Ledarskap och AI – vad visar den senaste forskningen?

En chef behöver ta fram ett beslutsunderlag. AI kan hjälpa till att sammanställa material, formulera alternativ och föreslå frågor att undersöka. Därefter återstår att bedöma vad underlaget betyder för just den här verksamheten. Vilka uppgifter är tillförlitliga? Vilka perspektiv saknas? Vad behöver diskuteras med dem som berörs?

Frågan om ledarskap och AI rymmer därför både möjligheter att få hjälp i arbetet och förändringar i hur arbetet organiseras. Vem gör vad när AI deltar? Hur påverkas relationerna i gruppen? Vilket utrymme får ledaren att använda och utveckla sitt omdöme?

Forskning publicerad under 2026 ger flera ingångar. Här presenteras ett urval, tillsammans med praktiska frågor att arbeta vidare med. Tyngdpunkten ligger på generativ AI, som producerar exempelvis text och förslag, men även på hur AI mer generellt kan förändra ledarrollen.

AI kan förändra vad samarbete åstadkommer

I ett förregistrerat fältexperiment undersökte Dell’Acqua och kollegor (2026) hur generativ AI påverkade innovationsarbete vid Procter & Gamble. Den publicerade artikeln omfattar 791 yrkesverksamma som slumpmässigt fick arbeta individuellt eller i par, med eller utan AI, med verkliga produktutvecklingsproblem.

Personer som arbetade individuellt med AI nådde samma prestationsnivå som par utan AI i de undersökta uppgifterna. AI-användarna tog också fram förslag med en jämnare balans mellan tekniska och kommersiella perspektiv, oavsett sin egen yrkesbakgrund. Forskarna fann dessutom att mänsklig bedömning fortsatt hade betydelse när idéer skulle väljas ut.

Det är ett resultat om avgränsat innovationsarbete. Studien visar inte att arbetsgrupper generellt kan ersättas eller att samma utfall gäller över tid och i andra verksamheter.

För ledaren väcker detta en praktisk fråga: vilka bidrag behöver gruppmedlemmarna ge varandra när vissa underlag också kan tas fram med AI? En rimlig lokal prövning är att skilja mellan att generera alternativ, dela verksamhetsspecifik kunskap och värdera förslag. Gruppen kan sedan undersöka hur dessa delar bäst fördelas.

Tidsvinster förändrar inte automatiskt organisationen

Dillon och kollegor beskriver i en artikel under utgivning i American Economic Review: Insights ett randomiserat fältexperiment i 66 företag med 7 137 kunskapsarbetare. Tillgång till ett AI-verktyg integrerat i befintliga arbetsprogram lottades mellan deltagarna.

Under experimentets andra hälft lade de användare som tog verktyget i bruk ungefär två timmar mindre per vecka på e-post och arbetade mindre utanför ordinarie arbetstid. Forskarna kunde däremot inte upptäcka förändringar i mängden eller sammansättningen av arbetsuppgifter utöver de individuella tidsvinsterna. Resultatet gäller det undersökta upplägget och perioden.

Min tolkning för ledarskapets del är att användningen behöver följas på flera nivåer. Om en medarbetare blir snabbare med en uppgift behöver gruppen fortfarande avgöra hur arbetet ska samordnas. Frigjord tid kan användas till återhämtning, fördjupning eller andra uppgifter. Vilket syfte som prioriteras behöver göras tydligt och följas upp.

Ledarskap när gruppen arbetar med AI

Ergün, Baer och Plattfaut (2026) undersökte generativ AI i ett större försäkringsbolag. Underlaget omfattade bland annat 20 intervjuer och verksamhetsdokument. De beskriver hur införandet aktualiserar teknikförståelse, lärande, kommunikation och hantering av medarbetares oro.

De diskuterar också en möjlig förskjutning mot att samordna samarbetet mellan människor och AI. Här behövs en viktig precisering: delar av materialet om utvecklingen på medellång sikt bygger på intervjupersonernas resonemang kring ett framtidsscenario. Det är alltså inte en uppföljning som redan har observerat hela denna förändring.

Fallstudien ger frågor att undersöka i andra organisationer, men kan inte ensam visa hur alla ledarroller kommer att utvecklas.

I den egna verksamheten går det exempelvis att klargöra vem som formulerar uppgiften till AI, vem som granskar resultatet och hur det förs in i gruppens fortsatta arbete. På så sätt blir samarbetet synligt. Det ger också underlag för samtal om ledarskapskompetens: vilka kunskaper och färdigheter behöver utvecklas när arbetsfördelningen ändras?

Vad händer med ledarens eget arbete?

Tafvelin, Forsgren och Stenling (2026) föreslår att AI:s betydelse för ledarskap ska undersökas som en fråga om arbetets utformning. Deras artikel publicerades online i september 2026. Den är ett teoretiskt bidrag som formulerar möjligheter, risker och en forskningsagenda.

Författarna diskuterar hur AI kan påverka bland annat ledarens handlingsutrymme, lärande, relationer och arbetsbelastning. Administrativ avlastning och bättre stöd kan berika arbetet. Samtidigt kan förändrad arbetsfördelning medföra förlust av färdigheter, ökad övervakning och svagare social kontakt. Vilka konsekvenser som uppstår behöver undersökas empiriskt.

Deras resonemang ger en användbar kontrollfråga vid ett införande: vilket arbete får ledaren kvar? Om rutinuppgifter minskar kan det exempelvis bli mer tid för dialog. Men gruppen behöver också undersöka om kontrollen av AI-resultat tar ny tid eller om kraven ökar på andra sätt.

Att ställa frågor kan vara en ledarskapsförmåga även med AI

Weidmann, Xu och Deming (2025) beskriver i ett arbetsmanus ett förregistrerat laboratorieexperiment där deltagare ledde både AI-agenter och mänskliga grupper i problemlösning. Prestation i AI-uppgiften kunde förutsäga ledarskapsprestation med människor. Framgångsrika deltagare ställde fler frågor och använde mer turtagning i samtalen.

Detta är en avgränsad experimentell miljö, och arbetsmanuset ska skiljas från en färdig tidskriftsartikel. Studien visar inte att ett AI-test kan användas som en generell bedömning av chefers lämplighet. Den ger däremot en intressant ingång till fortsatt forskning om hur interaktion bidrar till ledarskap.

Som egen övning kan en ledare jämföra två arbetssätt: att direkt be AI ge en lösning och att först precisera problemet genom följdfrågor och prövning av antaganden. Resultaten behöver bedömas mot verkligt underlag. Ett välformulerat svar är i sig inget kvalitetskriterium.

Fyra sätt att pröva AI som ledarstöd

Följande är praktiska förslag för lokal prövning, inte en metod som har validerats av de fem studierna tillsammans.

Uppgift	Möjligt stöd från AI	Vad ledaren och gruppen behöver bedöma
Förbereda ett beslut	Strukturera underlag och formulera alternativ.	Vilket källstöd finns, vilka antaganden görs och vad saknas?
Förbereda ett samtal	Föreslå öppna frågor och möjliga invändningar utifrån en konstruerad situation.	Vilka frågor passar relationen, uppdraget och det aktuella samtalet?
Planera en förändring	Skissa flera genomförandealternativ med tydligt angivna förutsättningar.	Är alternativen genomförbara och vilka behöver delta i bedömningen?
Stödja lärande	Föreslå reflektionsfrågor efter ett anonymiserat eller fiktivt händelseförlopp.	Vilka tolkningar har stöd och vad behöver prövas med dem som var med?

En konkret början är att välja en återkommande uppgift och bestämma vad som ska bli bättre. Jämför sedan tidsåtgång, kvalitet och behov av efterarbete. Räkna in granskningen. Anteckna också vilken kunskap som krävdes för att upptäcka brister.

Delaktighet och ansvar behöver finnas i arbetsformen

Anta att AI används för att sammanfatta medarbetares synpunkter inför en förändring. Innan sammanfattningen blir beslutsunderlag behöver det finnas ett sätt att jämföra den med ursprungsmaterialet och fånga sådant som försvunnit. De som lämnat synpunkter kan behöva möjlighet att korrigera hur deras bidrag har tolkats.

Detta är ett eget tillämpningsexempel. Det anknyter till frågorna om ledarskap och delaktighet: vem kan bidra till problemformuleringen, vem kan invända och hur märks det i det fortsatta arbetet?

Ett annat beslut gäller vilken information som får användas i den valda tjänsten. Det behöver vara utrett innan material om personer eller verksamheten lämnas dit. För att pröva en arbetsform kan fiktiva fall ofta ge ett första underlag utan att verkliga individärenden behöver användas.

I ett genomtänkt arbetssätt bör det också framgå vem som granskar, fattar beslut och tar hand om fel. Här finns en koppling till ledarskap och etik. Utgångspunkten här är att den som använder AI i ledarskapsarbetet behöver kunna redogöra för hur underlaget har bedömts och varför det används.

Vilket ledarskap vill vi utveckla med AI?

Den aktuella forskningen erbjuder flera olika slags kunskap: experiment om prestation och arbetsmönster, en fallstudie om införande och teoretiska frågor om ledarrollens utformning. Tillsammans ger de skäl att undersöka konkreta arbetsformer. De ger ännu ingen universell modell för ett framgångsrikt AI-ledarskap.

För den egna verksamheten blir därför frågorna specifika. Vad vill vi förbättra? Hur fördelar vi uppgifterna? Hur ska kvaliteten bedömas? Vilka möjligheter får människor att lära, bidra och påverka? Svaren gör det möjligt att följa om AI-användningen faktiskt stödjer det ledarskap och den verksamhet vi vill utveckla.

Referenser

Dell’Acqua, F., Ayoubi, C., Lifshitz, H., Sadun, R., Mollick, E., Mollick, L., Han, Y., Goldman, J., Nair, H., Taub, S., & Lakhani, K. R. (2026). The cybernetic teammate: A field experiment on generative AI and teamwork. Organization Science, 37(4), 1217–1242. https://doi.org/10.1287/orsc.2025.20702

Dillon, E. W., Jaffe, S., Immorlica, N., & Stanton, C. T. (under utgivning). Shifting work patterns with generative AI. American Economic Review: Insights. https://doi.org/10.1257/aeri.20250275

Ergün, A., Baer, M., & Plattfaut, R. (2026). Leading GenAI-equipped teams: Recalibrating leadership in the age of generative artificial intelligence. Journal of Information Technology. Publicerad online före volymplacering. https://doi.org/10.1177/02683962261428154

Tafvelin, S., Forsgren, M., & Stenling, A. (2026). Redesigning the leader role for the age of artificial intelligence: A work design challenge. The Journal of Applied Behavioral Science. Publicerad online före volymplacering. https://doi.org/10.1177/00218863261488834

Weidmann, B., Xu, Y., & Deming, D. J. (2025). Measuring human leadership skills with AI agents (NBER Working Paper No. 33662). National Bureau of Economic Research. https://doi.org/10.3386/w33662

Ledarskap

Allt du behöver veta om att leda på olika nivåer och i olika organisationer