processer och kompetensutveckling – kommer att kunna dra nytta av nästa generations AI-system när de väl är mogna. De som fortsätter att avvakta riskerar att hamna helt på efterkälken.

Desillusioneringen kring artificiell intelligens inom produktion och industri är i slutändan en nödvändig korrigering av uppblåsta förväntningar. Den tvingar oss att konfrontera obekväma realiteter: att teknik ensam inte åstadkommer förändring, att organisatoriska och mänskliga faktorer är minst lika viktiga som algoritmer, och att hållbart värdeskapande kräver tid och systematiskt arbete. Artificiell intelligens har bevisat sitt mervärde för text och bilder. För den ekonomiska komponenten inom produktion och industri är detta bevis fortfarande under uppsägning, och det återstår att se om och när det kan tillhandahållas.

☑ Vårt affärsspråk är engelska eller tyska

☑ Nytt: korrespondens på ditt nationella språk!

Konrad Wolfenstein

Jag är glad att vara tillgänglig för dig och mitt team som personlig konsult.

Du kan kontakta mig genom att fylla i kontaktformuläret eller helt enkelt ringa mig på +49 89 674 804 (München) . Min e -postadress är: Wolfenstein ∂ xpert.digital

Jag ser fram emot vårt gemensamma projekt.

☑ SME -stöd i strategi, rådgivning, planering och implementering

☑ skapande eller omjustering av den digitala strategin och digitaliseringen

☑ Expansion och optimering av de internationella försäljningsprocesserna

☑ Globala och digitala B2B -handelsplattformar

☑ Pioneer Business Development / Marketing / PR / Measure

Dra nytta av Xpert.Digitals omfattande, femfaldiga expertis i ett heltäckande tjänstepaket | FoU, XR, PR och optimering av digital synlighet - Bild: Xpert.Digital

Xpert.Digital har djup kunskap i olika branscher. Detta gör att vi kan utveckla skräddarsydda strategier som är anpassade efter kraven och utmaningarna för ditt specifika marknadssegment. Genom att kontinuerligt analysera marknadstrender och bedriva branschutveckling kan vi agera med framsyn och erbjuda innovativa lösningar. Med kombinationen av erfarenhet och kunskap genererar vi mervärde och ger våra kunder en avgörande konkurrensfördel.

Mer om detta här:

• Använd 5 -Fold -kompetensen hos Xpert.digital i ett paket - från 500 €/månad