Av
Dr Miles Renderia
·
Medical Operations, UK
Övervinna GenAI-klyftan: Att välja rätt partner
Många människor läste MIT:s State of AI in Business 2025(1) och kom bort med en rubrik:
”95 % av AI-projekt misslyckas, trots 30–40 miljarder i GenAI-investeringar.”
Det är en anmärkningsvärd siffra. Rapporten myntar detta som GenAI-klyftan — den växande klyftan mellan organisationer som experimenterar med AI och de som faktiskt transformerar med det. Inom olika branscher har företag öst pengar på att utveckla interna generativa AI-lösningar som slutligen misslyckas med att ge mätbar ROI — och i många fall misslyckas med att leverera en fungerande lösning alls.
Men det som fångade min uppmärksamhet var något annat:
”AI-initiativ utvecklade med externa partners var ungefär två gånger så sannolika att nå framgångsrik implementering än de som byggdes helt internt.”
Den förtydligandet är viktigt.
Som kliniker som arbetar på Tandem Health, spenderar jag min tid på att bygga AI som stöder verkliga dagliga kliniska arbetsflöden. Det perspektivet gör att MIT:s fynd känns mindre som en statistik och mer som något jag har sett utvecklas i realtid. Över hela hälsosystemet upprepas samma mönster:
Stora EHR-företag som långsamt försöker skapa interna AI-lösningar som tillägg till befintliga system.
Stora sjukhusgrupper som försöker utan framgång att implementera AI på egen hand
Många företagsbulletinsannonser om intern AI, men mycket få verktyg du kan lita på under nästa skift som faktiskt har kommit till marknaden.
Under tiden har Tandem gått från ett tidigt start-up till implementeringar över tusentals kliniker, genererande miljontals kliniska anteckningar utan användning av händer. Inte för att våra modeller är magiskt annorlunda — utan för att vi valde en annan väg: att vara absoluta specialister inom vårt område, att djupt förstå smärtpunkterna, och att kontinuerligt integrera dessa lärdomar in i våra partnerskap.
Varför interna byggen har det kämpigt
GenAI Divide-rapporten tittade på olika branscher och avslöjade en trio av utmaningar som konsekvent undergräver interna byggen. Författarna är explicita: Det stora hindret är inte tekniskt — det är operativt.
De flesta interna satsningar misslyckas på grund av:
Svag integration i verkliga arbetsflöden
Brist på anpassning till lokal kontext
Ingen hållbar lärandeloop när systemet är implementerat.
Det är inte det att interna team saknar kapabilitet. Det är att det är lätt att underskatta komplexiteten i att integrera AI i röriga, snabbrörliga, oförutsägbara mänskliga arbetsflöden.
För att bygga något som verkligen har effekt, måste du lösa ett mycket specifikt problem otroligt bra — och ägna betydande kapacitet till att kontinuerligt förbättra den lösningen. Det är mycket mental lyft för ett stort företag att upprätthålla när prioriteringar och fokus skiftar.
En lärdom från finanssektorn: Reducto vs Ett Fortune 10-intern projekt
Det finns ett hjälpsamt exempel utanför hälsovårdssektorn som tydligt illustrerar denna dynamik.
Reducto — ett YC-företag som bygger lösningar för dokumentintag för AI-system — publicerade ett mycket intressant inlägg om deras erfarenhet av att sälja till en Fortune 10-organisation (2). Det som gör deras historia intressant är inte bara köparens skala, utan vad som hände under deras utvärderingsprocess.
Halvvägs genom processen insåg Reducto att:
Deras verkliga konkurrent var inte en annan försäljare.
Det var organisationens egna ingenjörsteam som redan byggde ett liknande verktyg.
Och flera stakeholders var naturligt motiverade att förespråka det interna projektet — deras budgetar och arbetsflöden var kopplade till det.
Trots detta vann Reducto affären.
Varför? För när köparen jämförde produkterna sida vid sida — med avseende på noggrannhet, robusthet och prestanda i den röriga verkligheten av dokument — presterade specialistteamet som hade spenderat år på att lösa det specifika problemet bättre än det interna bygget.
Reductos reflektion kring detta är enkel: interna team har organisationskontext, men specialistpartners besitter djup fokus — och den hängivenheten frigör resultat.
Det är ett konkret exempel på MIT:s ”implementeringsfördel”: där den externa partnern lyckas inte genom att vara högljudd, utan genom att vara strukturellt uppställd för att lära sig snabbare.
Hur en stark AI-partner ser ut
Rapportens mest framgångsrika organisationer behandlar AI mindre som en programvara och mer som en tjänst direkt formad kring ett arbetsflöde. Det är den lins vi har byggt Tandem kring.
Här är vad det betyder i praktiken.
1. Förstå arbetsflödet lokalt
På Tandem kommer mer än 80 % av vårt go-to-market & och kundframgångsteam direkt från kliniska bakgrunder. Vi har arbetat över internationella marknader, och över hela spektrumet av omsorgsinställningar — från allmänläkarpraktiker till akuta medicinska enheter.
Så när vi går in i en tjänst, pratar vi inte abstrakt om arkitektur. Vi pratar om:
Hur de hanterar patienter under en akut medicinsk situation klockan 2 på natten
Vilka noteringsmetoder deras juniorer har
Vilka dokumentationsområden de har mest problem med på en personlig nivå
Produkten återspeglar dessa levda verkligheter eftersom de som formar den har upplevt dem.
2. Bygg ett expertimplementeringsteam
MIT betonar att organisationer som ser verkligt AI-värde behandlar det som en konfigurerad tjänst, inte en plug-and-play-funktion.
På Tandem, vi:
Har framgångsrikt implementerat vår lösning över tusentals allmänläkarpraktiker, vårdenheter och akutmottagningar. Vi är där på plats, och erbjuder realtids utbildning och support
Skräddarsyr mallar, uttryck och utgångar efter lokala kundförväntningar
Mäter effekt på de metrik som räknas: Tid sparad, dokumentationskvalitet, förbättringar i backloggen, säkerhetsindikatorer.
Och vi behandlar inte integration som en eftertanke. Mellan vårt team och våra samarbetspartners har vi levererat 60+ EHR-integrationer över Europa, från lätta anslutningar till djupa, dubbelverkande API-partnerskap — som med en av våra viktiga brittiska partners: Accurx. Detta ger oss förmågan att smidigt passa in i befintliga infrastrukturer istället för att tvinga fram förändringar.
3. Designa för kontinuerligt lärande
Den linje från MIT som stannade hos mig var:
”Det huvudsakliga hindret för skalning är inte infrastruktur, reglering eller talang. Det är lärande.”
För oss, översätts det till:
Snabba, kliniker-ledda feedback-loopar: när kliniker tar upp problem, når de personer som kan agera — ofta kliniska produktexperter —
Lokal konfiguration: avdelningar, specialiteter, och även individuella praktiker kan forma ko-pilotens beteende,
Delat lärande: förbättringar som upptäcks i en miljö kan spridas, noggrant och säkert, till andra.
Och viktigast av allt: eftersom vi inte är tyngda av 20 års äldre arkitektur kan vi skicka förbättringar flera gånger i veckan — och, vid behov, flera gånger om dagen. Denna takt är djupt svår för interna team eller äldre leverantörer att matcha.
För oss är kontinuerlig förbättring inte en fas. Det är verksamhetsmodellen.
Låt oss återkomma till valet du står inför
När jag tänker på de två vägarna att ta som en befintlig stor spelare inom detta område: interna byggnationer på ena sidan, strategiska partnerskap på den andra, ser jag två möjligheter.
Tunt glesa interna team som försöker bygga och upprätthålla allt själva, sällan nå längre än pilotprojekt.
Specialistpartners som lever och dör av huruvida de kan få en sak att fungera briljant över många komplexa miljöer, och hålla det så.
Inom hälsovården, de stora EHR-spelarna, privata leverantörer, och interna skrivsystemprojekt återupplever på många sätt redan samma historia som har setts i finanssektorn och andra industrier. Vissa kan lyckas. Många kommer att stallet tyst.
Ur min vy — en kliniker i frontlinjen som nu arbetar inne i ett AI-företag — är den lärdom jag tar från GenAI Divide enkel:
Om du vill ha AI som verkligen förändrar hur vård levereras, försök inte bygga allt själv.
Partner med människor vars hela jobb är att leva i arbetsflödet med dig.
Det är insatsen vi har gjort på Tandem.
Och det är därför, när jag såg rubriken ”95 % av projekten misslyckas”, märkte jag verkligen den möjlighet som finns under
Dubbel framgångssannolikhet när du väljer dina partners väl.
Referenser:
Challapally, A., Pease, C., Raskar, R., & Chari, P. (2025, juli). The GenAI Divide: State of AI in Business 2025 (MIT Project NANDA). MLQ. https://mlq.ai/media/quarterly_decks/v0.1_State_of_AI_in_Business_2025_Report.pdf
Reducto, Inc. (2025, januari 13). How we started working with Fortune 10 enterprises. Reducto Blog. https://reducto.ai/blog/reducto-enterprise-sales
Om Dr Miles Randeria
Miles är en NHS-läkare med omfattande erfarenhet från sekundärvård och akutsjukvård. Nu arbetar han inom medicinska operationer på Tandem Health, och leder företagets expansion till akutsjukvårdsinställningar, kombinerar djupa kliniska insikter med ett starkt intresse för AI och produkt för att bygga lösningar som förbättrar patientvården och kliniska arbetsflöden.
