Denna studie undersöker hur integreringen av artificiell intelligens (AI) påverkar prediktiv och preskriptiv analys inom Business Intelligence (BI)-system. Genom en kvalitativ forskningsstrategi, där både en systematisk litteraturöversikt och semistrukturerade intervjuer genomförts, belyses såväl teknologiska framsteg som användarerfarenheter i praktiken. Studien visar att AI, särskilt maskininlärning, djupinlärning och naturlig språkbehandling, har transformerat BI från att vara deskriptiv och rapportbaserad till att erbjuda dynamiska, självlärande och proaktiva analysverktyg. Detta möjliggör mer precisa prognoser samt automatiserade beslutsrekommendationer för operativa användare inom olika branscher. Analysen lyfter även fram nya krav på datakvalitet, användarkompetens och etiska överväganden, exempelvis ansvarsfördelning och transparens i AI-genererade beslut. Intervjuerna visar att användarens upplevelse och förståelse för AI-systemets funktion är avgörande för värdeskapande i det dagliga arbetet, då en bristande insyn eller felaktig tillit kan leda till försämrat beslutsfattande. Integrationen av AI syftar till att effektivisera och fördjupa analytiskt beslutsstöd, men ställer samtidigt nya krav på organisationens processer, kompetens och etiska riktlinjer. 

This study examines how the integration of artificial intelligence (AI) affects predictive and prescriptive analytics within Business Intelligence (BI) systems. Through a qualitative research strategy, involving both a systematic literature review and semi-structured interviews, the study highlights technological advancements as well as user experiences in practice. The findings show that AI, especially machine learning, deep learning, and natural language processing, has transformed BI from being descriptive and report-based to offering dynamic, self-learning, and proactive analytical tools. This enables more precise forecasting and automated decision recommendations for operational users across various industries. The analysis also emphasizes new requirements for data quality, user competence, and ethical considerations, such as responsibility allocation and transparency in AI-generated decisions. The interviews reveal that users’ experience and understanding of how the AI system works are crucial for value creation in daily work, as lack of insight or misplaced trust can lead to poorer decision-making. The integration of AI aims to streamline and deepen analytical decision support, but simultaneously imposes new demands on organizational processes, competencies and ethical guidelines.