McKinsey har i dag 20 000 AI-agenter som arbetar sida vid sida med 40 000 mänskliga konsulter. För ett och ett halvt år sedan var det 3 000. Förändringen gick snabbare än de flesta konsultbolagschefer räknat med, och den ställer tre operativa frågor som ingen förberett svar på: Hur bemannar du ett team som inkluderar maskiner? Hur fakturerar du kunder när AI gör delar av arbetet? Och hur mäter du beläggningsgrad när din personalstyrka är hälften mänsklig, hälften algoritm?

Viktiga punkter

• 87% av konsultbolag planerar att hantera AI-agenter som en del av personalstyrkan (Kantata, 2026)

• 89% av branschledare säger att framtida intäktstillväxt beror mer på hur väl man skalar AI än hur man skalar antal anställda

• De tre operativa utmaningarna är bemanningsstrukturer, faktureringsmodeller och mätning av beläggning

• Bolag som definierar gränsen mellan människa och AI innan driftsättning uppnår väsentligt högre adoptionstakt

• Traditionella beläggningsformler fungerar inte i hybridteam och behöver byggas om från grunden

Förändringen sker redan, oavsett om du har en plan eller inte

Frågan är inte längre om AI-agenter kommer att bli en del av din personalstyrka. Enligt en undersökning från januari 2026 med 200 ledare inom konsultbranschen, genomförd av Kantata och Censuswide, planerar 87% av bolagen att hantera AI-agenter som en del av sin personalstyrka. Nästan lika många (89%) säger att framtida intäktstillväxt beror mer på hur väl de skalar AI än hur många de anställer.

Det som gör det här skifte olikt tidigare automationsvågor är vad AI-agenter faktiskt gör. Tidigare verktyg automatiserade uppgifter: dokumentformatering, datainmatning, schemaläggning. AI-agenter slutför arbete: de skriver utkast till leveranser, sammanfattar research, genererar inledande analyser och hanterar kundkommunikation. Gränsen mellan "verktyg" och "teammedlem" har förskjutits, och de operativa strukturer som de flesta konsultbolag har på plats byggdes för ett team av människor.

De bolag som tar täten behöver inte nödvändigtvis vara de som adopterar AI snabbast. De är de som bygger rätt operativ infrastruktur runt det.

Ta Rebel and Bird som exempel. Det svenska konsultbolaget lade om hela affärsmodellen under 2026 med strategin "Agentic first" och lanserade en prenumerationsmodell de kallar Output-as-a-Service. Kunden betalar för faktiska leveranser, inte för tid. Det är inte en AI-lösning som är påklistrad på den gamla strukturen. Det är ett omtänkt konsultbolag med AI som operativ grund.

Del 1: Bemanning – omdefiniera roller och sätt gränsen mellan människa och AI

Den första operativa utmaningen är att veta vem som gör vad. I ett team med AI-agenter behöver varje roll ett definierat ansvar, och det gäller varje agent också. Att lämna det oklart är dyrt.

Definiera gränsen innan du driftsätter

Forskning från Deloittes AI-driftsättningsanalys 2025 visade att bolag som definierade gränsen mellan människa och AI innan driftsättning uppnådde 73% användaradoption, jämfört med 31% när gränserna var otydliga. Frågan är enkel att formulera men svår att besvara: vad producerar AI:n för varje leverans, och vad validerar, berikar eller åsidosätter den mänskliga konsulten?

En praktisk startpunkt är att kategorisera arbetet efter leveranstyp:

• AI-primärt, människa granskar: Första utkast, dataanalys, dokumentsammanfattning, marknadsresearch. AI:n gör jobbet; konsulten kontrollerar kvaliteten och tillför omdöme.

• Människa-primärt, AI assisterar: Kundstrategimöten, intressenthantering, komplex problemformulering. Konsulten leder; AI:n hanterar förberedelse och uppföljning.

• Enbart människa: Allt som kräver förtroende, ansvar eller relationskapital som inte kan delegeras. Att godkänna rekommendationer, hantera svåra samtal, etiska bedömningar.

Justera bemanningskvoter

När gränsen är definierad kan du se över bemanningskvoterna. Om AI-agenter hanterar den analytiska belastning som tidigare krävde två juniora analytiker, uppstår frågan: vad är rätt kvot av seniora mot juniora medarbetare i ett AI-förstärkt uppdrag?

McKinseys vd Bob Sternfels noterade i början av 2026 att kundnära roller på bolaget växer med 25%, medan icke-kundnära roller krymper. Det mönstret är konsekvent med vad som händer när AI tar över internt analytiskt arbete: du behöver fler personer som kan omvandla analysen till kundvärde, och färre vars huvudsakliga uppgift var att producera analysen.

För de flesta medelstora konsultbolag innebär det en gradvis förskjutning mot slankare uppdragsteam med högre kvot konsult-till-AI-agent, kompenserat av starkare kvalitetsgranskning på seniornivå. Risken med fel kvot i någon riktning är verklig: för lite folk och kvaliteten sjunker; för många människor och ekonomin i AI-förstärkt leverans förverkligas aldrig.

Bygg nya operativa roller

De mest framsynta bolagen skapar också nya interna roller som inte existerade för två år sedan. Kantatas undersökning 2026 visade att 73% av konsultbolagen planerar att anställa "integrity layer leads," 47% planerar "workflow engineers" och 42% planerar "agent orchestrators." Det är inte AI-specialister i traditionell bemärkelse. Det är operativa roller med fokus på att göra människa-AI-samarbete tillförlitligt och reviderbart.

Del 2: Fakturering – tre modeller för AI-förstärkt leverans

Faktureringsfrågan är där de flesta konsultbolagsledare fastnar. Om en AI-agent på två timmar slutför arbete som tidigare tog en junior konsult två dagar, vad tar du betalt?

Det ärliga svaret är att det inte finns en enda rätt modell. Rätt modell beror på dina kundrelationer, din marginalstruktur och hur mycket AI som är inbyggt i din leverans. Men det finns tre ramverk värda att förstå.

Modell 1: Resultatbaserad fakturering

Debitera för resultatet, inte för tid. Om ditt bolag levererar en marknadsanalys som möjliggör ett kundbeslut värt miljontals kronor, förändras inte värdet av den analysen för att AI hjälpte till att producera den snabbare. Resultatbaserad fakturering skyddar dina marginaler när AI minskar din leveranskostnad.

Den här modellen fungerar bäst när du har etablerade kundrelationer, tydliga leveransdefinitioner och mätbara framgångskriterier. Den kräver mer scopearbete inledningsvis men ger bättre ekonomi på sikt. Rebel and Birds OaaS-modell är ett tydligt svenskt exempel på exakt det här.

Modell 2: Kapacitetsbaserad prisnivå

I stället för att debitera per timme, debitera för den kapacitetsnivå du åtar dig. Ett bolag kan erbjuda tre nivåer: ett basuppdrag (AI-primär leverans, lätt senioröverseende), ett standarduppdrag (balanserat människa-AI-team) och ett premiumuppdrag (seniorlett med AI-acceleration).

Den modellen är enklare att sälja till kunder som är skeptiska till resultatbaserade upplägg och ändå vill förstå vad de betalar för.

Modell 3: Hybridtimdebitering med transparens

Vissa kunder, framför allt i reglerade branscher, insisterar på timdebitering. I de fallen är den framväxande praxisen att debitera AI-agenttimmar till ett lägre pris än mänsklika timmar, med tydlig dokumentation av vilka leveranser som var AI-primära. Det bibehåller kundens känsla av kontroll och låter bolaget ändå dra nytta av AI-effektivitetens marginaler.

Risken med den modellen är marginalpress över tid när kunder jämför AI-priser och pressar ned dem. Bolag som enbart förlitar sig på den här modellen får allt svårare att hålla intäkterna per uppdrag när AI levererar snabbare.

Oavsett vilken modell du väljer: ta faktureringsfrågan med kunder tidigt. Kunder som mitt i ett uppdrag upptäcker att AI producerat arbete de antog var mänskligt producerat tenderar att reagera negativt, även om kvaliteten är hög.

Del 3: Mätning – beläggningsgrad i en hybridstyrka

Traditionella beläggningsformler mäter en sak: fakturerbara timmar som andel av tillgängliga timmar. Den formeln slutar fungera i ett hybridteam, eftersom AI-agenter inte har fasta tillgängliga timmar, inte hamnar på bänken och inte ackumulerar samma kostnader som mänsklig personal.

Nittio procent av konsultbolagsledarna berättade för Kantata att deras system i närtid behöver kunna tillskriva arbete, kostnader och värde till både människor och AI-agenter. De flesta system i dag klarar inte det.

Tänk om kring vad du mäter

För mänskliga konsulter i ett hybridteam skiftar beläggningsfrågan från "är de fakturerbara?" till "tillför de det omdöme, de relationer och det övervakningsvärde som motiverar deras kostnad?" En seniorkonsult som lägger 60% av sin tid på fakturebart arbete som till stor del handlar om att granska AI-output används på ett helt annat sätt än en som lägger samma 60% på kundnär strategi.

De mer användbara nyckeltalen i en hybridstyrka är:

• Intäkt per konsult (enbart människor): spårar om minskat AI-intensivt admin-arbete omvandlas till mer seniorfakturering

• Leveransgenomströmning: hur många uppdrag eller leveranser slutför teamet per konsult per kvartal

• AI-till-människa-kostnadskvot per projekt: hur stor andel av ett projekts interna kostnad är mänsklig respektive AI, och hur förhåller det sig till marginalmålen

• Kvalitetsgranskningstakt: hur ofta leder mänsklig granskning till väsentliga ändringar i AI-output, och sjunker den takten när teamet kalibrerar sina processer

Spåra AI-agentoutput separat

AI-agenter ska spåras som ett kapacitetsskikt, inte som bemannad personal. De relevanta frågorna är: vilka typer av arbete slutför agenterna, i vilken volym och med vilken felfrekvens? Det är operativ data, inte beläggningsdata, och den behöver finnas tillgänglig där dina resursansvariga faktiskt kan se den.

Sextiosexo procent av konsultbolagen tackar i dag nej till uppdrag på grund av resursbrist. AI-agenter är en direkt hävstång mot det siffran, men bara om du i realtid kan se vilken kapacitet de har och var de är driftsatta. Bolag som behandlar AI-kapacitet som osynlig infrastruktur kommer att fortsätta tacka nej till uppdrag de faktiskt hade kunnat ta.

Vad det innebär för konsultmatchning

Att AI-agenter framträder som personalstyrkemedlemmar minskar inte vikten av mänsklig konsultmatchning. Det höjer insatserna. När varje uppdrag innebär en kombination av mänskliga konsulter och AI-agenter spelar kvaliteten på den mänskliga komponenten större roll, inte mindre, eftersom människor nu ansvarar för det omdöme, den kvalitetsövervakning och de kundrelationer som AI inte kan hantera.

Att snabbt få rätt mänsklig konsult till rätt roll, snabbare än dina konkurrenter, förblir en av de mest tillförlitliga hävstängerna för beläggningsgrad och affärsvinstfrekvens. Skillnaden är att de bolag som lyckas med det 2026 inte gör det med kalkylblad. De använder AI-driven matchning som kan identifiera rätt konsult baserat på kompetens, tillgänglighet och kundpassning på sekunder i stället för dagar.

De bolag som vinner de närmaste fem åren är de som behandlar både sina mänskliga konsulter och sina AI-agenter som hanterade resurser, med tydliga roller, mätbar output och operativ infrastruktur som gör dem synliga. Det kräver en annan typ av verktyg än vad de flesta konsultbolag har i dag.

Vanliga frågor

Vad är en AI-agent i ett konsultbolags kontext?

En AI-agent är ett mjukvarusystem som autonomt kan slutföra uppgifter, exempelvis skriva leveransutkast, sammanfatta research eller generera analys, som en del av ett leveransflöde. Till skillnad från automationsverktyg som hanterar avgränsade uppgifter kan AI-agenter hantera arbete i flera steg och anpassa sig efter indata. Konsultbolag behandlar dem i allt högre grad som ett kapacitetsskikt som arbetar parallellt med mänskliga konsulter.

Hur ska konsultbolag fakturera kunder när AI-agenter utför delar av arbetet?

Det finns tre huvudmodeller: resultatbaserad fakturering (debitera för resultatet oavsett vem som producerade det), kapacitetsbaserad prisnivå (paketa mänsklig och AI-kapacitet i tydligt definierade servicenivåer) och hybridtimdebitering med transparens (debitera AI-arbete till lägre pris än mänskligt arbete, med dokumentation). De flesta bolag med etablerade kundrelationer finner att resultatbaserad fakturering ger bäst marginaler över tid.

Hur mäter du beläggningsgrad när AI-agenter är en del av teamet?

Traditionella beläggningsformler (fakturerbara timmar delat med tillgängliga timmar) gäller för människor men inte för AI-agenter. I hybridteam är de mer användbara nyckeltalen intäkt per konsult, leveransgenomströmning per kvartal, AI-till-människa-kostnadskvot per projekt och kvalitetsgranskningstakt. AI-agenter bör spåras separat som ett kapacitetsskikt, inte inkluderas i bemanningssiffror.

Vilka bemanningsförändringar behöver konsultbolag göra för AI-förstärkt leverans?

Den viktigaste förändringen är att definiera gränsen mellan människa och AI för varje leveranstyp innan driftsättning. Bolag behöver också justera bemanningskvoter, typiskt färre juniora analytiker och fler seniora granskare, och bygga nya operativa roller som "workflow engineers" och "agent orchestrators" som säkerställer att människa-AI-samarbetet är tillförlitligt och reviderbart.

Accepterar kunder att betala samma priser när AI gör mer av arbetet?

Det varierar. Kunder i etablerade relationer tenderar att acceptera resultatbaserade modeller där värde, inte tid, är faktureringsbasis. Kunder i reglerade branscher eller nyare relationer vill ofta ha transparens kring vad AI bidrog med och kan pressa ned priser för AI-primära leveranser. De bolag som navigerar det bäst är de som tar upp frågan proaktivt i stället för att vänta på att kunden tar den.

Vad händer med de konsulter vars jobb primärt var analytiskt?

McKinseys mönster syns även i mindre bolag: kundnära roller växer, icke-kundnära roller minskar. Det innebär inte att juniora analytiker försvinner, men deras roll förändras från att producera analys till att granska, kalibrera och styra AI-output. Bolag som lyckas med den omställningen tidigt bygger en seniorstyrkefördel. De som väntar riskerar att tappa konkurrenskraften när konkurrenter levererar samma analyskvalitet till lägre kostnad.

Källförteckning

• Kantata och Censuswide. "Kantata Survey Reveals that 87% of Professional Services Teams Plan to Manage AI Agents as Part of Their Workforce." BusinessWire, januari 2026. https://www.businesswire.com/news/home/20260108295161/en/Kantata-Survey-Reveals-that-87-of-Professional-Services-Teams-Plan-to-Manage-AI-Agents-as-Part-of-Their-Workforce

• Sternfels, Bob (McKinseys vd). Uttalanden om McKinseys AI-personalstyrka. HCA Magazine, januari 2026. https://www.hcamag.com/us/specialization/hr-technology/mckinsey-trials-ai-led-job-interviews-as-20000-ai-agents-reshape-its-workforce/562007

• McKinsey & Company. Intern AI-användningsstatistik (1,5 miljoner sparade timmar, Lilli-plattformens adoption). Presskällor 2025-2026.

• Thomson Reuters. "Future of Professionals Report 2025." Thomson Reuters Institute, 2025. https://insight.thomsonreuters.com.au/legal/resources/resource/future-of-professionals-report-2025-thomson-reuters

• Deloitte. "AI deployment analysis: human-AI boundary definition and user adoption rates." 2025. (Refererat via thinking.inc/en/industry-service/professional-services-ai-use-cases/)

• Rebel and Bird. "Agentic first"-strategi och Output-as-a-Service. Dagens Teknik, 2026. https://www.dagensteknik.se/rebel-and-bird-utmanar-konsultbranschen-med-ny-ai-strategi/

• Chargebee. "Selling Intelligence: The 2026 Playbook for Pricing AI Agents." 2026. https://www.chargebee.com/blog/pricing-ai-agents-playbook/

Saibon hjälper konsultbolag att matcha rätt mänskliga konsulter till rätt uppdrag på sekunder, så att dina seniorkonsulter lägger sin tid på omdöme och kundrelationer, inte på att söka i kalkylblad. Boka en demo och se hur det fungerar.