Hur upptäcker man AI washing i ett målbolag inför ett förvärv

AI washing i ett målbolag har två former. Den enkla är AI som inte finns, och den går att avslöja med en teknisk genomgång. Den svåra är AI som finns men inte gör det som påstås. När en språkmodell går att hyra per anrop kan nästan varje programvarubolag visa upp något som svarar som en AI, och då avgörs värdet av en annan fråga: hur mycket av det arbete som beskrivs som automatiserat som fortfarande görs av människor, på vems teknik och till vilken kostnad per utfört ärende.

Två av de tre amerikanska tillsynsärenden som beskrivs nedan gäller AI som inte fanns. Det tredje, och det mest lärorika för en köpare, gäller AI som fanns men inte gjorde det som påstods. Där låg sanningen inte i presentationen utan i driften: i vem som faktiskt tog emot beställningen och i vad automationstalet räknade.

Två mätningar av AI washing med sju års mellanrum

MMC Ventures gick 2019 igenom 2 830 bolag i tretton europeiska länder, Sverige inräknat, som vanliga verktyg klassade som AI-startups. Granskningen gjordes bolag för bolag, på verksamhet, inriktning och finansiering. Belägg för att AI var väsentlig för erbjudandet fanns hos 1 580 av dem. Granskningen prövade alltså om det fanns någon AI som spelade roll.

En studie från University of Hamburg, publicerad som förhandsversion i oktober 2026 och antagen till konferensen AIES 2026, mäter något annat. Forskarna kodade den offentliga marknadsföringen hos 100 tyska AI-startups, dragna ur två offentligt tillgängliga förteckningar över tyska startups, och jämförde den med vad produkterna faktiskt gör (Pranav, Hartmann och Lauscher, 2026). 35 procent saknade påvisbar AI eller var ett skal kring en inhyrd språkmodell utan eget tillägg. Kodningen skiljer mellan att sakna AI och att låna den utan att tillföra något, men talet redovisar de två tillsammans. Studiens samlade mått på AI washing placerade 39 av de 100 bolagen i de två högsta nivåerna på en femgradig skala.

Talen går inte att jämföra med varandra. Metoderna, populationerna och definitionerna skiljer sig. Hamburgstudien omfattar bara tyska bolag, och MMC:s urval omfattar tretton länder, Sverige ett av dem. Hamburgforskarnas kodning av de 100 bolagen byggde dessutom enbart på offentligt material.

Tre ärenden där påståendet och driften gick isär

Presto Automation, som sålde röststyrd beställning för drive-in-restauranger och var noterat på Nasdaq, är det fall där AI fanns men inte gjorde det som påstods. Enligt det föreläggande som SEC utfärdade i januari 2025 drevs alla röstenheter bolaget levererade från november 2021 till september 2022 av en annan leverantörs taligenkänning, utan att bolaget tillräckligt redovisade det när produkten beskrevs. När den egna tekniken väl rullades ut påstod bolaget att den gjorde mänskliga ordermottagare överflödiga. I själva verket tog anlitade ordermottagare utomlands, främst i Filippinerna och Indien, hand om den stora majoriteten av beställningarna i de enheterna.

För enheterna med den egna tekniken angav bolaget att minst 95 procent av ordrarna slutfördes utan ingrepp. Enligt SEC avsåg talet ordrar utan ingrepp från restaurangens personal, medan ordrarna krävde betydande mänskliga ingrepp på distans. Under perioden då alla enheter drevs av underleverantören redovisade Presto tal på 95 till 99 procent hos den största kunden, utan att det framgick att talen kom från underleverantören och inte var kontrollerade av Presto. Presto godtog föreläggandet utan att medge eller förneka och fick ingen sanktionsavgift, enligt SEC tack vare samarbetet under utredningen och de åtgärder bolaget vidtagit.

Ett automationstal säger bara något när man vet vem det räknar bort.

Nate, en shoppingapp som enligt grundaren slutförde köp med egen AI, är det grövre fallet, och brottmålet mot grundaren är fortfarande oavgjort. Enligt SEC:s stämningsansökan från april 2025 tog grundaren in över 42 miljoner dollar på påståendet, medan beställningarna under finansieringsrundorna i praktiken lades för hand av kontrakterad personal, främst i Filippinerna. En anställd ska i ett internt meddelande i juni 2021 ha beskrivit automationsgraden som "essentially zero", och ingenjörer ska ha stått redo bakom kulisserna när appen visades för investerare. Grundaren har nekat till brott i det parallella brottmålet, och anklagelserna är ännu inte prövade i domstol.

Delphia, en kapitalförvaltare, påstod att dess AI använde kundernas data i investeringsbesluten. Enligt SEC användes ingen sådan data. Bolaget gick i mars 2024 med på att betala 225 000 dollar i sanktionsavgift, utan att medge eller förneka.

I Prestos och Nates fall stod påståendet i det material en investerare läser, alltså investerarpresentationer och, för Prestos del, även pressmeddelanden och rapporter till SEC, medan beviset mot det fanns i driftsdata som bara bolaget kunde se. En granskning som stannar vid ledningens presentation ser alltså samma sak som investerarna såg.

Det säljaren visar går inte att kontrollera utifrån

Hamburgstudien visar varför det är svårt att se utifrån. 43 procent av bolagen påstod AI-förmågor utan något offentligt belägg som gick att granska. Av de 62 som angav prestandatal redovisade 49 varken källa eller metod, samma problem som gör leverantörernas benchmarksiffror svåra att jämföra. 76 procent nämnde inga begränsningar alls: inga gränsfall, ingen felmarginal och inget behov av mänsklig kontroll. Det belägg som fanns var oftast kundlogotyper, anonymiserade kundexempel och styrda demonstrationer, och forskarnas poäng är att säljaren styr vad var och en av dem visar. En logotyp bevisar en kundrelation, inte vad AI:n gjorde för kunden.

En köpare i en affär har det forskarna saknade: tillgång till datarummet. Det flyttar granskningen från vad bolaget säger till vad det kan visa i drift, och fyra frågor utnyttjar den tillgången bäst.

Den första gäller definitionen. Varje automationstal i presentationen ska ha en exakt definition: vad som räknas som ett ingrepp, och av vem. Prestos tal mätte bara ingrepp från restaurangens personal.

Den andra gäller ursprunget. Vems modell eller tjänst kör i drift i dag, och står beroendet i leverantörsavtalen och i det som sagts till kunderna? Att bygga på en inhyrd modell är normalt. Att presentera den som egen är det inte.

Den tredje gäller ekonomin. Kostnaden per utfört ärende ska räknas med människorna inräknade, oavsett om de sitter i bolaget, hos en underleverantör eller i en annan tidszon.

Den fjärde gäller tiden. Driftsdata över en period säger mer än en demonstration, eftersom en demonstration körs på indata som säljaren har valt. Hur en sådan granskning avgränsas till den tid affären ger beskrivs på sidan om AI i private equity.

Människan i loopen är inte beviset

Det finns en invändning som väger tyngre än den först ser ut. Att hitta människor bakom automationen bevisar ingenting i sig. Många AI-tjänster som fungerar väl är byggda så att människor granskar de svåra fallen, eftersom det är så kvaliteten hålls. Presto var inte ett sådant fall: i den ursprungliga versionen av bolagets egen teknik matade de anlitade medarbetarna in varje order, och en chef varnade internt för att AI:n inte gjorde något av arbetet. Skillnaden ligger i hur stor människornas andel är och om den redovisas, inte i att de finns.

Människor bakom automationen är en uppgift att pröva, inte ett avslöjande.

När det gäller människorna fann SEC två fel hos Presto: påståendet att människor inte behövdes, och att beroendet av dem inte redovisades. Inget av felen var att människorna fanns. Samma sak gäller den inhyrda tekniken: problemet var att beroendet inte redovisades tillräckligt, inte att leverantören användes. En granskning som markerar varje mänskligt steg och varje inhyrd modell som AI washing kommer att döma ut bolag som är bra affärer och samtidigt missa det som faktiskt avgör värdet, nämligen om ekonomin håller när människornas kostnad räknas in och om deras andel minskar i den takt planen förutsätter.

Kriteriet: bär AI-påståendet priset?

Stryk AI-påståendet ur investeringspromemorian och räkna om affären. Ändras multipeln, tillväxtantagandena eller värdeskapandeplanen, bär påståendet priset. Då ska det prövas i driftsdata enligt de fyra frågorna, med samma stränghet som intäkterna. Ändras ingenting är AI-påståendet marknadsföring. Det blir fortfarande en fråga inför exit, eftersom nästa köpare kommer att ställa den, men det är inte den fråga som förtjänar granskningstiden.

Den tiden förtjänar i så fall den motsatta risken: att AI slår mot det målbolaget säljer. I Alvarez & Marsals enkät till 83 seniora private equity-företrädare i elva europeiska länder, bland dem Sverige, Danmark och Norge, uppgav 80 procent att de väger in AI i investeringstesen som en drivkraft för värde. 57 procent pekade ut affärer med hög risk för AI-driven disruption som en av de situationer där en samlad due diligence ger mest.

Samma fråga ger alltså två olika granskningar. För ett målbolag vars pris vilar på AI är frågan om påståendet håller i driften. För ett målbolag vars pris inte gör det är frågan om AI hotar det bolaget säljer, och där är AI washing inte den största risken.