AI kan klara det svåra och misslyckas med det enkla
12 AUGUSTI 2026
När ska AI göra jobbet, och när ska människan ta över? Den frågan blir allt viktigare när AI går från att vara ett enskilt verktyg till att bli en del av det löpande arbetet.
Forskningen om Jagged Frontier visar varför det inte räcker att mäta hur mycket AI en organisation använder. Viktigare är att förstå vilka uppgifter AI klarar tillräckligt bra, vilka förutsättningar den behöver och var människan behöver behålla kontrollen.
Gränsen för vad AI klarar är ojämn
Generativ AI utvecklas snabbt, men inte på alla uppgifter samtidigt. En modell kan vara mycket bra på att sammanfatta ett omfattande underlag, ta fram idéer eller skriva ett första utkast och samtidigt misslyckas med en uppgift som för en människa verkar enklare.
Det är innebörden i forskningsbegreppet Jagged Frontier. På svenska kan det beskrivas som den ojämna eller taggiga gränsen för vad AI klarar.
Om gränsen vore jämn skulle utvecklingen vara relativt enkel att förutse. AI skulle först lära sig de enkla uppgifterna och sedan successivt klara allt svårare saker. Men det som är svårt för en människa är inte nödvändigtvis svårt för AI, och tvärtom. Två uppgifter som för oss verkar ungefär lika svåra kan därför hamna på helt olika sidor av gränsen för vad en AI-modell klarar.
Forskarna bakom Jagged Frontier lyfter exempelvis fram att AI kan vara oväntat bra på idégenerering samtidigt som vissa språkmodeller kan ha problem med grundläggande matematik. Stora språkmodeller har breda och ibland oväntade förmågor, men kan också ge felaktiga svar som låter trovärdiga. Därför är det svårt att på förhand veta exakt var gränsen går.
”Det som överraskar många är hur ojämn AI:s förmåga är. AI kan lösa en avancerad uppgift väldigt bra och sedan falla på något som verkar enklare. Därför behöver vi testa vad AI faktiskt klarar i det konkreta arbetet.”
Vad undersökte forskarna?
Begreppet kommer från studien Navigating the Jagged Technological Frontier av Fabrizio Dell’Acqua och flera medförfattare, publicerad i den vetenskapliga tidskriften Organization Science 2026. Forskarna genomförde tillsammans med Boston Consulting Group ett randomiserat experiment med 758 konsulter.
De ville undersöka hur generativ AI påverkar kvalificerade kunskapsarbetares prestation i realistiska arbetsuppgifter. Framför allt ville de se om effekten skiljde sig mellan uppgifter som GPT-4 klarade väl och uppgifter som låg utanför modellens dåvarande förmåga. Studien använde den version av GPT-4 som fanns tillgänglig våren 2023.
Experimentet bestod av två delar. I den första arbetade 385 konsulter med en produktutvecklingsuppgift uppdelad i 18 moment inom bland annat kreativitet, analys och skrivande. Forskarna hade på förhand testat att uppgifterna låg inom GPT-4:s förmåga. Deltagarna som använde AI genomförde fler uppgifter, arbetade snabbare och fick högre bedömd kvalitet än de som arbetade utan AI.
I den andra delen fick 373 konsulter lösa ett separat affärsproblem. Uppgiften var konstruerad så att GPT-4 lätt kunde ledas mot fel slutsats om informationen inte analyserades noggrant. Här blev resultatet det motsatta: deltagarna med AI hade lägre sannolikhet att komma fram till rätt rekommendation än gruppen som arbetade utan AI.
De AI-stödda svaren kunde dessutom uppfattas som mer sammanhängande och övertygande även när slutsatsen var fel. AI kan alltså inte bara bidra till ett felaktigt svar, utan också hjälpa till att formulera det på ett övertygande sätt.
Vad visade studien?
Studie: Navigating the Jagged Technological Frontier
Publicerad: Organization Science, 2026
Deltagare: 758 konsulter från BCG
AI-system: GPT-4, versionen tillgänglig våren 2023
När uppgifterna låg inom modellens förmåga:
genomförde deltagarna med AI i genomsnitt 12,2 procent fler uppgifter
arbetade de 25,1 procent snabbare
fick de högre bedömd kvalitet på sina lösningar
I den testade uppgiften utanför modellens förmåga var deltagarna med AI i genomsnitt cirka 19 procentenheter mindre benägna att nå rätt slutsats. Deras svar kunde samtidigt uppfattas som mer sammanhängande och övertygande.
Studien visar alltså inte att AI generellt förbättrar eller försämrar kunskapsarbete. Resultatet beror på vilken uppgift det gäller och hur väl modellen klarar just den.
Gränsen kan gå mitt igenom ett arbetsflöde
Studien genomfördes med managementkonsulter. Resultaten ska därför inte läsas som ett direkt mått på hur AI fungerar inom exempelvis marknad och kommunikation. Däremot ger studien en viktig utgångspunkt för att analysera andra typer av kunskapsarbete: olika delar av samma arbetsflöde kan ligga på olika sidor av gränsen för vad AI klarar tillräckligt bra.
Ta ett artikelarbete som exempel. Det kan omfatta research, källvärdering, analys, val av vinkel, disposition, första utkast, faktakontroll, språkgranskning, godkännande och publicering. Att beskriva hela kedjan som ”AI för innehållsproduktion” säger därför ganska lite om var AI faktiskt fungerar bra.
AI kan vara användbart i flera moment och betydligt mindre tillförlitligt i andra. Gränsen kan med andra ord gå mitt genom arbetsflödet. Frågan ”Kan AI skriva en artikel?” är därför för grov. Mer relevant är att fråga vilka delar av arbetet AI kan göra tillräckligt bra och vilka som fortfarande behöver ledas, granskas eller genomföras av en människa.
Samma princip gäller för andra arbetsflöden. I stället för att bedöma AI utifrån breda kategorier som ”analys”, ”innehåll” eller ”kommunikation” behöver vi titta på de konkreta uppgifter som arbetet faktiskt består av.
AI måste få rätt förutsättningar¨
Men det räcker inte att testa en uppgift och bedöma resultatet. För att kunna avgöra vad AI klarar behöver modellen också få rätt förutsättningar.
Har AI tillgång till rätt underlag? Finns den kunskap och kontext som behövs? Är instruktionen tillräckligt tydlig? Först när de grundläggande förutsättningarna finns går det att göra en rimlig bedömning av om AI kan utföra uppgiften med tillräcklig kvalitet.
”Det vi ofta ser är att organisationer ger AI för lite kunskap och kontext och sedan konstaterar att resultatet inte blev bra. Men med dåliga förutsättningar testar vi egentligen inte vad AI klarar.”
En svag första prompt säger därför inte nödvändigtvis särskilt mycket om AI:s förmåga. Organisationer behöver bedöma både vad modellen klarar och vilka förutsättningar den behöver för att göra ett bra jobb.
Vad ska AI få göra själv?
Att AI klarar en uppgift under rätt förutsättningar är fortfarande bara en del av beslutet. Organisationen behöver också ta hänsyn till vad som händer om resultatet blir fel.
Ett fel i en intern sammanfattning och ett fel i ett pressuttalande kan till exempel kräva ungefär samma förmåga från AI, men få helt olika konsekvenser. Rapporten föreslår därför att varje uppgift bedöms utifrån fyra frågor:
Förmåga: Kan AI utföra uppgiften tillräckligt bra och stabilt?
Förutsättningar: Har AI tillgång till rätt information, källor, instruktioner och system?
Risk: Vad händer om resultatet är fel, vilseledande eller olämpligt?
Ansvar: Vilken mänsklig kontroll krävs och vem behöver kunna stå för resultatet?
Rapporten samlar frågorna i en bedömningskarta, Frontier Map. Det är rapportens egen modell och inte ett ramverk som har testats i forskningsstudien.
Att AI kan göra något betyder alltså inte automatiskt att AI bör få göra det på egen hand.
”En av de vanligaste missarna är att fråga: Kan AI göra den här uppgiften? Och sedan stanna där. Den minst lika viktiga frågan är: Vad händer när AI gör fel – och vilken kontroll behöver vi då?”
Hur arbetet fördelas kan variera. I vissa uppgifter gör människan jobbet och använder AI som stöd. I andra kan AI ta fram ett första resultat som människan granskar. AI kan också genomföra flera steg eller sköta ett tydligt avgränsat arbetsflöde inom fastställda regler.
Rapporten beskriver fem sådana arbetslägen:
Människan gör jobbet – AI används inte i själva utförandet.
AI som stöd – människan leder och AI hjälper till i avgränsade delar.
AI först, människan verifierar – AI tar fram resultatet och människan granskar och godkänner.
AI leder arbetet – AI genomför flera steg medan människan sätter ramar, följer upp kvaliteten och hanterar undantag.
AI arbetar självständigt inom tydliga gränser – AI genomför ett definierat arbetsflöde och lämnar över när något faller utanför reglerna.
Mer självständighet för AI innebär inte automatiskt högre AI-mognad. En organisation kan medvetet låta AI sköta ett avgränsat arbetsflöde och samtidigt behålla mer mänsklig kontroll i ett annat där riskerna är större eller mänskligt omdöme är viktigare.
Börja med arbetsflödet
När AI blir en del av arbetet behöver fokus flyttas från vilka verktyg organisationen har till hur arbetet faktiskt ska utföras. Vilka arbetsflöden är viktigast att förändra? Var fungerar AI tillräckligt bra? Vilka fel går att acceptera? Var måste en människa kontrollera resultatet? Och när behöver organisationen göra en ny bedömning?
Ett praktiskt sätt att börja är att välja ett begränsat antal viktiga arbetsflöden och dela upp dem i konkreta aktiviteter. Varje aktivitet kan sedan bedömas utifrån AI:s förmåga, vilka förutsättningar som finns, risken om något går fel och vilket mänskligt ansvar som krävs. Därefter går det att bestämma vad AI kan göra själv och var människan behöver vara mer aktiv.
Arbetssättet behöver sedan prövas i praktiken. Syftet är inte att bevisa att AI fungerar, utan att förstå när den fungerar tillräckligt bra och under vilka förutsättningar.
Den bedömningen kan inte göras en gång för alla. Studien använde GPT-4 från 2023, och gränsen för vad AI-modeller klarar förändras när tekniken utvecklas. Organisationer behöver därför återkommande pröva vilka uppgifter AI kan ta större ansvar för, vilka resultat som behöver kontrolleras och vilka beslut som fortfarande bör ligga hos en människa.
AI-mognad handlar därför inte om att använda så mycket AI som möjligt. Den handlar om att veta vad AI klarar, vilka förutsättningar den behöver, vad organisationen kan anförtro den och var människan behöver behålla kontrollen.
Källa
Dell’Acqua, Fabrizio med flera. Navigating the Jagged Technological Frontier: Field Experimental Evidence of the Effects of Artificial Intelligence on Knowledge Worker Productivity and Quality. Organization Science, volym 37, nummer 2, 2026, s. 403–423. Publicerad online 11 mars 2026.
Mer kunskap och inspiration
