INSTITUTIONEN FÖR TEKNIKENS EKONOMI OCH ORGANISATION AVDELNINGEN FÖR INNOVATION AND R&D MANAGEMENT CHALMERS TEKNISKA HÖGSKOLA Göteborg, 2025 www.chalmers.se En Smartare Administration med Artificiell Intelligens Hur kan en företagsprocess för löneadministration optimeras med hjälp av AI. Examensarbete inom högskoleingenjörsprogrammet Ekonomi och produktionsteknik, EPI Emma Olsson Natasha Tarnanen En Smartare Administration med Artificiell Intelligens Hur kan en företagsprocess för löneadministration optimeras med hjälp av AI. Emma Olsson Natasha Tarnanen TEKNIKENS EKONOMI OCH ORGANISATION Avdelning för Innovation and R&D Management CHALMERS TEKNISKA HÖGSKOLA Göteborg, Sverige 2025 En Smartare Administration med Artificiell Intelligens Hur kan en företagsprocess för löneadministration optimeras med hjälp av AI. Emma Olsson Natasha Tarnanen © Emma Olsson, 2025 © Natasha Tarnanen, 2025 Teknikens ekonomi och organisation Chalmers tekniska högskola 412 96 Göteborg Sverige Telefon + 46 (0)31-772 1000 Omslag: En bild som återspeglar administration och artificiell intelligens. (Skapad med OpenAI, 2025) Göteborg, Sverige 2025 Göteborg, Sverige 2025 En Smartare Administration med Artificiell Intelligens Hur kan en företagsprocess för löneadministration kan optimeras med hjälp av AI. Emma Olsson Natasha Tarnanen Institutionen för Teknikens ekonomi och organisation Chalmers tekniska högskola SAMMANFATTNING Förra året använde över 40% av alla EU:s stora företag sig utav AI och ett av företagen som vill utvecklas med AI är Derome, vilket detta examenarbete utfördes tillsammans med. Syftet med arbetet var att undersöka hur löneadministrationens processer kan effektiviseras med hjälp av befintliga AI-verktyg på marknaden. Arbetet baseras på en kvalitativ fallstudie där metoder som observationer, kartläggningar, intervjuer och litteratursökning har genomförts. Observationer av lönehanteringen genomfördes under studiens start där forskarna följde processen från start till slut. Dessa observationer lade grunden till nulägesanalysen där en as-is kartläggning och identifiering av problemområden gjordes. Semistrukturella intervjuer genomfördes med löneadministrationens processaktörer för att få en bättre bild av processens olika delar samt aktörernas inställning kring lönehanteringen. Resultatet visar att löneadministration kan effektiviseras med hjälp av AI-verktyg men att automatiseringen/optimeringen är begränsat av dagens AI-verktyg. Det främst förekommande verktyget som resultatet visade på var en chatbot. En chatbot möjliggör reducering av manuella steg inom exempelvis ärendehantering genom att svara på repetitiva frågor med hjälp av standardiserade svar. Det visades även finnas program/system som genomför granskningar och felsökningar i löneprocessen. Slutsatsen är att AI har stor potential inom HR och löneadministration för optimering av processer, men att AI fortfarande är i en tidig utvecklingsfas inom detta område. AI skapar möjligheter men även problem. Det största problemet idag är hanteringen av känslig data inom löneadministration då det ännu inte finns ett säkert sätt att hantera det. Eftersom utvecklingen går fort fram kommer arbetets slutsatser förmodligen vara inaktuella inom en snar framtid och därför krävs vidare forskning framöver. AI kommer att ha en stor roll i framtiden och därför bör företag se det som en långsiktig investering. Nyckelord: AI, Administration, Löneprocess, Optimering, Företagsutveckling ABSTRACT In the past year, over 40% of all major companies in the EU utilized AI and one company that aims to develop with AI is Derome, which this thesis was conducted in collaboration with. The purpose of the work was to investigate how payroll administration can be made more efficient using existing AI tools on the market. The research is based on a qualitative case study where methods such as observations, mapping/survey, interviews and literature study have been used. Observations of the payroll administration were carried out during the start of study where the researchers followed the process from start to finish. These observations laid the foundation for the current situation analysis where an as-is survey and identification of the problem areas that were made. Semi- structural interviews were conducted with the process actors in the payroll process to get a better picture of the different parts of the process and the actors’ attitudes regarding payroll management. The results show that payroll administration can be streamlined with the help of AI tools, but that automation/optimization is also limited with today’s AI tools. The most common tool that was found was a chatbot. Chatbots enables the reduction of manual steps in, for example, ticket handling by answering repetitive questions with the help of standardized answers. There were also programs/systems that carry out audits and troubleshooting in the payroll process. The conclusion is that AI has a great potential in HR and payroll administration for optimization of processes but is still in an early development phase in this area. AI creates opportunities but also problems. The biggest problem today is the handling of sensitive data in payroll administration as there is not yet a secure way to handle this. Since the development is progressing rapidly, the conclusions of this work will probably be out of date in the near future and therefore further research is required in the forthcoming. However, AI will have a major role onwards and therefore companies should see it as a long-term investment. Keywords: AI, Administration, Payroll, Optimizing, Business Development vii Förord Denna rapport är ett examensarbete som är gjort inom programmet Ekonomi och produktionsteknik på Chalmers tekniska högskola i Göteborg, Sverige. Det utfördes under vårterminen 2025 som ett samarbete mellan företaget Derome och studenterna på högskolan. Därav skulle vi vilja uttrycka ett stort tack till Derome som gav oss denna möjlighet att utföra vårt arbete hos er. Både för forskningsprojektet och för välkomnandet av alla anställda på företaget och chansen att arbeta inom era väggar. Ett stort tack till vår handledare på plats Kristin som har varit väldigt vänlig, förstående och hjälpsam mot oss. Det kändes mycket tryggt att ha dig vid vår sida under denna period. Vi skulle även vilja tacka resterande delen av löneadministrationen som även ni har varit mycket tillmötesgående och som lät oss jobba vid er sida. Er hjälpsamhet uppskattades verkligen. Vi vill även tacka övriga deltagare för ert bidrag och samarbete samt även vår akademiska handledare Anderas för ditt stöd och vägledning under detta arbete. Det har varit ett mycket lärorikt projekt och gett viktiga erfarenheter. Tack. Emma Olsson Natasha Tarnanen Göteborg, 2025 viii ix Förkortningar Förekommande förkortningar i uppsatsen är: AI = Artificiell Intelligens BPM = Business Process Management ERP = Enterprise Resource Planning EU = Europeiska unionen FAQ = Frequently Asked Questions GDPR = General Data Protection Regulation HR = Human Resources HRM = Human Resource Management LLM = Large Language Models ML = Machine learning NMT = Neural Machine Translation OCR = Optical Character recognition VLS = Verksamhetsledning system x xi Innehållsförteckning 1. INLEDNING ................................................................................................................................................................... 1 1.1 BAKGRUND ..................................................................................................................................................................................... 2 1.2 SYFTE ................................................................................................................................................................................................ 3 1.3 FRÅGESTÄLLNING ......................................................................................................................................................................... 4 1.4 AVGRÄNSNINGAR ......................................................................................................................................................................... 4 1.5 FÖRETAGSPRESENTATION .......................................................................................................................................................... 4 2. TEORI .............................................................................................................................................................................. 5 2.1 PROCESSFÖRBÄTTRING OCH NÅGRA AV DESS TEKNIKER .................................................................................................. 6 2.1.1 Lean administration ................................................................................................................................................................ 7 2.1.2 En översiktlig bild av BPM och processutveckling .................................................................................................... 8 2.1.3 Kartläggning som verktyg .................................................................................................................................................... 9 2.2 AI OCH AUTOMATISERING I AFFÄRSPROCESSER .............................................................................................................. 11 2.2.1 Byggstenar och begränsningar inom AI: Maskininlärning, språkmodeller och hallucinationer .......... 12 2.3 ANVÄNDARACCEPTANS VID IMPLEMENTERING AV AI ................................................................................................... 13 2.3.1 Technology Acceptance Model (TAM) ......................................................................................................................... 14 2.3.3 Förändringsmotstånd .......................................................................................................................................................... 14 2.4 ETIK, RISKER OCH UTMANINGAR KRING AI ....................................................................................................................... 15 2.4.1 Rättsliga ramar för AI-användning ............................................................................................................................... 17 2.5 TIDIGARE STUDIER OM AI I HR OCH LÖNEADMINISTRATION ....................................................................................... 18 3. METOD ........................................................................................................................................................................ 20 3.1 FORSKNINGSSTRATEGI ............................................................................................................................................................. 21 3.2 DATAINSAMLING ........................................................................................................................................................................ 22 3.2.1 Litteratursökning .................................................................................................................................................................. 22 3.2.2 Kvalitativ fallstudie .............................................................................................................................................................. 23 3.3 ANALYS ......................................................................................................................................................................................... 26 3.4 KVALITET OCH ETIK .................................................................................................................................................................. 27 4. RESULTAT ................................................................................................................................................................. 29 4.1 NULÄGESANALYS AV PROCESSEN ......................................................................................................................................... 30 4.1.2 Analys av nuläges problem ............................................................................................................................................... 34 4.3 INTERVJURESULTAT .................................................................................................................................................................. 35 4.3.1 Digitaliseringsperspektivet för Derome ....................................................................................................................... 35 4.3.2 Processaktörers perspektiv ............................................................................................................................................... 37 4.3.3 Systemleverantörernas perspektiv .................................................................................................................................. 38 4.4 DATAINSAMLING FRÅN FÖRETAGSWEBBSIDOR ................................................................................................................ 43 4.4 SAMMANSTÄLLNING AV RESULTAT ...................................................................................................................................... 44 4.4.1 Optimering av process ........................................................................................................................................................ 45 5. DISKUSSION .............................................................................................................................................................. 50 5.1 AI OCH VERKSAMHETSFÖRBÄTTRINGAR: RESULTATANALYS ..................................................................................... 51 5.2 UTMANINGAR OCH RISKER ...................................................................................................................................................... 53 5.2.1 Risker kring ensamleverantör .......................................................................................................................................... 55 5.2.2 Användaracceptans .............................................................................................................................................................. 56 6. SLUTSATS ................................................................................................................................................................... 57 7. REKOMMENDATIONER ....................................................................................................................................... 59 8. FRAMTIDA FORSKNING ...................................................................................................................................... 60 LITTERATURFÖRTECKNING ................................................................................................................................ 61 A. BILAGOR ....................................................................................................................................................................... I A.1: INTERVJUMALL FÖR PROCESSAKTÖRER HOS DEROME ...................................................................................................... I xii A.2: INTERVJUMALL FÖR LÖNESPECIALIST FÖR ETT ANNAT FÖRETAG ............................................................................... III A.3: INTERVJUMALL FÖR SYSTEMLEVERANTÖRER ................................................................................................................... IV TABELL A1: TABELL ÖVER AKTUELLA SYSTEM ........................................................................................................................ VI TABELL A2: FÖRKLARING AV SYMBOLER. BASERAT PÅ CAMUNDAS SYMBOLGUIDE (CAMUNDA, U.Å.). .............. VI 1 1. Inledning 1. Inledning Syftet med detta kapitel är att beskriva bakgrunden till uppsatsen för att ge en översiktsbild över det arbete som utförts. För att dessutom förtydliga arbetet kommer syftet och dess frågeställning att presenteras samt avgränsningar om vad som ingår och inte ingår i arbetet. 2 1. Inledning 1.1 Bakgrund Flera organisationer i olika länder har börjat modifiera sin verksamhet för att kunna ta del av användningen av Artificiell Intelligens (AI) (Singla et al., 2025). AI kan användas för att skapa möjligheter och optimera processer, vilket bidrar till effektivisering av arbetsprocesser och ökad produktivitet (Europaparlamentet, 2025a). Dessutom kan teknologin skapa nya jobbmöjligheter exempelvis inom underhåll, utveckling och övervakning av teknologi. Men användningen av AI kan leda till jobbförluster om maskiner ersätter den mänskliga arbetskraften. AI är en trend som bara ökar från år till år och 2025 är ett år där teknologins potential kommer att utvecklas (Nyhan, 2024). AI-modeller kommer bli ännu mer användbara i framtiden, genom att bland annat ändra sättet vi jobbar på och/eller på ett eller annat sätt stödja vardagslivet. Under 2024 effektiviserades AI-modellerna för att arbeta snabbare och de har även kapacitet att resonera kring en output. I framtiden kommer AI att bli ännu mer exakt och ha en ökad emotionell intelligens. En fördel med AI är att det kan bidra till en säkrare arbetsmiljö genom att låta AI i form av robotar eller maskiner utföra de farliga arbetsuppgifterna som annars skulle vara en risk för människor (Europaparlamentet, 2025a). Samtidigt finns det även en risk kring AI:s säkerhet. Säkerhetshot är en betydande nackdel, speciellt om det integreras med människor, eftersom system kan bli hackade, felkonstruerade eller utsättas för missbruk. Detta kan utgöra risker för både individer, företag och samhälle. Ett område som använder sig mycket av datahantering är processer inom löneadministrationen. Många digitala tjänster som erbjuds för företag idag handlar om hur de kan erbjuda färdiggjorda system som kan räkna ut löner och framställa färdiga löneregister och avtal. Den fullständiga löneadministrationsprocessen innefattar ytterligare områden som står i behov av förbättring. Ett problem med löneadministrationen är mängden repetitiva arbetsuppgifter inom löneprocessen. De repetitiva uppgifterna utförs många gånger manuellt, vilket tar tid och därmed minskar produktiviteten samt effektiviteten. Därav letar företag aktivt efter nya lösningar för att underlätta processen. Detta sker ofta med hjälp av digitalisering, men AI är ett verktyg som har stor potential inom området. Enligt en undersökning av Eurostat (2025) använder 41,17% av alla Europeiska unionens (EU:s) större företag någon form av AI-teknologi och 25% av alla Sveriges verksamheter använder AI i 3 1. Inledning praktiken. I undersökningen ser man även att av den teknologi som används står information och kommunikationsaktiviteter för nästan 50% och administration för ungefär 15%. En rädsla för många är att AI kan ta över en människas arbete genom att effektivisera och utföra deras nuvarande arbetsprocesser bättre. Det finns även en oro kring missbrukning av känslig data. Detta har lett till en diskussion kring införandet av en sådan teknologi och att ta hänsyn till användaracceptans blir därav en viktig faktor. Implementering av nya processer kan bli komplicerat om motstånd finns. Utifrån en undersökning tror 46% personer inom verksamheter i världen att AI kommer att minska antalet anställda inom HR (Human Resources), men 15% tror också att det kommer att öka (Singla et al., 2025). Ett företag som står i behov av förbättring är Derome som detta examensarbete genomförs i samarbete med. Syftet med arbetet är att effektivisera deras löneprocess, vilket kan ske med hjälp av alternativt AI-verktyg för att reducera repetitiva eller manuella arbetsuppgifter. Administration ska vara så enkel som möjligt och inte bli en administrativ börda. 1.2 Syfte Huvudsyftet för denna rapport och examensarbete är att undersöka om AI kan optimera löneprocessen inom löneadministration för att utveckla ett företag. Utvecklingen bör förbättra kvalitet, noggrannhet och dessutom reducera repetitiva arbetsuppgifter samt onödig arbetskraft. Utfallet som arbetet resulterar i ska dessutom stärka företagets kärnvärden: enkelhet, drivkraft, långsiktighet och ansvarstagande. Rapporten ska: • Visa på en behovsanalys som ska fungera som en as-is process som sedan ska utvecklas. • Identifiera AI-verktyg från marknaden som kan implementeras i organisationens befintliga system och undersöka hur AI-teknologier, såsom maskininlärning och naturlig språkbehandling kan användas för automatisering av arbetsuppgifter. • Analysera risker med användandet av AI och hur man kan hantera förändringsprocessen utifrån perspektiven: människa, teknik och organisation. Syftet med arbetet ur Deromes perspektiv är att resultatet förväntas innehålla möjliga förslag på rekommendationer kring AI-verktyg, men arbetet ska även visa på möjligheterna inom AI. 4 1. Inledning 1.3 Frågeställning Detta leder till frågeställningen: • Hur kan man effektivisera löneadministrationen och förbättra dess kvalitet? o På vilket sätt kan AI användas som ett verktyg och tillämpas i processen? 1.4 Avgränsningar Frågeställningen kommer att begränsas för att göra arbetet mer konkret och fokuserat. Den första avgränsningen för arbetet är att det bygger på ett fall, där en löneprocess hos ett specifikt företag undersöks. Vidare är inte syftet att bygga ett eget AI-verktyg eller utveckla teknologin, utan i detta arbete undersöks behov/möjligheter för AI i processen samt befintliga verktyg på marknaden. Urvalet för de befintliga verktygen kommer från företag som har verksamhet inom Sverige och har passande lösningar för Derome. Därav var det även endast systemleverantörer och inte utvecklare av teknologin som undersöktes. Syftet med arbetet är att hitta AI-verktyg och undersöka hur det skulle kunna användas i löneprocessen. Det kommer därmed inte att ske några implementeringar i processen. 1.5 Företagspresentation Derome grundades 1946 av Karl Andersson som insåg behovet av omvandling av råvirke till trävaror i lokalområdet (Derome, u.å.). Företaget är familjeägt och bedriver en stor verksamhet inom träindustrin, allt från komponenter till färdiga hus. Derome samarbetar med ett antal skogsägare som tillhandahåller virke för företaget. Verksamheten innefattar bland annat egna sågverk, uthyrning, produktion och bygghandel samt annan form av försäljning. Långsiktighet, drivkraft, ansvarstagande och enkelhet är de fyra kärnvärdena inom Deromes verksamhet. Dessa kärnvärden är en central del av Deromes utveckling och har varit vägledande sedan företaget grundades. Kärnvärdena påverkar fortfarande hur de arbetar idag, både internt i företaget och externt. Deromes strävan efter ständiga förbättringar har lett till ett framgångsrikt företag som ligger i framkant och driver utveckling i ett flertal områden. Derome har sitt huvudkontor i Varberg och företaget omsätter ungefär 10 miljoner kronor per år. Sammanlagt har de ungefär 2500 anställda inom sin verksamhet. 5 2. Teori 2. Teori Under detta kapitel kommer den bakomliggande teori som uppsatsen bygger på att presenteras. Valet av teorier är kopplade till de områden syftet av rapporten förekommer i eller använder sig utav och finns till för att ge möjlighet att svara på frågeställningen. Inledningsvis beskrivs vad processförbättring innebär och dess tekniker. Vidare förklaras AI och dess teknologi för att ge en övergripande bild om hur teknologin fungerar. Vid förbättringar och ändringar i ett företag är även acceptansen från medarbetare viktig, samt hur man mäter och hanterar det. AI innebär även en del risker och etiska utmaningar, vilket finns kopplade till olika ram-och regelverk. Till sist beskrivs tidigare studier inom HR och löneadministration. 6 2. Teori 2.1 Processförbättring och några av dess tekniker Processer finns i alla typer av organisationer i olika former, både externa och interna (Boutros & Purdie, 2014). En process är en serie av en mängd aktiviteter som omvandlar en viss input till en output. Varje aktivitet använder sig av resurser i form av verktyg, system eller människor med avsikt att på ett systematiskt och effektivt sätt fördela och använda resurserna. En process kan bestå av manuella aktiviteter som utförs av processaktörer eller genom användning av tekniska system. Några karaktärsdrag som kan återfinnas i organisationer som presterar på en hög nivå är: hög agility, kvalitet och bra organisationskultur i form av ledarskap, kommunikation, respekt och disciplin. Organisationen ska även ha ett verksamhetsperspektiv, vara serviceorienterade och i ett kontinuerligt lärande samt ha en människocentrerad design. T. Boutros och T. Purdie (2014) sammanfattar detta genom vad de kallar en ”processförbättringsmanifest” (se figur 1). Figur 1 - Processförbättring manifest. (Boutros & Purdie, 2014). Återgiven med tillstånd. För att vara ett företag i dagens marknad krävs det att man är agil, eftersom marknaden ständigt utvecklas och ändras (Boutros & Purdie, 2014). Företag behöver vara flexibel i form av att kunna anpassa sig till nya tekniska lösningar för att inte hamna efter. Företaget och de anställda behöver också ständigt tillåta att förbättringar i form av ändringar i processen att genomföras. Det är viktigt att ta hänsyn till både själva processen och till tekniken som finns samt de människor som använder sig utav den. För att behålla en hög kvalitet är kontroller 7 2. Teori viktiga för att säkerställa och för att kunna vidareutveckla systemet (Boutros & Purdie, 2014). Kvalitet i processer är en central del och alla dess aspekter, människa och process, behöver uppmärksammas. För att uppmuntra utveckling behöver det finnas ett bra ledarskap där en framtidsvision för företaget förmedlas. Genom att även ha en öppen kommunikation där åsikter från olika håll i organisationen kan tas in kan företaget lättare röra sig mot en utveckling. Likaså är respekt för den arbetskraft som finns och disciplin för ett standardiserat arbetssätt viktigt för utvecklingen. Hur väl man värderar de anställda påverkar möjligheten till framgång. Vidare är ett verksamhetsperspektiv viktigt vid förbättringar av processer. Förbättringar ska inte utföras för en viss avdelnings skull utan den ska gynna hela organisationen. Processförbättringar ska vara serviceorienterad på så sätt att genomförarna fokuserar på mottagarnas intressen. För processanvändarnas skull behöver processen vara människocentrerad för underlättandet av användningen samt ökad moral och uppskattning. Eftersom processer ständigt går att förbättra behöver företaget uppmana för kontinuerligt lärande för att främja förbättringar av processer. Om ett företag förhåller sig till dessa karaktärsdrag ska det enligt Boutros och Purdie resultera i en förmåga att snabbt anpassa sig till marknaden, riskminskning av införande av förbättringar och framför allt förbättring av utförandet. Om ett förbättringsarbete ska vara framgångsrikt krävs ett systematiskt tillvägagångssätt är utvecklingsområden identifieras och analyseras för att hitta potentiella lösningar (Ljungberg & Larsson, 2012). Analysen av lösningar sker med hjälp av förbättringsverktyg. 2.1.1 Lean administration Lean är en managementdisciplin som härstammar från tillverkningsindustrin, Toyota Production System (Dumas et al., 2018). En av huvudprinciperna med Lean är att eliminera slöseri, det vill säga aktiviteter som inte tillför något värde till kunden. Lean administration är ett begrepp inom Lean som handlar om att försöka integrera Lean i andra delar av verksamheten, exempelvis administration, och inte bara produktionen (Larsson, 2008). Principen med Lean administration är att öka värdeskapandet i organisationen genom att bland annat ta bort administrativt spill, slöseri, ojämnheter och överbelastningar. En viktig del av Lean administration är att på olika sätt underlätta medarbetarnas delaktighet, påverkan av beslut och deltagande i arbetet med att ständigt förbättra processen. Det är en kontinuerlig 8 2. Teori process som pågår i många organisationer, då stödprocesser ska involveras och ha sin roll i arbetet med ständiga förbättringar. Lean Administration riktar sig mot tvärfunktionella mål som kostnad, service och kvalitet, och med hjälp av bättre planering kan exempelvis tidsutnyttjandet i olika processer bli bättre, administrativt spill samt slöseri reduceras och kompetenser bland ledare och medarbetare utvecklas (Larsson, 2008). Några av de viktigaste färdigheter för att nå målen är att: lyssna, fråga, använda sig av nya idéer, involvera andra och ge feedback. Användningen av färdigheterna resulterar i en förstärkt kundorientering, effektivare samarbete och problemlösning och förbättrad besluttagande. Vilket är viktigt då det handlar om att hitta problem och brister samt utveckla och införa förbättringsmöjligheter i det dagliga arbetet inom de administrativa stödprocesserna. 2.1.2 En översiktlig bild av BPM och processutveckling Business Process Management (BPM) som på svenska betyder affärprocesshantering är en lära om hur man ser till att en organisation ständigt rör sig mot förbättring genom att undersöka hur arbetsprocessen utförs (Dumas et al., 2018). BPM handlar om ledning men också utveckling av verksamhetsprocesser (Ljungberg & Larsson, 2012). Läran bygger på en cykel om hur man förbättrar en process (Dumas et al., 2018). Det första steget är att hitta processerna som ska analyseras. Detta leder sedan till att förstå processerna i detalj, vilket resulterar i en as-is processmodell. Efter att man har skapat en as-is är nästa steg att analysera processerna för att hitta problemområden och sedan utforma lösningar. Tillsammans resulterar detta i en to-be process som sedan ska implementeras och slutligen utvärderas och övervakas. Processer kan delas in i tre olika kategorier: • Kärnprocesser = processer som resulterar i värdeskapandet för företaget, exempelvis produktionen av produkter. • Stödjande processer = gör kärnprocesserna möjliga. • Underhållningsprocesser = ger vägledning i form av planering och budgetering et cetera. Processer inom Human Resources (HR) till hör de stödjande processerna och är en mycket viktig del för företag. Enligt BPM ska valet av vilken process att fokusera på grunda sig i vart 9 2. Teori man kan generera fördelar (Dumas et al., 2018). Stödprocesser värderas utifrån deras stöd till huvudprocessen/kärnprocessen och skapar själva inget värde (Ljungberg & Larsson, 2012). 2.1.2.1 The Devil’s Quadrangle Mått för processpresentation indelas ofta in i fyra olika varianter: tid, kostnad, kvalitet och flexibilitet (Dumas et al., 2018). Tid är den mest förekommande vid arbeten om hur en process kan förbättras. Det finns två typer av tid, processtid och väntetid, som sammanfattas under benämningen cykeltid. Processtid står för den tid det tar att utföra själva aktiviteten, medan väntetid är den tid som arbetet står stilla. Den andra förekommande måttet är kostnad som att förutom att vara en självständig faktor kan kopplas till de anda måtten, arbetstidskostnad är exempelvis en sådan. Kvalitet och flexibilitet är också förekommande. The Devil’s triangel (översatt på svenska: djävulens fyrkant) är modellen som visas i figur 2 och som är kopplad till de ovanstående måtten. Ramverket visar på hur en förbättring i en dimension kommer att påverka en annan. Figur 2- The Devil's Quadrangle Exempelvis kan en förbättrad flexibilitet öka den dimensionen medan kostnaderna ökar för att uppehålla den flexibiliteten och på så sätt minskar en annan. Måtten är sammankopplade, förbättring i en dimension har en försämring i en annan. 2.1.3 Kartläggning som verktyg Ett exempel på förbättringsverktyg är processkartläggning som används för att beskriva processernas uppbyggnad, syfte och utseende (Ljungberg & Larsson, 2012). 10 2. Teori Processkartläggning kan på ett lättförståeligt sätt förklara hur olika delar i verksamheten är relaterade till varandra och visa hur aktiviteterna inom en del av verksamheten påverkar andra aktiviteter inom andra delar. Det är viktigt att alla förstår sambandet mellan aktiviteterna för att undvika missförstånd och problem. Visualisering av arbetsprocessen hjälper personalen att uppfatta helhetsbilden då det underlättar förståelsen och processtänkandet. Kartläggning är första steget för förbättringsarbete och möjliggör därför gemensam syn, förståelse och förbättring av processer. Vid kartläggning finns det tre faser som bör följas. Första handlar om att skapa förutsättningar, säkerställa tillgång till rätt personer att tillfråga. Sista två faserna är att ta fram ett utkast och kontrollera så att det stämmer och sedan slutföra kartläggningen. 2.1.3.1 Business Process Modeling Notation (BPMN) Det finns många olika modelleringsspråk för företagsprocesser, men för att underlätta detta har man skapat ett allmänt språk. Business Process Modeling Notation (BPMN) som på svenska betyder affärsprocessmodelleringsnotation är ett standardiserat modelleringsspråk som både kan vara komplext eller enkelt, beroende på användningsområdet (Dumas et al., 2018). BPMN består utav över 100 symboler, men för en användning vars syfte är att skapa en enkel bild och sammanfattning av en process är bara ett fåtal nödvändiga. Processflödet bygger på aktiviteter i form av rektanglar och beslutportar i form av diamanter (Dumas et al., 2018). Dessa symboler är sedan placerade i sekvenser med pilar för att skapa ett processflöde (se figur 3). I flödet finns även händelser i form av cirklar som påverkar flödet genom att vissa tillstånd blir eller behöver vara uppfyllda. En tunn cirkel betyder att en process startar medan en tjock betyder att den slutar, dubbel cirkel påverkar det aktiva flödet. BPMN delar också upp processen i pooler och banor. Pooler visar hur processen är uppdelad i exempelvis affärsnätverk och banor delar upp poolen i olika underklasser, exempelvis datasystem. Figur 3 3 - Grundelement inom BPMN baserat på Camundas symboler (Camunda, u.å.). 11 2. Teori Beslutportar kan både dela upp flödet och sammanfoga det. Om flödet kan endast ta en av flera vägar, beroende av omständigheterna, används en exklusiv XOR-port. Medan om flödet kan ta en eller flera vägar används en inklusive OR-port (Dumas et al., 2018). Om aktiviteter ska utförs parallellt används en AND-port. Detta betyder också att om flödet sammanfogas med en AND-port måste båda flödesspåren vara utförda innan flödet kan gå vidare (Tabell A.2 visar en övergripande förklaring över vilka övriga symboler som har används och deras mening). 2.2 AI och Automatisering i affärsprocesser Artificiell Intelligens, AI, har förmågan att replikera eller förstärka människans intelligens, såsom resonemang och inlärning genom erfarenhet (Abhishek, 2022). Det är en snabbt växande teknik och har revolutionerat industrin inom olika områden. AI är en mångsidig teknologi som kan tillämpas i nästan alla branscher. I många år har AI använts i olika dataprogram men idag tillämpas AI även i en mängd andra tjänster och produkter. Forskningen inom AI lägger mycket fokus på att utveckla maskiner som ska kunna automatisera arbetsuppgifter som kräver intelligent beteende. Uppgifterna kan exempelvis vara styrning, planering och schemaläggning. Lönehanteringen är en process som har stor potential att omvandlas med hjälp av AI, eftersom inom processen är det mycket repetitivt (Eubanks, 2019). Det är även en process som måste genomföras regelbundet varje månad där data är nästan likadant hela tiden. Detta är några av de förutsättningarna för att AI ska enkelt kunna integreras och automatisera. Det finns en tveksamhet om att införa AI i löneprocessen, då enstaka fel kan leda till höga kostnader för företagen. Diskussion kring detta handlar om hur mycket man vill överlämna arbetet till en dator och vad som ska fortfarande genomföras manuellt. Det finns risker med att låta AI hantera hela lönesystemet men det finns även nackdelar att inte integrera. En potentiell lösning är att låta AI hantera de första stegen av löneprocessen, då denna del består av rutinmässiga uppgifter som är tidskrävande för en lönespecialist. Sedan vid nästa steg låta lönespecialisten granska resultatet för att se att allt stämmer. Fördelarna med att integrera AI inom lönehantering är att det möjliggör reducering av repetitiva och tidskrävande arbetsuppgifter. 12 2. Teori AI är en mycket kraftfull teknik och det är därmed viktigt att komma ihåg att AI lär sig av data (Abhishek, 2022). Algoritmen eller modellen är bara så bra som den data som matas in, vilket innebär att tillgång till data, partiskhet, integritetsproblem och felaktig märkning kan ha en stor påverkan hur AI-modellen presterar. Det som är avgörande för träningen av AI- modeller är tillgången till data och dess kvalitet. En av utmaningar som finns idag är de partiska datamängder som kan leda till bristande resultat eller förstärka könsbias och etnisk partiskhet. Vid undersökning av olika typer av maskininlärningsmodeller visade det att vissa modeller är mer mottagliga för bias än andra. I framtiden kan det vara svårt för människor att hantera AI på grund av dess snabba utveckling (Jiang et al., 2022). Det kan vara utveckling angående AI:s beteende, beslutsfattande eller att AI får en mer komplex struktur. Det är viktigt att människor kan hantera AI då det är ett viktigt verktyg för att skapa ett system som är i symbios med varandra, såsom mellan människor och maskiner. Utvecklingen av denna symbios mellan maskiner och människor är en viktig faktor för bemötandet av de svårigheter som finns i nuläget. Dessutom är AI ett viktigt verktyg för att snabbt ta fram information som annars skulle ta lång tid. 2.2.1 Byggstenar och begränsningar inom AI: Maskininlärning, språkmodeller och hallucinationer Maskininlärning, även förkortat ML, är en undergrupp inom AI som beskriver en av de grundläggande principer med teknologin (Ahmed et al., 2022). ML lär sig från erfarenheter eller dataset i stället för att enbart följa instruktioner. Metoder som är baserade på maskininlärning förbättrar automatiskt resultat genom träning, då dessa metoder analyserar resultatet för varje identifierat mönster och försöker att generera en output. Tekniken utvecklar ett system för att dra slutsatser och fatta beslut från tidigare erfarenheter. Utvecklingen inom maskininlärning har möjliggjort den senaste tidens uppkomst av intelligenta system med människoliknande kognitiv förmåga, som integreras i både affärs- och privatliv (Janiesch et al., 2021). Large Language Models (LLM), även kallad för stora språkmodeller på svenska, bygger på maskininlärning och är uppbyggd av artificiella neurala nätverk som är mycket komplexa strukturer av matematiska instruktioner (Pesch, 2025). Vid träning av LLM krävs träningsdata 13 2. Teori i form av text. De stora språkmodellerna idag, såsom ChatGPT, tränas med hjälp av stora mängder textdata som finns tillgängligt på internet som exempelvis böcker, akademiska artiklar och andra hemsidor. Hallucinationer är ett begrepp som är mycket förekommande inom AI (Maleki et al., 2024). Begreppet har definierats på många olika sätt beroende på typen av AI-teknik som används och det finns ännu inte en standarddefinition. Inom generativ AI syftar hallucinationer på när AI genererar felaktig information, att det är fiktivt eller saknar grund i data. Utmaningen med hallucinationer är att upprätthålla trovärdighet och noggrannhet i AI-genererat innehåll. Debatten om att utveckla opartiska, ansvarsfulla och transparenta AI har betonats av fler organisationer och experter (Tlili & Burgos, 2025). Om detta ska vara möjligt måste man reducera förekomsten av AI hallucinationer, men för att göra detta behöver man först kolla på människan, som skapar AI. Människans kognitiva brister kan ses som en form av mänsklig hallucination, då den omfattar tendenser som att ha fördomar, ljuga och använda stereotyper. Dessa hallucinationer kan omedvetet bero på olika faktorer som exempelvis sin kultur, då varje kultur har en egen bias som påverkar hur människor fattar beslut och gör bedömningar. Trots att mänsklig hallucination är en del av vår natur har den negativa effekter inom teknikutvecklingen och AI, vilket kan leda till att oetiska AI-teknologier utvecklas. Därför är det viktigt att identifiera och förstå kopplingen mellan mänsklig och AI hallucinationer för att kunna utveckla säkrare och effektivare AI-tekniker som har en positiv påverkan på samhället. Det är även viktigt att ta hänsyn till användarperspektivet och vilka behov som finns vid utveckling av AI. 2.3 Användaracceptans vid implementering av AI Om en verksamhet vill lyckas med en processinriktad utveckling krävs det förändringar i hela organisationen (Ljungberg & Larsson, 2012). Det räcker inte bara med att ändra på systemet och strukturen utan man måste också ändra på kulturen, värderingarna och attityderna eftersom allt hänger ihop med varandra. Det är lätt att förmedla de centrala budskapen på ett sätt som väcker både intellektuell och emotionell förståelse. Detta är en fördel men kan även utgöra en utmaning då människor tenderar att dras till det som är mer komplext. Processorienteringen måste ta stor hänsyn till människan om de vill lyckas, eftersom i processorienterade organisationer är man beroende av medarbetarna och aktivt strävar efter 14 2. Teori att utveckla samt utnyttja deras kompetenser. Det är även viktigt att ta hänsyn till förväntningar som medarbetarna kan ha. 2.3.1 Technology Acceptance Model (TAM) Technology Acceptance Model, TAM, är en modell som beskriver användaracceptansen (Davis & Granić, 2024). Modellen består i grund av två drivkrafter för användaracceptans: upplevd användbarhet (PU) och upplevd användarvänlighet (PEOU), se figur 4. Målet med TAM är att identifiera användarnas attityder och avsikter eftersom det påverkar och förutsäger användaracceptansen. PU är den primära faktorn till användaracceptansen med PEOU som den sekundära faktorn, eftersom PEOU påverkar både direkt och indirekt genom dess påverkan på PU. Användarna tolererar en viss grad av svårighet vid användandet av ett system om systemet medför kritisk funktionalitet som ökar användbarheten. Men ingen mängd av användarvänlighet kan kompensera för ett system som inte medför några användbara fördelar för användaren. Därför kan man med hjälp av TAM förutse användaracceptansen och förklara orsaker till acceptans eller avvisande genom PU och PEOU. Dessutom kan TAM användas för vägledningen av förbättringsarbete gällande användaracceptans, genom att exempelvis designa om systemet eller andra åtgärder för att öka PU och PEOU. Figur 4 - Technology Acceptance Model (Davis et al., 1989) 2.3.3 Förändringsmotstånd Förändringar i en verksamhet berör alltid medarbetarna och därför kan det lätt uppstå motstånd mot förändringen. Konflikter uppstår mellan de som ser förändringen som något bra och de som tycker att det är onödigt eller inte önskvärt (Jacobsen & Thorsvik, 2021). Detta leder till att förändringsprocesser ofta präglas av oenighet, förhandling och konflikt. Förändringar kan även medföra stora kostnader och i vissa fall kan vara så stora att de 15 2. Teori eliminerar de möjliga vinsterna. Förändringsmotståndet bland medarbetarna kan uppstå på grund av olika orsaker: • Orsak 1: Fruktan för det okända • Orsak 2: Brytning av ett psykologiskt kontrakt • Orsak 3: Förlust av identitet • Orsak 4: Den symboliska ordningen förändras • Orsak 5: Maktrelationer förändras • Orsak 6: Krav på nyinvesteringar • Orsak 7: Extraarbete (under en period) • Orsak 8: Sociala band bryts • Orsak 9: Utsikter till personlig förlust • Orsak 10: Externa aktörer vill ha stabilitet Förändringsmotstånd behöver inte alltid vara något negativt utan det kan vara bra för verksamheten då det kan finnas risker att förändringsprocesser inte är fullt genomtänkta. Motstånd kan leda till en öppen diskussion där viktig information och synpunkter kring förbisedda aspekter av förändringen kommer fram. Motstånd visar även för verksamheten hur de ska anpassa och justera förändringsstrategier. Men motstånd kan också vara destruktivt och hindrar företags förändringsprocess att bli framgångsrikt. Det finns olika åtgärder som förändringsagenter kan utnyttja för att hantera motstånd. Det är viktigt att involvera medarbetarna i beslutprocesserna och tidigt komma ut med information samt berätta varför förändringen är nödvändig. Detta för att reducera risken för missförstånd, osäkerhet och främja delaktighet i förändringsprocessen. Genom att förändringsagenter finns på plats kan de utveckla positiva relationer och därmed bygga tillit som gör det lättare för medarbetare att acceptera förändringen. Det handlar om att utnyttja medarbetarnas behov och förändringar berörs av förändringen för att med hjälp av kommunikation skapa en insikt om att man har gemensamma intressen av att förändringarna blir framgångsrika. 2.4 Etik, risker och utmaningar kring AI Eftersom AI kan orsaka negativa konsekvenser är det viktigt att tillförlitlig AI främjas (Europeiska kommissionen, 2018). Tre grundläggande beståndsdelar som börs ta hänsyn till är att systemet bör vara lagligt och följa ramverk, vara etisk genom att uppnå dem etiska 16 2. Teori principerna och värdena samt vara ett robust system på ett tekniskt sätt och gentemot samhället. För att säkerställa system som bygger på AI finns det fyra centrala etiska principer: • Respekt för människans autonomi. Om AI ska interageras är det viktigt att man försäkrar att människan är i en beslutställning, AI-systemen ska inte kunna tvinga människan att göra något. Systemen ska stödja det mänskliga arbetet och bör därför även vara människocentrerat. • Förebyggande av skada. Den AI som används ska vara robust för att inte påverka människan på ett negativ sätt. Systemen ska inte kunna användas för fientliga syften som att riskera människans värdighet samt mentala och fysiska integritet. Både system och användningsmiljön bör vara säkra och trygga. • Rättvisa. Detta kan delas in i två dimensioner: materiell och procedurmässig. Procedurmässiga dimensionen menar att det ska vara möjligt för användaren att motsätta sig och kunna invända mot beslut från AI-system och dess utvecklare. Den andra dimensionens syfte är att det ska vara rättvist vid fördelning, tillgång och användning kring AI. Systemen ska även undvika diskrimineringar och användningen ska inte leda till förhindringar och måste respektera de principer som finns. • Förklarbarhet. För att förtroende för AI-system ska finnas är förklarbarheten och dess transparens viktig. Systemets syfte, mål och kapacitet att påverka ska kunna förklaras och kontrolleras. En risk med AI för organisationer är mängden användning av teknologin, både över- och underanvändning kan resultera i negativa konsekvenser (Europaparlamentet, 2025a). För låg användning av teknologin kan resultera i förlorande möjligheter och fördelar. En anledning till en bristande användning kan härstamma från människors misstro mot teknologin eller låg investering. Medan ett övernyttjande kan resultera i onödiga investeringar eller användning i områden där AI egentligen inte borde tillämpas. En annan risk med AI som Europaparlamentet (2025a) förmedlar är angående resultatet den producerar. Hur AI är designad och vilken data den använder kan påverka resultatet, både med en avsiktlig och oavsiktlig bias. Besluten resultatet rekommenderar kan därmed vara influerat av faktorer som ålder och kön från data. Vidare kan användningen av AI också utgöra en risk mot integriteten genom den data den samlar och genererar. Transparens är också en viktig utmaning för användandet, som hur användaren vet att hen interagerar med AI eller inte. 17 2. Teori Känslig data så som personuppgifter är också en utmaning för användning av AI. Personuppgifter är data som kan användas för att direkt eller indirekt identifiera en fysisk person, så som personnummer, namn och adress (Integritetsskydds myndigheten [IMY], 2025). Dessutom finns det känsliga personuppgifter, vilket innefattar uppgifter om etniska ursprung eller hälsa och en extra skyddsvärd data är löneuppgifter. Ansvaret för hur och varför personuppgifter behandlas är personuppgiftsansvarige (exempelvis en förening eller myndighet). 2.4.1 Rättsliga ramar för AI-användning För att säkerställa utvecklingen och användningen av AI har EU tagit fram ett ramverk, AI- förordningen (AI Act), för att främja bättre villkor kring teknologin (Europaparlamentet, 2025b). Inledningsvis bedöms systemen genom en analys och ett riskbaserat klassificeringssystem som bygger på den risk systemet utgör för användaren. Olika krav på AI-teknologi ställs utifrån de olika risknivåerna. Syftet med ramverket är att den ska bidra med att göra AI-system exempelvis säkra, transparenta och spårbara. För att förhindra negativa konsekvenser ska AI-system bevakas av människor i stället för automation och de tillhörande reglerna ställer därmed skyldigheter på både leverantörer av systemen och på användaren. Exempel på förbjudna AI-system är sådana som befinner sig inom risknivån “oacceptabel” (Europaparlamentet, 2025b). Dessa system använder sig utav biometriska identifieringar, social poängsättning eller kognitiv beteendemanipulation. Utöver det kan system också klassificeras som “hög risk”, vilket är system som kan påverka säkerhet eller rättigheter. System som hör till områden som exempelvis: Utbildning och yrkesutbildning eller Sysselsättning, förvaltning av arbetstagande och tillgång till egenförtagande, kommer att behövas registreras i en databas inom EU. Ett annat krav som finns på AI-system är transparens och följning av copyrightlagstifningen. För att förhålla sig till detta behöver system AI märkas, förhindra generering av olagligt innehåll och inte offentliggöra mer än korta sammanfattningar av upphovsrättsskyddad data. För att säkerställa hanteringen av personuppgifter måste alla verksamheter följa dataskyddförordningen, GDPR (Integritetsskydds myndigheten [IMY], 2025). GDPR ökar 18 2. Teori kraven på hantering av uppgifter genom att kräva att ett par grundläggande principer måste följas. Sammanfattningsvis innefattar principerna krav på att behandlingen av uppgifter ska ske lagligt, öppet och korrekt. Insamlingen av personuppgifter får endast göra vid legitima ändamål och inte sparas eller hämtas för mer än vad som är nödvändigt. Utöver det måste organisationer skydda uppgifterna samt se till att de är uppdaterade och att de stämmer. Vidare ska det förtydligas att principerna följs och hur. Syftet är att skydda rättigheter och friheter när det kommer till personuppgiftbehandling, som framtagande, spridning et cetera. Förordningen gäller även för automatiserade behandlingar som ärendehandläggning eller löneutbetalningar. GDPR används inom EU länder, men varje land kan framta lagar som komplimenterar förordningen. I Sverige kallas den datalagen och innebär en anpassning till svensk lag. Vidare omfattar GDPR informationssäkerhet för att hindra att personuppgifter läcks ut. En av dessa delmoment är behörighetsstyrning som också är en viktig del för att undvika att uppgifter sprids till fler personer. Principen “behöver veta” ser till att man endast har tillgång till de uppgifter man behöver för att utföra sitt arbete. Rättsliga ramar som regler skyddsåtgärder och förordningar finns till för att säkerställa en fördel i alla områden inom EU som använder sig utav AI (Europaparlamentet, 2022). 2.5 Tidigare studier om AI i HR och löneadministration Det finns begränsad tidigare forskning inom löneadministration men utifrån de arbeten som hittades kan man se ett liknande mönster. Mellan studierna har liknande problemområden identifierats, att arbetsuppgifterna är repetitiva och tidskrävande och det finns risker för fel. Ett problem som identifieras i arbetet av Bohman et al. (2021) är bristerna i sömnlösa system, att olika system och program inte kommunicerar med varandra. Studien visar även att inställningen för AI bland anställda är positiv och att de är villiga att överlämna det administrativa arbetet till AI så länge de har möjlighet att kontrollera och göra stickprov för att säkerställa att allt görs korrekt. Implementering av AI har visats vara en fördel för löneadministrationen, då AI kan effektivisera men även automatisera delar av processen. I arbetet skriven av Knuths & Speles (2024) undersöktes chatbotar och dess effektivisering av informationssökning och 19 2. Teori arbetsflöden. Arbetet visade att användningen av chatbot var 109% snabbare i jämförelse med ett intranät och det visade även en noggrannhetsgrad på 82%. Detta tyder på att chatbot är en bra lösning som leder till tidsbesparingar och ökad effektivitet. Flera studier tar fram de utmaningar som finns med AI, arbetet av Parasa (2023) nämner att problemet med AI är hantering av data speciellt känslig data inom lönehantering. För att skydda anställdas data måste man implementera robusta dataskydd åtgärder samt följa regler, men detta kan vara väldigt komplext och kostsamt. Tidigare studier visar att AI har en stor påverkan på HR och för att framgångsrikt implementera AI krävs kompetensfördelning och ledarskapsutveckling för att hantera motstånd och driva förändringen. Etiska riktlinjer behövs för att säkerställa att AI används i linje med verksamhetens värderingar. Det finns även utmaningar som förlust av mänskliga färdigheter och etiska frågor kring datahantering och skydd. Det som saknas kring forskningen är fler ”cases” där implementering av AI genomförs inom löneadministration, men detta kan förklaras med att AI behöver utvecklas ännu mer och därför behövs det fortsatt forskning inom AI för HR och löneadministration. 20 3. Metod 3. Metod Den forskningsmetod som har används kommer att redovisas under detta kapitel. Arbetet har använts sig av ett flertal tekniker och metoder som intervjuer, kartläggningar och datainsamlingar. 21 3. Metod 3.1 Forskningsstrategi Den övergripande planen som visas i figur 5 är det upplägg arbetet har följt. Arbetet började med en grundläggande datainsamling för att skapa en nulägesanalys. Den började hos Derome som vid första mötestillfället gjordes en deltagande observation där medarbetarna på företaget förklarade respektive del av det nuvarande löneprocessen. Urvalet av vilka som deltog i detta fall gjordes av handledaren på plats, där den ansvariga för respektive del av processen valdes ut. Observationen resulterade i ett snöbollurval, genom rekommendationer av andra källor som kunde bidra till arbetet. Figur 5 - Översiktlig plan Som komplement till nulägesanalysen gjordes det en tillhörande kartläggning i as-is form av den nuvarande löneprocessen hos Derome. Med hjälp av kartläggningen identifierades problem och behovsområden. Därefter gjordes en större datainsamling för att identifiera AI- verktyg på marknaden och alternativa förbättringar till processen. Datainsamlingen innefattade insamlingsmetoder i form av intervjuer, litteratursökningar och undersökningar av systemleverantörer. Undersökningar av andra företag som erbjuder lösningar/tjänster gjordes på två sätt: med hjälp av intervjuer och/eller information från deras hemsidor. Sedan genomgick den insamlade data en tematisk analys för att vidare sammanställas och bilda en 22 3. Metod kartläggning i to-be form. To-be kartläggningen visade hur processen kan se ut vid implementering av de funna verktygen. Utifrån all data kunde slutsatser formuleras som sedan ledde till rekommendationer och alternativa framtida forskning inom området. 3.2 Datainsamling Datainsamlingen för detta arbete bygger på kvalitativ data och metoder. Kvalitativ data består utav ord tillskillnad från kvantitativ som består utav räkningsbar data (Höst et al., 2006). Dessa ord kan exempelvis härstamma från förklaringar och beskrivningar. Primärkällor erhölls genom en fallstudie med tillhörande intervjuer och observationer. Sekundärkällor användes för att komplimentera primärkällorna och skapa den teoretiska grunden för arbetet. 3.2.1 Litteratursökning En litteratursökning utgjorde grunden för arbetets teoretiska ramverk. Denna sökning gjordes genom webbsidor som Google Scholar och Scopus samt andra databaser som Chalmers högskolas bibliotek erbjöd och kurslitteratur. Nyckelord som administration, maskininlärning, system, digital, hantering och systemoptimering användes. Sökorden användes både på svenska och engelska för att öka mängden träffar samt med eller utan förkortningar. Träffarna visade olika typer av litteratur såsom böcker, artiklar och uppsatser. Litteraturen hänvisade även till andra källor och fungerade som ett snöbollsurval. Fokuset för litteratursökningen var huvudsakligen processförbättringar och AI. Processförbättringar syftade till att effektivisera processen genom att förstå relevanta ramverk och hur implementering av system kan påverka ett företag genom användaracceptans. Litteratursökning kring AI gjordes för att skapa en teoretisk grund för teknologin och användningen av det, som regler och underkategorier. Tidigare studier användes för att jämföra resultatet med befintlig forskning/studier, likheter eller skillnader, vilket kan öka trovärdigheten för arbetet. Genom att studera tidigare studier kunde luckor av saknad forskning identifieras och därmed öka relevansen för arbetet. För att kontrollera litteraturens användbarhet användes sammanfattningar, nyckelord och innehållsförteckningar. En viktig process inom litteratursökningen var övervägandet av användningen av källor genom källkritik. För den källkritiska processen användes CRAAP- 23 3. Metod testet. Testet är en utvärderingsmodell där man kontrollerar sex olika faktorer (Chalmers bibliotek, 2024): - Aktualitet - Relevans - Auktoritet - Tillförlitlighet - Syfte - Publikation Aktualitet handlar om att kontrollera hur aktuell informationen är. Detta gjordes genom att kontrollera när källan publicerades och om innehållet fortfarande är aktuellt nog att ha med i arbetet. Med relevans kontrollerar man hur väl innehållet passar arbetets syfte. För att kontrollera detta kan man undersöka om textens akademiska nivå är passande, om arbetet passar källans målgrupp och om den är lämplig att använda. Kontrollering av auktoritet fokuserar på författaren och dess behörighet att förmedla den information källan innefattar. Likväl kontrollerades även publikationen och dess legitimitet samt relevans för området. Tillförlitligheten kontrollerades exempelvis genom att undersöka hur källan har använts, jämföra med annan information och om den är granskad. 3.2.2 Kvalitativ fallstudie I detta arbete har en kvalitativ fallstudie genomförts. Genom användandet av ett fall, en löneprocess, kan man med fallet beskriva verkligheten, det vill säga löneprocesser i allmänhet (Ejvegård, 2009). Detta medför att man inte specifikt behövde undersöka andra företags processer utan Deromes situation kan vara generaliserbar mot andra processförutsättningar. Det är värt att nämna att slutsatsen kan se annorlunda ut utifrån en undersökning hos ett annat företag. 3.2.2.1 Observation Inledningsvis bestod observationerna av en deltagande karaktär och sedan ett skuggningsformat. Anledning till att observationer användes var för att få en inblick i processen. Deltagande observationer uppstår när alla i gruppen vet om att en observation sker och observatörer kan uppmana för konversation under observationen (Höst et al., 2006). Detta tillät båda partnerna att delta i vad som tas upp och påverka vad som sker under observationen. Därav var även observationerna öppna sådana så att den som blev observerad 24 3. Metod visste om att det skulle ske. Den andra formen av observation var skuggning där observatörerna fick chans att sitta med när processaktörerna utförde deras arbete och antecknade ner processen samt funderingar. Observationsenheterna valdes ut genom ett strategiskt urval, där varje delaktig person i den aktuella processen tillfrågades. Observationen bestod utav en heldags studiebesök på Deromes anläggning i Varberg. Där man under dagen fick följa varje steg i deras löneprocess. Varje processaktör visade hur hens arbetsmoment gick till samtidigt som hen förklarade de olika stegen. Under detta moment fick observatörerna chans att ställa frågor om processen eller be om att få visas hur ett visst steg gick till och även diskutera behov kring momenten. Efter detta satt observatörerna med medan processaktören fortsatte sin vanliga arbetsgång, för att sedan ta upp funderingar som samlades under den tiden. 3.2.2.2 Kartläggningar En annan teknik som användes var kartläggning av processen och dess system. Genom att använda kartläggning så får man en tydlig bild som beskriver en viss process (Höst et al., 2006). För att skapa en sammanställning av nulägesanalysen valde man att göra en ”as-is” kartläggning, nulägeskartläggning av processen. Denna kartläggning byggde på datainsamlingen från observationen som genomfördes och följde därför samma urvalsprocess för kartläggningsmomenten. Kartläggningen började vid signering av anställningskontrakt, vilket definierar starten av processen eftersom lönen behöver ett kontrakt att förhålla sig till. Slutskedet av kartläggningen var inskickandet av lön och tillhörande efterarbete. För kartläggningen tillfaller även ärendehantering, då detta var ett tillhörande moment i processen. Kartläggningen gjordes med BPMN som modelleringsspråk och genom Camunda, vilket är en processorkestreringsplattform, för att strukturera flödet. Vidare användes kartläggningen för att skapa en to-be version av kartläggningen, för att representera hur de framtida planerna skulle kunna se ut. Denna kartläggning byggde på den förgående kartläggningen, men optimerades genom möjligheterna som datainsamlingen resulterade i. 3.2.2.3 Intervjuer Under arbetet utfördes elva intervjuer med relevanta personer inom Derome och arbetets område. Genom att ha muntliga intervjuer som källa gav det möjlighet att få en diskussion om hur respondentens uppfattande och tyckande kring frågorna. Intervjuerna byggde därför på ett semi-strukturell format, genom att ha färdiggjorda mallar med frågor men samtidigt vara 25 3. Metod öppna och flexibla för diskussion utanför dem. Inför intervjuerna gjordes olika intervjumallar som var anpassade till varje respondenttyp. Intervjuer gjordes med samtliga lönespecialister och processaktörer som arbetar inom löneprocessen, för att få deras syn på behov och analys av systemet. Det gjordes sex intervjuer med respondenter från Derome och en ifrån ett annat företag, för att kunna jämföra svaren. Intervjumallar för dessa var utformad på ett sätt som skulle ge bäst överblick om respondenternas perspektiv över lönehanteringen samt kring utvecklingen av AI. Därför ställdes det frågor om exempelvis vad de ansåg vara utmaningarna med processen och om AI var ett passande verktyg för respektive område. Detta för att svaren inte skulle vara för fokuserade på just Deromes nuvarande process, utan även av användningen av AI från andra perspektiv. Frågorna skickades ut i förväg till processaktörerna för att de skulle ha tid att utvärdera sitt arbete. Dessutom intervjuades även IT- och digitaliseringsansvarig, som strategiska rådgivare, på likande sätt. Vidare gjordes intervjuer med fyra systemleverantörer, både de som existerar i det nuvarande processen och alternativa företag. Detta gjordes för att kontrollera hur deras lösningar kopplat till AI används idag och hur utvecklingen ser ut för dem. Därför var deras mall mer inriktad mot tillgängliga lösningar och verktyg som dem erbjuder. De frågor som ställdes var exempelvis om hur AI-lösningarna såg ut idag och om det finns några framtidsplaner, vad de tyckte gällande AI-utvecklingen samt om HR är ett potentiellt område för automatisering med AI. Frågor till företagen skickades inte ut i förväg, eftersom man ville ha en spontan respons. Däremot berättades det i förväg vad intervjuer kommer att handla om och vilka områden som skulle beröras. Intervjuerna genomfördes löpande under våren 2025, där processaktörerna intervjuades först. Detta på grund av att forskarna ville ha en insyn i behoven och vilka lösningar processaktörerna har noterat innan intervju med systemleverantörerna gjordes. I syfte av att identifiera behov innan lösning. Varje intervju, med tillåtelse, spelades in, vilket gav möjligheten att återgå till informationen i källan. Dessutom transkriberades intervjuerna för att tydliggöra dess innehåll. Intervjuerna varade runt 20 till 60 minuter, beroende på hur svaren utvecklades. Eftersom intervjuerna var semi-strukturella byggde innehållet på hur väl den intervjuade var villig att föra samtalet vidare. 26 3. Metod Intervjuer med respondenter som är insatta i ämnet gav en trovärdig men framför allt en relevant källa. Detta eftersom de bidrog med erfarenheter och är sakkunniga inom området. Däremot fanns det en potentiell risk med att intervjua respondenter som företräder ett företag. Personen kan vara återhållsam eller vara selektiv i sina svar för att undvika att företaget eller ens position påverkas. Exempelvis om en systemleverantör skulle vara ärlig och förmedla att man inte har några planer för en utveckling mot AI inom en snar framtid, kan det resultera i att man framstår som oattraktiv på marknaden. Den potentiella risken finns även för de lönespecialister som intervjuades. Om de skulle befinna sig i en position där hela sitt eller större delen av deras arbete skulle kunna bytas ut mot ett AI-system, så kan hen då undanhålla information. 3.3 Analys Arbetet genomgick en processanalys genom att analysera nuläget och förstå behoven samt hitta lösningar genom datainsamlingarna. För att förstå hur processen kan optimeras behövde man analysera den data som tagits fram. Analyseringen av intervjudata genomfördes med hjälp av en deduktiv eller teoretisk tematisk analys för att identifiera, analysera och presentera de mönster som framträder i data (Säfsten & Gustavsson, 2023). Genom en tematisk analys kodades och sorterades data in i olika teman. Den insamlade intervjumaterialet sorterades in i tre områden: digitalisering, processaktörer och systemleverantörer. Efter att alla intervjuer transkriberats lästes de igenom för att markera det som var intressant. Dessa noteringar sorterades först in i vad som ansågs vara relevant för arbetet och med de relevanta noteringarna skapades koder. Detta gjordes för samtliga intervjuområden. De framtagna koderna användes sedan för att sammanställa olika teman och de teman som identifierades med hjälp av tematisk analys var: Tabell 1: Teman Område Teman Digitalisering Framtidsplaner, Synen på AI Processaktörer Utmaningar och brister, Åsikter kring AI Systemleverantörer Lösningar och verktyg, Framtidsplaner, Tankar kring AI 27 3. Metod Arbetets teman var baserade på vad som faktiskt lyftes fram under intervjuerna och inte baserade på tolkningar av intervjudata, alltså var de explicita. Analysen av de undersökta systemleverantörerna tillämpade en kriterietabell (se tabell 2). Kriterietabell användes för att visualisera informationen från undersökningen (Höst et al., 2006). Kriterier som ansågs vara viktiga för analysen ställs i kolumner där de olika alternativen utvärderas av. Vissa kolumner kan erhålla en större betydelse än andra och använda sig av andra indikatorer. 3.4 Kvalitet och etik Etik Enligt den statliga myndigheten Vetenskapsrådet finns det framför allt fyra huvudkrav när det kommer till etiska principer (Vetenskapsrådet, 2002). Dessa är informationskravet, samtyckteskravet, konfidentialitetskravet och nyttjandekravet. Eftersom det är en föråldrad källa kontrollerades relevansen genom Forskningsrådens nya rapport om god forskningssed (Vetenskapsrådet, 2024). Även fast att forskning och lagsstiftningar har utvecklats är dessa fortfarande relevanta inom en etisk forskning. Informationskravet innebär att alla berörda, det vill säga deltagare i intervjuer, observationerna och forskningen, blir upplysta om syftet för arbetet (Vetenskapsrådet, 2002). Varje deltagare i undersökningen ska kunna själv ha rätt att bestämma om hen ska vara delaktig eller inte enligt samtyckekravet. Enligt konfidentialitetskravet så hölls allt konfidentiella och känsliga data hemligt. Trots att forskarna fråga om de intervjuade var okej med att deras namn förekom i rapporten, gavs de ett alias kopplat till vad de förmedlade. Sista huvudkravet är nyttjandekravet, vilket innebär att alla den insamlade data kommer endast att få användas för forskningsändamål (Vetenskapsrådet, 2002). Alla genomförda intervjuer anonymiserades för att skydda respondenternas integritet. Vid inbjudan till intervjuer hade de möjligheten att tacka nej. De hade även möjlighet att avbryta när som helst under intervjun, om önskan fanns. Kvalitet 28 3. Metod För att öka giltighet och kvalitet för arbetet finns det begrepp att ta hänsyn till som validitet och reliabilitet. Även tillförlitligheten är viktig för kvalitén, vilket kan delas in i fyra olika kriterier: trovärdighet, överförbarhet, pålitligheten och konfirmerbarhet. Reliabilitet syftar på tillförlitligheten för arbetet genom datainsamling och analys. För att öka reliabiliteten är det viktigt att man är tydlig i hur man har gått till väga för att nå arbetets resultat. Läsaren ska kunna följa både i metod och analys för att på så sätt göra en bedömning av arbetet (Höst et al., 2006). Överförbarhet och pålitlighet refererar till att arbetets resultat kan användas fler gånger och i andra kontexter (Bell et al., 2019). För att öka kvaliteten har man därför gjort en tydlig beskrivning och urval. Urvalet för observationen och de interjuver som gjordes var för den hela aktuella processen för företaget, vilket bidrar med en fullständig representativ bild av Deromes process men nödvändigtvis inte för andra företags processer. Genom att den undersökta processen är noggrann beskriven ges det möjlighet för bättre representativitet och spårbarhet samt beskrevs en reflektion om att slutsatsen kan vara återkommande först om kontexten är likartad i andra fall. För att ha ett konsekvent tillvägagångssätt valde man att behålla samma mall för varje typ av respondent. Exempelvis utgick man från samma typer av frågor för alla processaktörer respektive företags intervjuer. Ett annat förekommande begrepp är validitet, vilket är relevansen mellan vad man undersöker och vad syftet är att man ska undersöka (Höst et al., 2006). Trovärdighet mäter också relevans och på likande sätt mäter konfirmerbarhet objektivitet (Bell et al., 2019). I detta fall såg man exempelvis till att undersöka både användarna av processen och leverantörerna av processens perspektiv på möjlig implementering av AI. För att resultatet dessutom ska ha möjlighet att vara mer objektivt valde man att intervjua utomstående personer från Deromes verksamhet. Genom att dessutom se till att båda forskarna granskade allt material ökade arbetes konfirmerbarhet. För att öka trovärdigheten och validiteten verifierades modellen av processansvarige för säkerställda dess korrekthet. 29 4. Resultat 4. Resultat Kapitlet börjar med att presentera nulägesanalysen med tillhörande kartläggningar av processen och behovsområden. Vidare presenteras intervjuresultat från digitaliseringsperspektivet från ansvarige på Derome och processaktörernas perspektiv. Denna del avslutas sedan med en sammanställning av intervjuresultatet från systemleverantörer. Informationen från systemleverantörerna komplimenteras sedan under nästa kapitel av en datainsamling från deras hemsidor. Resultatkapitlet avslutas med en sammanställning av resultatet och optimeringsförslag för processen med tillhörande kartläggningar. 30 4. Resultat 4.1 Nulägesanalys av processen Den nuvarande löneprocessen har analyserats och visualiserats med hjälp av en kartläggning (se Figur 6). Kartläggningen visar hur processen går till från start till slut och vilka övergripande steg som ingår i processen. Figur 6 - Kartläggning av löneprocess. Gjort med Camunda Den huvudsakliga löneprocessen startar i Zervicepoint med en kontroll, där processen kontrollerar om det har skett en förändring i anställningsavtalet. En sådan förändring kan vara en nyanställning (Eng: onboarding), ändring i avtalet (Eng: crossboarding) eller uppsägning (Eng: offboarding). Om en förändring har skett kontrollerar systemet om personen redan finns inlagd sen tidigare. Om personen finns hämtas persondata från Talentsoft och läggs sedan till i Zervicepoint, annars behöver personen läggas in på nytt i systemet. Under hantering av anställningskontrakt kontrollerar lönespecialisten de nya ändringar som skett för att sedan godkänna det nya avtalet (se Figur 7). Denna kontroll görs manuellt av specialisten. Avtalet lämnas sedan för signering av chef och anställd. När båda parter har signerats är processen 31 4. Resultat färdig och ett nytt avtal har skapats. Om signering inte sker inom viss tidsram skickar specialisten manuellt en påminnelse. Registrering av en anställd tar ungefär en till två timmar samt en natt för systemet att lägga in personen. Figur 7- Subprocess, hantering av anställningskontrakt. Gjort med Camunda Om en ändring skett uppdateras persondata i Talentsoft. Talentsoft överför datafiler till andra system såsom IFS, Agda Kassa och Skovik. Från Talentsoft skickas en integrationsfil till IFS och varje morgon får lönespecialisten statusrapporter för varje bolag. Rapporterna innehåller information om personalen under ett visst bolag, men scheman för nyanställda eller ändrade avtal finns inte med i rapporten och därför måste lönespecialisten manuellt lägga till dessa. Vid tidrapporter kontrollerar lönespecialisten tidkorten och om det finns felaktigheter rättar lönespecialisten det manuellt (se Figur 8). Om en anställd har överstigit max tillåten frånvaro behöver lönespecialisten då manuellt skicka ett mejl. Det sker även kontroller av OB, som exempelvis sjuk OB då systemet kan göra felaktiga uträkningar och då behöver detta rättas till. Systemet är även hårt styrt då det svårt att ändra på typen av frånvaro, till exempel kan man inte byta från att vara sjuk till att vara föräldraledig. När dessa kontroller är genomförda skapar lönespecialisten filer som sedan används i lönesystemet Agda. Under processen följer specialisten en utskriven checklista för att se att alla stegen utförs. Att lägga in informationen i tidrapporterna tar upp till timma eller en dag, beroende på mängden anställda. Sedan förekommer det fel, vilket i sin tur en och en halv dag att lösa. 32 4. Resultat Figur 8- Subprocess, tidrapporter. Gjort med Camunda Parallellt med tidrapporteringen sker det en rapportering av resor och utlägg (se Figur 9). Exempelvis, utlägg existerar i from av lunch-avdrag som dras av på lönen. Den processen utförs av dataöverföringar. Anställda kan ibland behöva göra resor, vilket resulterar i utlägg som inte ska dras av på lönen. Det börjar med att kvitton från olika köp läses av i Skovik med hjälp av AI, samtidigt som den ansvarige för processen läser motiveringarna till de olika köpen och vid behov genomför manuella korrigeringar som systemet markerar genom AI. Dessa utlägg ska godkännas utifrån riktlinjer och ordlistor för att granska att alla köp är tillåtna, om det exempelvis finns med alkohol i kvittot så godkänns den inte. Kvitton går även igenom olika varningsregler och blir automatiskt godkända om varningsregler inte utlöses och skickas vidare för granskning. När granskningen är klar skapas en fil som sedan skickas vidare till Agda. Figur 9- Subprocess, rapportering av resor och utlägg Själva lönesystemet startar med att öppna en löneperiod och sedan importeras transaktioner, avvikelser och fasta faktorer (se Figur 10). När detta har importerats skapar specialisten lönerna. Därefter sker olika kontroller utifrån en utskriven checklista för att säkerställa att allt är korrekt. En kontroll är exempelvis att granska nyanställda och eventuella avvikelser. När alla kontroller är avklarade stänger lönespecialisten löneperioden och skickar lönerna till banken. Slutligen utförs efterarbete och när det är färdigt är lönutskicket avklarat. Parallellt med löneprocessen behöver lönespecialisterna utföra övriga uppgifter utifrån checklistor. När 33 4. Resultat alla dessa steg är färdiga är löneprocessen klar. Att attestera fel ska ta ungefär tre arbetsdagar men i den nuvarande situationen tar det i stället över en vecka för att få in rätt information. Kontroller tar ungefär en vecka och avslutas med ungefär två dagar korrigering. Figur 10- Subprocess, lönesystem. Gjort med Camunda Löneadministrationen innefattar också en ärendefunktion där anställda i processen och andra delar av företaget kan ställa frågor (se figur 11). Detta kan exempelvis vara frågor om lön i både personlig och offentlig form. En fråga i en offentlig form är ”när ges lönen ut”, medan en privat fråga är kring deras individuella lön som man inte vill att obehöriga ser. Ärendefunktionen använder sig utav supportcentralen på Dnät som tillåter att ett ärende lämnas in där för svar. Detta ärende flyttas sedan över till Fresh där en lönespecialist tilldelar ärendet till en behörig för frågan manuellt. Ärendet väntar på svar för att sedan markeras som avklarad. Att dela ut ärenden tar minst en timma per dag vid manuell hantering och att lösa dem cirka två timmar. Sedan är det en stor vänta mellan att ärendet lämnas till att det blir löst. En tredjedel av tiden väntar ärendet på att bli besvarat och två tredjedelar väntar mottagaren på att sändaren ska svara på återkoppling. Tiden kan ändras beroende på hur många svar som behöver skickas mellan partnerna. Figur 11- Fresh. Gjort med Camunda 34 4. Resultat 4.1.2 Analys av nuläges problem I Talentsoft skapas eller ändras personuppgifter om det tillkommer en nyanställd eller ändring i anställningen. Olika typer av data analyseras och det skapas filer som sedan överförs till andra system. Utvecklingsområdet i Talentsoft är att dataanalysen i den nuvarande processen sker manuellt, det vill säga att systemförvaltaren behöver själv väljer vilken data som ska analyseras. Ett annat problem är att all data inte finns på samma plats, vilket leder till att framställning av en dataanalys blir tidskrävande. Processen för tidrapporter är ett område som kan förbättras. Under denna process är det ett flertal kontroller som sker manuellt, eftersom systemet inte kan tolka vissa avvikelser i data. Vid kontroll av tidkort behöver lönespecialisten utföra manuella rättningar vid avvikelser som kan förekomma i tidkorten, in- och utstämplingar. Kontroll av OB behöver genomföras eftersom systemet kan göra fel uträkningar som måste rättas. Varje år sker en handpåläggning i schemat där lönespecialisten måste manuellt lägga till helgdagarna, eftersom systemet inte kan identifiera de röda dagarna under kommande året. Förbättring av tidrapportsprocessen genom att exempelvis automatisera vissa kontroller kan leda till effektivisering av processen. När det sker en ändring av anställningskontrakt i Zervicepoint måste lönespecialisten själv leta efter den nya ändringen i kontraktet eftersom det inte förekommer vilken typ av ändring det är eller vart i kontraktet ändringen har skett. Detta blir ineffektivt för lönespecialisten och förvirrande för den anställda då det inte tydligt framgår vad som har gjorts. Vid skapandet av löner i lönesystemet sker det ett flertal manuella kontroller. Det ska genomföras kontroller av kontrollistan, eftersom det kan förekomma avvikelser som behöver rättas manuellt till, exempelvis hantering av nyanställda. Det förekommer även övriga kontroller som sker manuellt. Att använda Dnät som ärendeportal är smidigt men ett problem uppstår i att det förkommer exempelvis enkla eller repetitiva frågor som i stället ger en ökad arbetsbelastning och onödig tidsanvändning. Det tar också tid att få svar eftersom frågor kan behövas skickas fram och tillbaka och kan endast svaras på när den svarande har tid vid datorn. 35 4. Resultat De färdigskrivna checklistorna är i behov av digitalisering och utveckling för att optimera hur det görs idag. Checklistorna bidrar med en stor hjälp och kontroll för specialisterna men de har potential att bidra med möjligheter som tydliga anvisningar i datorn. Ett annat problem som kan förekomma är när en nyanställd sätts in i löneprocessen. Eftersom det är många olika manuella steg är det svårt för den nyanställda att förstå vad som ska göras men även hur saker ska göras. Detta är något som löneadministrationen har börjar arbeta med och deras lösning är att skapa guider/manualer där olika arbetsuppgifter förklaras steg för steg. Dock är detta inte färdigt utan det är fortfarande under utvecklingsfasen. 4.3 Intervjuresultat En stor del av den primära datainsamlingen bygger på intervjuer från olika personer och företag. Nedanför sammanställs resultaten från dessa utförda intervjuer. Intervjuerna finns inspelade och transkriberat för att kunna referera tillbaka till. 4.3.1 Digitaliseringsperspektivet för Derome Ur en intervju som gjordes med en representant från Deromes utvecklingsavdelning, som ser över alla digitaliseringsdelarna inom hela koncernen, berättas att de planer som företaget har för tillfället är bara en digital vision. Den nuvarande planen beräknas även att ändras på grund av hur marknaden ser ut och exempelvis den låga konjunkturen just nu. Fokuset för utvecklingen innefattar ännu inte HR- avdelningen, men ett fokusområde där är hur hanteringen av data hanteras. Kvalitet, effektiv insamling, flöde och framför allt hur och vart data lagras är viktiga områden. Vid frågan om hur företaget ser på AI svarar hen: ”Det har hänt väldigt mycket de senaste åren och det fortsätter att utvecklas väldigt mycket hela tiden. Jag tror att vi är i ett tidigt stadie, men det bygger på att företag, inte bara Derome, utan många andra företag har en bra strukturerad data. Eftersom det är svårt att nyttja AI utan väl strukturerade data.” 36 4. Resultat För att man ska implementera AI krävs ett grundläggande arbete och strukturerad data. Ett sätt som hade underlättat detta var om man använder sig utav en plattform som samlar all data från olika källor. Vidare kan AI lösa mycket men inte allt. Hur väl det fungerar är beroende av olika faktorer så som sammanhang och dess användning. Exempelvis för HR-avdelningen kunde AI hjälpa till med att svara på frågor som de anställda inte har tid med, både interna och externa. Om man ska ha en fungerade chatbot är bra datakvalitet och väl strukturerad data nödvändigt. Dessutom finns det en risk med att låta AI föra kommunikationen. Exempelvis kan fel typer av svar skickas eller innehålla känslig information. Sammanlagt har AI en stor potential, men viktiga områden är att det ska fungera som ett stöd i vardagen och öka effektiviteten. Ett färdig utvecklat användningsområde för AI är dess funktion som översättare. Ett viktigt område som betonas är just säkerhetsfrågan, vilket är en utmaning för AI. Användning av stora språkmodeller på nätet kan en uppladdning av data om Deromes verksamhet föras vidare och ge någon annan tillgång till den informationen. Användning av språkmodeller som använder intern data är därför säkrare men ger inte lika bra svar som exempelvis ChatGPT, som har tillgång till hela webben. Det är extra viktigt att data inom HR- processer inte hamnar utanför verksamheten, på grund av dess innehåll. Framtida planer för Derome skulle alternativt vara att köpa eller utveckla en plattform som kan användas för fler områden än bara HR. Det är viktigt att vara noga med vilken data AI får använda sig utav och lagar som GDPR är viktigt att ta hänsyn till. Vid frågan om möjligheten kring en chatbot som skulle kunna hantera HR-relaterade frågor gavs svaret att det skulle kunna vara en bra utgångspunkt. Genom att implementera en sådan lösning skulle man sedan kunna undersöka hur den skulle kunna utvecklas och implementeras i andra områden. Frågan om att digitalisera checklistor och en alternativ integration i ett system ansågs som en bra användning av AI. Förklaring på det var att AI skulle kunna ta intelligenta beslut och automatisera den uppgiften. Vidare skulle AI kunna lära sig ta fram liknande resultat framöver beroende på vad personer gjort tidigare. 37 4. Resultat 4.3.2 Processaktörers perspektiv Intervjuer med olika processaktörer bidrog med en insyn i systemet och idéer kring vad som önskas förbättras. Ett genomgående tema i intervjuerna var behovet av en integration mellan system, där överförandet av filer skulle kunna ske automatiskt. Överförandet av filer tar mycket tid och det finns en stor risk att fel uppstår genom fel inmatning. ”Risken är att man läser in fel import (…) om detta bara kunnat läsas sig in på rätt plats av sig själv så hade man ju minimerat att det inte blir några handhavandefel”. En mer automatiserad process skulle därför leda till mindre handhavandefel och en besparing av tid vid korrigering. Eftersom det är en sådan stor mängd transaktioner läggs det därför ner mycket tid på kontroller för att hitta felaktigheter i systemet. Likartade uttalanden fanns angående att man tycker att det används väldigt många olika system. Detta resulterar i att processen framstår som lite rörig och som en processaktör utryckte det: ” (…) det är en utmaning kan jag tycka, att hänga med (…)” och det hade varit tryggare om alla system härstamma från samma källa. Därför hade processen både varit enklare att förstå om den bestod av färre system att övervaka och enklare att hantera, exempelvis vid uppdatering av information i alla systemen. En vanlig reflektion kring användning av AI är om möjligheten finns för teknologin att hitta fel i systemen. I det nuvarande systemet finns det en utmaning med alla manuella kontroller som görs genom jämnföring mellan listor och systemet. Förutom importfel, uppstår många av felen när chefer registrerar data. Detta eftersom det är associerat med de olika kollektivavtalen dem har. Det är väldigt få som är inlästa i vad som menas med dem och hur ändringarna i form av uppdateringar påverkar avtalen. Behovet finns att få kännedom om problem innan de händer men också efter för att lättare korrigera. Det förekom även synpunkter kring ärendehanteringssystemet om hur det exempelvis saknas ett standardiserat arbetssätt, att hanteringen av frågor inte genomförs på samma sätt och i samma plattform. Detta riskerar att vissa mer komplicerade förfrågningar ej fullbordas om det är fler än en person som ska svara på frågan. När frågor och svar behöver skickas mellan flera personer blir processen både tidskrävande och ineffektiv. Genom att ha standardiserade svar för ärenden minskar arbetsbelastningen för processaktörer som kan lägga den frigjorda tiden på annat i stället för ärendehanteringssystemet. Det finns ett önskemål om att skapa standardiserade svar till vanligt förekommande frågor, då det skulle spara värdefull tid. I ärendehanteringssystemet finns det mycket data och känslig information, därför är det viktigt 38 4. Resultat att hantera allt den data på ett säkert sätt för att minimera risken för spridning av persondata genom exempelvis att förhålla sig till GDPR. En gemensam uppfattning var att de flesta av de intervjuade hade en positiv inställning kring AI och dess möjligheter. Många ansåg att AI kan vara ett hjälpsamt verktyg som kunde underlätta arbetet om det används på rätt sätt. Trots den positiva inställningen finns det en viss oro över AI, exempelvis gällande risker i användandet och AI:s snabba utveckling. Exempelvis framgick det att man inte kan lita helt på AI, utan en mänsklig kontroll behövs. Förutom den mänskliga kontrollen ansåg man att mänskliga faktorer spelar också en stor roll i arbetet. Exempelvis behövs en mänsklig handläggning för att införa företagskulturen i exempelvis utskicken. I en intervju med en lönespecialist från ett annat företag framgick ett behov om att svaren som skickas mellan de anställda bör ha en personlig touch och inte vara datagenererade. Från Deromes perspektiv sägs det angående AI att: ”Jag tror att det är om man använder det på rätt sätt (…). Jag skulle inte säga att jag tror att det går att använda till allt, absolut inte.”. AI är inte lösningen fullt ut, men uppfattningen finns att man behöver anpassa sig till det. Även fast att teknologin skräms lite är de flesta inte oroliga över att det kan ta över deras arbete, utan bara underlätta eftersom arbetet handlar mycket om service och personliga kontakter. 4.3.3 Systemleverantörernas perspektiv Flex HRM Flex HRM (Human Resource Management) är ett företag som bygger lösningar för HRM- system. Dessa lösningar innefattar allt från personalsystem, tidregistreringar, reseutlägg till löneutbetalningar och andra HR-funktioner. En AI-funktion företaget erbjuder är möjligheten att hitta avvikelser genom mönsterbaserad igenkänning. Funktionen kommer inte kunna hitta alla fel, men det är en bra start och stöd för företag. Enligt Flex HRM är det stora problemet i löneprocessen att göra korrekta beräkningar av löner, vilket är en utmaning på grund av den stora mängden uppgifter. Ett räkningsförsök som företaget gjorde visade att en anställning på 5 000 personer resulterar i upp mot en miljon variabler varje månad. Deras lösning producerar en lista av avvikelser som AI hittar och tillåter lönespecialister att kontrollera dessa. Modellen tränas genom företagets historik av färdiga löneperioder (upp till sju år) och jämför dessa sedan med den aktiva. Utmaningen för detta är att AI hittar avvikelser som inte alltid är fel. Ett sätt att hantera detta är med hjälp av kontinuerlig förbättring. Systemet tillåter 39 4. Resultat återkoppling där AI får lära sig vad som var fel och vad som bör tas upp fler gånger. Det är en lätt implementering och företaget värderar högt att personuppgifter hanteras rätt. Idag är AI-modellen begränsad men för att kunna göra mer komplexa system behövs mer data för komplexa kontroller. Men det är en förbättring från den traditionella användningen av utskrivna papper, eftersom man hittar fel som annars inte hade blivit hittade. Den största drivkraften är kvalitet. Kostnads- och tidsbesparingar är viktiga men kvalitetsförbättringar har setts som den viktigaste. Framtidsplaner för AI inom företaget är framför allt det aktiva problemområdet och att säkerställa rätt utbetalningar av lön. En annan plan är att genom användning av LLM analysera kollektivavtal för att hitta regler och sedan kontrollera om lönetransaktionerna följer det. Man ser även en framtid i att sammanställa data och skapa rapporter samt att även automatisera processflöden, genom att låt AI att hjälpa till att starta processer i system. Flex HRM har tänkt utveckla detta genom något de kallar Flexi. Företaget erbjuder även chatbotar som kan svara på frågor kring systemet och minska ärenden eller fungera som en vanlig chatbot att prata med. Flex HRM menar att det finns en stor potential med AI och om några år kommer dagens system vara föråldrade och nya möjligheter existera. Om man får löst utmaningen kring kontextfönster och att AI producerar hallucinationer kommer det finnas oändligt med möjligheter. Exempelvis är bemanningsplanering ett framtida område, men som är mycket komplext. Visma Visma är en systemleverantör som tillhandahåller Deromes lönesystem genom Agda PS. Visma som koncern levererar även olika affärssystem inom ekonomi, ERP-system (Enterprise Resource Planning system) och et cetera. Det finns tre områden där arbetet med AI är störst. Systemet använder AI i form av maskininlärning för att förenkla vissa delar av löneprocessen kopplat till utläggshantering och reseräkningar. Där används AI för att extrahera data från kvitton och fördelar utläggen i olika utläggskategorier baserat på en maskininlärningsmodell. 40 4. Resultat Avvikelser eller felaktiga uppgifter är ett vanligt förekommande problem inom lön. Inom tidsdata har anomalidetektion, som kan identifiera avvikelser i data, integreras för att underlätta finnandet av fel. Det undersöks även hur generativ AI och språkmodeller kan integreras på olika sätt för att förenkla systemet för användarna. Det finns även andra sätt att mer eller mindre automatisera löneprocesser, men AI behöver inte alltid vara lösningen utan det kan genomföras med regelbaserad automation. Företagets framtidsplaner är att hitta ännu smartare AI-tekniker som kan automatiseras och integreras i olika system. Men detta är inget som ännu är i utvecklingsfasen utan kommer påbörjas längre fram i framtiden. Chatbot är en idé som finns hos Visma men som är i utvecklingsfasen. Utveckling av chatbot kräver att företaget säkerställer AI:s svar, vilket undersöks fortfarande då mycket handlar om en kombination av mänsklig övervakning och användarfeedback. Inom lönesystem finns det många risker då man bland annat hanterar personuppgifter och känslig data. Därför är det mycket arbete som läggs ner på detta för att säkerställa hanteringen och kvalitén av data innan ”tjänsten” kommer ut i marknaden. De utmaningar som finns är säker hantering av data och att det blir rätt vid användning av AI, då detta är speciellt viktigt gällande lönehantering. För Visma handlar det mycket om att automatisera och förenkla för användarna. De stora drivkrafterna är automatisering, tidsbesparing och förenkling. Gällande AI:s betydelser inom lönehantering tror Visma att det kommer att dröja ett tag innan AI tar över helt, men att det inom kort blir en naturlig del av arbetet där den används på olika sätt som ett stöd. Generellt skapar AI mycket värde idag och har en stor påverkan på hur vi arbetar, men Visma tror dock inte att AI kommer lösa alla problem utan det behövs ytterligare ny teknik som skapar ännu mer mervärde. Men det finns stor potential inom AI och därför är det viktigt att aktivt följa utvecklingen då det går fort fram. Visma ser stor potential i att implementera AI inom HR, men att det inte blir det första området som automatiseras bort med hjälp av AI, eftersom lön och HR är ett komplext område med mycket känslig data. Skovik Skovik är ett reseräkningssystem som levereras ofta till stora globala bolag. De erbjuder endast en produkt vilket är reseräkningssystemet. Systemet används till att hantera de olika utlägg, traktamente och milersättning inom företagen så att personal får rätt skattefriersättning. I ett annat system attesteras och godkänns dessa reseräkningar och 41 4. Resultat granskas per automatik. Dessutom kan systemet kopplas samman med andra typer av system såsom ERP-system och HR-system. Resehantering anses många gånger vara en relativt tråkig process och därför har Skovik försökt att automatisera det så pass mycket att processen blir enklare, vilket sparar tid. Skovik var tidigt ute med att använda AI för kvittoavläsning. Första steget i kvittoavläsningen används OCR (Optical Character recognition) för att översätta bildpixlar till text och siffror. I nästa steg används maskininlärning eller annan AI-teknik för att tolka texten och se vad som är exempelvis totalbeloppet och vilken utläggstyp det borde vara. Företaget arbetar med att ständigt förbättra systemet vilket leder till att systemet kan genomföra mer avancerade analyser av kvitton, exempelvis bedöma om det verkligen är ett kvitto eller inte. Målet är att reducera de manuella stegen, men det är viktigt att se till att systemet kan tolka skatteregler och andra policyer rätt då det finns risk med att AI kan börja hallucinera och ge felaktiga data. Dessutom kommer systemet flagga när man skrider mot en policy eller om den hittar andra avvikelser, vilket underlättar för granskaren. Utöver kvittoavläsning kan systemet dra olika slutsatser utifrån kvittot, som till exempel hur man bör fördela kvittot i olika utläggstyper eller analysera innehållet i kvittot för att se om det finns med exempelvis alkohol. Det är viktigt att systemet är anpassningsbar då det är olika skatteregler i olika länder. Användarvänligheten är även viktigt för Skovik då de vill erbjuda ett system som kan hantera det komplexa och jobbig