| Hur definieras… |
| *Artificiell intelligens (AI) avser system som kan lära från data, identifiera mönster och stödja eller automatisera beslut som annars kräver mänskligt omdöme (Davenport & Ronanki, 2018). I den här texten används AI som ett samlingsbegrepp för både traditionell AI och generativ AI, med fokus på hur tekniken påverkar organisationers sätt att fatta beslut, samarbeta och skapa kundvärde snarare än på enskilda verktyg eller lösningar. **Digitalisera kärnprocesser Att digitalisera kärnprocesser innebär att göra de processer där organisationen möter kunden och fattar viktiga beslut helt digitalt så att information, beslut och agerandet hänger ihop utan manuellt handhavande som stoppar upp flödet, överlämningar eller parallella arbetssätt. En vanlig fallgrop: ytan är digital mot kund medan kärnprocessen fortfarande är analog. |
Inledning
Den här texten bygger på insikter från mina studier inom AI*, innovation och organisationsdesign vid Halmstad Högskola, i kombination med erfarenheter från min vardag som Enterprise coach på Dandy People. Det har gått mer än ett år sedan utbildningen, men många av insikterna har blivit allt mer aktuella i takt med att AI tagit större plats i organisationernas strategiska arbete. Jag har landat i några reflektioner som jag upplever är särskilt relevanta just nu, inte minst kopplat till organisatoriska förmågor som glöms bort när fokus hamnar på nästa trend och lösning för att möta vår tids utmaningar, bortom metoder och fallerade ramverk.
I utbildningen arbetade vi med aktuell forskning kring AI, beslutsfattande, organisatoriska strukturer och innovation som en del av större systemförändringar i organisationer. För mig har det gett nya infallsvinklar till frågor jag redan möter i mitt arbete: hur organisationer är designade, hur värde faktiskt skapas och varför så många stora ambitiösa initiativ tappar kraft på vägen.
Jag har landat i några reflektioner som jag upplever är särskilt relevanta just nu, inte minst kopplat till de organisatoriska förmågor som ofta glöms bort när fokus hamnar på nästa trend, nästa verktyg eller nästa ramverk.
Den här texten tar ett tydligt perspektiv: organisationsstruktur och design, operationell modell och digitalisering. Andra minst lika viktiga aspekter som datasäkerhet, regulatoriska frågor (Candelon et al., 2021) eller till exempel de kognitiva och empatiska dimensionerna av AI och tillit (Glikson & Woolley, 2020; Huang & Rust, 2021) kräver en djupdykning för sig och kan bli en bloggpost längre fram.
AI-investeringar som en del av systemförändring
AI håller på att bli en av de mest omfattande organisatoriska investeringarna i vår tid. Inte för att tekniken i sig är dyr, utan för att den kräver att vi förändrar hur och var beslut fattas, hur vi samarbetar och hur vi tänker kring kundvärde.
Mönstret jag ser är att när organisationer säger att de ”investerar i AI” menar de ofta investeringar i modeller, plattformar, verktyg eller extern kompetens i konsulter som ska stötta implementering. Samtidigt underskattas de strukturella och kulturella investeringar som krävs för en verklig omställning.
I praktiken hänger det nära ihop med något jag ofta ser i uppdrag: en vilja att förenkla organisatoriska utmaningar genom att söka snabba och enkla lösningar i teknik och verktyg.
AI förenklas då lätt till en fråga om implementering av ny teknik eller ett nytt arbetssätt, snarare än att ta tag i underliggande strukturer, incitament och beteenden som behöver förändras som är mer komplexa i sin karaktär.
Fel investeringar kan kosta företaget mycket utifrån legala, etiska och affärsmässiga aspekter men också i form av otrygghet hos medarbetare och bias i data (van Giffen et al., 2022).
Det som blivit allt tydligare är att AI inte kan behandlas som ännu en organisatorisk ”trend” man stressat hoppar på för att inte missa tåget. Precis som vid tidigare vågor, exempelvis digitalisering, DevOps, agilt (läs storskaliga ramverk) och Data kräver AI en omställning av hur organisationen är designad och hur den styrs.
Det är här kompetens inom organisationsdesign och operativ omställning blir avgörande. Jag avser inte att man enbart inför ett ramverk eller skala en metod, utan att faktiskt förändra strukturer, mandat och arbetssätt.
Tecken på att man inte lyckas bygga förmågor långsiktigt är många påbörjade initiativ, experiment och piloter som stannat av, försök till att skala som tappar fart och en organisation där tilltron till förändringsarbetet gradvis sjunker och till slut urholkas helt.
AI synliggör och förstärker det som redan finns
I Competing in the Age of AI beskriver Iansiti & Lakhani (2020) det som skiljer företag som lyckas med AI på en avgörande punkt: deras kärnverksamhet är digitaliserad** end-to-end, med minimala hinder mellan data, beslut och handling.
Utan den förflyttningen riskerar AI-satsningar att ge begränsad effekt och ännu värre förvärra det som redan skaver, vilket även lyfts i DORA report 2025: AI capabilities model.
Utan en tillräckligt bra grund kommer AI accelerera befintlig kultur och struktur på gott och ont. Tekniken skapar sällan problem i sig, men nu synliggörs redan existerande mönster. Några exempel:
- När AI implementeras i enskilda funktioner tränas den att optimera lokalt kring till exempel processer utan hänsyn till helheten. Resultatet blir kort och gott, endast effektivare silos.
- När AI tillämpas på historiska data återskapar den de beslut, prioriteringar och strukturer som redan präglat organisationen. AI förstärker då organisationens historia baserad på exempelvis maktstrukturer, prioriteringar, beslut, tolkningar, belöningar, genvägar och kompromisser. Resultatet kan bli att ledningen kommunicerar en ny riktning medan AI tränas på det befintliga.
- När AI tar fram insikter snabbare men organisationen fortfarande sitter fast i strukturer med manuella överlämningar, rapporter, möten, otydligt ansvar och otydliga beslutsvägar samt vattentäta skott mellan organisationens delar så blir resultatet enbart bättre analyser men inget snabbare genomförande eller mer handlingskraft.
- När AI introduceras i en kontext som är uppsatt för kontroll, uppföljning och efterlevnad så tenderar man också att använda tekniken för rapportering, övervakning och optimering. AI förstärker då “kontrollkulturen” med centraliserade beslut och minskat mandat (låg autonomi) där beslut bör fattas i organisationen.
Varför digitala organisationer kan växa
En återkommande fallgrop är att digitalisering hanteras som ett IT- eller förändringsinitiativ vid sidan av verksamheten. Då kommer de affärskritiska flödena fortsätta att vara manuella och uppdelade. Men en organisation kan inte vara agil utan en stabil grund. Först när flödena är digitaliserade från kundens interaktion till den interna verksamheten, så möjliggörs korta feedbackloopar, lärande och snabb anpassning (Davenport & Ronanki, 2018).
Det här är exakt den poäng Iansiti & Lakhani gör (se bild ovan). I traditionella operationella modeller ger tillväxt (skala) värde upp till en viss punkt. I takt med ökad användning och fler kunder vid en given punkt ökar komplexiteten snabbare än värdet man får ut, vilket innebär att effekten planar ut. Det innebär snabbt fler lager, mer administration och samordning som i sin tur leder till ökade kostnader och pressade marginaler.
I en digital operationell modell minskar däremot friktionen mellan data/insikt och effekt. Det gör att värdekurvan inte planar ut på samma sätt när organisationen växer.
Man kan se det som en operativ hävstång där nya kunder förbättrar systemet. Ju mer tjänsten eller produkten används, genereras mer data och bättre insikter vilket i sin tur höjer kvaliteten i prioriteringar och beslut. Det liknar det som inom Product growth kallas en growth loop där ökad användning skapar mervärde som driver ytterligare användning vilket minskar behovet av en traditionell säljorganisation.
Men den dynamiken uppstår inte av sig själv. Den förutsätter en operativ modell som faktiskt kan fånga upp lärande, omsätta data och justera riktning i takt med att systemet utvecklas. Det är här begreppet scalable learning (eller skalbart lärande som jag valt att direktöversätta begreppet till) kommer in i bilden.
Skalbart lärande som en del av den dagliga driften
Traditionellt lär sig organisationer långsamt genom att man lanserar något, samlar feedback, analyserar, planerar och implementerar i nästa leveranscykel. AI förändrar det här genom att kontinuerligt analysera exempelvis ändrade kundbeteenden, se mönster i realtid, generera insikter utan manuell inblandning och även föreslå förbättringar. Oavsett om det exempelvis är en digital produkt, fysisk produkt inom industrin eller ett koncept inom FMCG, så är principen densamma, vart uppstår lärandet och hur snabb kan feedbackloopen bli. Skillnaden är att lärandet inte alltid sitter i produkten utan i produktion, distribution eller marknad. Problemet är att den här förflyttningen inte händer av sig självt.
Nästan alla organisationer jag mött genom åren fastnar just här oavsett trend, verktyg eller metod som investeringen gjorts i. Vi brukar prata om dubbel byråkrati vilket innebär att man introducerar och lägger på “det nya” i systemet utan att justera, förenkla och ta bort det gamla. AI läggs då ovanpå befintliga strukturer och processer, medan den operationella modellen i grunden fortfarande är designad för stabilitet, silos och förutsägbarhet snarare än för kontinuerligt lärande.
När grunden inte förändrats försöker man istället skapa förändring (med god intention) genom mer struktur. Under de senaste tio åren har många organisationer försökt skala genom ramverk. Här tenderar ramverket i stället öka graden av koordinering genom fler lager av planering, nya forum och roller samt team, men de förändrar inte automatiskt den underliggande logiken. Resultatet blir ofta mer struktur där en agilitet är svår att uppnå.
Om kärnprocesserna fortfarande är uppdelade och beroende av manuella överlämningar riskerar man att i stället skala omfattande kostnader för samordning och koordinering snarare än lärande. Digitala operativa modellers skalbarhet handlar därför inte i första hand om fler lager av styrning. Den handlar om att minska friktionen i det verksamhetskritiska flödet så att man snabbare kan omsätta insikterna till att optimera sina produkter och tjänster.
Konsekvensen, enligt flera av de studier jag tagit del av, är att många organisationer väljer att introducera AI genom omfattande initiativ i form av projekt eller program. Initiativ som får egna mål, budgetar och leveranser. Istället för att successivt bygga förmågor i det dagliga operationella arbetet etableras AI som en parallell sidoverksamheten, snarare än en integrerad del av hur värde skapas över tid.
Ett genomgående budskap i forskningen är snarare att AI-mognad utvecklas bäst genom kontinuerliga iterationer och inte genom isolerade program. De stora, ambitiösa AI-programmen riskerar att skapa långa startsträckor och höga förväntningar, utan att organisationen samtidigt utvecklar sin förmåga att lära (Iansiti & Lakhani, 2020; Wilson et al., 2018).
Men för att arbeta iterativt med AI räcker det inte att förändra arbetssättet, även strukturen måste möjliggöra rörelse över funktionsgränser och silos. Här blir agilitet avgörande.
Organisationsdesign som möjliggörare
Forskning visar att AI och data har potential att bryta organisatoriska silos genom att skapa en gemensam helhetsbild av kundbeteenden, marknadsdynamik och operativ prestation (Shrestha et al., 2019).
Men en gemensam helhetsbild räcker inte i sig. Om varje funktion fortsätter att optimera utifrån sitt eget perspektiv och gör ännu mer avancerad analys så skulle det inte förändra något i praktiken så länge trögheten mellan funktionerna finns kvar.
Det är alltså inte AI-tekniken som gör jobbet. AI och data kan synliggöra helheten, men utan rörlighet och dynamik mellan funktioner kan organisationen inte agera på insikter.
För att kunna agera på en gemensam förståelse krävs tvärfunktionella, produktorienterade team som delar effektmål och har mandat att ta ansvar för hela kundupplevelsen. Det här driver samarbete, det blir enklare och beslut kan fattas utifrån samlade bearbetade insikter.
I merparten av de organisationer vi på Dandy People stöttar, lever silobaserade funktioner vidare, trots omfattande agila satsningar. Styrning, budgetlogik och ansvar är fortfarande funktionellt organiserat. I den kontexten kan inte AI användas för en mer dynamisk styrning, utan utgör enbart avrapportering och beslutsstöd långt från där värdet skapas nära produktteam.
Agilitet i en kontext med AI handlar därför mindre om metoder och mer om hur en organisation designas för att skapa en förmåga där man snabbt kan omsätta insikter och justera riktning i takt med lärande.
Summering
- AI är vår tids nästa tekniksprång. Men till skillnad från många tidigare trender går det inte att isolera till enbart teknik, metoder eller verktyg.
- AI förstärker den organisation och dess kultur som redan finns, både det som fungerar och det som redan skaver. Därför blir bristerna plötsligt synliga.
- Vill vi få ut riktig effekt av våra investeringar i AI räcker det inte med nya modeller, plattformar eller program. Det kräver att man digitaliserar sina kärnflöden, ser över styrning och mandat och bygger en förmåga att lära i vardagen.
- AI är katalysator på gott och ont. Resultatet avgörs av hur vi har valt att designa organisationen, vilken operationell modell och förändringsledning i förflyttningen för att få ut effekt av investeringar.
- Att ta in kompetensen för att bygga organisatorisk förmåga och en stabil grund är väl värt att investera i.
Referenser
- DORA (2025).
DORA AI Capabilities Model (report). - Candelon, F., Reichert, T., Duranton, S., Di Carlo, M., & Sigurdsson, E. (2021).
AI regulation is coming. Boston Consulting Group. - Davenport, T. H., & Ronanki, R. (2018).
Artificial intelligence for the real world. Harvard Business Review. - Glikson, E., & Woolley, A. W. (2020).
Human trust in artificial intelligence: Review of empirical research. Academy of Management Annals. - Huang, M.-H., & Rust, R. T. (2021).
A strategic framework for artificial intelligence in marketing. Journal of the Academy of Marketing Science. - Iansiti, M., & Lakhani, K. R. (2020).
Competing in the Age of AI: Strategy and Leadership When Algorithms and Networks Run the World. Harvard Business Review Press. - Shrestha, Y. R., Ben-Menahem, S. M., & von Krogh, G. (2019).
Organizational decision-making structures in the age of artificial intelligence. California Management Review. - van Giffen, B., Herhausen, D., & Fahse, T. (2022).
Overcoming the pitfalls of algorithms: A classification of machine learning biases and mitigation methods. Journal of Business Research. - Wilson, H. J., & Daugherty, P. R. (2018).
Collaborative intelligence: Humans and AI are joining forces. Harvard Business Review.
