Vad en AI-mognadsanalys mäter, och vad den aldrig får påstå

I den största globala undersökningen av attityder till AI i arbetslivet säger 57 procent av medarbetarna att de undviker att berätta när de använt AI, och presenterar AI-genererat innehåll som sitt eget. Underlaget är drygt 48 000 personer i 47 länder, insamlat mellan november 2024 och januari 2025 av KPMG och University of Melbourne.

Den meningen är ett problem för varje mätning som bygger på att fråga. Om en majoritet döljer, mäter en enkät om AI-användning inte användningen. Den mäter viljan att berätta om den.

Det är också hela skillnaden mellan en diagnos och ett betyg. En mognadsanalys som består av en enkät och slutar i ett spindeldiagram mäter viljan att berätta. En som räknar det som lämnar spår i verksamheten mäter verksamheten. Båda säljs under samma namn, och de är inte samma sak.

Klyftan finns inte där den brukar antas

Antagandet är bekant från nästan varje förändringsprojekt: ledningen tror att den har informerat, medarbetarna tycker att ingen sagt något.

Den frågan är faktiskt ställd till båda sidor i samma undersökning. Special Eurobarometer 554, med fältarbete i april och maj 2024 och 26 415 svarande i samtliga 27 medlemsstater, frågade dels medarbetare om arbetsgivaren informerat dem om användningen av digital teknik inklusive AI för att styra arbetet, dels chefer om de sett till att de som de leder blivit informerade.

Fyra procentenheter. De två sidorna är i praktiken överens. Det är i sig ett resultat, och det är obekvämt för den sortens mognadsarbete som utgår från att ledningen har fel om sin egen organisation.

Klyftan finns någon annanstans

Den går inte mellan ledningens bild och medarbetarnas bild. Den går mellan vad någon över huvud taget berättar och vad som faktiskt sker.

I Oh, Behave!, National Cybersecurity Alliance och CybSafes årliga undersökning med över 7 000 svarande i sju länder, uppger 38 procent att de delat känslig arbetsinformation med AI-verktyg utan att arbetsgivaren vetat om det. Det är alltså människor som rapporterar om sitt eget beteende, i en fråga där ingen har något att vinna på att överdriva.

Samma undersökning visar varför.

Drygt hälften har aldrig fått någon utbildning i säker AI-användning. KPMG-studien landar oberoende på ungefär samma nivå: 47 procent säger sig ha fått AI-utbildning. Två olika undersökningar, olika populationer, olika frågeformuleringar, och båda hamnar kring hälften.

Varför en självrapport är ett golv och inte en nivå

Här går de tre undersökningarna ihop till något som ingen av dem säger var för sig.

KPMG-studien redovisar att nästan hälften medger att de använt AI på sätt som strider mot organisationens regler, att över hälften säger sig ha gjort fel i arbetet på grund av AI, och att bara två av fem uppger att det finns en policy som styr användningen av generativ AI över huvud taget.

Var och en av de siffrorna är obekväm. Men det är den första siffran i den här artikeln som avgör hur de ska läsas.

När samma population berättar att den döljer, är varje medgivande en undre gräns.

38 procent är minst 38 procent. Nästan hälften är minst nästan hälften.

Det är inget skäl att misstro undersökningarna. Det är ett skäl att läsa dem som golv, och att sluta behandla ett enkätsvar om regelbrott som en mätning av regelbrott.

Det är heller inget skäl att sluta fråga. Ett golv är användbart så länge det är märkt som ett golv, och det blir högre ju bredare det samlas in. Döljandet är rimligen inte jämnt fördelat, utan störst där den upplevda risken med att erkänna är störst, alltså närmast den som satt regeln. En mätning som bara når ledningsgruppen frågar därför den grupp som har minst att berätta. Samma frågor ställda i flera funktioner, ända ut till dem som utför arbetet, ger ett högre golv och en sannare bild.

Netskope mätte var arbetet sker i stället för att fråga

Golvet går att pröva mot något annat än fler frågor. Netskope AI Report: 2026 vilar inte på vad någon uppger, utan på aggregerad användningsdata från Netskopes egen plattform, insamlad mellan juni 2025 och juli 2026. Rapporten anger att 56 procent av AI-användarna enbart använder AI-applikationer som organisationen hanterar, 14 procent använder både organisationens och egna personliga applikationer, och 30 procent använder enbart personliga applikationer.

Trettio procent av de uppmätta användarna arbetar alltså uteslutande i konton som organisationen inte äger, och ytterligare fjorton procent i båda. Det är inte en fråga om vad någon vill berätta. Det är en registrering av var arbetet sker.

Talet ska läsas för vad det är. Netskope anger inte hur många organisationer eller användare som ingår, och rapporten preciserar inte om mätningen bara täcker hanterade enheter. Det är alltså en observation ur en kundbas av okänd storlek, inte en representativ andel av svenskt eller nordiskt arbetsliv.

Värdet ligger i metoden. Enkäten säger att en majoritet döljer. Användningsdatan säger att en betydande del av arbetet sker i konton som organisationen inte ser. Två olika sätt att närma sig samma fråga pekar åt samma håll, och den siffra en organisation kan ta fram om sig själv är därför ett golv oavsett hur ärligt medarbetarna svarar. Det är skälet att mäta på fler ställen än ett.

Vad en mognadsanalys kan mäta

Tre saker, och de har det gemensamt att de lämnar spår som inte kräver att någon berättar något.

Vad som är skrivet. Finns en policy, och vad står det i den? Bara två av fem uppger att en sådan finns. Det är en fråga med ett kontrollerbart svar, och svaret är förvånansvärt ofta nej.

Vad som är betalt och vad som faktiskt används. Licenser, konton och inloggningar går att räkna utan att fråga någon. Det är samma mätning som ligger bakom frågan om vilka AI-verktyg som faktiskt används, och den är ärlig av samma skäl: en inloggning är inte en åsikt.

Var arbetet tar tid. Mätt på arbetet, inte på personen. Hur lång tid tar ett ärende från inkomst till avslut, hur många gånger byter det händer, var står det stilla. Den mätningen bryr sig inte om vem som använt vilket verktyg, och därför finns det inget att dölja i den.

Vad varje siffra i rapporten ska märkas med

Märkningen ska säga vad siffran är, och tre förväxlingar är de som märkningen finns till för att förhindra.

En branschsiffra som er nivå. KPMG-studien anger 58 procent som avsiktligt använder AI i arbetet, varav 31 procent varje vecka eller oftare. EY:s Work Reimagined 2025, med 15 000 medarbetare och 1 500 arbetsgivare i 29 länder i augusti 2025, anger 88 procent som använder AI i arbetet i någon utsträckning. Nio månader emellan, olika populationer, olika frågeformuleringar. Skillnaden är inte en utveckling som går att extrapolera, och ingen av siffrorna är er. Ett riktmärke duger till att formulera en fråga, inte till att besvara den.

Ett självskattat värde som ett uppmätt. Hur AI-kunnig någon bedömer sig vara säger något verkligt om självförtroende, och självförtroendet är i sig användbart, särskilt när det skiljer sig kraftigt mellan funktioner i samma organisation. Men det är inte förmåga, och en rapport som låter de två stå i samma kolumn har gjort läsaren en otjänst.

Ett enkätsvar om regelefterlevnad som en mätning av regelefterlevnad. Det går att fråga, och svaret blir ett golv. Det går att mäta tekniskt i vissa system, och då mäter man de system som loggar.

Vad slutsatsen blir

EY:s undersökning noterar att mellan 23 och 58 procent tar med egna AI-verktyg till arbetet beroende på bransch, samtidigt som bara 28 procent av organisationerna bedöms ha förutsättningarna att omsätta införandet i något av värde. Bilden av en organisation där användningen redan pågår och styrningen inte hunnit i kapp är alltså inte en gissning.

Den praktiska följden är enklare än den brukar framställas. Om drygt hälften aldrig har fått utbildning i säker användning, så riktar sig en ny regel mot människor som inte vet vad risken består i. En regel som inte går att följa medvetet producerar framför allt tystnad, och tystnaden är precis det som gör nästa mätning oanvändbar.

Utbildning före policy, alltså. Inte för att utbildning är trevligare, utan för att det är den enda av de två som gör den efterföljande mätningen ärlig.

Och när mätningen görs: räkna det som lämnar spår, ställ frågorna på bredden i stället för bara i toppen, och skriv ut för varje siffra i rapporten vilken av de två den är. Det är ett annat arbete än att skicka ut en enkät, och det är det arbetet som gör siffrorna användbara.

En mognadsanalys som inte skiljer på det ger ett betyg. En som gör det ger ett underlag som går att fatta beslut på.