AI i bokföring och redovisning: vad som faktiskt är möjligt 2026

Frågan "kan AI sköta bokföringen?" får nästan alltid ett för entusiastiskt eller ett för avfärdande svar. Det korrekta svaret är tråkigare och mer användbart: AI är redan riktigt bra på delar av arbetet, dålig på andra, och den avgörande skillnaden ligger inte i vilken modell ni väljer utan i hur den får tillgång till er data.

Den här guiden går igenom vad som fungerar i praktiken hösten 2026, var gränsen går, och varför två upplägg som ser likadana ut i en demo ger helt olika svar när revisorn frågar.

Det AI faktiskt är bra på

Tolka underlag. Att läsa en leverantörsfaktura, plocka ut belopp, moms, förfallodatum och leverantör, och föreslå kontering utifrån hur liknande fakturor bokförts tidigare. Det här är mogen teknik och den delen fungerar bra.

Hitta avvikelser. "Vilka kostnadsställen ligger mer än 15 procent över budget den här perioden, och vad driver det?" är en fråga som tar en eftermiddag manuellt och sekunder för en agent som når datan.

Avstämning mellan system. Betalningar i Stripe mot fakturor i affärssystemet, eller lager mot sålda kvantiteter. Tråkigt, regelbundet arbete där avvikelserna är det intressanta.

Sammanställa. Månadsrapporter, underlag till periodiseringar, sammanfattningar av vad som förändrats sedan förra perioden.

Det AI inte ska göra

Besluta. Bokföring är en rättslig handling. Någon ska kunna svara på vem som godkände en post och på vilket underlag. En agent som bokför självständigt tar bort den frågan ur kedjan, och det är inte en teknisk brist utan en olämplig ansvarsfördelning.

Gissa när den saknar data. Språkmodeller är byggda för att producera ett svar. Ber ni om en siffra den inte har tillgång till kommer den ofta att leverera en ändå. Det är därför tillgången till källan spelar större roll än modellvalet.

Arbeta utan spår. Om ingen kan rekonstruera vilken fråga som ställdes och vilka rader som kom tillbaka, är svaret inte användbart i ett sammanhang som kräver verifikationskedja.

Den skillnad som avgör allt

Det finns två sätt att låta AI arbeta med ekonomidata, och de ser förvillande lika ut tills något går fel.

Klistra in. Ni exporterar en rapport, klistrar in den i en chatt och ställer frågor. Modellen kan bara resonera om det ni råkade klistra in. Missade ni en kolumn syns det inte. Frågar ni om något som inte fanns med gissar den. Ingen vet efteråt vilket underlag som användes.

Koppla. AI:n når systemet genom en koppling och kör en riktig fråga. Den svarar med rader den faktiskt läst, och anropet loggas: vilken fråga, vilka argument, vilka rader tillbaka. Det gör svaret spårbart på ungefär samma sätt som en verifikation.

Tekniken bakom det andra alternativet heter oftast MCP, Model Context Protocol, en öppen standard för hur AI-assistenter når verktyg och data. Vi har skrivit mer om hur det fungerar i vad är en MCP-server.

Läget för svenska ekonomisystem

Här blir det obekvämt. De internationella plattformarna ligger långt fram, de svenska ligger efter.

Att Fortnox saknar en officiell MCP-server var länge den enskilt största luckan i vår katalog, mätt i hur ofta vi fick frågan. Därför byggde vi en: fortnox-mcp är öppen källkod, läsande som standard, och tar fram resultaträkning, balansräkning och reskontra direkt ur bokföringen.

Säkerhet, och varför läsande är rätt standard

Ett verktyg som kan skriva i ekonomisystemet är ett verktyg som kan orsaka verklig skada, både av misstag och genom manipulation. Det senare är inte hypotetiskt: en agent som läser innehåll någon annan kontrollerar, till exempel en inkommande faktura eller ett mejl, kan luras att följa instruktioner gömda i det. Vi går igenom hela hotbilden i MCP-säkerhet.

Tre regler räcker långt:

1. Läsande som standard. Skrivrättigheter är ett aktivt beslut per verktyg, inte en utgångspunkt.
2. Godkännande per skrivning. En människa ska bekräfta, och bekräftelsen ska hamna i loggen.
3. Logga allt. Användare, verktyg, fråga, argument, tidpunkt. Utan det blir en granskning gissningar.

Vilken modell ska ni välja?

Helst ingen, i bemärkelsen att ni inte ska behöva välja en gång för alla. Claude, GPT och Gemini byter plats med varandra ungefär varje kvartal, och styrkorna skiljer sig åt mellan uppgifter: tolka ett dokument, resonera om siffror, skriva en sammanfattning.

Det praktiska svaret är att lägga kopplingarna i ett lager som flera modeller kan nå, i stället för i en modell. Då kostar ett byte ingenting, och ni kan köra två modeller på samma uppgift när ni vill jämföra. Det är principen bakom en MCP-gateway.

Var man börjar

Börja inte med bokföringen. Börja med avstämning och analys, där felen är billiga och nyttan syns direkt:

• Koppla ett system, läsande, och ställ frågor ni redan ställer varje månad.
• Jämför svaret med hur ni tog fram det tidigare. Stämmer det, och går det att spåra?
• Först därefter, och bara om det finns ett tydligt värde, öppna för skrivningar med godkännande.

Vill ni se hur det ser ut på era egna siffror går vi igenom det på tjugo minuter. Vi har samlat vad ett ekonomiteam kan koppla på, med ärlig status per system, på sidan om AI för bokföring och redovisning.