AI washing har snabbt blivit ett reellt problem när svenska försäljningschefer utvärderar nya sälj-verktyg. Allt fler leverantörer marknadsför ”AI” som om det vore en funktion i sig, men i praktiken kan det handla om allt från enklare automatisering till en extern chattbot som inte är integrerad i arbetsflödet. Resultatet blir att inköp drivs av förväntningar snarare än av verifierbar effekt.
Det här är inte en teknikfråga i första hand. Det är en styrnings- och riskfråga: vad köper ni egentligen, vilka beroenden skapar ni och vilka beslut kommer ni att fatta på systemets rekommendationer? I en tid där AI letar sig in i både prospektering, CRM-hygien, forecasting och coachning räcker det inte att ”testa och se”. Ni behöver en tydlig due diligence som matchar affärskritiska verktyg.
Poängen är inte att misstänkliggöra alla lösningar. Poängen är att skilja verklig produktkapacitet från marknadsretorik, och att göra det innan ni låser in data, processer och säljledningens arbetssätt i ett nytt verktyg.
Varför AI washing biter särskilt hårt i försäljning
Försäljning är extra sårbart för AI washing eftersom löftet ofta kopplas till intäkter, tempo och ”precision”. När ett verktyg påstår sig kunna prioritera rätt leads, föreslå nästa bästa aktivitet eller förutse kvartalet skapas en implicit idé om att modellen ser mer än vad säljorganisationen gör. Det gör att tekniken riskerar att få auktoritet utan att ni har granskat grunderna.
Problemet förstärks av att många AI-funktioner ligger ovanpå redan svajiga datakällor: ostrukturerade anteckningar, ofullständig aktivitetsspårning, felaktiga branschklassificeringar och en pipeline som ofta innehåller mer vilja än verklighet. Om input är bristfällig blir ”AI” lätt en snygg visualisering av osäkerhet. Då får ni inte bara ett sämre beslutsunderlag – ni kan också cementera fel beteenden, till exempel att reps jagar fel konton för att systemet säger så.
Vad leverantören menar med AI – och vad som faktiskt levereras
Första steget i en seriös utvärdering är att tvinga fram precision i begreppen. När en leverantör säger ”AI” behöver ni veta om de menar regelbaserad automation, klassisk maskininlärning eller generativ AI. Skillnaden spelar roll, eftersom det påverkar krav på data, transparens, säkerhet och hur ni kan felsöka beteendet.
Be om en tydlig funktionsbeskrivning som skiljer på: vad som är produktens egna modeller, vad som är tredjepartsmodeller och vad som är enkla regler. Fråga också var i arbetsflödet AI faktiskt används. Det är stor skillnad på en funktion som påverkar prioritering och forecasting jämfört med en som bara sammanfattar mötesanteckningar. Ju mer beslutspåverkan, desto högre krav på styrbarhet och spårbarhet.
Här avslöjas AI washing ofta: när leverantören inte kan beskriva begränsningar, fallgropar eller vilka typer av data som krävs för att nå de utlovade effekterna. En mogen aktör kan förklara när modellen misslyckas, inte bara när den glänser.
Due diligence som fokuserar på risk, inte bara funktion
En bra due diligence för AI i säljverktyg handlar om tre saker: datagrund, ansvar och förändringspåverkan. Datagrund innebär att ni granskar vilka datakällor verktyget använder och vad som krävs av er. Drar det data från e-post och kalender, CRM, telefoni eller mötesplattformar? Vad händer om endast delar av organisationen kopplar på sina konton? Då riskerar ni snedvridna insikter och en intern debatt om varför ”AI:n inte stämmer”.
Ansvar handlar om vem som står för rekommendationerna i praktiken. Om verktyget föreslår att ett konto ska nedprioriteras eller att en affär är i riskzonen: kan ni se vilka signaler som drev slutsatsen? Finns det loggning som går att använda i efterhand när ni utvärderar träffsäkerhet? Utan detta blir det svårt att coacha på ett professionellt sätt, eftersom reps inte kan förstå vad de förväntas göra annorlunda.
Förändringspåverkan är ofta det som avgör ROI. Ett nytt verktyg ändrar beteenden: vad som mäts, vad som anses vara ”rätt aktivitet” och hur säljarna prioriterar sin tid. Om ni inte tar höjd för detta blir AI-funktionerna en parallell verklighet som varken säljledning eller team litar på.
Inköp: frågor som avslöjar substans utan att fastna i teknik
Ni behöver inte bli data scientists för att göra en skarp utvärdering, men inköp måste driva fram konkreta svar. Be leverantören beskriva vilka resultat de kan garantera på funktionsnivå och vilka de inte kan garantera. Många blandar ihop ”kan ge förslag” med ”kommer förbättra utfallet”. Det är olika saker, och det ska prissättning och avtal spegla.
Be också om exempel på när verktyget inte bör användas, och hur de rekommenderar att säljchefer sätter ramar. En seriös leverantör kan beskriva hur man inför ”human-in-the-loop” i praktiken: vilka beslut som ska verifieras, vilka som kan automatiseras och hur man undviker att reps börjar spela systemet. Om svaren blir allmänna eller helt saknar trade-offs är det en varningssignal för AI washing.
Slutligen: fråga vad som händer när ni vill lämna. Dataexport, modellberoenden och historik är inte juridiska detaljer, de är operativa risker. Om verktyget kräver att er process anpassas hårt till deras sätt att definiera pipeline och aktivitet kan ett framtida byte bli dyrt, även om licenskostnaden är låg.
Hur du som försäljningschef behåller styrning när AI flyttar in
Oavsett verktyg är styrning er försäkring. Definiera tidigt vilka KPI:er som får påverkas av AI-rekommendationer och vilka som bara får informeras. Om ni låter ett system styra prioritering behöver ni samtidigt sätta en rutin för att kalibrera: jämför rekommendationer med faktiska utfall, och gör det regelbundet. Annars riskerar ni att ”förbättring” blir något ni känner, inte något ni kan visa.
Förankra också internt vad AI ska lösa. Är målet högre aktivitet, bättre kvalitet i pipeline, kortare säljcykler eller bättre coachning? Om ni inte kan formulera det blir utvärderingen lätt en skönhetstävling mellan demos. Då vinner ofta den leverantör som är bäst på storytelling, inte den som passar ert sätt att sälja.
AI washing är i grunden ett ledningsproblem: när begrepp ersätter bevis och när inköp går snabbare än er förmåga att styra konsekvenserna.
Nästa steg: boka en strukturerad leverantörsgenomgång där ni kräver tydlighet kring vad ”AI” betyder, hur due diligence ska göras och vilka beslut i er säljprocess som faktiskt ska få påverkas av verktyget.
