Hoppa till innehållet

Start Ämnen AI & automation

AI i kundservice: måttet ni köper på räknar tystnad som ett löst ärende

31 min läsningAndreas Bladini, AI Hackers, en del av Volym Digitalbyrå AB

Global trend, svensk tillämpning och rådgivning

Det digitala landskapet, omvärderat för svenska företag

I korthet

  • Kategorin prissätts per utfall, och det är leverantören som definierar utfallet – inne i chatten. Hos Intercom kostar ett utfall 0,99 dollar, och tystnad räknas som framgång: hör kunden inte av sig inom 24 timmar efter Fins sista svar bokförs ärendet som löst. Vid 300 ärenden i månaden och en antagen lösningsgrad på 60 procent blir det ungefär 2 100 dollar om året till leverantören, basplanen inräknad – vår beräkning på leverantörens listpris. Golvet är 49 dollar i månaden med 50 utfall inkluderade, och de förfaller om de inte används. Men avgiften är inte hela kostnaden, och de poster som är arbete står inte på någon prislista.
  • Zendesk är stramare konstruerat: i nivåerna som gäller sedan 18 maj 2026 drar bara en lösning som en språkmodell verifierat på er kvot, och eskalerade samtal drar ingenting alls. Men bedömningen görs när samtalet anses avslutat i samma kanal – 72 timmar efter sista mejlet, 2 timmar efter sista chattmeddelandet, direkt när telefonsamtalet läggs på. Priset per löst ärende publicerar Zendesk inte: kvoten anges i dollar per säte och månad, den förfaller om den inte används, och den går därför inte att räkna om till ett antal ärenden förrän ni har en offert.
  • Ett randomiserat fältexperiment hos Alibaba/Taobao mätte exakt det mönstret: samtalstiden sjönk, återkomstfrekvensen rörde sig bara begränsat – och betygen för de AI-hanterade ärendena föll påtagligt. Försöket kördes 15–31 augusti 2024 och rapporterades först i maj 2026, så data är två år gamla. Det säger vi rakt ut, eftersom vi kräver det av andra.
  • Vid några hundra ärenden i månaden är ett procenttal statistiskt brus. Vid 200 ärenden ligger osäkerheten kring en lösningsgrad på 60 procent på ungefär ±7 procentenheter (vår egen beräkning). Mät antal i stället: fyra heltal, tvärs alla kanaler.
  • 62 procent av de AI-användande svenska företagen köpte färdig programvara och använde den utan modifiering, och 10 procent av alla företag med minst tio anställda uppger att de använder AI men uppger inget syfte med användningen (Statistiska centralbyrån, 21 maj 2026). Då blir leverantörens mått ert mått utan att någon hos er valt det.

Vad är AI i kundservice?

AI i kundservice betyder i dag oftast en så kallad AI-agent: en språkmodell som själv svarar på inkommande ärenden i chatt, mejl eller telefon, hämtar uppgifter ur era system och avslutar samtalet utan att en människa läser det. Den lämnar över till en medarbetare först när något villkor slår till – det kallas eskalering. Att människan är kvar i beslutet, det som på engelska kallas human in the loop, betyder att AI:n föreslår eller förbereder medan en namngiven person godkänner det som får konsekvenser.

Omvärderingen

Internationellt heter det

Den seriösa internationella positionen är inte att kundtjänsten ska ersättas, utan att arbetet ska mätas på utfall – och den hålls av både forskningen och de som bygger produkterna. Den bäst belagda vinsten kommer från Brynjolfsson, Li och Raymond i Quarterly Journal of Economics 2025, som följde 5 172 kundtjänstmedarbetare genom en successiv utrullning av en generativ AI-assistent. Att utrullningen skedde i omgångar är själva mätmetoden: forskarna jämför förändringen hos dem som redan fått verktyget med förändringen hos dem som ännu inte fått det, vilket på engelska kallas difference-in-differences. Resultatet blev 15 procent fler lösta ärenden per timme i snitt, med de största vinsterna hos de minst erfarna och minst skickliga – omkring 30 procent – och små eller uteblivna vinster hos de mest erfarna, samtidigt som kundernas ton förbättrades och personalomsättningen sjönk. Slutsatsen är alltså inte naiv: AI:n höjer golvet, inte taket. Sedan dess har kategorin flyttat sig från assistent till självständig agent, och prismodellen har följt med. Formulerad i sin bästa form är den genomtänkt. Intercom tar 0,99 dollar per utfall, drar tillbaka betalningen om kunden återvänder till samma konversation, och tar enligt sin egen dokumentation inget betalt alls om kunden uttryckligen ber om en människa eller om ett flöde havererar. Zendesk räknar sedan den 18 maj 2026 i nivåer, där bara en lösning som en språkmodell verifierat drar på kundens kvot och eskalerade samtal inte drar någonting. Formulerat av en förespråkare låter det rimligt: vi tar betalt när AI:n faktiskt levererade, vi tjänar ingenting på att den låtsas, och lyckas den inte ska den lämna över.

Vår bedömning för Sverige

Vi börjar med det som inte håller, eftersom vi kräver det av andra: att människan ska vara kvar i beslutet är ingen svensk hållning. Det är den internationella slutsatsen också, och den syns i leverantörernas egen konstruktion. Vi har inte hittat något belägg för att kunder här skulle vilja prata med en människa mer än kunder i andra länder, och vi påstår det inte. Skillnaden är inte nationell – den beror på företagets storlek och på hur AI:n kom in i huset, och just de två sakerna är mätta på svenska företag. Statistiska centralbyrån (21 maj 2026, avser 2025) placerar 10 procent av alla företag med minst tio anställda i en profil som uppger att de använder minst en AI-teknik men inte uppger något syfte med användningen, och 62 procent av de AI-användande företagen köpte färdig kommersiell programvara och använde den utan modifiering medan bara 11 procent anlitade någon för att utveckla eller anpassa ett system. Myndigheten läser den första siffran försiktigare än vi: att företagen troligen befinner sig i en inledande test- eller utforskningsfas. Slutsatsen vi drar av de två talen tillsammans är alltså vår, inte myndighetens: den vanligaste införingen är ett inköpt verktyg utan uttalat syfte – och då blir leverantörens mått automatiskt företagets mått, utan att någon hos er har valt det. Lägg till storleken, som avgör om måttet ens fungerar: vår egen mätning mot SCB:s företagsregister den 20 september 2026, enskilda firmor exkluderade, ger 45 124 företag med 10–49 anställda och 10 511 med 50 eller fler. Registret räknar fler enheter än SCB:s Företagens ekonomi, som för samma storleksgräns ger 33 296 – skriv därför alltid ut vilken bas ett tal kommer ur innan ni räknar vidare på det. I den storleksklassen är flödet några hundra ärenden i månaden, och då är ett procenttal inte ett mått utan brus. Vår bedömning efter tjugo år i uppdrag, märkt som erfarenhet och inte som mätning: den missnöjda kunden i ett bolag av den storleken återvänder sällan till chattfönstret – hen tar telefonen, mejlar info-adressen eller säger ingenting alls. Då slår varken 24-timmarsfönstret eller återbetalningen till, eftersom båda kräver att kunden kommer tillbaka till samma konversation. Det praktiska svaret är att byta enhet: räkna antal i stället för andelar, och räkna tvärs kanalerna.

Säljmötet handlar om modellen. Avtalet handlar om ett mått. Det är i glappet mellan de två som de pilotprojekt vi sett gå sönder har gått sönder – inte i tekniken, utan i att ingen hos kunden läste hur ordet löst var definierat innan siffran började rapporteras uppåt. Hur vanligt det är vet vi inte, och vi påstår det inte: vi har sett vad vi har sett, och vi har ingen mätning på hur det ser ut i stort.

Det här är vår bedömning från uppdrag. Där vi har en mätning säger vi vems den är, och där vi saknar underlag säger vi det rakt ut. Vi säljer själva den här sortens uppdrag – uppsättning, systemkoppling och mätrutiner – så väg det vi säger om när det lönar sig mot det vi säger om när ni klarar er utan oss.

Måttet ni köper på är definierat inne i chatten

Kategorin prissätts i dag per utfall, och grundstorheten är andelen inkommande ärenden som AI:n klarar utan att en människa rör dem. Leverantörerna kallar det resolution eller automated resolution – löst ärende, respektive automatiskt löst ärende. Läser man produktdokumentationen ordagrant visar det sig att storheten inte mäter om kundens problem försvann. Den mäter vad som hände i kanalen efteråt.

Intercom tar 0,99 dollar per utfall för sin AI-agent Fin. Villkoret står i deras egen hjälptext: “If a customer disengages from the conversation for 24 hours after Fin’s last answer, it is considered an assumed resolution.” Tystnad i ett dygn bokförs alltså som en lösning, och lösningen debiteras. Ett utfall är inte heller enbart ett ärende utan människa: “A Procedure handoff is a type of outcome where Fin successfully executes a Procedure that you have intentionally configured to end in a handoff to a human team or teammate.” Bygger ni själva in överlämningen i ett flöde är den alltså debiterbar – medan en eskalering som Fin gör på eget bevåg inte är det.

Zendesk är strängare konstruerat, och konstruktionen byttes den 18 maj 2026. I dagens modell delas utfallen i tre nivåer, och bara en av dem kostar er något. Assisted escalation – AI:n bidrog men människan avslutade – “does not count against your resolution allowance”, alltså drar inte på den kvot ni betalat för. Contained resolution – AI:n körde ärendet i mål utan att kunden bad om mer – gör det inte heller, om den inte klarar efterhandskontrollen. Kvar blir Verified resolution, och kontrollen beskrivs så här: “a verification process is performed by a large language model (LLM) that evaluates the text of the conversation to confirm that the customer’s request was satisfactorily resolved.” Bedömningen sker när samtalet anses avslutat: 72 timmar efter sista mejlet, 2 timmar efter sista chattmeddelandet (justerbart upp till 72) och direkt när telefonsamtalet läggs på.

Det här är ingen halmgubbe, och det ska sägas innan kritiken. Båda konstruktionerna är genomtänkta och ärliga på sina egna villkor. Zendesk tar inte betalt när AI:n misslyckas och lämnar över. Intercom drar tillbaka betalningen om kunden återvänder – “even across billing periods” – till samma konversation och ber om mer hjälp, och tar heller ingenting betalt när kunden ber om en människa: “If a customer explicitly asks to speak with a human agent at any point, or if a Fin Procedure fails to complete for any reason, it does not count as an outcome and you are not billed for it.” En leverantör som ville lura er hade inte byggt så.

Men läs villkoren en gång till, för det är där hela artikeln ligger. Återbetalningen kräver att kunden kommer tillbaka till samma konversation, och skyddet vid eskalering kräver att kunden ber om en människa i chatten. Zendesks fönster kräver att kunden hör av sig i samma kanal. Det felläge som spelar roll för ett mindre företag ligger per konstruktion utanför räknaren: kunden som gav upp i chatten och ringde i stället, mejlade info-adressen, eller bara slutade höra av sig.

Ingen av mätningarna ljuger. De ser bara inte utanför sitt eget fönster – och det är köparen, inte leverantören, som äger frågan om vad som händer utanför det.

Ett fältexperiment mätte precis det felläget

Invändningen ovan är inte teoretisk. Ett randomiserat fältexperiment på riktig drift gjordes hos Alibaba/Taobao 15–31 augusti 2024, och rapporterades först i maj 2026. Randomiserat betyder här att 647 medarbetare lottades mellan att arbeta med AI-systemet och att arbeta som förut – lottningen skedde alltså på medarbetarnivå, inte på enskilda ärenden, och det är därför skillnaden mellan grupperna går att tillskriva just AI:n. De behandlade medarbetarna övervakade de ärenden AI:n hanterade, medan kontrollgruppen skötte alla sina ärenden själv. Underlaget är 680 676 chattar. En avgränsning hör till bilden: “At the time of the experiment, AI-eligible chats accounted for less than 10 percent of total chat volume.” Effekterna nedan gäller alltså den delmängd ärenden AI:n alls fick ta. Resultatet, med författarnas egna ord: “AI deployment reduces average chat duration and has limited effects on retrial rates, but substantially lowers ratings for AI-eligible chats.”

Läs de tre delarna var för sig, för de är precis de tre delar som leverantörsmåttet räknar respektive missar:

  • Samtalstiden sjönk. Det mäts, och det ser bra ut i rapporten.
  • Återkomstfrekvensen – hur ofta kunden försökte igen – rörde sig bara begränsat. Det är i praktiken samma storhet som Intercoms återbetalningsregel och Zendesks utvärderingsfönster bygger på. Den rörde sig alltså knappt.
  • Betygen för de AI-hanterade ärendena föll påtagligt. Det syns inte i något av måtten ovan.

Två anmärkningar om källan, eftersom vi kräver dem av andra. Detta är en arbetsrapport och inte en sakkunniggranskad studie. Och försöket kördes i augusti 2024 – data är alltså två år gamla och faller utanför den sexmånadersgräns vi normalt håller. Vi använder rapporten ändå, för att det är det mest direkta måttet på skarp drift med en självständig agent vi kunnat hitta, och för att den pekar åt samma håll som vår egen erfarenhet.

Ställ den mot den bäst belagda vinsten på området, så blir bilden hel. Brynjolfsson, Li och Raymond följde 5 172 kundtjänstmedarbetare genom en successiv utrullning av en AI-assistent som hjälpte människorna i stället för att ersätta dem (Quarterly Journal of Economics 2025). Det är inget randomiserat försök, och skillnaden är värd att skriva ut: medarbetarna fick verktyget i olika omgångar av budget- och utbildningsskäl, inte genom lottning – “the capacity and training session scheduling constraints created the variation in AI adoption that we analyze” – och effekten skattas genom att jämföra förändringen hos dem som redan fått verktyget med förändringen hos dem som ännu inte fått det. Den publicerade sammanfattningen: “Access to AI assistance increases worker productivity, as measured by issues resolved per hour, by 15% on average, with substantial heterogeneity across workers. […] Less experienced and lower-skilled workers improve both the speed and quality of their output, while the most experienced and highest-skilled workers see small gains in speed and small declines in quality.” Vinsten för de minst erfarna och minst skickliga anges i studiens egen text till omkring 30 procent. Kundernas ton förbättrades, och personalomsättningen sjönk.

En versionsanmärkning som spelar roll, eftersom vi lutar oss mot att detta är sakkunniggranskat: den tidigare arbetsrapporten (NBER WP 31161) anger 5 179 medarbetare, 14 procent och 34 procent. Talen ovan är den publicerade versionens, och det är dem vi använder.

Även den här källan är äldre än sexmånadersgränsen – utrullningen skedde hösten 2020 och vintern 2021. Vi använder den ändå, och skälet ska stå utskrivet: det är det mest omfattande arbete om generativ AI i kundtjänst vi hittat i en sakkunniggranskad ekonomitidskrift, det färskare experimentet kompletterar det i stället för att motsäga det, och vi har inte hittat något nyare arbete som upphäver resultatet.

Slutsatsen av de två tillsammans: AI:n höjer golvet. Mätaren ser inte taket. Den hjälper den minst erfarna mest, den kortar samtalen – och den kostnad som uppstår när den missar hamnar utanför det som räknas.

Och en referens som inte används här, fast den kommer upp i nästan varje svenskt säljmöte om AI i kundtjänst: Klarna. Vi försökte hämta både pressmeddelandet från 2024 och reträtten året därpå från primärkällan den 20 september 2026, och klarna.com svarade utan innehåll på automatisk hämtning. Allt vi hittade var andrahandsrapportering. Vi använder den därför varken som argument för eller emot – och det är värt att veta när någon lutar sig mot den i ett möte.

Vid trehundra ärenden i månaden är ett procenttal inte ett mått

Här kommer den svenska halvan, och den ska börja med en ärlighet: skillnaden är inte nationell. Stryk ordet “svensk” ur påståendet att lösningsgraden i procent inte går att mäta vid låg volym, så faller ingenting. Det gäller ett tyskt, danskt eller amerikanskt bolag med samma ärendeflöde precis lika mycket. Att sälja in det som en svensk särart vore just det fel den här sajten finns för att undvika.

Det som är mätt på svenska företag är storleksfördelningen – och det är storleken, inte landet, som avgör om måttet fungerar. Vår egen mätning mot SCB:s företagsregister den 20 september 2026, enskilda firmor exkluderade:

  • 45 124 företag har 10–49 anställda, varav 27 867 har 10–19.
  • 10 511 företag har 50 anställda eller fler, varav 5 529 har 50–99.

Det är 55 635 bolag, alltså drygt 55 000, i den storleksklass där den här artikelns läsare finns.

Basen måste stå utskriven, annars går talen inte att jämföra. Företagsregistret räknar fler enheter än SCB:s Företagens ekonomi, som för samma storleksgräns ger 33 296 företag – det tal vi själva använder i artikeln om kanalval mellan LinkedIn och andra kanaler. Båda talen är riktiga på sin egen bas, och skillnaden på två tredjedelar är basen, inte verkligheten. Använd registret när ni ska hämta ut adresserna, och Företagens ekonomi när ni räknar på företag med anställda.

Hur många inkommande kundärenden ett sådant bolag faktiskt hanterar i månaden finns det ingen svensk statistik på – vi letade och hittade ingen. “Några hundra i månaden” är vår erfarenhet från uppdrag, och ska läsas som det.

Räkna på vad den volymen gör med ett procenttal. Vid 200 ärenden ligger ett 95-procentigt konfidensintervall – alltså det spann som med rimlig säkerhet rymmer det sanna värdet – kring en lösningsgrad på 60 procent på ungefär ±7 procentenheter. För att med rimlig säkerhet kunna skilja 60 procent från 65 procent krävs närmare 1 500 ärenden per period. Det är vår egen beräkning med standardformeln för ett konfidensintervall kring en andel, och den går att räkna efter.

Konsekvensen är obekväm och konkret: en rapport som visar att lösningsgraden steg från 61 till 66 procent förra månaden visar ingenting. Den visar variationen i ett litet tal. Ändå är det, i vår erfarenhet från uppdrag, precis den raden som vandrar vidare till ledningsgruppen.

Lägg till det som leverantörens fönster inte ser. Vår bedömning från uppdrag, märkt som erfarenhet och inte som mätning: i ett bolag med trettio anställda återvänder den missnöjda kunden sällan till chattfönstret. Hen tar telefonen, mejlar den adress hon alltid mejlat, eller säger ingenting alls och handlar någon annanstans nästa gång. Vi har inte hittat någon mätning av hur svensk kundservice fördelar sig mellan ärendehanteringssystem, delad inkorg och telefon, så vi påstår inte att detta är belagt. Vi påstår att det är den punkt där både 24-timmarsregeln och återbetalningsregeln slutar fungera, eftersom båda kräver att kunden kommer tillbaka till samma konversation.

Byt därför enhet. Fyra heltal, räknade tvärs alla kanaler, varje månad:

  1. Hur många ärenden AI:n svarade på.
  2. Hur många som eskalerades, och av vilken anledning.
  3. Hur många av de eskalerade som människan fick med full historik.
  4. Hur många kunder som hörde av sig igen inom fjorton dagar – i någon kanal.

Fyra heltal går att räkna exakt även på trehundra ärenden. Ett procenttal gör det inte.

Den fjärde raden kräver att någon lägger till en fråga i telefonloggen och i den delade inkorgen, och det påståendet ska bära vikt, så det ska också stå vad det består av. Fyra saker: en fråga som ställs i telefonsamtalet (“har du redan pratat med chatten om det här?”), en kolumn i telefonloggen där svaret kryssas i, en etikett i den delade inkorgen med samma innebörd, och en person som summerar de tre en gång i månaden och skriver in talet bredvid de tre andra. Inget av det kräver en licens.

Två villkor avgör om det stannar där, och ni kan kontrollera båda i dag. Är telefonloggen ett system med fält, och den delade inkorgen en brevlåda som kan etikettera, är det här arbete i storleksordningen minuter i månaden – vår erfarenhet från uppdrag, inte en mätning. Är telefonloggen ett anteckningsblock eller inkorgen en brevlåda ingen sorterar i, är första steget i stället att göra loggen räknebar, och då är det inte längre en kolumn. Skilj på de två fallen innan ni tror på tidsuppskattningen, eftersom det är där den spricker.

Vad piloten kostar, räknat på er egen volym

Priset per utfall är det tal som syns tydligast i marknadsföringen, och det är därför det brukar bli det enda som hamnar i kalkylen. Det räcker inte för ett beslut – och det är inte heller det enda leverantörerna faktiskt publicerar. Posterna nedan står med sin status: Hämtad är ett tal ur leverantörens egen prislista, Beräknad är aritmetik på ett hämtat tal, Antagande är vårt, och Ej publicerad betyder att vi letat och att leverantören inte anger något pris.

Avgiften till leverantören, räknad på trehundra ärenden i månaden.

Post Värde Status
Basavgift, Fin ovanpå er befintliga ärendehantering 49 dollar per månad, 50 utfall ingår Hämtad (2026-09-20)
Pris per utfall därutöver, Intercom Fin 0,99 dollar Hämtad (2026-09-20)
Ärenden per månad 300 Antagande (artikelns eget räkneexempel)
Andel av ärendena som blir ett utfall 60 % Antagande
Utfall per månad 180 Beräknad
Avgift per månad (49 + 130 × 0,99) ≈ 178 dollar Beräknad
Avgift per år ≈ 2 100 dollar Beräknad

Beräkningen är vår, på Intercoms publicerade listpris hämtat den 20 september 2026. Köper ni i stället Fin på en sätesplan ligger utfallen ovanpå sätespriset, och samma 180 utfall kostar då 178 dollar – talet blir detsamma, eftersom basplanens 49 dollar nästan exakt motsvarar de 50 utfall den innehåller. Notera att priset är satt i dollar. Växelkursen är därmed er post och inte leverantörens – den rör sig, och den rör sig utan att någon hos er fattat ett beslut. Vi sätter ingen kurs i tabellen eftersom varje kurs vi skrev in vore inaktuell samma vecka; räkna med er egen.

Två saker till hör till avgiften, och den första är det golv som brukar falla bort ur kalkylen.

Golvet är publicerat. Intercoms egen dokumentation sätter basplanen för Fin ovanpå en befintlig ärendehantering till “$49 per month, which includes 50 resolutions”, med “additional outcomes charged at $0.99 each”. De 50 ingående utfallen förfaller om de inte används: “If you do not use your 50 monthly resolutions, these will not be carried over and will be lost.” En månad då agenten knappt användes kostar alltså 49 dollar, drygt 580 dollar om året, oavsett hur många ärenden den löste. Prissidan lägger till att “Minimum monthly commitment applies (e.g. 50 outcomes)” – ett åtagande som i ett enskilt avtal kan sättas högre än basplanen. Basplanens golv behöver ni alltså inte fråga efter; ett avtalat åtagande utöver det är däremot en fråga att ställa före påskriften och inte efter.

Och så den post artikeln redan konstaterat men aldrig räknat på: tystnaden debiteras till fullt pris. Antar ni att en femtedel av utfallen är assumed resolutions – kunder som slutade svara utan att problemet blev löst – är det i räkneexemplet 36 utfall i månaden, alltså knappt 36 dollar, som ni betalar för ärenden ni inte vet utgången på. Andelen är vårt antagande och inte en mätning. Poängen är att det per konstruktion är exakt den delmängd som inte kan komma tillbaka via återbetalningsregeln, eftersom den kräver att kunden återvänder till samma konversation.

Plattformen under agenten. Här ser de två leverantörerna olika ut, och skillnaden är värd att kontrollera i just er offert.

Post Värde Status
Intercom, sätesplaner Essential / Advanced / Expert 29 / 85 / 132 dollar per säte och månad, årsbetalning Hämtad (2026-09-20)
Intercom, Fin ovanpå er befintliga ärendehantering “No seats required” Hämtad (2026-09-20)
Zendesk Suite Team / Professional 55 / 115 dollar per agent och månad, årsbetalning Hämtad (2026-09-20)
Zendesk, ingående utfallspott, Suite Team / Professional / Enterprise 2 / 5 / 10 dollar per säte och månad, tak 5 000 dollar per år Hämtad (2026-09-20)
Zendesk, pris per automatiserat löst ärende utöver potten – Ej publicerad

Läs de två sista raderna en gång till, för det är där Zendesks konstruktion skiljer sig från vad de flesta antar. Potten anges i dollar, inte i antal ärenden: “Your resolution allowance is a flexible currency pool used to pay for the cost of automated resolutions.” Priset som potten dras med publiceras inte. Ni kan alltså inte räkna om potten till ett antal ärenden förrän ni har en offert – och det är i sig ett beslutsunderlag: hos Intercom är utfallspriset ett listpris, hos Zendesk en förhandlingspost. Lägg till att potten förfaller – “Monthly allowances do not carry over if they aren’t used” – alltså att den är en del av sätespriset ni betalar oavsett om den används, inte ett förskott ni kan spara till en volymtopp. Och när den tar slut väljer ni mellan löpande debitering, “your account is charged for pay-as-you-go resolutions after you reach the limit of your resolution allowance”, och att pausa funktionen.

Motsvarigheten hos Intercom är att Fin går att köpa fristående ovanpå den ärendehantering ni redan har, utan säten. Det betyder inte att plattformsposten försvinner – den ligger då kvar i ert befintliga system i stället. Det betyder att den går att hålla oförändrad under en pilot, vilket är en verklig skillnad den dag ni vill avbryta. Att outnyttjad kvot förfaller är däremot ingen skillnad mellan de två: Intercoms 50 ingående utfall försvinner på samma sätt om månaden blir tunn.

Jämförelsetalet, som sällan står i de kalkyler vi får se: vad ett ärende kostar er i dag.

Inget av talen ovan går att bedöma utan det. Räkna det med samma mall som vår genomgång av när en koppling lönar sig använder: månadslönen gånger 1,3142 för arbetsgivaravgiften (Skatteverket, full avgift 2026), delat på det antal arbetstimmar ni faktiskt räknar med, gånger den genomsnittliga handläggningstiden per ärende. I den artikelns räkneexempel – SCB:s medianlön 37 700 kronor i månaden för kontorsassistenter och sekreterare i privat sektor 2025, delat på antagna 165 timmar – landar timmen på omkring 300 kronor. Byt ut lönen mot er egen; det är mallen som är poängen.

Något timpris för byråarbete står inte här – varken vårt eget eller ett marknadsspann. Skälet är räknetekniskt: ett timpris utan ett antal timmar går inte att jämföra, och timmarna avgörs av prisdrivarna längre ner. Det som går att jämföra mellan två offerter är uppdelningen. Begär priset per namngiven leverans – koppling per system, eskaleringsväg, provkörning – och jämför posterna mot varandra i stället för slutsumman. Samma sätt att läsa en offert använder genomgången av byrå mot egen anställd.

Handläggningstiden per ärende har ni däremot förmodligen inte. Den är i vår erfarenhet från uppdrag nästan aldrig uppmätt utan uppskattad, och uppskattningen är systematiskt för hög. Mät den med en streckräkning i två veckor innan ni räknar vidare på den.

Sedan själva jämförelsen, i tre steg med er egen kurs:

  1. Er kostnad per minut = timkostnaden delad med 60.
  2. Utfallspriset i kronor = 0,99 dollar gånger er egen kurs.
  3. Antal minuter ett utfall motsvarar = tal 2 delat med tal 1.

Ligger er genomsnittliga handläggningstid per ärende under det talet är verktyget dyrare per ärende än ni själva är i dag. Piloten kan fortfarande löna sig – men då bara på svarstid och på volymtoppar, inte på kronor. Och då ska den mätas på svarstid, inte på kostnad, och beslutet ska fattas på det måttet i stället.

De tre posterna som är arbete, och som ingen prislista innehåller.

Vi sätter ingen siffra på dem, eftersom den skulle bero helt på hur era system och era ärenden ser ut – och en siffra som inte har den grunden är värre än ingen. Det som går att skriva ut är vad posten består av och vad som driver priset. Det räcker för att läsa en offert, och för att se när två offerter inte prissätter samma sak.

Uppsättningen. Består av att koppla agenten till de system den ska läsa ur, att bygga eskaleringsvägarna, och att konstruera överlämningen så att medarbetaren får med sig dialogen. Prisdrivarna är fyra, och ni kan svara på alla innan ni begär offert: hur många system som ska läsas ur – kundregister, ordersystem, ärendehistorik – och om de har öppet API eller bara export; om kundhistoriken ligger i ett system eller i flera; om leverantören redan har en färdig koppling till just era system eller om den ska byggas; och hur många eskaleringsvägar som ska konstrueras. Ett moment till hör hit, och hoppas i vår erfarenhet från uppdrag nästan alltid över: att provköra agenten mot verkliga tidigare ärenden innan den möter en levande kund. Det kostar ingen licens, och det är det billigaste sättet att upptäcka att kunskapsunderlaget har hål.

Kunskapsunderlaget. Det här är, i vår erfarenhet från uppdrag – märkt som erfarenhet, inte som mätning – både den post som saknas oftast i kalkylen och den största av de tre. En agent svarar från något. Posten består av att gå igenom de vanligaste ärendetyperna, skriva ned det svar som faktiskt gäller i dag, och lösa motsägelserna mellan vad olika medarbetare svarar på samma fråga. Det tredje momentet är det som tar tid, eftersom det är där någon måste bestämma vilket svar som är det rätta. Prisdrivarna är antalet ärendetyper, hur mycket som redan finns nedskrivet, och hur många hos er som måste godkänna ett svar innan det får stå. Den här posten är ert arbete oavsett vem ni anlitar, av ett enkelt skäl: svaren är era. En leverantör kan strukturera dem och fråga efter dem, aldrig avgöra dem.

Förvaltningen, varje månad. Består av att läsa igenom eskaleringsanledningarna – rad två av de fyra heltalen – och se vad agenten faktiskt inte klarar, att uppdatera kunskapsunderlaget när priser, leveranstider och villkor ändras, och att kontrollera att listan över vad som aldrig automatiseras fortfarande stämmer mot sortimentet. Det är arbete som återkommer varje månad, inte ett projekt som blir klart, och det behöver en namngiven ägare – lämpligen samma person som äger de fyra heltalen. Utan den ägaren blir agenten inaktuell i takt med att verksamheten ändras, och det märks först i betygen, alltså i just det mått leverantörens instrumentpanel inte visar.

Och en post som fältexperimentet ovan gör synlig utan att någon prislista gör det: de behandlade medarbetarna hos Alibaba övervakade de ärenden AI:n hanterade. Det är arbetstid. Den är arbetstid också hos er under en pilot, och den försvinner inte för att ingen fakturerar den.

Ni ärver leverantörens mått tillsammans med verktyget

Varför blir då leverantörens definition så ofta husets definition? Därför att verktyget köps färdigt, och definitionen följer med i lådan.

Statistiska centralbyrån delar in näringslivet i sju AI-profiler. 10 procent av alla företag med minst tio anställda hamnar i profil 3, som myndigheten definierar ordagrant så här: “företag som uppger att de använder någon eller några olika AI-tekniker men inte uppger något syfte med sin användning” (referensår 2025, publicerat 21 maj 2026). Eftersom 35 procent använder AI över huvud taget betyder det att närmare tre av tio AI-användande företag inte anger vad de använder AI till. Det är vår beräkning på myndighetens egna tal, inte ett tal SCB själva publicerar.

SCB tolkar sin egen siffra försiktigare än vi gör, och det ska stå här: “Det är troligt att dessa företag befinner sig i en inledande test- eller utforskningsfas där användningen av AI ännu inte kopplats till ett tydligt syfte.” Skillnaden mot vår läsning är verklig. Myndigheten säger att syftet ännu inte formulerats; vi säger att ett verktyg som körs skarpt i kundkontakten under tiden ändå producerar en siffra som någon rapporterar. Den siffran är leverantörens.

Samma rapport visar hur tekniken kom in: 62 procent av de AI-användande företagen köpte färdig kommersiell programvara och använde den utan modifiering, en ökning med omkring sju procentenheter på ett år, medan andelen som anlitade någon utomstående för att utveckla eller anpassa ett AI-system föll till 11 procent. SCB noterar dessutom att 4 procent av företagen anger ett syfte men ingen teknik alls – och att 75 procent av dem är små företag – med den troliga förklaringen att AI-funktionen ligger inbyggd i affärssystemet eller molntjänsten och inte är synlig för användaren.

Slutsatsen vi drar av talen tillsammans är vår och inte myndighetens: den vanligaste införingen är ett inköpt verktyg utan uttalat syfte. Och står inget eget syfte formulerat finns inget eget mått. Då blir leverantörens definition husets definition som en ren bieffekt av inköpet, utan att någon hos er fattat det beslutet. Hur ett sådant syfte formuleras så att det blir ett beslut och inte ett dokument är ämnet för vår genomgång av digital strategi för mindre företag.

En ärlighetsreservation som hör hit. SCB:s AI-frågor kommer från EU:s gemensamma frågeformulär, så motsvarande siffror finns för övriga medlemsstater. Vi har inte hämtat dem. Vi säger därför bara att talen är mätta på svenska företag – aldrig att de är höga eller låga jämfört med någon annanstans.

Det praktiska svaret ligger i inköpet, inte i tekniken. Fyra saker är värda att kräva innan ni skriver på:

  • Rådata per ärende, exporterbar. Utan den kan ni aldrig räkna era egna fyra heltal, bara läsa leverantörens instrumentpanel.
  • Definitionen av ett löst ärende, skriven i avtalet. Står den bara i en hjälpartikel kan den ändras utan att ni märker det.
  • Att produkten självt talar om för kunden att det är ett AI-system som svarar. Skyldigheten att utforma tjänsten så ligger enligt EU:s AI-förordning på leverantören och inte på er som använder verktyget, och den tillämpas sedan den 2 augusti 2026. Villkoret hör till regeln: den gäller såvida det inte är uppenbart för en normalt informerad och skäligen uppmärksam person att motparten är ett AI-system – en bedömning som beror på hur just er chatt ser ut. Just därför är det en inköpskontroll snarare än en utredning: se efter i demon att det faktiskt sker, för det är ert varumärke som står i chattfönstret oavsett hur bedömningen faller ut.
  • Att kunskapsunderlaget och ärendehistoriken går att exportera i läsbart format. Prissättning per utfall betyder att kostnaden växer med framgången – lyckas agenten bra blir den dyrare, inte billigare. Och den dag ni vill byta leverantör följer varken svaren ni skrivit, konversationshistoriken eller mätserien självklart med. Kräv exporten innan ni skriver på. Efteråt är den en förhandling där ni har sämre läge än ni har nu.

Eskaleringen konstrueras före automationen, inte efteråt

Det vanligaste sättet vi ser eskaleringen hanteras – alltså överlämningen från AI till människa – är som en säkerhetsventil: bygg automationen först, och lägg till en knapp för “prata med en människa” när något går fel. Det är fel ordning, och det finns mätning som talar emot den.

Samma fältexperiment som ovan delade upp överlämningarna i två slag och mätte dem var för sig. Resultatet är obekvämt: “Human intervention preserves service quality in algorithm-triggered technical escalations […] but is less effective in algorithm-triggered emotional escalations.” Människan räddar alltså det tekniska fallet – ett ärende AI:n inte klarar – men är betydligt mindre effektiv i det emotionella, där kunden uttrycker frustration eller missnöje.

Varför blir det så? Författarna mätte även det: i de emotionella överlämningarna “workers showed lower engagement: they sent fewer messages, contributed a smaller share of total chat rounds, and showed less proactivity in information seeking and solution provision.” Medarbetaren tog över ett samtal som redan sjunkit, och gjorde mätbart mindre. Och: “early intervention is essential for sustaining high post-escalation intervention effort.”

Översatt till er pilot betyder det tre konstruktionsbeslut, fattade innan AI:n släpps på ett enda riktigt ärende:

  • Vad som utlöser en överlämning, och hur tidigt. Sena överlämningar är sämre överlämningar. Lägg trösklarna vid formuleringar som signalerar missnöje, vid upprepade omformuleringar av samma fråga, och vid alla ärendetyper ni redan vet är känsliga – reklamationer, förseningar, fakturafrågor.
  • Vad människan får med sig. Hela dialogen, vad AI:n redan har lovat kunden, och vilka uppgifter den hämtat ur era system. En överlämning där medarbetaren måste be kunden berätta allt igen är i praktiken ingen överlämning – det är ett andra ärende, och kunden räknar det som ett misslyckande även om er statistik inte gör det.
  • Vem som äger ärendet efteråt. Namngiven person, inte en kö. Det är också den enda punkt där ni får rad tre av era fyra heltal på köpet.

Att det här är ett integrationsarbete lika mycket som ett AI-arbete är värt att säga högt: historiken, kundnumret och ordern ligger i era system, inte i chattverktyget. Två frågor avgör om kopplingen är konfiguration eller ett projekt, och ni kan svara på båda själva innan ni begär en offert.

Har leverantören en färdig koppling till just de system ni kör? Finns den är arbetet en inställning, och då ska det inte prissättas som ett bygge. Ligger kundhistoriken i ett system eller i flera? Ligger den i flera måste någon avgöra när två poster är samma kund – samma person kan stå med ett kundnummer i ordersystemet och en mejladress i ärendehistoriken. Det är den posten som i vår erfarenhet från uppdrag svarar för prisskillnaden mellan två offerter som annars ser identiska ut, och den är också det första ni ska be en leverantör beskriva i ord. Hur en sådan koppling byggs och förvaltas i övrigt går vi igenom i genomgången av systemintegration för mindre företag.

Listan över vad som aldrig automatiseras skrivs innan piloten startar

Den skarpaste gränsen är inte en fråga om hur bra modellen är. Den går vid vad anropet gör.

En färsk arbetsrapport om agentflöden i kundtjänst beskriver vad agenterna faktiskt utför: “they retrieve firm records, apply service policies, and execute backend writes such as refunds, cancellations, exchanges, order modifications, and reservation changes.” Med backend writes menas anrop som ändrar något i era system – i motsats till att bara läsa. Rapportens förslag är att lägga kontrollen just där: “write-triggered reconsideration to concentrate deliberation and safeguards before consequential backend writes, rather than applying additional control uniformly across all service sessions.” Också detta är en arbetsrapport och inte sakkunniggranskad.

Poängen är praktisk och sparar er både pengar och krångel: lägg inte ett jämntjockt lager av spärrar över alla ärenden. Lägg hela kontrollen precis före skrivningen. Allt som bara läser och svarar får gå fort.

Listan ni skriver innan piloten startar har därför tre delar:

  1. Allt som skriver i era system och kostar pengar. Återbetalning, kreditering, avbokning, byte, orderändring, rabatt.
  2. Allt som uttalar sig om kundens rättigheter. Garanti, ångerrätt, reklamationsbedömning. Ett AI-svar här är i praktiken ett löfte ni sedan får stå för.
  3. Allt som avslutar relationen. Uppsägningar, avslutade abonnemang, borttagna konton.

De två sista punkterna är vår egen erfarenhet från uppdrag, inte hämtade ur rapporten. Skälet är detsamma i alla tre fall: ett felformulerat svar rättas med ett nytt svar, medan de här tre kostar pengar, rättigheter eller en kund att rätta.

Och så det som inte står i någon av listorna: hur ni upptäcker att det gick fel. Det sker inte av sig självt. En felaktig kreditering syns inte i lösningsgraden, och den syns inte i betyget heller – kunden som fick pengar tillbaka på felaktig grund är sällan missnöjd. Den syns bara om någon läser rådata per ärende, alltså samma export ni krävde i avtalet. Det är det konkreta skälet till att kravet inte är en formalitet. Bestäm därför tre saker innan piloten startar: vem som får stoppa agenten utan att fråga någon, vem som går igenom ärendena bakåt när den stoppats, och hur långt bakåt genomgången ska gå. Det sista talet ska sättas i förväg – annars sätts det av hur betungande genomgången känns just den dagen.

Och så piloten, som faktiskt går att utvärdera. Fyra till sex veckor, en enda avgränsad ärendetyp – den vanligaste och minst känsliga ni har – med en namngiven ägare, de fyra heltalen räknade från dag ett i alla kanaler, och ett bestämt avslut medan ingen ännu har prestige i saken. Bestäm måttet och listan före start. Ägaren behöver inte vara tekniker, men hen måste kunna avgöra vad som är ett rätt svar till en kund och ha mandat att stoppa agenten – och den tiden ska tas ur hens ordinarie arbete, inte läggas ovanpå det. När frågan blir vad ni måste kunna visa i efterhand om hur ett svar blev till ligger den i valet mellan en färdig agent och ett eget system.

Fyra lägen där svaret är nej – i två av dem ska ni inte köpa in hjälpen

Allt ovan handlar om hur piloten ska konstrueras om den körs. Lika viktigt är när den inte ska köras alls, och när arbetet inte ska köpas in. Trösklarna följer av artikelns eget material.

Under några hundra ärenden i månaden: köp ingenting än. Går de fyra heltalen inte att räkna med rimlig precision går piloten inte att utvärdera, och då betalar ni för ett verktyg vars effekt ni ändå inte kommer att kunna avgöra. Gör i stället det som inte kostar något: räkna de fyra heltalen manuellt i två månader på det ni har i dag. Det kostar er en kolumn i telefonloggen och ingen leverantör – och ni får jämförelsetalet ni annars aldrig hade haft, oavsett vad ni beslutar sedan.

Om era ärenden i huvudsak är unika bedömningsärenden: svaret är nej, inte en mindre pilot. Agenten svarar från nedskrivna svar. Finns det inga återkommande frågor finns det inget kunskapsunderlag att bygga, och då är det varken en volym- eller en budgetfråga. Testet kan ni göra i dag: gå igenom förra månadens ärenden och räkna hur många som besvarades med i praktiken samma svar.

Om er kundhistorik ligger i ett enda system som leverantören redan har en färdig koppling till: gör kopplingen själva. Då är det konfiguration och inte ett integrationsuppdrag. Lägg tiden på kunskapsunderlaget i stället – det är det arbete ni ändå måste göra, och i vår erfarenhet från uppdrag det som avgör om agenten svarar rätt. Det här är alltså den del ni inte ska anlita oss för.

Om ingen hos er kan vara namngiven ägare i fyra till sex veckor: skjut upp piloten, köp den inte. Eskaleringslistan och gränsen för vad som aldrig automatiseras är beslut om ert eget ansvar mot era kunder. En utomstående kan förbereda underlaget och ställa frågorna, aldrig äga svaren – och en pilot utan ägare producerar en rapport som ingen hos er kan tolka.

Och pröva det billigare steget först, som i de kalkyler vi får se nästan aldrig prövas: går den vanligaste ärendetypen att få bort i stället för att besvaras? Är den vanligaste frågan var är min order är ett leveransbesked som går ut av sig självt billigare än en agent som besvarar frågan snyggt. Ett standardsvar, en sökbar hjälpsida eller ett borttaget frågetecken i orderbekräftelsen kostar ingenting per utfall. De posterna hamnar sällan i en jämförelse mot en AI-agent, av ett skäl som är värt att hålla i huvudet: det är ingen som säljer dem.

En sista ärlighet om räckvidden. Vi hittade ingen oberoende studie med redovisad metod som prövar leverantörernas lösningsgradsmått mot huruvida kundens problem faktiskt blev löst. Kritiken här vilar alltså på leverantörernas egna definitioner, ordagrant citerade – inte på en mätning av hur mycket måttet överdriver. Vi påstår inte att det överdriver med en viss siffra. Vi påstår att det per konstruktion inte kan se utanför sin egen kanal, och att ni kan.

Så lyckas ni med det i Sverige

Gör

  • Räkna fyra heltal varje månad i stället för en lösningsgrad i procent: hur många ärenden AI:n svarade på, hur många som eskalerades och varför, hur många av de eskalerade som människan fick med full historik, och hur många kunder som hörde av sig igen inom fjorton dagar i någon kanal. Fyra heltal går att räkna exakt även på trehundra ärenden.
  • Mät tvärs kanalerna, inte i verktyget. Lägg till en rad i telefonloggen och i den delade inkorgen för 'kunden hade redan pratat med chatten'. I vår erfarenhet från uppdrag är det den mätpunkt som fångar felläget leverantörens räknare per konstruktion inte kan se.
  • Konstruera eskaleringen före automationen: bestäm vilka formuleringar och ärendetyper som ska lämnas över direkt, vad medarbetaren ska få med sig (hela dialogen, vad AI:n redan lovat, vilka uppgifter den hämtat) och vem som äger ärendet efteråt. Tidig överlämning mäts som avgörande för kvaliteten i insatsen.
  • Skriv listan över vad som aldrig automatiseras innan piloten startar, och lägg gränsen vid det som skriver i era system: återbetalning, kreditering, avbokning, orderändring, allt som uttalar sig om kundens rättigheter och allt som avslutar relationen.
  • Kräv av leverantören före avtalet: att ni får rådata per ärende och kan exportera den, att definitionen av ett löst ärende står skriven i avtalet, och att produkten självt informerar kunden om att hen pratar med ett AI-system. Den skyldigheten ligger enligt EU:s AI-förordning på leverantören och gäller när det inte redan är uppenbart för kunden – men det är ert varumärke som står i chatten oavsett hur den bedömningen faller ut.

Gör inte

  • Jämför inte lösningsgraden mellan två månader och kalla det ett resultat. En rapport som visar att den steg från 61 till 66 procent på trehundra ärenden visar ingenting – för att skilja 60 från 65 procent med rimlig säkerhet krävs närmare 1 500 ärenden per period.
  • Låt inte piloten mäta sig själv i leverantörens instrumentpanel. Måttet är byggt inne i kanalen där AI:n satt, och den kund som gav upp och bytte kanal räknas där som nöjd och tyst.
  • Sätt inte dit eskaleringen efteråt som en säkerhetsventil. Den som lämnas över sent har redan hunnit bli irriterad, och det är just i de emotionella överlämningarna som människans insats mäts som svagast.
  • Automatisera inte det som kostar pengar eller rättigheter bara för att verktyget klarar det tekniskt. Ett felaktigt svar är billigt att rätta, en felaktig återbetalning är det inte.
  • Köp ingen agent om era ärenden i huvudsak är unika bedömningsärenden i stället för återkommande frågor. Agenten svarar från nedskrivna svar, och finns inga återkommande frågor finns inget kunskapsunderlag att bygga – då är svaret nej, inte en mindre pilot. Testet kan ni göra i dag: gå igenom förra månadens ärenden och räkna hur många som besvarades med i praktiken samma svar.

Vägarna som finns, och när var och en passar

  • Köp agenten och mät i leverantörens panel

    Passar bara när ni har tusentals ärenden i månaden, så att procenttalet är statistiskt meningsfullt, och när ni accepterar leverantörens definition av ett löst ärende.

  • Köp agenten men mät själva, tvärs alla kanaler

    Passar vid några hundra ärenden i månaden. Räkna fyra heltal och lägg en rad i telefonloggen för kunden som redan pratat med chatten.

  • Avstå

    Passar när ärendena i huvudsak är unika bedömningsärenden. Finns inga återkommande frågor finns inget kunskapsunderlag för agenten att svara ur.

Invändningen mot vårt eget råd

Den starkaste invändningen mot vår rekommendation att räkna heltal i stället för procent är att heltal är svårare att följa över tid och omöjliga att jämföra mellan bolag. En ledningsgrupp som vill se en trend får inte det av fyra absoluta tal, och risken är att mätningen därför slutar rapporteras alls. Vi håller ändå fast vid rådet, eftersom ett procenttal på några hundra ärenden är brus och ett brus som rapporteras är sämre än ett heltal som inte gör det. Men den som har tusentals ärenden i månaden har vår invändning emot sig: då är procenttalet statistiskt meningsfullt och vårt råd onödigt strängt.

Vanliga frågor

Vad betyder det att leverantören tar betalt per löst ärende?

Att ni betalar per utfall i stället för per licens eller per samtal – men att leverantören också är den som definierar vad ett utfall är. Intercoms egen dokumentation säger rakt ut att om kunden slutar svara i 24 timmar efter AI-agentens sista svar räknas ärendet som löst och debiteras, och att även en överlämning som ni själva byggt in i ett flöde är ett debiterbart utfall. Ber kunden uttryckligen om en människa debiteras däremot ingenting. Zendesk går längre åt samma håll: ingen eskalering alls drar på kvoten, och bara en lösning som en språkmodell verifierat gör det. Båda konstruktionerna är ärliga på sina egna villkor. Poängen är att båda mäter inuti den kanal där AI:n satt, och att kunden som gav upp och ringde i stället inte syns i någon av dem.

Vi får några hundra ärenden i månaden. Kan vi ändå utvärdera en pilot?

Ja, men inte på procent. Vid 200 ärenden ligger osäkerheten kring en lösningsgrad på 60 procent på ungefär ±7 procentenheter – vår egen beräkning med standardformeln för ett konfidensintervall kring en andel, som går att räkna efter. Det betyder att månadsvariationen i rapporten är brus och inte resultat. Räkna heltal i stället: antal besvarade, antal eskalerade, antal överlämnade med full historik, antal återkommande kunder inom fjorton dagar i någon kanal. Fyra heltal går att räkna exakt på trehundra ärenden, och de går dessutom att jämföra med hur det såg ut innan.

Måste vi berätta för kunden att det är en AI som svarar?

Skyldigheten att utforma tjänsten så att kunden får veta det ligger enligt EU:s AI-förordning på leverantören av systemet, inte på er som använder det, och den tillämpas sedan den 2 augusti 2026. Villkoret är värt att läsa med: regeln gäller när det inte redan är uppenbart för en normalt informerad och skäligen uppmärksam person att motparten är ett AI-system. Praktiskt gör det saken till en inköpsfråga snarare än en juridisk utredning: kontrollera i demon att produkten faktiskt säger det, eftersom det är ert varumärke som står i chattfönstret när den inte gör det. Beror ert fall på förhållanden vi inte känner till – hur systemet är satt samman, vem som räknas som leverantör när ni byggt vidare på det – är det er jurist som ska svara. Vi är byrå, inte juridisk rådgivare.

Vad ska vi aldrig låta AI:n göra själv?

Lägg gränsen vid de anrop som skriver i era system: återbetalningar, krediteringar, avbokningar, byten och orderändringar. Det är samma gräns som föreslås i den färskaste forskningen på agentflöden i kundtjänst – koncentrera kontrollen precis före skrivningen i stället för att lägga ett jämntjockt lager av spärrar över alla ärenden. Lägg till två saker till på listan från vår egen erfarenhet: allt som uttalar sig om vad kunden har rätt till, och allt som avslutar relationen. Ett felaktigt formulerat svar rättas med ett nytt svar. En felaktig kreditering rättas inte lika enkelt.

Ersätter AI:n medarbetarna i kundtjänsten?

Det är inte vad den bäst belagda mätningen visar. Studien på 5 172 medarbetare i Quarterly Journal of Economics 2025 fann 15 procent fler lösta ärenden per timme i snitt, omkring 30 procent bland de minst erfarna och minst skickliga, och små eller uteblivna vinster bland de mest erfarna – alltså att verktyget höjer golvet genom att sprida de skickligas arbetssätt, inte att det ersätter taket. Notera att samma tal ser annorlunda ut i den tidigare arbetsrapporten (14 respektive 34 procent); talen ovan är den sakkunniggranskade versionens. Fältexperimentet på en självständig agent pekar åt samma håll från andra hållet: samtalen blev kortare men betygen föll, och människans insats efter en överlämning var det som räddade kvaliteten. Vad vi inte kan svara på är hur det faller ut i just er bemanning, och vi har inte hittat någon mätning gjord på svenska bolag i den här storleksklassen.

Källor och faktagranskning

Senast faktagranskad 20 september 2026. Siffror i artikeln är hämtade från källorna nedan; bedömningar och den svenska tolkningen är redaktionens egna. Artikeln är rådgivning från en digitalbyrå och allmän information – inte juridisk rådgivning. Regler har nästan alltid villkor, och vi känner inte till era.Så menar vi med det.Så arbetar vi.

Så togs den här artikeln fram

Skriven av Volym-redaktionen med AI-stöd i research och textproduktion, granskad och beslutad av Andreas Bladini före publicering. Leverantörernas definitioner av ett löst ärende är lästa i deras egen publicerade dokumentation och prissättning. Fältexperimentet är läst i primärkällan, och att dess data är två år gamla står utskrivet i artikeln i stället för att döljas. Osäkerhetsintervallet är vår egen beräkning och märkt som det.

Andreas Bladini, AI Hackers, en del av Volym Digitalbyrå AB. Arbetar med digitala uppdrag åt mindre svenska bolag och står bakom bedömningarna i artiklarna. Byrån har tjugo år i branschen, och de senaste åren har gått åt till att sätta sig in i hur AI-inslag och agentflöden förändrar det digitala landskapet.

Läs vidare