Arbetsförsening i produktivitet: AI-projekt ger inte mätbar avkastning till 95 % av företagen och hur de (måste) undvika det

Viktigt att veta! Paradoxen med artificiell intelligens: Varför miljarder dollar investerade i företag går i vasken

Trots exempellösa investeringar på 30 till 40 miljarder dollar i generativ artificiell intelligens misslyckas 95 procent av företagen med att uppnå en mätbar avkastning på sina investeringar. Denna allvarliga statistik, som avslöjades av en omfattande MIT-studie från 2025, avslöjar en dramatisk skillnad mellan förväntningar och verklighet. Medan tekniken skapar rubriker dagligen och hyllas som nyckeln till framtida lönsamhet, misslyckas den överväldigande majoriteten av företag med att generera verkligt värde från sina AI-initiativ.

GenAI-klyftan: En osynlig klyfta genom ekonomin

Massachusetts Institute of Technology myntade termen "GenAI-klyftan" för detta fenomen – en djup klyfta mellan de få företag som drar nytta av artificiell intelligens och massorna som fastnat i oändliga pilotfaser. Denna klyfta manifesterar sig inte som ett tekniskt problem, utan som ett organisatoriskt misslyckande med långtgående konsekvenser.

Siffrorna talar för sig själva: Endast 5 procent av integrerade AI-pilotprojekt genererar för närvarande mätbart värde, medan de återstående 95 procenten inte visar någon effekt på slutresultatet. Denna skillnad är desto mer slående med tanke på den höga implementeringsgraden av konsumentverktyg som ChatGPT och Microsoft Copilot. Omkring 80 procent av organisationerna testar dessa plattformar, och nästan 40 procent har redan implementerat dem.

Forskningsresultaten baseras på en systematisk analys av över 300 offentliga AI-implementeringar och strukturerade intervjuer med 153 chefer från olika branscher. Studien, som genomfördes mellan januari och juni 2025, avslöjar fyra karakteristiska mönster i GenAI-klyftan: begränsad störning i endast två av åtta stora sektorer, en företagsparadox med hög pilotaktivitet men låg skalning, en investeringsbias till förmån för synliga funktioner och en implementeringsfördel för externa partnerskap jämfört med interna utvecklingar.

Workslop: Det dolda giftet med AI-produktivitet

Ett särskilt skadligt fenomen som identifierats i forskningen kallas "workslop" – en portmante av "work" och "slop" – vilket beskriver AI-genererat arbetsinnehåll som ser professionellt ut på ytan, men vid närmare granskning är ofullständigt och oanvändbart. Detta till synes polerade men substanslösa verk flyttar bördan från skaparen till mottagaren, vilket ökar den totala arbetsbördan snarare än minskar den.

Workslop har en betydande inverkan: 40 procent av de mer än 1 150 heltidsanställda i USA som deltog i undersökningen uppgav att de mottagit sådant innehåll den senaste månaden. Anställda uppskattar att i genomsnitt 15,4 procent av de arbetsdokument de tar emot faller inom denna kategori. Professionella tjänster och teknikbranscher är särskilt drabbade, där fenomenet förekommer oproportionerligt ofta.

De ekonomiska kostnaderna är betydande: Varje Workslop-incident kostar företag i genomsnitt 186 dollar per månad och anställd. För en organisation med 10 000 anställda uppgår detta till över 9 miljoner dollar årligen i förlorad produktivitet. Men de sociala och emotionella kostnaderna är potentiellt ännu mer betydande. 53 procent av mottagarna rapporterar irritation, 38 procent känner sig förvirrade och 22 procent tycker att innehållet är stötande.

Förtroendet mellan kollegor lider avsevärt: Ungefär hälften av mottagarna ser kollegor som skickar Workslop-meddelanden som mindre kreativa, kapabla och pålitliga. 42 procent ser dem som mindre pålitliga och 37 procent som mindre intelligenta. En tredjedel av de drabbade skulle föredra att arbeta mindre med sådana kollegor i framtiden. Denna urholkning av arbetsrelationer hotar kritiska delar av samarbetet som är avgörande för framgångsrikt AI-implementering och förändringsledning.

Det strukturella lärandegapet: Varför företag misslyckas

Det centrala problemet ligger inte i själva tekniken, utan i en grundläggande inlärningsgap som påverkar både AI-system och organisationer. Nuvarande generativa AI-system kan inte permanent lagra feedback, anpassa sig till organisatoriska sammanhang eller kontinuerligt förbättra sin prestanda. Dessa begränsningar leder till att även yrkesverksamma som använder ChatGPT dagligen, privat, förkastar sina företags interna AI-implementeringar.

Ett särskilt slående exempel gavs av en advokat som rapporterade att hennes företags verktyg för kontraktsanalys på 50 000 dollar konsekvent presterade sämre än hennes ChatGPT-prenumeration på 20 dollar. Denna skillnad belyser paradoxen att konsumentverktyg ofta ger bättre resultat än dyra företagslösningar, trots att båda är baserade på liknande modeller.

Den underskattade svagheten hos företags-AI – och hur konsumentverktyg tar över den

Den slående överlägsenheten hos billiga konsument-AI-verktyg som ChatGPT jämfört med dyra företagslösningar kan spåras tillbaka till flera specifika orsaker. Huvudproblemet är att företags-AI-system, trots att de är mycket specialiserade och dyra, ofta utvecklas utan att beakta användarnas kritiska behov och modellernas dynamiska utveckling. Konsumentverktyg är ofta mer flexibla, intuitiva och bättre optimerade genom miljontals användarinteraktioner. Företagssystem, å andra sidan, begränsas av komplexa integrationer, datasilos och stela arbetsflöden, och lagrar ofta inte feedback permanent.

Ett centralt problem är bristen på anpassningsförmåga: Företagslösningar implementeras en gång och utvecklas sedan långsamt, medan AI-verktyg för konsumenter kontinuerligt tränas baserat på användarfeedback och aktuell kunskap. Med ChatGPT kan användare ställa frågor direkt i dialogen, variera inmatningar och omedelbart få ett optimerat resultat. Många företagslösningar, å andra sidan, är starkt formulärbaserade och använder fördefinierade, ofta föråldrade textmoduler – vilket gör dem mycket oflexibla och oresponsiva.

Till detta kommer den höga integrations- och administrationsansträngningen: Dyra lösningar måste anpassas till företagets processer, dataskyddspolicyer och gränssnitt, och på grund av alltför systematiska begränsningar kan de inte längre hålla jämna steg med innovationshastigheten i konsumenterbjudanden. Speciellt för specifika uppgifter som kontraktsanalys är generiska modeller ofta ännu kraftfullare, eftersom de täcker bredare kunskap och kan styras direkt av användare genom bättre prompthantering. Anpassade företags-AI:er saknar ofta en meningsfull databas och kan inte självständigt expandera och lära sig kontext.

I slutändan leder alla dessa aspekter till en paradoxal situation: Även om stora summor pengar spenderas på till synes skräddarsydd företags-AI, är dess resultat ofta mindre relevanta, mer praktiska eller mer exakta än resultaten från billigare, flexibla konsumentlösningar som kan anpassas direkt och sömlöst till användarnas specifika behov.

De osynliga gränserna för vanliga AI-verktyg

Konsumentbaserade AI-verktyg är generellt optimerade för breda, vanliga ämnen och allmänna uppgifter. Den träningsdata de baseras på kommer vanligtvis från offentligt tillgängliga källor som internet, offentliga texter och vanliga vardagsexempel. Detta gör dem särskilt effektiva för vanliga frågor, allmänna texter eller standardprocesser – till exempel att skapa marknadsföringstexter, svara på e-postmeddelanden eller automatisera enkla rutinprocesser.

Men ju mer specialiserade kraven är, desto svårare når den allmänna konsumentbaserade AI:n sina gränser. När det gäller branschspecifika eller affärskritiska uppgifter saknar dessa verktyg vanligtvis nödvändig detaljerad information, ämnesspecifik data eller specifik utbildning. Uppgifter som kontraktsanalyser som involverar komplex juridisk terminologi, tekniska rapporter eller mycket anpassade B2B-processer kan ofta inte automatiseras effektivt eftersom AI:n saknar kunskap om det relevanta sammanhanget eller inte kan tolka det på ett tillförlitligt sätt.

Detta är tydligast inom högspecialiserade branscher och med individuella, företagsspecifika krav. Ju mindre information som är fritt tillgänglig – till exempel om ett företags kärnprodukt eller konfidentiella interna processer – desto högre är felfrekvensen i konsument-AI. Som ett resultat riskerar sådana system att ge felaktiga eller ofullständiga rekommendationer och kan i värsta fall till och med hindra affärskritiska processer eller leda till felbedömningar.

I praktiken innebär detta att AI-verktyg för konsumenter vanligtvis är tillräckliga för vanliga uppgifter; men med ökande specialisering ökar felfrekvensen för dessa verktyg avsevärt. Företag som förlitar sig på branschspecifik kunskap, exakt processvalidering eller anpassning på hög nivå drar därför långsiktigt nytta av sina egna företagslösningar med specialiserade databaser och skräddarsydd utbildning.

Det verkliga hindret för AI-skalning är inte intelligens: När höga förväntningar på flexibilitet saktar ner

Barriärerna för framgångsrik AI-skalning är många: Först och främst är oviljan att anamma nya verktyg, följt av oro för modellkvaliteten. Det som är särskilt intressant är att dessa kvalitetsproblem inte beror på objektiva prestandabrister, utan snarare på det faktum att användare är vana vid flexibiliteten och responsen hos konsumentverktyg och därför finner statiska företagsverktyg otillräckliga.

Skillnaden är ännu mer uttalad för verksamhetskritiskt arbete: Medan 70 procent av användarna föredrar AI för enkla uppgifter som att skriva e-postmeddelanden eller grundläggande analyser, föredrar 90 procent mänskliga anställda för komplexa projekt eller kundservice. Skiljelinjen är inte baserad på intelligens, utan snarare på förmågan att komma ihåg, anpassa sig och kontinuerligt lära sig.

Skugg-AI-ekonomin: Hemlig AI-revolution på arbetsplatsen

Parallellt med de besvikande officiella AI-initiativen blomstrar en "skugg-AI-ekonomi", där anställda använder personliga AI-verktyg för arbetsuppgifter, ofta utan IT-avdelningens vetskap eller godkännande. Omfattningen är anmärkningsvärd: Medan endast 40 procent av företagen rapporterar att de har köpt en officiell AI-prenumeration, rapporterar anställda på över 90 procent av de undersökta företagen att de regelbundet använder personliga AI-verktyg för arbetsändamål.

Denna parallella ekonomi avslöjar en viktig punkt: Individer kan framgångsrikt överbrygga klyftan mellan GenAI om de har tillgång till flexibla och responsiva verktyg. De organisationer som känner igen och bygger vidare på detta mönster representerar framtiden för användningen av AI för företag. Progressiva företag börjar redan överbrygga denna klyfta genom att lära av skugganvändning och analysera vilka personliga verktyg som levererar värde innan de förvärvar företagsalternativ.

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

Felallokering av investeringar: glamour istället för substans

En annan kritisk aspekt av GenAI-klyftan är tydlig i investeringsmönster: Ungefär 50 procent av GenAI-budgetarna går till försäljnings- och marknadsföringsfunktioner, även om automatisering av backoffice ofta ger bättre avkastning på investeringen. Denna bias återspeglar inte det faktiska värdet, utan snarare den enklare allokeringen av mätvärden inom synliga områden.

Försäljning och marknadsföring dominerar budgetfördelningen, inte bara på grund av deras synlighet, utan också för att resultat som demovolymer eller svarstider för e-postmeddelanden direkt korrelerar med styrelsens mätvärden. Juridiska, inköps- och finansfunktioner erbjuder å andra sidan mer subtila effektivitetsvinster, såsom färre regelöverträdelser, optimerade arbetsflöden eller snabbare månadsbokslut – viktiga men svårkommunicerade förbättringar.

Denna investeringsbias vidmakthåller GenAI-klyftan genom att rikta resurser mot synliga, men ofta mindre transformativa, användningsfall, medan de möjligheter som ger högst ROI fortfarande är underfinansierade inom backoffice-funktioner. Dessutom påverkar sökandet efter social validering köpbeslut starkare än produktkvalitet: rekommendationer, befintliga relationer och introduktioner av riskkapital är fortfarande starkare prediktorer för företagsadoption än funktionalitet eller uppsättning funktioner.

Strukturella skillnader: Företags-AI kontra konsument-AI

De grundläggande skillnaderna mellan företags-AI och konsument-AI förklarar många av de observerade problemen. Konsument-AI fokuserar på att förbättra kundupplevelsen och personifiera enskilda användare, medan företags-AI är utformad för att optimera organisatoriska processer, säkerställa efterlevnad och tillhandahålla skalbara lösningar för komplexa affärskrav.

Företags-AI kräver djupgående domänexpertis och använder ofta övervakade inlärningstekniker för att uppnå KPI-drivna resultat. Den måste integreras i komplexa IT-landskap, uppfylla regelkrav och implementera robusta datasäkerhetsåtgärder. Konsument-AI, å andra sidan, prioriterar användarvänlighet och omedelbar tillfredsställelse, ofta på bekostnad av säkerhet och efterlevnad.

Dessa strukturella skillnader förklarar varför samma underliggande modell fungerar utmärkt i konsumentapplikationer men misslyckas i företagsmiljöer. Företags-AI måste inte bara vara tekniskt funktionell utan också integreras i befintliga affärsprocesser, uppfylla styrningskrav och visa långsiktigt värdeskapande.

Framgångsstrategier: Hur de fem procenten övervinner klyftan

De få företag som framgångsrikt överbryggar klyftan mellan GenAI och AI följer ett igenkännbart mönster. De behandlar AI-startups mindre som mjukvaruleverantörer och mer som leverantörer av affärstjänster, jämförbara med konsultföretag eller outsourcingpartners för affärsprocesser. Dessa organisationer kräver djupgående samordning med interna processer och data, utvärderar verktyg baserat på operativa resultat snarare än modellbenchmarks och behandlar implementering som samutveckling genom tidiga misslyckanden.

Särskilt anmärkningsvärt är att externa partnerskap har ungefär dubbelt så många framgångar som intern utveckling. Medan 67 procent av strategiska partnerskap leder till framgångsrik implementering, uppnår endast 33 procent av interna utvecklingsinsatser detta mål. Dessa partnerskap erbjuder ofta snabbare värdeskapande, lägre totalkostnader och bättre anpassning till operativa arbetsflöden.

Framgångsrika köpare identifierar AI-initiativ från frontlinjechefer snarare än centrala laboratorier, vilket gör det möjligt för budgetinnehavare och domänansvariga att identifiera problem, utvärdera verktyg och vägleda utrullningar. Denna bottom-up-upphandling, i kombination med chefsansvar, påskyndar implementeringen och upprätthåller operativ anpassning.

Branschspecifik disruption: Teknologin leder, andra följer tveksamt

Klyftan inom GenAI är tydlig på branschnivå. Trots höga investeringar och omfattande pilotverksamhet visar endast två av nio stora sektorer – teknologi och media/telekommunikation – tydliga tecken på strukturell störning. Alla andra sektorer är fortfarande fångade på fel sida av omvandlingen.

Teknikbranschen ser nya utmanare vinna marknadsandelar och förändringar i arbetsflöden. Media och telekommunikation upplever en ökning av AI-nativt innehåll och förändrad reklamdynamik, även om etablerade företag fortsätter att växa. Professionella tjänster visar effektivitetsvinster, men kundservicen förblir i stort sett oförändrad.

Situationen är särskilt dramatisk inom traditionella industrier: Energi och material visar nästan obefintligt införande och minimal experimentering. Avancerade industrier är begränsade till underhållspilotprojekt utan större förändringar i leveranskedjan. Denna skillnad mellan investeringar och disruption visar GenAI-klyftan på makronivå – omfattande experimentering utan omvandling.

Det tyska perspektivet: särskilda utmaningar och möjligheter

Tyska företag står inför specifika utmaningar när det gäller att implementera AI. Endast sex procent av de tyska företagen är optimalt förberedda för artificiell intelligens, en minskning jämfört med föregående år. I en internationell jämförelse rankas Tyskland bara som sjätte i Europa när det gäller fullt AI-förberedda företag.

Särskilt problematiskt är att 84 procent av tyska chefer fruktar negativa konsekvenser om de inte implementerar sina AI-strategier inom de kommande 18 månaderna. Samtidigt har tre fjärdedelar av tyska företag inte implementerat AI-policyer. Endast 40 procent har tillräckligt med specialistpersonal för att uppfylla AI-kraven.

De största hindren för tyska företag inkluderar brist på kvalificerad arbetskraft (34 procent jämfört med 28 procent globalt), utmaningar med cybersäkerhet och efterlevnad (33 procent) samt skalbarhetsutmaningar för datainfrastruktur (25 procent). Osäkerheter kring reglering, kulturella reservationer och en viss grad av teknikskepsis förvärrar dessa problem.

Ändå dyker möjligheter upp: Tyska företag kan kombinera sina styrkor inom precision och kvalitet med AI-innovationer. Inom branscher som maskinteknik och fordonsindustrin kan AI hjälpa till att optimera processer och ytterligare förbättra produktkvaliteten. En specialiserad AI tröttnar aldrig ens efter tusentals iterationer och kan pressa ut de sista procenten för att uppnå perfektion.

Agentisk AI: Nästa evolutionära steg

Lösningen på inlärningsgapet ligger i så kallad agentisk AI – en klass av system som integrerar permanent minne och iterativ inlärning från grunden. Till skillnad från nuvarande system som kräver fullständig kontext varje gång, behåller agentiska system permanenta minnen, lär sig av interaktioner och kan autonomt orkestrera komplexa arbetsflöden.

Tidiga företagsexperiment med kundtjänstmedarbetare som hanterar kompletta förfrågningar från början till slut, ekonomihandläggare som övervakar och godkänner rutintransaktioner, och säljare som spårar engagemang över olika kanaler visar hur autonomi och minne åtgärdar de identifierade kärnbristerna.

Infrastrukturen för att stödja denna övergång håller på att utvecklas genom ramverk som Model Context Protocol (MCP), Agent-to-Agent (A2A) och NANDA, vilka möjliggör interoperabilitet och samordning mellan agenter. Dessa protokoll skapar marknadskonkurrens och kostnadseffektivitet genom att tillåta specialiserade agenter att samarbeta snarare än att kräva monolitiska system.

Praktiska lösningar för företag

Företag som försöker överbrygga klyftan mellan GenAI och AI bör följa flera strategier. För det första är det avgörande att undvika urskillningslösa påbud: När chefer förespråkar AI överallt, hela tiden, visar de bristande omdöme i tillämpningen av tekniken. GenAI är inte lämpligt för alla uppgifter och kan inte läsa tankar.

Medarbetarnas tankesätt spelar en avgörande roll: Forskning visar att anställda med en kombination av högt agency-inflytande och hög optimism – så kallade "piloter" – använder GenAI 75 procent oftare på jobbet än "passagerare" med låg agency-inflytande och låg optimism. Piloter använder AI på lämpligt sätt för att uppnå sina mål och förbättra sin kreativitet, medan passagerare är mer benägna att använda AI för att undvika arbete.

Ett särskilt fokus bör ligga på en återgång till samarbete. Många av de uppgifter som krävs för framgångsrikt AI-arbete – att ge uppmaningar, ge feedback, beskriva sammanhang – är samarbetsbaserade. Dagens arbete kräver mer och mer samarbete, inte bara med människor utan även med AI. Workslop är ett utmärkt exempel på nya samarbetsdynamiker som introducerats av AI och som mer sannolikt hämmar produktiviteten än förbättrar den.

Organisatoriska framgångsfaktorer och förändringsledning

Framgångsrik AI-implementering kräver specifika organisatoriska utformningar. De mest framgångsrika företagen decentraliserar implementeringsbefogenheter samtidigt som de bibehåller ansvarsskyldighet. De gör det möjligt för chefer och domänexperter att identifiera användningsfall och utvärdera verktyg, snarare än att enbart förlita sig på centraliserade AI-funktioner.

Att lära sig av den skuggiga AI-ekonomin är särskilt viktigt. Många av de starkaste företagsimplementeringarna började med avancerade användare – anställda som redan hade experimenterat med personliga produktivitetsverktyg som ChatGPT eller Claude. Dessa "prosumers" förstår intuitivt GenAI:s funktioner och begränsningar och blir tidiga förespråkare för internt godkända lösningar.

Att mäta och kommunicera framgång kräver nya tillvägagångssätt. Medan traditionella programvarumätvärden fokuserar på funktionalitet och användarnas implementering, måste företags-AI utvärderas baserat på affärsresultat och processförbättringar. Företag måste lära sig att kvantifiera och kommunicera subtila men viktiga förbättringar, såsom färre regelöverträdelser eller snabbare arbetsflöden.

Möjligheternas stängningsfönster

Fönstret för att överbrygga GenAI-klyftan minskar snabbt. Företag kräver alltmer system som anpassar sig över tid. Microsoft 365 Copilot och Dynamics 365 integrerar redan permanent minne och feedback-loopar. OpenAI:s ChatGPT-minnesbeta signalerar liknande förväntningar på generella verktyg.

Startups som agerar snabbt för att minska detta gap genom att utveckla adaptiva agenter som lär sig av feedback, användning och resultat kan etablera varaktiga produktskydd genom både data och integrationsdjup. Möjlighetsfönstret är smalt: Pilotprojekt pågår redan i många branscher. Under de kommande kvartalen kommer flera företag att etablera leverantörsrelationer som kommer att vara nästan omöjliga att lösa.

Organisationer som investerar i AI-system som lär sig av sina data, arbetsflöden och feedback skapar byteskostnader som ökar varje månad. En IT-chef på ett finansföretag med en omsättning på 5 miljarder dollar sammanfattade det: "Vi utvärderar för närvarande fem olika GenAI-lösningar, men det system som lär sig bäst och anpassar sig till våra specifika processer kommer i slutändan att vinna vår verksamhet. När vi investerar tid i att utbilda ett system för att förstå våra arbetsflöden blir byteskostnaderna oöverkomliga."

GenAI-klyftan är verklig och djupgående, men inte oöverstiglig. Företag som förstår de bakomliggande orsakerna – inlärningsgapet, utmaningar inom organisationsdesign och investeringsbias – och agerar därefter kan verkligen utnyttja den transformerande kraften hos artificiell intelligens. Tiden att agera är dock begränsad, och kostnaden för att vänta ökar exponentiellt.

☑ 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 AI -strategin

☑ Pioneer Business Development

Vår globala bransch- och affärsexpertis inom affärsutveckling, försäljning och marknadsföring - Bild: Xpert.Digital

Branschfokus: B2B, digitalisering (från AI till XR), maskinteknik, logistik, förnybar energi och industri

Mer om detta här:

• Xpert Business Hub

Ett ämnesnav med insikter och expertis:

• Kunskapsplattform om global och regional ekonomi, innovation och branschspecifika trender
• Insamling av analyser, impulser och bakgrundsinformation från våra fokusområden
• En plats för expertis och information om aktuell utveckling inom näringsliv och teknologi
• Ämnesnav för företag som vill lära sig om marknader, digitalisering och branschinnovationer