Winfried Adalbert Etzel is a data governance professional and author based in Stavanger, Norway. With his background in history, political science, and law — and years working across Norwegian public administration and the oil and gas industry — he brings an unusual intellectual lens to a discipline most organisation still get fundamentally wrong. His forthcoming book, Data Governance in the Wild, argues for a fundamental rethinking of how organisations govern their data in an era of distributed landscapes and AI.

We spoke about what governance actually means, why the Theranos scandal is a data governance story, and why the assumptions underpinning most governance programmes have already quietly collapsed.

From shoe store to archives to data governance

The journey to becoming one of the Nordic’s more distinct voices in data governance began, of all places, in a shoe store in Oslo.

After studying history, political science, and law at universities in Germany & Norway, Winfried Adalbert Etzel spent a few years managing a shoe store. There he saw how data affects the business. He then joined a consultancy working with the National Archives of Norway — evaluating what public institutions needed to preserve and how to prepare it for archival.

“I always felt like I was working on the wrong end of the lifecycle,” he says. “I was just dealing with issues that could have been avoided if better governance had been in place from the beginning.” That frustration pushed him earlier and earlier into the data lifecycle. Then he met his wife and moved to Stavanger. There he moved into consulting in the oil and gas industry and went deeper and deeper into data governance.

The academic background never left him. “If you study history,” he says, “you learn a lot about source criticism — how to evaluate a text written by someone, for a certain purpose, at a certain point in time.” He pauses. “We’re doing exactly the same with data and AI. Why was that model trained? On what dataset? What was the context? It’s forensics.”

Political science, too, shapes his thinking — particularly when he’s designing federated governance models. “I always use the European Union as an example,” he says. “How you set up structures, how responsibilities are shared — there’s so much good material in political science for that.”

What governance is actually for

The central provocation of Etzel’s forthcoming book is direct: the classical model of data governance — built around authority, control, and centralised oversight — no longer works. “It’s outdated. We need new mechanisms, a new way of thinking.” Most reform-minded writing in the field, he argues, quickly slides into execution: tooling, monitoring, catalogues, policies. “That leads you away from the fundamental question — why are we doing this in the first place?”

His answer is distilled into a definition he spent considerable time crafting, deliberately aligned with how ISO standards define corporate governance: data governance is a human-based system by which data assets in a socio-technical system are directed, overseen, and by which the organization is held accountable for achieving its defined purpose.

From this definition he draws what he calls the data governance triad: three enduring roles that apply whether an organisation has sixty employees or sixty thousand. The first is the data negotiator — someone who understands and translates between business needs, regulatory demands, technology constraints and market realities. The second is the data director — focused not on tomorrow’s to-do list, but on where the organisation wants to be in five years’ time. The third is the data auditor — the one who ensures accountability sticks.

“No matter how complicated your technology stack is,” he says, “you always need to do these three things. They’re enduring.”

The accountability gap — and what Theranos tells us

Of the three roles in the triad, accountability is the one Etzel returns to most forcefully. It is also, he argues, the most consistently undervalued.

“We talk a lot about data ownership,” he says. “Roles and responsibilities, who owns the data. That’s all well and nice. But who is ultimately accountable for any outcomes — whether produced by a machine or a human?”

He reaches for an example most people will recognise: Theranos, the blood-testing company whose founder Elizabeth Holmes raised billions on technology that never existed. “The data showed constantly that it didn’t work. People who spoke up were silenced. The board chose to believe the CEO rather than the actual data.”

For Etzel, the Theranos collapse is not primarily a story about fraud or charisma — it’s a governance story. “If you had placed accountability clearly in the organisation, you could have avoided all of that. The board didn’t take their accountability. That’s what let it run for so long.”

AI governance is not a separate discipline

Where most organisations are busy launching AI policies, AI oversight boards, and AI ethics frameworks — Etzel makes an argument that cuts against the grain: AI governance isn’t a new discipline. It’s an acceleration of something that has been developing for over a decade.

“Before 2022, before LLMs and generative AI made the headlines, we were already moving towards distributed landscapes, federated data governance, computational governance,” he says. “AI came around and everyone said, ‘now we need AI governance.’ But it’s just that same development, moving faster.”

He goes further still. Rather than treating data governance, AI governance, IT governance, risk governance and corporate governance as separate disciplines that need to be “aligned,” he argues they should be understood as facets of a single thing — and governed as one, from the top.

“If you treat them as separate disciplines, you create gaps. And those gaps have been issues for data governance for years. Now with AI, we’re just creating another blind spot.”

The federated dilemma

The book grapples at length with a tension that has frustrated practitioners for years: federated, domain-driven governance on one hand versus centralised control.

The data mesh movement, he notes, borrowed heavily from domain-driven design in software engineering. The problem is that data doesn’t behave like code. “Data is reused, reinterpreted, recombined across domains. It doesn’t respect bounded contexts in the same way.” The result is predictable: a change in one corner of the organisation triggers ripple effects everywhere, ownership disputes erupt, and a central coordination team ends up fighting battles on every front simultaneously.

But the alternative — insisting on uniform definitions and centralised control across a large organisation — is equally unrealistic. “In large organisations, different cultures, different teams, different domains — you’re never going to get everyone aligned on the same customer definition.”

The answer, as Etzel frames it, is learning to balance autonomy and alignment rather than choosing between them. “You need to respect autonomy and create alignment where it’s genuinely needed — not central adherence everywhere, and not chaos.”

Data as asset — not a service desk

One of Etzel’s sharper critiques is directed at organisations that have drifted into thinking about data in purely service-function terms — a legacy, he argues, of how IT departments were originally structured.

“In the nineties, IT had enormous power. If you wanted anything changed, you punched a ticket. When data emerged as its own discipline, we just copied that mindset.” The result: data teams became sophisticated help desks, handling requests for dashboards and nightly jobs.

The alternative frame — data as an asset — has been circulating since at least The Economist’s famous 2017 comparison of data to oil. But Etzel thinks it has never fully landed, partly because it remains abstract. He prefers a financial analogy: “Do you know what your organisation uses its money for? Any controller would know that — tracking financial assets is literally their job. With data, we never got there. We never built the equivalent function.”

Data products, in his view, are the bridge. “A data product is a way of packaging the asset to make it consumable, understandable — with structure, validation, quality, accessibility. Things you wouldn’t get from an abstract concept.”

How to start — and what to stop doing

For organisations beginning their governance journey now, Etzel is direct: stop reaching for blueprints.

“A lot of people try to sell blueprint data governance. It doesn’t exist. It’s entirely dependent on how your organisation is set up, who your customers are, how many people are working there.” His recommended first move is simply to orient yourself — understand how the organisation works, the pain points, and what it actually uses data for.

The second step is to surface a single problem: a contested definition, a quality issue, an ownership dispute. “Don’t try to boil the ocean. Solve one thing. Produce something tangible — a policy, a data contract, a catalogued dataset. Then feed that back into the organisation and ask: could this approach work for the next problem?”

That cycle — orient, surface, produce, feedback — is, in his view, both more durable and more persuasive than trying to launch a comprehensive governance programme from the start.

Three broken assumptions

His most consequential argument isn’t about tools or frameworks. It’s about the ground shifting beneath them.

The first broken assumption is stability. “We enact our governance as if the environment is stable and will stay that way for ten or fifteen years. It’s not. It’s fragile.”

The second is controllability — the belief that a central governance function can actually oversee how data flows and is defined across a large organisation. “You can’t. You are entirely reliant on the people actually working with the data.”

The third assumption is the one he finds most significant: proximity. The idea that people are close enough to their data to understand it, to notice when something is wrong, to take meaningful ownership of it. “I think that’s been gone for years. We’ve complicated ourselves away from it — and AI is accelerating that further.”

What Etzel hopes to see instead: governance frameworks built around resilience and adaptability rather than stability and control, with AI being used in the governance mechanisms themselves — not just as the thing being governed.

“AI can make our work much easier,” he says. “Or much more complicated. But it doesn’t change why governance exists in the first place. That’s important to remember.”

Note! The content on this blog reflects my personal opinions and does not represent my employer. As the publisher, I am not responsible for the comments section. Each commenter is responsible for their own posts.

Carl-Johan Nakamura has spent nearly two decades at the intersection of data, AI, and enterprise leadership — serving as CIO, COO, and CDO at organizations including Siemens Healthcare, IBM, and ZEISS. Today he is CEO of AI81 Works, an executive search and consultancy firm helping companies find the right talent to make AI work in practice.

We spoke about what’s really holding enterprise AI back, and what it will take to change it — from boardroom culture to the first three weeks on the job as a CDO.

From data mining to the first unofficial CDO office

Nakamura’s path into data and AI began in 2007, when he was managing software implementations at US hospitals for Siemens Healthcare. “Back then it wasn’t called AI or machine learning — it was called data mining and decision support systems,” he recalls. What struck him early was a lesson that remains central to his thinking today: “if the data foundation isn’t right, nothing built on top of it can be trusted.”

One experience in particular became a turning point. Three different teams within Siemens were measuring the same customer satisfaction KPI against the same dataset — and arriving at three different ratings: red, yellow, and green. “That inconsistency became my entry point into business intelligence and analytics,” he says.

What followed was unusual for someone inside a large corporation. Nakamura wrote a 45-page business plan — the kind of thing you’d expect from a startup founder — for what he called the “Office of the Chief Data Officer.” He went door to door pitching it to senior executives, and then it became the first unofficial CDO office at Siemens Health Services.

Why ‘81%’ — and the cost of getting the hire wrong

The name of Nakamura’s company encodes a core conviction: for AI to truly work in any organization, at least 81% of the people need to be engaged, educated, and genuinely living its value. “You need 81% of the people drinking the Kool-Aid,” he says — half-jokingly, but with a serious point. That belief became the name AI81 Works.

The company operates primarily as an executive search and strategy consultancy firm, helping organizations fill data and AI leadership roles. Nakamura is blunt about why this matters: the field has enormous churn, and most companies underestimate the cost. A data governance leader who joins for two and a half years typically needs six months to onboard and another six to learn the local context. Add the reality that many decide to leave months before they actually exit, and the company may be left with barely 12–15 months of truly productive value. Getting the hire right the first time isn’t optional — it’s existential.

The iceberg problem — and the data janitor trap

When asked where the biggest friction points lie, Nakamura returns to what he calls the iceberg analogy. Executive boards across industries are investing heavily in the glamorous, visible tip — the AI models, the chatbots, the dashboards. Meanwhile, the vast data foundation underneath goes ignored.

“The perception building up among executives is that AI can solve pretty much anything.” Technically, there is enormous potential. But applying these tools inside enterprises burdened with decades of process debt and data debt — organizational, not just technical — is a different story. “It’s no wonder that figures as high as 95% get cited for enterprise AI project failure,” he says. “That’s with emphasis on enterprise AI.”

He also describes what he calls the “data janitor trap” — a pattern he has encountered in every CDO role, whether leading a team of 10 or 500. Colleagues would approach him with requests better suited to a help desk: a nightly job that didn’t run, a dashboard that won’t refresh. “The CDO role gets reduced to being the Chief Dashboard Officer — when it should be about strategic enablement.”

The first three weeks define everything

Nakamura believes the well-known Gartner advice about “the first 100 days” is far too generous. “As a first-time or second-time CDO in a legacy business model and company, your success or failure will be evaluated in the first three weeks,” he says.

He speaks from experience. When he was appointed as the first CDO at ZEISS, his approach was to spend his first weeks listening rather than pitching — meeting the CEO, the CFO who had hired him, and key business-side SVPs, letting them do most of the talking.

The strategy paid off. By the end of week one, he had built relationships with several influential leaders, earning an unexpected invitation to address the executive board in just his second week. Those early moves positioned him as a strategic enabler rather than a data janitor stuck on defense.

The executive AI literacy gap

Nakamura sees a broader transformation underway in what it means to be a business executive. “The modern business executive won’t be successful doing what they used to do,” Nakamura says. “The modern executive needs to dramatically raise their AI literacy.”

Yet almost nobody at the top is doing so. He recently participated in discussions about bringing a top-tier university’s corporate board AI program to Europe, and the pattern was clear: mid-level leaders attend, but at the board level, almost nobody signs up. “They think it doesn’t touch them,” he says.

That mindset is starting to crack — driven primarily by regulation. The EU AI Act, Canada’s AIDA, and the US NIST framework are forcing boards to engage with AI governance. “Europe is taking this more seriously from a responsible and ethical perspective than anyone else,” he says. “Just as we saw with GDPR but this time with real teeth, he hopes.”

Two bets for the next 18 months

Looking ahead, Nakamura identifies two factors that will separate leaders from laggards.

The first is responsible AI as a brand. As personal data grows more valuable and data ownership more contested, organizations that embed responsible AI into their corporate DNA — and communicate it externally — will gain both trust and competitive edge.

The second is agentic fluency. As agentic AI matures, winning organizations will move beyond “data literacy” toward something more fundamental: orchestrating human and AI workforces together. “Some firms are already hiring agentic AI systems, giving them employee ID numbers, and onboarding them alongside human employees,” he notes.

But none of this happens by default. In Nakamura’s view, it takes senior leaders who educate themselves first — and then drive the capability through the organization.

Note! The content on this blog reflects my personal opinions and does not represent my employer. As the publisher, I am not responsible for the comments section. Each commenter is responsible for their own posts.

But AI doesn’t behave like “regular” projects. Outcomes for individual bets are often uncertain and the value is unevenly distributed. On top of that, most of the value sits in what happens around the technology: changed ways of working, better decisions, and new business opportunities.

You can see it in the numbers:

• PwC’s 2026 Global CEO Survey: only 12% of CEOs say AI has so far delivered both cost and revenue benefits, and 56% still see no significant financial benefit.

• BCG’s 2025 study (over 1,250 companies): only 5% create AI value “at scale,” while 60% see no material value at all despite investments.

• IDC/Lenovo study (cited by CIO): 88% of AI pilots don’t reach broad deployment. For every 33 pilots, only 4 make the jump to production.

If you run AI like traditional projects, the result is often a pilot graveyard. The first pilots become a “trial”—and if they don’t scale, the trial also becomes the verdict: “The AI initiative was a bad idea.”

AI advisor and author Tobias Zwingmann captures exactly this pattern in his article Why AI Roadmaps beat AI projects. He describes how getting the first budget usually isn’t the hard part—but the initiative can die when the first prototype doesn’t deliver what people hoped. His reasoning aligns closely with my own experience and is an important starting point for this article.

The solution is to change the governance model: AI needs to be run like an investment portfolio, with multiple initiatives, shared foundational capabilities, and a roadmap where shut-down initiatives become lessons rather than failures.

When the first pilot becomes the verdict

The pattern is often predictable.

An idea shows potential. Many people see the possibilities. Then reality hits: data access, integration, information security, legal constraints, operations/governance, training, and process change.

When this gets difficult, it’s easy to mistake friction for final proof. That’s when having the right governance model becomes critical.

If leadership starts asking, “Should we really continue?” the initiative has often already lost momentum. Not because AI lacks potential, but because you built a governance model where too much depended on the first attempt.

Eventually, the organization might buy Copilot licenses and feel like that’s “enough” AI.

Why AI differs from IT

In much of IT (utility IT), you get impact by implementing a technical solution and rolling it out. It’s not always easy—but it’s often fairly planable.

AI, on the other hand, works more like business transformation. Value emerges when everyday behaviors change, when decisions improve, and when workflows are redesigned.

That means entirely different factors become decisive:

• data quality and concepts/definitions

• organizational receptiveness

• learning capacity

• entrepreneurship and product capability (getting things into production and actually used)

• clear ownership over time

This is also why “we ran a pilot” is rarely the same as “we’ve built the capability.”

Think like a venture capitalist and build a learning loop

Venture capitalists don’t invest in a single company and hope it carries everything. They spread risk and give themselves multiple chances.

A simplified but useful mental model is: out of ten investments, most fail, a few do okay, and one becomes the rocket that pays for the whole thing—with a strong margin.

AI efforts are often similar. Outcomes are uncertain, and the biggest wins rarely come from the first attempt. They come from a sequence of initiatives where each step makes the next step better.

That’s why AI should be seen as an investment portfolio with a learning loop: build, measure, adjust—without getting stuck because of individual setbacks.

Uncertainty and learning-loop thinking aren’t equally easy in all organizations, though. In an organization with a strong Operational Excellence culture, uncertainty can easily trigger more control: more councils, more review cycles, and more “safe” wording. The effect is slow progress—or getting stuck entirely. To pick up speed, you often need to borrow behaviors from other organizational cultures built for faster learning loops, pace, and decision-making authority.

Pilot success is not the same as scalable value

A pilot often answers the question: “Can it work?” Production answers the question: “Can it work every day, with real users, real data, and real risk?”

Some typical gaps:

• Data: the pilot is built on a subset; reality is full of exceptions and unclear definitions.

• Integration: it takes time to connect inputs/outputs, permissions, logging, and workflows.

• Ownership: when the project team moves on, it becomes unclear who owns the day-to-day results.

• Actual usage: if ways of working and behaviors don’t change, the value is zero—even if the tech is good.

This is also why a “successful pilot” can sometimes be dangerous: it can create expectations without building the prerequisites for scaling.

Combination effects: the whole beats any single project

Project logic becomes even more misleading because AI initiatives affect one another.

An initiative that improves data quality, concept models, and access can feel “too expensive” to justify through a single use case—especially if you require every initiative to carry its full foundational cost on its own.

But if several future initiatives reuse the same foundational work, the business case changes completely. Then the portfolio should carry the investment—not the first pilot.

This is also where many miss the point: in a portfolio, “Project A” can be what makes “Project B” possible and “Project C” profitable. Trying to price everything in isolation leads you to reject the very building blocks that make scale possible.

The portfolio method: from ideas to a roadmap in four steps

Here’s a concrete, repeatable approach:

1. Set a threshold. Decide and quantify the minimum benefit that’s worth pursuing. Without a threshold, everything is important—and then nothing gets prioritized.

2. Map bottlenecks without talking about AI. Where is time, quality, or money being wasted in your core flows? Talk to the people who do the work—not just the people who report on the work.

3. Filter against the threshold. Which problems are big enough to belong on the roadmap—i.e., worth spending capacity, risk-management effort, and change muscle on?

4. Prioritize feasibility first. Once the benefit is already “good enough,” the question becomes: what can we get into production fastest, with reasonable risk and clear ownership?

Mini example: “Customer service has 18 recurring case types → 5 are large enough to pass the value threshold → start with 2 where the data is already well structured.”

Execution: key principles

Portfolio governance without execution is just a list. Here are principles that help the portfolio survive—and start delivering.

• Treat AI as a product, not a project. Assign a lifecycle owner. Decide who is responsible for day-to-day outcomes—not just delivery. That’s the difference between “a pilot we did” and “a capability we use.”

• Actual usage beats model accuracy. Ask early: do people use this when no one is watching? Have behaviors changed? Would anyone complain if you turned it off for a day? If the answer is no, the value is almost always zero, even if the model is impressive.

• Build the boring capabilities early. They don’t sound exciting, but they’re the difference between a demo and production:

  • data definitions and quality

  • access and traceability

  • ownership (business + tech)

  • monitoring and feedback loops

  • risk, security, and privacy

  The point: these investments shouldn’t be “forced into” every single initiative. They should be built as shared assets for the portfolio.

• Run multiple initiatives—but with stop criteria. Portfolio doesn’t mean “everything at once.” It means thoughtful prioritization, where you know what’s required to continue, pause, or stop. The key is that stopping becomes learning, not shame. Otherwise, the organization stops trying.

Conclusion

Project logic makes AI fragile. Portfolio logic makes AI robust.

Portfolio thinking does two things at once. It reduces the risk that the first pilot becomes the verdict. And it makes it rational to invest in the shared foundational capabilities that enable scaling.

It also often requires a cultural shift: from “we must be certain before we do” to “we must learn in a controlled way while we do.”

Note! The content on this blog reflects my personal opinions and does not represent my employer. As the publisher, I am not responsible for the comments section. Each commenter is responsible for their own posts.

Men AI beter sig inte som “vanliga” projekt. Utfallet för enskilda satsningar är ofta osäkert och värdet är snedfördelat. Dessutom sitter det mesta av värdet i det som händer runt tekniken: förändrade arbetssätt, bättre beslut och nya affärsmöjligheter.

Det syns i siffrorna:

• PwC:s 2026 Global CEO Survey: bara 12% av CEO:s säger att AI hittills gett både kostnads- och intäktsnytta, och 56% ser ännu ingen signifikant finansiell nytta.

• BCG:s 2025‑studie (över 1 250 företag): endast 5% skapar AI‑värde “i skala”, medan 60% inte ser något materiellt värde alls trots investeringar.

• IDC/Lenovo‑studie (refererad av CIO): 88% av AI‑piloter når inte bred driftsättning. För varje 33 piloter är det bara 4 som tar steget till produktion.

Om du då driver AI som traditionella projekt blir resultatet lätt en pilotkyrkogård. Första piloterna blir ett “försök” – och om de inte skalar, blir försöket samtidigt domslutet: “AI-satsningen var ingen bra idé”.

AI‑rådgivaren och författaren Tobias Zwingmann fångar precis det här mönstret i sin text om Why AI Roadmaps beat AI projects. Han beskriver hur första budgeten inte brukar vara någon större svårighet att få - men att satsningen kan dö när första prototypen inte levererar som man hoppats. Hans resonemang ligger nära mina egna erfarenheter och är en viktig utgångspunkt för den här artikeln.

Lösningen är att byta styrmodell: AI behöver drivas som en investeringsportfölj, med flera satsningar, gemensamma grundförmågor och en roadmap där nedlagda initiativ blir lärdomar istället för misslyckanden.

När första piloten blir domslutet

Mönstret är ofta förutsägbart.

En idé visar potential. Många ser möjligheterna. Sen kommer verkligheten: dataåtkomst, integration, informationssäkerhet, juridik, förvaltning, utbildning och processförändring.

När detta tar emot är det lätt att tolka friktion som facit. Det är då det är avgörande att ha rätt styrmodell.

Om ledningen börjar fråga “ska vi verkligen fortsätta?” har satsningen ofta redan tappat energi. Inte för att AI saknar potential, utan för att man byggt en styrmodell där allt för mycket hängde på första försöket.

Slutligen kanske organisationen skaffar Copilot-licenser och tycker att nu har de gjort tillräckligt inom AI.

Varför AI skiljer sig från IT

I mycket av IT (det jag kallar bas-IT) får du effekt genom att införa en teknisk lösning och rulla ut den. Det är inte alltid helt enkelt - men ofta hyfsat planeringsbart.

AI däremot fungerar mer som verksamhetsutveckling. Värde uppstår när vardagsbeteenden ändras, när beslut blir bättre och när flöden görs på ett nytt sätt.

Det gör att helt andra faktorer blir avgörande:

• datakvalitet och begrepp/definitioner

• mottaglighet i organisationen

• lärförmåga

• entreprenörskap och produktförmåga (att få saker i drift och använda dem)

• tydligt ansvar över tid

Det här är också anledningen till att “vi gjorde en pilot” sällan är samma sak som “vi har byggt förmågan”.

Tänk som en riskkapitalist och bygg en lärloop

Riskkapitalister investerar inte i ett enda bolag och hoppas att det ska bära allt. De sprider risk och ger sig själva flera chanser.

En förenklad men nyttig mental modell är: av tio investeringar misslyckas de allra flesta, några få går okej och en blir raketen som betalar hela kalaset med god marginal.

AI‑satsningar är ofta liknande. Utfallet är osäkert, och de största vinsterna kommer sällan från det första försöket. De kommer från en serie satsningar där varje steg gör nästa steg bättre.

Det är därför AI bör ses som en investeringsportfölj med en lärloop: bygg, mät, justera - utan att fastna på grund av enskilda motgångar.

Osäkerhet och lärloopstänk är dock inte lika lätt i alla organisationer. I en organisation med tydlig Operational Excellence-kultur, triggar osäkerheten lätt mer styrning: fler råd, fler remisser och fler säkra formuleringar. Effekten blir att det går trögt eller fastnar. För att få fart behöver man då låna beteenden från andra organisationskulturer som är byggda för snabbare lärloopar, tempo och mandat.

Pilotframgång är inte samma sak som skalbart värde

En pilot svarar ofta på frågan: “går det?”. Produktion svarar på frågan: “går det varje dag, med riktiga användare, riktiga data och riktig risk?”.

Några typiska glapp:

• Data: piloten byggs på ett urval; verkligheten är full av undantag och otydliga definitioner.

• Integration: det tar tid att koppla in‑ och utdata, behörigheter, loggning och arbetsflöden.

• Ägarskap: när projektgruppen går vidare blir det oklart vem som ansvarar för resultatet i vardagen.

• Faktisk användning: om arbetssätt och beteenden inte ändras blir värdet noll, även om tekniken är bra.

Det här är också varför en “lyckad pilot” ibland är farlig: den kan skapa förväntningar utan att ha byggt förutsättningarna för att skala.

Kombinationseffekter: totalen slår varje enskilt projekt

Projektlogik blir extra missvisande eftersom AI‑satsningar påverkar varandra.

Ett initiativ som förbättrar datakvalitet, begreppsmodeller och åtkomst kan kännas “för dyrt” att räkna hem på ett enda användningsfall. Särskilt om man kräver att varje initiativ ska bära hela sin egen grundkostnad.

Men om flera kommande satsningar återanvänder samma grundarbete förändras kalkylen totalt. Då är det portföljen som ska bära investeringen – inte första piloten.

Det är också här många missar: i en portfölj kan “projekt A” vara det som gör “projekt B” möjligt, och “projekt C” lönsamt. Att försöka prissätta allt isolerat gör att man väljer bort precis de byggstenar som gör skalan möjlig.

Portföljmetoden: från idéer till roadmap i fyra steg

Så här kan du göra det konkret och repeterbart:

1. Sätt en tröskel. Bestäm och kvantifiera minsta nytta som är värt att jaga. Utan tröskel blir allt viktigt - och då blir inget prioriterat.

2. Kartlägg flaskhalsar utan att prata AI. Var förspills tid, kvalitet eller pengar i era kärnflöden? Prata med dem som gör jobbet, inte bara dem som rapporterar om jobbet.

3. Filtrera mot tröskeln. Vilka problem är stora nog att vara roadmap‑material - alltså värda att lägga kapacitet, riskarbete och förändringskraft på?

4. Prioritera på genomförbarhet först. När nyttan redan är “good enough” blir frågan: vad kan vi få i drift snabbast, med rimlig risk och tydligt ägarskap?

Mini‑exempel: “Kundtjänst har 18 återkommande ärendetyper → 5 är stora nog att passera värdetröskeln → starta med 2 där data redan är väl strukturerad.”

Exekvering: viktiga principer

Portföljstyrning utan exekvering blir bara en lista. Här är principer som gör att portföljen faktiskt överlever - och börjar ge effekt.

• Behandla AI som produkt, inte projekt. Utse en livscykelägare. Bestäm vem som ansvarar för resultatet i vardagen, inte bara för leveransen. Det är skillnaden mellan “en pilot vi gjorde” och “en förmåga vi använder”.

• Faktisk användning slår modellprecision. Fråga tidigt: använder människor det här när ingen tittar? Har beteenden ändrats? Skulle någon klaga om ni stängde av det i en dag? Om svaret är nej, är värdet nästan alltid noll, även om modellen är imponerande.

• Bygg de tråkiga förmågorna tidigt: De låter inte spännande, men de är skillnaden mellan demo och drift:

  • datadefinitioner och kvalitet

  • åtkomst och spårbarhet

  • ägarskap (verksamhet + teknik)

  • monitorering och feedbackloopar

  • risk, säkerhet och integritet

  Poängen: de här investeringarna ska inte “tvingas in” i varje enskilt initiativ. De ska byggas som gemensamma tillgångar för portföljen.

• Kör flera satsningar - men med stoppkriterier. Portfölj betyder inte “allt på en gång”. Det betyder en genomtänkt prioritering, där ni vet vad som krävs för att fortsätta, pausa och stoppa. Det viktiga är att stopp blir lärdom, inte skam. Annars slutar organisationen att prova.

Sammanfattning

Projektlogik gör AI skört. Portföljlogik gör AI robust.

Portföljtänket gör två saker samtidigt. Det minskar risken att första piloten blir domslut. Och det gör det rationellt att investera i de gemensamma grundförmågorna som gör att satsningen kan skala.

Det kräver också ofta ett kulturellt skifte: från “vi måste vara säkra innan vi gör” till “vi måste lära kontrollerat medan vi gör”.

Obs! Innehållet på denna blogg är mina personliga åsikter och representerar inte min arbetsgivare. Jag som utgivare ansvarar inte för kommentarsfältet. Den som kommenterar ansvarar själv för det som skrivs.

“IT” and “AI” have become umbrella terms.

Under the same label you’ll find everything from email and printing to systems that, in practice, decide how the business actually works. And now “AI” is becoming just as broad an umbrella: everything from a helpful chatbot to extensive agentic workflows.

When things this different get lumped into the same concept, it’s easy to start managing everything the same way: the same governance, the same budget logic, the same procurement approach, and the same expectation of predictability. And then people are surprised when some initiatives feel “easy” while others turn into multi-year learning journeys.

This isn’t a new insight. As far back as 2010, Martin Fowler—author and “Chief Scientist” at Thoughtworks—wrote about a split he calls the Utility vs Strategic Dichotomy.

Fowler’s point is that there are two very different types of IT. You can absolutely imagine more categories (and in practice there’s often a gray zone), but as a starting point his two groups are unexpectedly useful - especially when discussions otherwise get stuck on words like “agile,” “operations,” or “innovation.”

Utility IT: standardized services that just need to work

Utility IT is the keep-the-lights-on set of services you need every day: email, intranet, identity/login, printing, meeting tools, client platforms, and networks.

When they work, you barely notice. When they don’t, you notice immediately (and it can become very critical).

Utility IT can be compared to the hotel business. You can have different preferences (location, standard, price, framework agreement), but the basic needs are pretty similar. It should simply work as promised.

In Fowler’s language this is “utility”—things most people need and that should just work. He tells an anecdote about someone who said:
“Software is like sewage pipes. I want it to work reliably and I don’t want to know about the details.”

There’s also Utility AI. Just like Utility IT, it consists of standardized everyday services that can be hugely helpful and time-saving—such as generative AI assistants (like ChatGPT and Copilot). At the same time, you hardly need to care how they work—as long as they meet security requirements and legal requirements (especially around personal data).

This is also where many IT organizations are at their strongest. Utility IT (and Utility AI) rewards standardization, process discipline, and strict decision flows. It’s exactly the kind of work best suited for operational excellence: doing the same thing consistently, safely, and efficiently—and doing it a little better every day.

Strategic IT (and AI): what differentiates you

Which brand is on your computer is rarely decisive. Neither is which hotel you choose to stay at.

But if you’re going to buy a new house, that’s a completely different matter. There are many crucial questions: the neighborhood, whether you should buy or perhaps build a new house. Your choices will have a major impact on your life going forward—monthly costs, commute times, and not least how much you enjoy living there.

Strategic IT (and strategic AI) is the kind of thing that matters a lot—things that differentiate how the business is run.

It can be an ERP system, production planning, decision support, order-to-delivery, a customer portal, a pricing engine, or a booking flow that forces staffing and planning to work in a new way. Your choices matter enormously—just like the choices involved in buying or building a house.

Strategic IT (and AI) is where things most often go wrong.

Why? Because strategic IT (and AI) is rarely “just technology.” It’s change: ways of working, roles, responsibilities, trade-offs—and a lot of things that only become clear when systems meet reality. It requires learning, trade-offs, and often quite a bit of renegotiation of “how we do things around here.” And it’s often exactly the non-technical work that gets underestimated—usually the biggest part of all.

Strategic IT requires a holistic approach in a completely different way than Utility IT. That’s why it also requires leadership engagement. It also requires a different kind of responsiveness and prioritization than Utility IT. The very things that are strengths in Utility IT (standardization, process discipline, etc.) can reduce room for maneuver in Strategic IT—precisely where flexibility, re-evaluation, and speed are needed the most.

AI, data, and advanced analytics: often more strategic than you first think

While the vast majority of what falls under “IT” is Utility IT (according to Martin Fowler perhaps around 95%), AI is a different story.

Sure, there are often low-hanging “AI fruits.” Generative AI assistants can deliver quick productivity gains in everyday work and in many cases function as Utility AI. But the real value of AI, data, and advanced analytics usually only appears when ways of working, decisions, and behaviors change.

On top of that, the questions are often more complex than in traditional IT. The legal aspects are harder, accountability is less obvious, and the effects are more indirect. Decisions must be made under uncertainty, and risks must be weighed against alternative risks—that is, what happens if you don’t act. Without clear leadership engagement, initiatives risk getting stuck as paper products, pilot projects, or isolated experiments that never reach scale.

That’s why the split in AI is rarely 95/5 between utility AI and strategic AI. A significantly larger share of AI work has a strategic character.

Risks: different kinds of risk (and therefore different governance)

Utility IT risks are often about robustness: availability, recovery, security hygiene, and vendor risks. They’re often possible to define, measure, and follow up in a fairly straightforward way. There are established concepts and metrics: uptime, incident frequency, recovery time, patch levels, compliance, SLA fulfillment.

The risks are rarely trivial, but they are largely operational. They’re about something stopping working, working more slowly than it should, or being attacked. They’re risks that can be reduced through redundancy, standardization, clear processes, and disciplined operations.

That’s exactly why utility IT is well suited to governance that emphasizes stability, predictability, and continuous improvement. That doesn’t mean the risks are small—but they are a different type of risk than in strategic IT.

The risks of Strategic IT (and AI) look different. Here it’s less about whether the system is up or down—and more about whether you actually succeed with the change. The risks are more business-related and long-term: the solution doesn’t fit the ways of working, it’s implemented but not used as intended, it changes incentives in unexpected ways, or the effect doesn’t materialize even though the project is delivered according to plan.

There can also be major delays, scope creep, drawn-out programs that never quite finish, or an “eternal ramp-up” where the benefits are always just around the corner. The consequences are often more indirect and harder to measure: lost efficiency, reduced trust, strategic opportunities that slip away.

That’s exactly why strategic IT requires a different kind of governance. Here, service levels and operational metrics aren’t enough. You need active business engagement, the ability to adjust course along the way, and the ability to weigh risk against alternative risk—what happens if you don’t change.

Bimodal IT

So how do Utility IT and Strategic IT relate to the concept of “Bimodal IT”?

Gartner popularized the concept of bimodal IT, which is about handling two parallel modes of working: one optimized for predictability and one optimized for exploration. In other contexts this is also called “two-speed IT.”

The bimodal idea received a lot of criticism. Forbes, for example, called it “Gartner’s Recipe for Disaster,” partly due to the risk of creating the wrong incentives, organizational lock-ins, and an artificial split between “fast” and “slow” teams. Martin Fowler, in turn, has been clear that bimodal IT is not the same thing as his split between utility and strategic.

That difference matters. Utility IT versus Strategic IT is not about “fast vs stable.” It’s not a choice between speed and control. It’s a perspective on the nature of the work, the types of risks involved, and the governance needs—on what IT actually is to the business, and therefore how it should be led.

Another misunderstanding that bimodal thinking can reinforce is that speed and quality are opposites—that you have to choose between being fast or delivering high quality. For example, DORA’s research in software development suggests the opposite. Organizations that deliver quickly also tend to deliver with high quality. Speed and quality often correlate in high-performing teams. So it’s not that quality is achieved by slowing down—on the contrary, research indicates that well-functioning teams often manage both at the same time.

It starts by asking the right question

We need fewer questions about whether something is “IT” or “AI” - and more questions about what kind of task we’re actually facing.

Utility IT/AI keeps the lights on.
Strategic IT/AI determines where we’re going.

We need both. But they are not the same thing. And they don’t operate under the same logic.

Note! The content on this blog reflects my personal opinions and does not represent my employer. As the publisher, I am not responsible for the comments section. Each commenter is responsible for their own posts.

At the same time, there are organizations that move fast. They test, learn, change how they work, and realize benefits early. So why are some fast and others slow?

I think a big part of the answer is cultural — and that it’s connected to organizations’ value disciplines.

Three value disciplines (and an important trade‑off)

Michael Treacy and Fred Wiersema popularized in the 1990s the idea of three value disciplines: Customer intimacy, Product leadership, and Operational excellence.

The core of the model is that if you want to be truly strong in one discipline, it requires sacrifices in the others. You have to prioritize.

It can sound like strategy. In practice, it’s culture: which behaviors are rewarded, which are punished, and what the organization reflexively does when uncertainty arises. What gets rewarded becomes the norm, the norm becomes culture, and culture gets baked into the walls - even when the outside world shifts.

The value disciplines

1) Customer intimacy: staying closest to reality

The promise: “We understand you better than anyone else and adapt to you.”

Customer intimacy is built on accepting variation. Two customers/users don’t always get the same solution — that’s the whole point. You invest in relationship‑building, advisory support, tailoring, onboarding, support, and continuous improvement based on real usage.

Strengths: responsiveness, relevance, trust, high impact from what you do.
You sacrifice: pure efficiency and standardization. Tailoring costs money and creates complexity.

2) Product leadership: being fastest with what’s new

The promise: “We lead the way. You get the best, first.”

Product leadership isn’t about having everything perfectly “tidy” in every detail. It’s about the ability to learn quickly. You build the capability to rapidly test hypotheses, measure and evaluate, make decisions under uncertainty, and iterate. Failures are seen as data — not shame — as long as they’re controlled and lead to learning.

Strengths: speed, innovation pace, the ability to pivot quickly when reality changes.
You sacrifice: stability, predictability, and sometimes short‑term efficiency. Innovation is “waste” — until it works. And that’s the point.

3) Operational excellence: being the most reliable and efficient

The promise: “It works. Every time. Cheap, safe, and with consistent quality.”

Operational excellence is built on minimizing variation. If you can do the same thing the same way a thousand times, you get lower cost, fewer errors, and more consistent quality. The organization becomes robust: operations are king, deviations are handled systematically, and change happens in a controlled manner.

Strengths: quality, stability, compliance, scalable delivery.
You sacrifice: flexibility and pace of change. To be truly great at operational excellence, you need governance mechanisms: change boards, controls, processes, and solid documentation. All of that is rational — but it has a side effect: change moves slowly.

Why AI “likes” two value disciplines — and clashes with the third

Adopting AI is, at its core, a change management issue. You don’t become “AI‑driven” by rolling out a tool. You become AI‑driven when ways of working, decisions, and everyday behaviors change.

It’s also made harder by the fact that requirements only become clear once you try, results can be difficult to predict, and risks have to be understood in practice. AI is rarely “install and done.”

That’s why it often moves faster in cultures that are already built for rapid learning loops (Product leadership) or that have high adaptability and a strong focus on user value (Customer intimacy).

And that’s why Operational excellence often has the toughest time: what makes operational excellence strong in day‑to‑day operations makes it slow in change and organizational development.

Operational excellence tends to turn uncertainty into an argument for more alignment: more stakeholders, more councils, more consultation rounds, more “safe” wording.

The paradox is: the newer and more uncertain something is (like AI), the more governance gets triggered — and the organization ends up formally active (policies, guidelines, PowerPoints) but practically passive (ways of working and everyday behaviors don’t change).

AI can provide enormous leverage for operational excellence (automation, decision support, quality assurance). But the path there often collides with the culture’s own reflexes.

Conclusion

It’s important to say this clearly: Operational excellence is not “worse.” It’s often a response to a reality where mistakes are expensive — especially in banks, universities, healthcare, government agencies, and other critical public services. Their mission isn’t to be first; it’s to be reliable.

Treacy and Wiersema make an important point about value disciplines: you can only prioritize one value discipline, but you also need to become good enough at the others. In practice, that means an operational‑excellence organization that wants to realize AI benefits needs to borrow a bit of behavior from the other disciplines: a dose of product leadership (learning loops, speed, mandate) and a dose of customer intimacy (adapting for customers/users and real needs).

And that doesn’t happen by itself. It requires space, courage, and mandate from the very top — and that you ask this question:

What value discipline do we have — and how do we run our AI initiative so it can make its way through our own culture without getting stuck in it?

Note! The content on this blog reflects my personal opinions and does not represent my employer. As the publisher, I am not responsible for the comments section. Each commenter is responsible for their own posts.

“IT” och “AI” har blivit paraplyord.

Under samma etikett hamnar allt från e‑post och utskrift till system som i praktiken bestämmer hur verksamheten fungerar. Och nu håller “AI” på att bli ett lika brett paraply: allt från en hjälpsam chatbott till omfattande agentiska flöden.

När så vitt skilda saker klumpas ihop i samma begrepp är det lätt att börja hantera allt på samma sätt: samma styrning, samma budgetlogik, samma upphandlingsmetodik och samma förväntan på förutsägbarhet. Och sen blir man förvånad när vissa initiativ känns “enkla” och andra blir fleråriga lärresor.

Det här är inte en ny insikt. Redan 2010 skrev Martin Fowler – författare och “Chief Scientist” på Thoughtworks – om en uppdelning han kallar Utility vs Strategic Dichotomy.

Fowlers poäng är att det finns två helt olika typer av IT. Det går absolut att tänka sig fler kategorier (och i praktiken finns det ofta en gråzon), men som startpunkt är hans två grupper oväntat användbara – särskilt när diskussionen annars fastnar i ord som “agilt”, “förvaltning” eller “innovation”.

I den här artikeln översätts Fowlers två grupper till Bas‑IT (utility IT) och strategisk IT.

Bas‑IT: standardiserade tjänster som bara ska fungera

Bas‑IT är de där “hålla-lampan-tänd”-tjänsterna som behövs varje dag: e‑post, intranät, identitet/inloggning, utskrift, mötesverktyg, klientplattformar och nätverk.

När de fungerar märks det knappt. När det inte fungerar märks det direkt (och kan bli väldigt kritiskt).

Bas‑IT kan liknas vid hotellverksamhet. Man kan ha olika preferenser (läge, standard, pris, ramavtal), men grundbehoven är ganska lika. Det skall bara fungera som utlovat.

I Fowlers språk är detta “utility” – saker som de flesta behöver och som bara skall fungera. Han berättar en anekdot om någon som sade: “software is like sewage pipes, I want it to work reliably and I don’t want to know about the details”.

Det finns också Bas‑AI. Precis som Bas-IT är det standardiserade tjänster i vardagen som kan vara till oerhörd nytta och tidsbesparing, exempelvis generativa AI-assistenter (som ChatGPT och Copilot). Samtidigt behöver man knappt bry sig om hur de fungerar. Bara de uppfyller säkerhetskrav och lagkrav (inte minst kring personuppgifter).

Det är också här många IT‑organisationer är som starkast. Bas‑IT (och Bas-AI) belönar standardisering, processdisciplin och strikta beslutsflöden. Det är just den typen av arbete som passar bäst för “operational excellence”: att göra samma sak konsekvent, säkert och effektivt – och att göra det lite bättre varje dag.

Strategisk IT (och AI): det som differentierar

Vilket märke som står på din dator är sällan av avgörande betydelse. Inte heller vilket hotell du väljer att bo på.

Om du däremot skall skaffa nytt hus är det en helt annan sak. Där är många avgörande frågor, såsom bostadsområde och om du skall köpa eller kanske bygga nytt hus. Dina val kommer ha stort betydelse för din tillvaro framöver, till exempel månadskostnader, restider och inte minst trivsel.

Strategisk IT (och strategisk AI) är sådant som har stor betydelse, “differentierar”, för hur verksamheten drivs.

Det kan vara affärssystem, produktionsplanering, beslutstödssystem, order‑till‑leverans, kundportal, prismotor, eller ett bokningsflöde som gör att bemanning och planering måste fungera på ett nytt sätt. Där dina val har mycket stor betydelse, precis som valen när du skall köpa eller bygga hus.

Det är oftast i strategisk IT (och AI) det går snett.

Varför? För att strategisk IT (och AI) sällan bara är teknik. Det är förändring: arbetssätt, roller, ansvar, avvägningar – och en hel del saker som först blir tydliga när systemen möter verkligheten. Det kräver lärande, avvägningar och ofta en hel del omförhandling av “hur vi gör saker här”. Ofta underskattas just det icke-tekniska arbetet, som brukar vara det allra största.

Strategisk IT kräver ett helhetstänk på helt annat sätt än Bas-IT. Därför kräver det också ledningens engagemang. Det kräver också annan lyhördhet och prioriteringar än Bas-IT. Sådant som är en styrka inom Bas-IT (standardisering, processdisciplin, mm) kan minska handlingsutrymmet i Strategisk IT just där flexibilitet, omprövning och tempo behövs som allra mest.

AI, data och avancerad analys: ofta mer strategiskt än man först tror

Medan det allra mesta inom “IT” är Bas-IT (enligt Martin Fowler kanske kring 95%), så är det en helt annan sak med AI.

Visst finns det ofta lågt hängande “AI-frukter”. Generativa AI-assistenter kan ge snabb produktivitetsvinst i vardagen och fungerar i många fall som Bas-AI. Men den verkliga nyttan av AI, data och avancerad analys uppstår oftast först när arbetssätt, beslut och beteenden förändras.

Dessutom är frågorna ofta mer komplexa än vid traditionell IT. Juridiken är svårare, ansvarsfördelningen mindre självklar och effekterna mer indirekta. Beslut behöver fattas under osäkerhet, och risker måste vägas mot alternativrisker - det vill säga vad som händer om man avstår. Utan tydligt ledningsengagemang riskerar initiativen att fastna i pappersprodukter, pilotprojekt eller isolerade experiment som aldrig når skala.

Det är därför fördelningen inom AI sällan är 95/5 mellan Bas-AI och strategisk AI. En betydligt större andel av AI-arbetet har strategisk karaktär.

Risker: olika riskarter (och därför olika styrning)

Bas-IT-risker handlar ofta om robusthet: tillgänglighet, återställning, säkerhetshygien och leverantörsrisker. De är ofta möjliga att definiera, mäta och följa upp på ett relativt rakt sätt. Det finns etablerade begrepp och mätetal: upptid, incidentfrekvens, återställningstid, patchnivåer, regelefterlevnad, SLA-uppfyllnad.

Riskerna är sällan triviala, men de är i hög grad operativa. De handlar om att något slutar fungera, fungerar långsammare än det borde, eller utsätts för angrepp. Det är risker som kan minskas genom redundans, standardisering, tydliga processer och disciplin i förvaltningen.

Just därför lämpar sig Bas-IT väl för en styrning som betonar stabilitet, förutsägbarhet och kontinuerlig förbättring. Det betyder inte att riskerna är små – men de är av en annan karaktär än i strategisk IT.

Riskerna för Strategisk IT (och AI) ser annorlunda ut. Här handlar det mindre om huruvida systemet är uppe eller nere - och mer om huruvida man faktiskt lyckas med förändringen. Riskerna är i högre grad verksamhetsmässiga och långsiktiga: att lösningen inte passar arbetssätten, att den införs men inte används som tänkt, att den förändrar incitament på oväntade sätt eller att effekten uteblir trots att projektet levereras enligt plan.

Det kan också bli stora förseningar, växande scope, utdragna program som aldrig riktigt blir klara, eller en “evig infasning” där nyttan hela tiden ligger runt nästa hörn. Konsekvenserna är ofta mer indirekta och svårare att mäta: tappad effektivitet, minskat förtroende, strategiska möjligheter som går förlorade.

Just därför kräver strategisk IT en annan typ av styrning. Här räcker det inte med servicenivåer och driftmått. Det krävs aktivt verksamhetsengagemang, en förmåga att justera kursen under resans gång och att väga risk mot alternativrisk - det vill säga vad som händer om man inte förändrar.

Bimodal IT

Hur förhåller sig då Bas-IT och strategisk IT till begreppet “Bimodal IT”?

Gartner gick ut med begreppet bimodal IT, som handlar om att hantera två sammanhängande arbetssätt: ett som är optimerat för förutsägbarhet och ett som är optimerat för utforskande. Det här kallas också “two‑speed IT” i andra sammanhang.

Bimodal‑tänket fick mycket kritik. Forbes kallade det till exempel “Gartner’s Recipe for Disaster”, bland annat för risken att skapa fel incitament, organisatoriska låsningar och en konstlad uppdelning mellan “snabba” och “långsamma” team. Martin Fowler har i sin tur varit tydlig med att bimodal IT inte är samma sak som hans uppdelning mellan utility och strategic.

Skillnaden är viktig. Bas-IT kontra strategisk IT är inte en fråga om “snabbt vs stabilt”. Det är inte ett val mellan tempo och kontroll. Det är ett perspektiv på verksamhetsnatur, riskarter och styrbehov - på vad IT faktiskt är för verksamheten och därför hur det bör ledas.

Ett annat missförstånd som lätt förstärks av bimodal-tänket är att tempo och kvalitet står i motsats till varandra. Att man måste välja mellan att vara snabb eller hålla hög kvalitet. Exempelvis DORA:s forskning inom mjukvaruutveckling pekar på motsatsen. De organisationer som levererar snabbt tenderar också att leverera med hög kvalitet. Tempo och kvalitet korrelerar ofta hos högpresterande team. Det är alltså inte så att kvalitet uppnås genom att sakta ner – tvärtom visar forskning att välfungerande team ofta klarar båda samtidigt.

Det börjar med att ställa rätt fråga

Vi behöver färre frågor om huruvida något är “IT” eller “AI” - och fler frågor om vilken sorts uppgift vi faktiskt står inför.

Bas-IT/AI håller lampan tänd.
Strategisk IT/AI avgör vart vi går.

Båda behövs. Men de är inte samma sak. Och de fungerar inte under samma logik.

Obs! Innehållet på denna blogg är mina personliga åsikter och representerar inte min arbetsgivare. Jag som utgivare ansvarar inte för kommentarsfältet. Den som kommenterar ansvarar själv för det som skrivs.

Samtidigt finns organisationer som rör sig snabbt. De testar, lär, ändrar arbetssätt och får ut nytta tidigt. Så varför är vissa snabba och andra långsamma?

Jag tror en stor del av svaret är kulturellt – och att det är kopplat till organisationers värdediscipliner.

Tre värdediscipliner (och en viktig målkonflikt)

Michael Treacy och Fred Wiersema populariserade på 1990‑talet idén om tre värdediscipliner: Customer intimacy, Product leadership och Operational excellence.

Kärnan i modellen är att om man vill vara riktigt stark i en disciplin kräver det uppoffringar i de andra. Man måste prioritera.

Det kan låta som strategi. I praktiken är det kultur: vilka beteenden som belönas, vilka som bestraffas, och vad organisationen reflexmässigt gör när osäkerhet uppstår. Det som premieras blir norm, norm blir kultur, och kultur sitter i väggarna – även när omvärlden skiftar.

Värdedisciplinerna

1) Customer intimacy: att vara närmast verkligheten

Löftet: “Vi förstår dig bättre än någon annan och anpassar oss efter dig.”

Customer intimacy bygger på att acceptera variation. Två kunder/brukare får inte alltid samma lösning – det är själva poängen. Man satsar på relationsbyggande, rådgivning, anpassning, onboarding, support och kontinuerlig förbättring utifrån verklig användning.

Styrkor: lyhördhet, relevans, förtroende, högt genomslag för det man gör.
Man offrar: ren effektivitet och standardisering. Anpassning kostar och skapar komplexitet.

2) Product leadership: att vara snabbast med det nya

Löftet: “Vi leder utvecklingen. Du får det bästa, först.”

Product leadership handlar inte om “ordning och reda” i varje detalj, utan om förmågan att lära snabbt. Man bygger förmågan att snabbt testa hypoteser, mäta och utvärdera, fatta beslut under osäkerhet och iterera. Misslyckanden ses som data – inte skam – så länge de är kontrollerade och leder till lärande.

Styrkor: tempo, innovationstakt, förmåga att snabbt skifta riktning när verkligheten ändras.
Man offrar: stabilitet, förutsägbarhet och ibland kortsiktig effektivitet. Innovation är “slöseri” – tills den fungerar. Och det är meningen.

3) Operational excellence: att vara mest pålitlig och effektiv

Löftet: “Det fungerar. Varje gång. Billigt, säkert och med jämn kvalitet.”

Operational excellence bygger på att minimera variation. Om man kan göra samma sak likadant tusen gånger får man lägre kostnad, färre fel och jämnare kvalitet. Organisationen blir robust: drift är kung, avvikelser hanteras systematiskt och förändring sker kontrollerat.

Styrkor: kvalitet, stabilitet, regelefterlevnad, skalbar leverans.
Man offrar: flexibilitet och förändringstakt. För att vara riktigt bra på Operational excellence behövs styrmekanismer: förändringsråd, kontroller, processer och gedigen dokumentation. Allt detta är rationellt – men har en bieffekt: förändring går trögt.

Varför AI “gillar” två värdediscipliner – och krockar med den tredje

AI-införande är i grunden en förändringsfråga. Du blir inte “AI-driven” av att införa ett verktyg. Du blir det när arbetssätt, beslut och vardagsbeteenden ändras.

Dessutom försvåras det av att krav blir tydliga först när man provar, resultat kan vara svåra att förutsäga och risker måste förstås i praktiken. AI är sällan “installera och klart”.

Därför går det ofta snabbare i kulturer som redan är byggda för snabba lärloopar (Product leadership) eller med hög anpassningsbarhet och fokus på användarnytta (Customer intimacy).

Och därför får Operational excellence ofta det tuffare: det som gör Operational excellence starkt i drift gör det trögt i förändring och verksamhetsutveckling.

Operational excellence tenderar att göra osäkerhet till ett argument för mer förankring: fler intressenter, fler råd, fler remissrundor, fler “säkra” formuleringar.
Paradoxen blir: ju mer nytt och osäkert (som AI), desto mer styrning triggas – och då hamnar organisationen i ett läge där den är formellt aktiv (policies, riktlinjer, PowerPoints) men praktiskt passiv (arbetssätt och vardagsbeteenden förändras inte).

AI kan ge enorm hävstång för Operational excellence (automatisering, beslutstöd, kvalitetssäkring). Men vägen dit krockar ofta med själva kulturens reflexer.

Avslutning

Det är viktigt att säga det tydligt: Operational excellence är inte “sämre”. Det är ofta ett svar på en verklighet där fel är dyra – särskilt i banker, universitet, sjukvård, myndigheter och annan samhällskritisk verksamhet. Deras uppdrag är inte att vara först, utan att vara pålitliga.

Treacy och Wiersema har en viktig poäng om värdedisciplinerna: man kan visserligen bara prioritera en värdedisciplin, men man behöver också bli tillräckligt bra på de övriga. I praktiken betyder det att en operational excellence‑organisation som vill få ut AI‑nytta behöver låna lite beteenden från de andra disciplinerna: en dos av product leadership (lärloopar, tempo, mandat) och en dos av customer intimacy (anpassning för kunder/brukare och verkliga behov).

Och det sker inte av sig själv. Det krävs utrymme, mod och mandat från högsta ledningshåll — och att man ställer sig denna fråga:

Vilken värdedisciplin har vi – och hur driver vi vår AI‑satsning så att den kan ta sig igenom vår egen kultur utan att fastna i den?

Obs! Innehållet på denna blogg är mina personliga åsikter och representerar inte min arbetsgivare. Jag som utgivare ansvarar inte för kommentarsfältet. Den som kommenterar ansvarar själv för det som skrivs.

Lite förenklat kan det beskrivas som en formel:

Effekt = Innovation × Entreprenörskap × Mottaglighet.
Om någon faktor är noll, blir effekten noll.

• Innovation kan ge fantastiska nya möjligheter, men utan förmågan att driva förändringarna blir det lätt “uppfinnar‑Jocke”: kul, men utan genomslag.

• Entreprenörskap handlar i grunden om förmågan att förvandla idéer till handling: att ta en idé, fokusera på rätt saker, fatta beslut när andra tvekar och driva processen hela vägen till ett konkret resultat. Det innebär att vara lyhörd för hur verkligheten ser ut, att våga prioritera, att lösa hinder i farten och att förhindra projekt att fastna i långa utredningar.

• Mottaglighet – viljan och kapaciteten hos organisationen att faktiskt ta till sig något nytt – är lika avgörande. Mottagligheten handlar både om kulturella och praktiska frågor. Om målgruppen saknar tid att testa, inte har stöd från chefer, inte är intresserade eller om innovationen inte passar in i deras arbetsflöden, då faller även den mest lovande innovation platt.

EU beskriver entreprenörskapskompetens som förmågan att agera på möjligheter och idéer och omvandla dem till värde för andra. Mottaglighet för innovation är också ganska ganska väl studerat. Everett Rogers, som lade grunden till teorin om hur innovationer sprids, visade att det inte bara är själva innovationen i sig utan även hur mottaglig miljön är som avgör spridningen.

Men även när innovation, entreprenörskap och mottaglighet finns på plats räcker inte det i sig. För att en organisation verkligen ska kunna genomföra innovation — inte bara prata om den — behöver flera andra förutsättningar vara i balans. Jag brukar tänka på det som ett hjul med fyra ekrar. Om någon eker är för svag eller saknas helt, börjar hjulet vingla. Du kan fortfarande rulla — men det går långsamt, hackigt och riskerar att krascha.

Här är ekrarna i ett välfungerande innovationshjul:

1. Pipeline

En innovationsverksamhet behöver en levande pipeline där idéer prioriteras, testas, mäts och antingen skalas eller stoppas. En bra pipeline ger framförhållning, struktur och riktning.

2. Resurser

Innovation kräver inte stora team, men det kräver dedikerad och kontinuerlig tid, motivation och kompetens som inte ständigt rycks in i andra bränder. När personal gör innovationsarbete “på ledig tid” blir det sällan utrymme.

3. Plattform

Med plattform menar jag inte bara teknik, utan den samlade infrastruktur som gör det möjligt att över huvud taget jobba med innovation. Skall man driva innovation inom AI behöver man tillgång till data av god kvalitet, effektiva rutiner för åtkomst, möjligheter att experimentera och sätt att sätta modeller i produktion. För andra typer av innovation kan plattformen vara enklare.

4. Ledningens stöd

Ledningens stöd är kanske den mest avgörande ekern. Utan aktiv uppbackning saknar team mandat att ta beslut, prioritera tid och utmana nuvarande arbetssätt. Med starkt ledningsstöd blir innovation något organisationen ska göra — inte något som sker i marginalen.

Ytterligare en eker man skulle kunna lägga till är mod. Mod är en underskattad faktor. Innovation kräver beslut trots osäkerhet, förmågan att “kill your darlings”, och att ge team mandat att köra igång även när allt inte är perfekt. Utan mod blir organisationen en plats där alla väntar på varandra — och där inget händer.

Obs! Innehållet på denna blogg är mina personliga åsikter och representerar inte min arbetsgivare. Jag som utgivare ansvarar inte för kommentarsfältet. Den som kommenterar ansvarar själv för det som skrivs.

Alla organisationer pratar idag om att bli mer datadrivna och använda AI. Men vad betyder det egentligen i praktiken? Är det bara att köpa ett nytt verktyg, anställa några data scientists och sedan räkna hem affärsnyttan? Tyvärr inte. Min erfarenhet efter över 25 år i olika branscher såsom sjukvård, försäkring, industri och transport är att att resan är påfallande lik – oavsett bransch.

För att beskriva den här resan använder jag en modell som jag kallar för “trappan”. Den utgår från en presentation jag en gång tog del av från Gartner, men jag har under åren utvecklat och anpassat den utifrån mina egna erfarenheter. Trappan består av fem steg, från det första kaosartade försöket till en fullt transformativ organisation där AI och data är en naturlig del av allt som sker.

Steg 1: Omedveten – ”Excel hell”

Här byggs all analys manuellt och personberoendet är skyhögt. Beställningar görs ad hoc och leveras ofta via mail eller USB-minnen. Alla gör på sitt eget sätt, och ingen har någon helhetsbild över organisationens data eller var den kommer ifrån. Om någon slutar kan viktig kunskap försvinna över en natt.

Excel är ett inte helt ovanligt förekommande verktyg för data och analys på den här nivån.

Steg 2: Opportunistisk – hoppfulla men spretiga initiativ

I detta steg har organisationen skaffat sig analysverktyg, kanske gjort några proof of concepts inom AI, och optimismen är till en början hög. Men ganska snabbt dyker problemen upp. Data visar sig vara inlåst i olika system, det är svårt att kombinera information från olika håll, och tilltron till datakvaliteten börjar eroderas. Det visar sig ofta att organisationen haft lite för höga tankar om sin datakvalitet.

I ett större bolag jag arbetat med blev detta steg väldigt tydligt. Två av cheferna i ledningsgruppen hade ständiga diskussioner om KPI:erna (nyckeltalen) verkligen stämde – och framför allt vem av dem som egentligen presterade bäst. När själva dataunderlaget är osäkert blir debatten om siffrorna viktigare än arbetet med att förbättra verksamheten. Detta är ett typexempel på vad som händer när organisationen befinner sig på det opportunistiska steget.

Arbetet med data, analys och AI drivs ofta i stuprör (med dåligt samarbete mellan olika delar av organisationen), finansieringen sker projekt för projekt och personliga favoritprojekt går före det som är viktigast för organisationen som helhet. Juridiska frågor kan också lätt bli till stora hinder i arbetet eftersom det är otydligt vad som gäller.

Steg 3: Fokuserad – ledningen tar ägarskap

På denna nivå går organisationen från spretiga initiativ till ett mer samlat grepp där frågor om data, analys och AI lyfts upp på den högsta nivån. Avgörande för att nå detta steg är att det finns en drivande person i högsta ledningen som tar ägarskap och driver frågorna med uthållighet.

När ägarskapet lyfts till ledningsnivå blir det möjligt att sätta en gemensam riktning och tydliga prioriteringar. I stället för att olika delar av organisationen driver sina egna projekt, kan initiativen styras mot de områden där de gör mest nytta för helheten. Detta minskar risken för att resurser läggs på personliga favoritprojekt och ökar sannolikheten att investeringar faktiskt bidrar till organisationens övergripande mål.

Ledningens ägarskap gör också skillnad när det gäller juridiska och regulatoriska frågor. Lagar och regler kring integritet och säkerhet är komplexa frågor och avvägningar som ytterst behöver avgöras av högsta ledningen. Avsaknad av ledningsbeslut kan leda till såväl stort risktagande som handlingsförlamning i organisationen.

På denna nivå förtydligas ansvaret för data i organisationen. Vem äger datan? Vem är ansvarig för kvaliteten? Vem får besluta om tillgång och användning? När dessa frågor får svar börjar organisationen få bättre ordning på sin data och öka datakvaliteten.

Steg 4: Strategisk – data blir en tillgång på riktigt

När organisationen når den strategiska nivån har något viktigt hänt: data betraktas inte längre som en biprodukt av verksamheten, utan som nödvändig del. Det innebär att organisationen börjar tänka långsiktigt – inte bara på den data som behövs idag, utan också på den data som kan visa sig värdefull i framtiden.

På den här nivån arbetar organisationen med data och AI i större skala. För att lyckas krävs effektiva processer för att hantera många initiativ parallellt, och tekniska plattformar som kan stödja både snabb innovation och stabil drift. Men minst lika viktigt är den kulturella förflyttningen. Värdet uppstår i verksamheten genom förändrade arbetssätt, bättre beslut och nya möjligheter.

Det är också här som innovation blir en central del av arbetet med AI. AI handlar ofta om att testa, utforska och experimentera – ingen vet på förhand vilka modeller eller insikter som faktiskt kommer att fungera. Därför krävs en kultur som tillåter utforskande arbete, där det är legitimt att prova sig fram och ibland misslyckas. När organisationen vågar göra detta öppnas helt nya möjligheter för att använda AI och data, inte bara för att effektivisera befintliga processer utan också för att skapa nya produkter, tjänster och arbetssätt.

Att nå den strategiska nivån handlar alltså inte bara om att få tekniken på plats. Det handlar lika mycket om att bygga förtroende, samarbete och nyfikenhet i hela organisationen. Först då kan data bli en verklig strategisk resurs.

Steg 5: Transformativ – i organisationens “DNA”

Det högsta steget i trappan är också det mest svårfångade. Här är data och AI inte längre något som organisationen “använder” i särskilda projekt – det är en självklar del av själva verksamheten. Det är inbyggt i organisationens “DNA” och affärsidé.

En tydlig skillnad på denna nivå är att data blir “demokratiserad”. Det betyder inte att alla har tillgång till allt, men att alla medarbetare kan hitta, förstå och använda den data de behöver för att skapa värde i sitt arbete. Frågan är inte längre “får vi tag i datan?” utan “hur använder vi den på bästa sätt?”. Det innebär också att organisationen lyckats bygga en kultur där datadrivet tänkande inte upplevs som något som kommer “uppifrån”, utan som något som är naturligt för alla.

Det transformativa steget är inget slutmål i bemärkelsen att organisationen “är klar”. Tvärtom är det en plats där ständig utveckling är normen. Organisationen behöver fortsätta röra sig snabbt och experimentera, men samtidigt ta ansvar för etik, integritet och säkerhet. Förmågan att hela tiden anpassa sig, förbättra sig och skapa nytt värde – det är just det som gör data och AI till en verklig konkurrensfördel.

Den svåra verkligheten

Min erfarenhet är att de flesta fastnar på nivå två. Många organisationer kämpar här och den största utmaningen är ofta att ledningen inte har tillräckligt stort ägarskap, och att investeringar fortsätter att ske projekt för projekt utan en långsiktig plan.

Nyttan på nivå två är begränsad eftersom det inte sker tillräckligt stora förändringar i organisationerna utan de jobbar mest som tidigare fast med bättre verktyg. Det stora värdet av data och AI uppstår först när det leder till förändrade arbetssätt och nya möjligheter.

Det senaste året har dessutom hajpen kring generativ AI och verktyg som ChatGPT gett extra bränsle åt intresset för AI. Många organisationer vill nu snabbt hoppa på tåget och införa den senaste tekniken. Problemet är att utan ordning på data, ansvar och processer blir det mest experiment som inte leder till verkligt värde.

Obs! Innehållet på denna blogg är mina personliga åsikter och representerar inte min arbetsgivare. Jag som utgivare ansvarar inte för kommentarsfältet. Den som kommenterar ansvarar själv för det som skrivs.

This is the third in a series (other parts: part 1 and part 2) of interviews with leaders from Unity Health Toronto, including Muhammad Mamdani (Vice-President of Data Science and Advanced Analytics), Michael Page (Director of AI Commercialization), and Derek Beaton (Director of Advanced Analytics), discussing the organization's pioneering efforts in integrating artificial intelligence into healthcare. They share their strategies, challenges, and successes in deploying AI-driven solutions that improve patient outcomes, enhance operational efficiency, and address real-world clinical problems. In collaboration with clinicians, researchers, and technology partners, Unity Health demonstrates how AI is reshaping the future of healthcare.

Read more about AI at Unity Health (unityhealth.to).

Derek Beaton, what data sources are most critical to Unity Health’s AI projects, and how do you manage the challenges of data quality, consistency, and integration?

- Instead of targeting specific data sources, our approach is to focus on the problem at hand and then identify the necessary data sources to address the problem. This could range from medical imaging data for certain diagnostic problems to lab and vitals data for clinical prognostication problems to text notes for treatment-related problems.

- All sources of data are viewed as being critical given the wide variety of problems that can be tackled with AI

- We embrace the challenges of data quality, consistency, and integration in real world settings! Generally, we manage this by understanding how and why data may have issues or the differences we usually see between historic vs. real time data. We manage these issues by building our solutions around these challenges.

How do you evaluate the performance of your AI/ML models, and what metrics do you consider most important in a healthcare context?

- This kind of question is one of my favorites, because I get to play the role of a good statistician: It depends.

- We have a lot of models across both classification and regression, as well as optimization. Each type of problem requires careful thought about how to evaluate the performance

- But regardless of approach, there are always fairly standard metrics to rely on (e.g., precision/recall, various error or fit metrics)

- For examples, some of our clinical deployments must make conservative judgements. So we focus more on not missing cases (e.g., with negative predictive value, false negative rates). In other cases we have benchmarks of clinician performance. So the goals there are to be as least as good in some ways (e.g., sensitivity) while out-performing in other ways (e.g., positive predictive value)

What role do you think explainability plays in AI in healthcare?

- My perspective on explainability in AI may be a bit contrarian, but I’m not convinced it plays as big of a role as some people believe. Explainable AI (XAI) has become a stand-in for trust, yet there are many aspects of healthcare—and life in general—that we don't fully understand or can’t explain, but we still trust. For instance, there are common medications that patients take every day, the mechanisms of which are not fully understood, even by many clinicians. Despite this, these medicines are trusted because they’ve been rigorously tested, clinically validated, and regulated.

- In the same way, I believe AI tools don’t always need to be fully explainable for us to trust and use them, as long as they are valid and reliable and subjected to rigorous validation and oversight. While explainability is valuable for understanding and improving these complex systems, I don’t think it's always a necessity for successful implementation in healthcare. What matters most is ensuring these AI tools are safe, effective, and reliable in practice.

- Much of what we work with are proxies of other measures. For example, why a model flags that a patient will return to the emergency department is not necessarily why a patient actually returns to the emergency department. So in practice, explainability can be misleading if misunderstood.

- But if explainability is important, in many cases the there are other approaches for inference and causality that are much better suited than some XAI approaches today.

How do you ensure that AI-driven insights are actionable and understandable to healthcare professionals who may not have a technical background?

- AI literacy is critical to the successful adoption of AI solutions. As we integrate clinicians into our process, they gain a progressively deeper understanding of data science, machine learning, and AI adoption through ‘real world’ experience

- We have created a learning environment where not only our data scientists learn clinical concepts but our clinicians learn about data science and AI through real world application; clinicians are often provided learning materials on data science and AI relevant to the problem that is being solved and are encouraged to ask questions to grow their knowledge; similarly, our data scientists are encouraged to ask clinical questions to gain a deeper understanding of the problem that the AI solutions aim to address.

How do you keep your team updated with the latest advancements in data science and AI, ensuring that Unity Health remains at the forefront of this rapidly evolving field?

- I only mean this in the most positive way—we are a bunch of nerds. Reading and keeping up with the latest developments in AI in medicine is not as hard as it used to be, the content is very accessible, although the volume has significantly increased.

- Another side of ensuring we remain at the forefront is sort of the opposite of latest advancements. There are a lot of tried-and-true methods that just work. And there are approaches that are just extremely well-suited to solve certain types of problems. While we keep up-to-date, we do also make sure we’re well versed in techniques that have been around a long time, in some cases many decades and in fact approaching nearly a century (like many well established regression approaches).

- That said, we are still not experiencing as many providers actually deploying solutions, so we have many global networks formally and informally keeping in touch with technologists, clinicians and corporations on how they are approaching AI in medicine.

What exciting AI projects or initiatives can we expect from Unity Health in the near future?

- Where we are trying to move really quickly is into high frequency multimodal AI. If you imagine all of the monitors and devices that are bedside, we are interested in streaming all of these different data types in real time into algorithms that can improve care.

Note! The content on this blog reflects my personal opinions and does not represent my employer. As the publisher, I am not responsible for the comments section. Each commenter is responsible for their own posts.

This is the second in a series (other parts: part 1 and part 3) of interviews with leaders from Unity Health Toronto, including Muhammad Mamdani (Vice-President of Data Science and Advanced Analytics), Michael Page (Director of AI Commercialization), and Derek Beaton (Director of Advanced Analytics), discussing the organization's pioneering efforts in integrating artificial intelligence into healthcare. They share their strategies, challenges, and successes in deploying AI-driven solutions that improve patient outcomes, enhance operational efficiency, and address real-world clinical problems. In collaboration with clinicians, researchers, and technology partners, Unity Health demonstrates how AI is reshaping the future of healthcare.

Read more about AI at Unity Health (unityhealth.to).

Michael Page, what role does collaboration with other healthcare organizations, academic institutions, or technology companies play for Unity Health?

- Collaboration is not just valuable—it’s essential for the broader adoption and integration of AI in healthcare. At Unity Health, a prime example of this is how our data science team works closely with clinicians to address real-world clinical challenges. This deep internal collaboration has been key to our success in deploying more than 50 AI and analytics tools into practice, delivering tangible benefits in patient care.

- While internal collaboration is critical, achieving greater health system transformation will require expanding these partnerships beyond the walls of individual institutions. Collaborating with other healthcare organizations, academic institutions, and technology companies allows us to pool expertise, and resources, which accelerates innovation and the spread of AI solutions.

- For instance, partnerships with academic institutions can drive groundbreaking research, while collaborations with technology companies can facilitate access to cutting-edge tools and platforms that may not yet exist in the healthcare sector. These collaborations help us push the boundaries of what AI can achieve and ensure we stay ahead of technological advancements.

- Moreover, collaboration across the health system through coalition building is critical for scaling AI solutions and achieving systemic change. While much of this happens informally through academic and professional networks, I envision a future where these efforts become more coordinated. Large-scale collaborations between healthcare providers, researchers, and industry players can help overcome challenges like data sharing, regulatory hurdles, and the clinical validation of AI tools.

- Looking ahead, partnerships will also play a key role in the commercialization of AI tools. Expanding our collaborations globally, such as with AI Sweden, enables us to not only enhance our own capabilities but also contribute to a more integrated and AI-driven global healthcare ecosystem. Ultimately, collaboration will drive the future of AI in healthcare—helping us turn innovative ideas into impactful, scalable solutions for patients around the world.

- While collaborations are essential to drive innovation, we carefully consider strategic collaborations that will add value not only to our respective organizations, but to society at large.

How does Unity Health foster a culture of innovation around AI and data science, and what advice would you give to other healthcare organizations looking to adopt similar technologies?

- Fostering a culture of innovation around AI and data science at Unity Health begins with leadership. We're fortunate that AI, along with research and innovation more broadly, is a high priority across the organization—from our Board of Directors to the executive team. This top-down commitment ensures that everyone is engaged in and aligned with our AI strategy.

- At St. Michael’s Hospital, one of our key sites, we have a long-standing tradition of clinician-scientists who balance patient care with teaching and research. This culture of intellectual curiosity and the drive to continuously improve healthcare is deeply embedded within the organization. Our AI initiatives are a natural extension of this legacy, allowing us to use cutting-edge tools to tackle modern challenges.

- Success also plays a pivotal role in fostering a culture of innovation. For example, our AI-driven tool CHARTwatch, which has been shown to reduce unplanned mortality by over 26% according to recently published research in CMAJ, has been a major confidence booster across the hospital. Success stories like this create a "flywheel effect," where each achievement fuels more interest and momentum. This, in turn, inspires more colleagues to think creatively and collaborate with us on developing the next breakthrough—whether it's a tool for detecting traumatic brain injuries, predicting massive hemorrhages, or reducing the administrative burden on frontline clinicians so they can spend more time with patients.

- The only challenge we face is capacity. With so many exciting ideas coming from our colleagues, we currently have a two-year waitlist for new AI project intakes. I wish we had double or triple the resources to tackle them all!

Could you tell me about a recent AI project that you’re particularly satisfied with and explain how it has improved patient care or outcomes at Unity Health?

- We’re satisfied by everything we do! We have such a thorough process before we dive in that it helps ensure we have very high quality products for everything we do. Some of work, like CHARTWatch, is a fundamentally important tool. Recently we showed that CHARTWatch brought (and kept) ICU transfers and mortality (considerably) down since its deployment. And we’re able to see that because of how long it’s been in place

- Like noted, we don’t have any particular favorites. But we do have approaches across so many domains, each reflecting different types of improvements. There are three in particular we like to highlight.

• Our ED RN assignment tool takes schedules, qualifications, and prior assignments of RNs in the ED into account, and will generate assignments (to zones or roles) for the staff. It’s something that takes a person a long time to do, but our optimization tool can make the assignments in about a minute and the lead nurse can make some edits in about another minute or two. It’s a significant time savings

• We have a tool running in the hemodialysis unit that highlights patients at high risk for unplanned admissions (e.g., back to the emergency department). We like to highlight this tool for two reasons. The first is that it took a really long time to go from ideation to production. It’s a particularly challenging problem from data (extracted from dialysis machines) all the way to workflow integration and intervention. When we deployed, it felt particularly satisfying that we could bring it across the finish line. Even better is that we saw a substantial reduction in unplanned readmissions for high risk patients (25-30% drop).

• Another set of projects have effectively turned into a suite of tools, or really a larger product and platform all in one. Right now we have two medical imaging models for all head CTs that come into the emergency department: one to identify intracranial hemorrhages and the other to flag cases at high risk for urgent neurosurgical intervention. These models send alerts to a large inter-departmental dashboard that shows all imaging orders in real time. We pulled these tools together and into a more harmonized platform (that we also built) with some new technologies and some older and very robust technologies in medical imaging. We’ve also built in some comprehensive and very advanced monitoring of the imaging models (via other data sources in different systems throughout the hospital). While largely centralized in the emergency department, this suite is one of our only major interdepartmental tools. It provides alerts and situational awareness across the emergency department, radiology/medical imaging, and neurosurgery. We’re really excited about the next step, which is to bring this to another one of our hospitals. We’ll make the jump from inter-departmental tools to organization-wide tools. We can notify neurosurgeons at St. Michael’s that there’s a case at St. Joseph’s emergency department.

What do you see as the most promising AI-driven healthcare solutions that Unity Health can offer to the broader healthcare community?

- We have numerous AI-driven healthcare solutions that we believe will add value to the healthcare system (link here), ranging from CHARTwatch – an early warning system that monitors our patients for clinical deterioration and has been shown to decrease unexpected mortality by 26% - to efficiency solutions such as or ED RN Assignment Solution – an assignment solution that allocates nurses to zones in the emergency department that has reduced human effort by over 80%.

- Unfortunately, Unity Health Toronto does not have the ability to deploy these solutions elsewhere given our limited resources and bandwidth, but we are working closely with private sector partners on efforts to scale these solutions globally.

- Though we can’t always directly provide our solutions, we can offer our experience and expertise. We build and maintain networks for knowledge sharing.

How do you ensure that the AI models developed are both accurate and clinically relevant for Unity Health?

- Our rigorous project intake process ensures we work on problems that are highly clinically relevant, as they are proposed by front-line clinicians and requires their full engagement through the development and deployment process. Our solutions are ‘developed by clinicians for clinicians’. While many clinicians may not have a deep understanding of AI, they partner with our AI team where they bring the clinical expertise and we bring the technical expertise. Sine our solutions are developed by our clinicians with our team, adoption is usually quite good.

- Our technical teams ensure model performance meets a certain standard by focusing on problem-specific performance metrics. We also take considerable effort in understanding the ‘status quo’ performance to ensure we have a sound understanding of what level of performance our AI solutions must attain in order to be useful. For example, our CHARTwatch solution is a prognostic solution that predicts patient deterioration (i.e. death or ICU transfer). The standard of care prior to the launch of CHARTwatch was clinician judgement. We collected over 3,000 clinician predictions and were able to quantify physician accuracy (e.g. physician were correct less than 1/3 of the time when they felt a patient would deteriorate). This sets the minimum threshold for AI solution performance in order to provide value.

- We also go one step further: We evaluate and monitor the impact of our solutions. For example, if a tool is meant to reduce unplanned readmissions to the emergency department, we continue to monitor unplanned emergency department visits after deployment. This tells us that tools are, or are not, still working.

What advice would you give to healthcare professionals who are hesitant about adopting AI in their practice?

- It's natural for healthcare professionals to have reservations about adopting AI, and we've encountered similar concerns within our own hospitals. These concerns typically come from a place of care and responsibility—they're rooted in a commitment to patient safety, ethics, and efficacy. And that’s a good thing. It shows that clinicians are thinking critically about the potential impact of new technologies on their patients.

- Our approach has been to engage directly with those concerns. It’s important to first assess current clinical performance and determine whether AI can truly add value. We actively include skeptics in our discussions because their perspectives challenge us to think more rigorously. We set clear, measurable goals, test our AI tools extensively, and only deploy them when there is strong evidence of benefit.

- For healthcare professionals hesitant about AI, my advice would be to see it as part of the continuous improvement process in care. AI isn't about replacing what works but enhancing it. Medicine has always evolved—adopting AI is just the next step in that evolution. By maintaining high standards and an open mind, we can integrate AI in ways that make healthcare safer, more efficient, and ultimately, better for patients.

Note! The content on this blog reflects my personal opinions and does not represent my employer. As the publisher, I am not responsible for the comments section. Each commenter is responsible for their own posts.

This is the first in a series (other parts: part 2 and part 3) of interviews with leaders from Unity Health Toronto, including Muhammad Mamdani (Vice-President of Data Science and Advanced Analytics), Michael Page (Director of AI Commercialization), and Derek Beaton (Director of Advanced Analytics), discussing the organization's pioneering efforts in integrating artificial intelligence into healthcare. They share their strategies, challenges, and successes in deploying AI-driven solutions that improve patient outcomes, enhance operational efficiency, and address real-world clinical problems. In collaboration with clinicians, researchers, and technology partners, Unity Health demonstrates how AI is reshaping the future of healthcare.

Read more about AI at Unity Health (unityhealth.to).

Congratulations Muhammad Mamdani on receiving the 2024 Recognition Award from Canada’s Drug Agency! Could you share what this award signifies for you and Unity Health? How does it reflect your work with integration of AI in healthcare?

- It was a tremendous honour to receive the 2024 Recognition Award from Canada’s Drug Agency. The award highlights the importance of rigorously evaluating health technologies to ensure the healthcare system receives tangible benefits from existing and emerging technologies given its often limited resources.

- At Unity Health, we are dedicated to carefully identifying genuine healthcare problems amenable to AI, methodically developing AI solutions by working closely with end-users, deploying AI solutions in a responsible manner, and rigorously evaluating the impacts of our AI solutions.

- Through this extensive process, we are able to better understand the benefits, and sometimes failures, of AI solutions in healthcare.

Can you tell me about Unity Health and your role in the Canadian healthcare system?

- Unity Health Toronto is a publicly funded non-profit and charitable healthcare network that serves the Toronto community. Formed in 2017 through the merger of three healthcare organizations: Providence Healthcare, St. Joseph's Health Centre, and St. Michael's Hospital. The network operates several hospitals, clinics, and long-term care facilities across the city of Toronto, providing a wide range of comprehensive healthcare services to patients.

• St. Michael's Hospital, a Tier-1 trauma centre and academic hospital, is one of the largest and busiest hospitals in the city, and provides acute care services, including emergency care, critical care, and specialized surgery.

• St. Joseph's Health Centre is a community hospital offering a range of acute care and community health services.

• Providence Healthcare focuses on rehabilitation, long term care and complex continuing care.

- Unity Health Toronto is also committed to education and research, with close ties to the University of Toronto. Notably, Unity Health Toronto is an industry leader, being the only hospital network in Canada to declare AI as a core strategic pillar, as well as establishing an applied health AI program.

What is your strategy – is Unity Health mainly an innovator or early adopter within AI? What impact does your choice of strategy have?

- With the endorsement of our Board of Directors and Executive Committee, Unity Health is strategically positioned as an AI Innovator. That means we actively create and implement AI solutions. Innovation carries inherent risks, including potential failures and associated costs. However, these risks are outweighed by the significant benefits we are already seeing in how data science is improving patient outcomes and operational efficiency.  As one of the few healthcare organizations at the forefront of AI-driven care, we are excited to help shape the future of healthcare. Being an innovator, however, may require substantial investment of resources and a willingness to accept (and pay for) failure on the path to success.

- We also recognize other innovators in this space and help facilitate Unity Health Toronto’s ability to use cutting-edge technology created beyond our walls. Our strategy also acknowledges the value of being early adopters of proven technologies developed by other hospitals and private companies. This is an area where we want to improve and lead. When a solution to a shared problem already exists, we be able to implement it swiftly, reducing unnecessary development efforts and maximizing our focus on impact. But adopting new solutions has its own challenges, such as monitoring or verifying the impact of solutions created elsewhere. This dual approach ensures that we remain both leaders in AI innovation and efficient adopters, balancing pioneering efforts with adopting pragmatic, high-value solutions.

Could you give me an overview of how you have chosen to organize AI at Unity Health and the organizational units you have? Also, where is your AI organization located in relation to the whole organization of Unity Health?

- This is an important question and one that we frequently revisit as AI continues to evolve, especially in healthcare. Given that AI is still relatively new, we’ve explored various organizational structures to foster innovation.

- We initially began as a traditional health research group, fueled by a generous $10 million (CAD) donation from the Li Ka Shing Foundation to our St. Michael’s Hospital Foundation. This philanthropic support is crucial in Canada and played a pivotal role in jumpstarting our AI journey. With this funding, we invested in building out our technical infrastructure, which took several years but enabled us to mature as an organization. Over time, the hospital began seeing substantial impact from our data-driven projects.

- Recognizing this, our CEO, Dr. Tim Rutledge, and the hospital executive made the strategic decision to formally embed our data science group into hospital operations under the name "Data Science and Advanced Analytics" (DSAA). While we are part of the Information and Technology group, we operate independently, with extensive collaboration in areas like IT security, privacy, risk, and data governance.

- Our DSAA team is structured into five distinct groups:

• Product Management (PM): This team oversees product lifecycle management, including problem identification and project management. They work closely with clinical teams to lead deployments and handle change management for AI adoption.

• Data Integration and Governance (DIG): The DIG team consists of data engineers responsible for critical tasks such as ETL processes from source systems to our own, data acquisition, building data pipelines, maintaining data warehouses, overseeing the infrastructure to develop and deploy these solutions,, and managing privacy and data governance for the data used in our projects.

• Advanced Analytics: (AA) a team of data scientists that apply advanced analytical approaches that span statistical, machine learning, and deep learning approaches as well as operations research and optimization to develop data-driven models to solve hospital-wide problems.

• Product Development (PD): The PD team builds solutions that tie together data pipelines from the DIG team and models from the AA team. The PD team has expertise in human factors, design, and software development and focuses on front-end development, ensuring that the AI tools we build are user-friendly and meet the needs of our end-users (e.g. clinicians and administrative decision-makers).

• AI Commercialization: The newest addition to our team, this group is responsible for expanding our AI tools to other hospitals and seeking alternative funding sources to further our AI advancements in healthcare. Unity Health Toronto has now formally partnered with two start-ups in health AI and has started to work with several private sector partners to co-develop health AI solutions with the intent to scale them globally.

What are the biggest challenges you face in implementing AI technologies in a healthcare setting?

- There isn’t just one big challenge when implementing AI in healthcare—it's a complex, multifaceted process. AI in healthcare is still in its infancy when it comes to real-world application. While there’s tremendous research happening globally, only a small number of healthcare providers are crossing the "innovation chasm" from research to actual AI deployment in clinical settings. This gap presents a range of challenges, as we are among the few pushing these technologies into real-world use with actual patients.

- Perhaps the foundational challenge is identifying the ‘right’ health problem that may be amenable to AI. While the healthcare system is fraught with challenges, many of them may be solved with better processes and/or resource allocation rather than AI solutions. Some relevant problems may not have the necessary quantity or quality of data to enable AI solution development. Other problems may not have community buy-in or engagement to enable successful adoption. Finding the right problem that is amenable to AI with readily available, timely, and high quality data with full end-user engagement can often be challenging.

- On a related note, it is critical to have strong leadership buy-in and understanding of AI's potential and limitations. This applies to both clinical and administrative leaders, who must be aligned and well-informed to champion AI initiatives. At Unity Health, we've taken steps to address this by running AI education sessions and implementing staff training programs to help both our clinical and non-clinical teams understand how to interact with the AI tools we develop. It's not just about building the technology—it's about embedding AI into the culture and operations of the hospital in a way that enhances patient care and staff workflows.

What role do you think AI will play at Unity Health over the next 5 to 10 years?

- We anticipate that AI will play an increasingly strategic role at Unity Health over the next 5 to 10 years. While we firmly believe that healthcare must remain human at its core, AI has the potential to transform many facets of care. Our focus is on how these tools can empower our clinicians and administrators to deliver data-driven, and possibly accelerated, care without losing the essential human touch.

- Having already deployed more than 50 AI and analytics tools into clinical practice, we've spent considerable time reflecting on our next steps. Our goal is to expand the role of AI and analytics across every aspect of the organization. Moving forward, we foresee substantial growth in our AI team to conduct more cutting-edge research and to streamline the translation of AI innovations into everyday clinical practice.

- A key priority for us will be strengthening collaborations, particularly with initiatives like GEMINI, to test the scalability of our tools using data that represents a large number of hospitals across Ontario. This will help us ensure that our solutions are robust and impactful on a larger scale.

- We are also embracing multimodal AI by developing appropriate infrastructure to enable its application and are starting to explore agentic AI for subspecialized tasks and AI-enabled automation in a safe and responsible manner. At the same time, we focus on applied tools and in many cases still favor more “traditional” statistical, ML, and optimization tools that are well suited to solve problems

- Finally, we are committed to deepening our partnerships, both locally and internationally. Our work with AI Sweden and hospitals across Sweden has been a great start. In the future, we aim to create even more AI partnerships, foster the development of AI companies, and expand our solutions to benefit patients not just in Canada but globally.

Note! The content on this blog reflects my personal opinions and does not represent my employer. As the publisher, I am not responsible for the comments section. Each commenter is responsible for their own posts.

Markus Lingman is a medical doctor and researcher whose career spans clinical practice, leadership, academic research and AI. As a specialist in cardiology and internal medicine, he has seen healthcare challenges up close, but also the opportunities and value of the vast amounts of data produced by the healthcare sector. In this interview, he talks about his journey from his student days to leadership roles in Region Halland, and how his interest in AI and information-driven healthcare emerged. We also learn about concrete examples how data analysis and machine learning can improve care pathways and increase patient security—without compromising integrity and ethical principles. At the same time, the importance of collaboration and shared standards is highlighted as a decisive factor for Sweden to fully realize the potential of information-driven healthcare.

Could you tell us about your background? What led you into information-driven healthcare and AI?

- A large part of my career has been clinical, as a specialist in cardiology and internal medicine, but about 15 years ago I received my first leadership assignment. I became head of the physicians at a fairly large hospital department, and shortly thereafter I took on a role as departmental manager and soon also as area manager (which in some places is called division manager). For the past few years, I have mainly worked in healthcare management on strategic issues. In parallel with my clinical and leadership career, I’ve also conducted research. I completed my PhD at Sahlgrenska Academy in 2013, where I am still affiliated, and I also hold an adjunct professorship at Halmstad University.

- The idea of more information-driven healthcare emerged as a result of my three ‘legs’—clinical work, management, and research. In the early 2000s, healthcare became digitalized. A side effect was that enormous amounts of data started to be generated and stored. Strangely enough, this goldmine of insights wasn’t used to any great extent. Most of the metrics used for decision-making fit into an Excel spreadsheet, and we still relied primarily on basic arithmetic. I was frustrated that healthcare—a large, complex, adaptive system—didn’t have better ways to make the right decisions about organizational development. The term ‘follow-up’ was common, but follow-up is about looking backward. When developing services, you need to look forward and be able to consider multiple factors simultaneously, so you don’t create indirect negative side effects of the decisions you make.

- I saw a great need to look beyond organizational boundaries and focus on how things are going for patients in relation to everything we in healthcare do for them. Healthcare is very good at optimizing silos, even if that happens at the expense of deterioration somewhere else in the system, mainly because there is no fact-based overview of the whole. Information-driven healthcare simply means working more fact-based, holistically, and forward-looking (predictively) by making use of all the data that we in healthcare generate in large quantities every day. Among other things, we developed a resource description model called Patient Encounter Costing (PEC) to describe the resource consumption involved in patient management along complete care pathways. We now use the same approach to calculate climate impact. I just coined the term ‘information-driven’ to conceptualize and explain this. The idea came from The Institute for Information Driven Medicine at Harvard.

- In our work to utilize data in healthcare, we quickly ran into a new problem—it was just as complex and extensive as the healthcare system it was meant to describe. Traditional statistics and ‘business intelligence’ were no longer sufficient. There were too many factors to consider, and the relationships were not linear. At the same time, we were fortunate that machine learning became more broadly accessible, although still largely unknown in healthcare. We began collaborating with researchers in the field at Harvard Medical School and eventually at Halmstad University, and together we refined data into information that led to new insights we could start acting on and monitoring for patient-centric outcomes—the essence of information-driven healthcare. Over time, neural networks also became applicable, and we are now exploring the possibilities of using language models.

- Thanks to the capabilities we built, our organization today has entirely different conditions for developing healthcare and optimizing care chains in a fact-based manner than we did 10–15 years ago.

You started studying engineering but switched to medicine. What did you take away from the engineering program?

- Before studying medicine, I studied math, physics, and programming, but also national economics, corporate economics, and group economics, as well as languages within the Industrial Economics – International program. I was fortunate enough to work for short periods at European offices of Swedish corporations. Having a grasp of more advanced mathematics has, of course, been a great help when it comes to AI applications and research. Understanding economics and econometrics has been important because resource management is so central in healthcare—particularly from an ethical perspective in prioritization, where available resources must be used in the way that creates the greatest benefit. Healthcare still has a lot of work to do in this area. It is important to remember that money is just one of many resources in healthcare, and not necessarily the most constrained one.

Could you share an example where your work with information-driven healthcare has improved patient outcomes in Region Halland?

- Halland currently has fewer hospital beds than other regions. The decrease in beds is essentially due to limited availability of workforce. This reduction would have been much more problematic if we hadn’t simultaneously been able to work with the entire care chain so that the need for hospital admission was reduced. For example, we used AI to understand, in depth, what leads a person to end up in the emergency department. Many factors turn out to interact with each other, and some can be influenced. With fact-based oversight and predictive models, we have been able to focus on the right measures. The result is that we do not have more readmissions or higher occupancy levels than before, and at the same time, the patients have better outcomes. We’ve also been able to build better care pathways for specific patient groups. People with heart failure in Halland need much less inpatient care than was previously the case. Working systematically with data over a long period has contributed to Halland often performing well in national quality comparisons.

How do you view the balance between information-driven healthcare and protecting patient privacy? How have we managed this balance in Sweden?

- We have dealt with sensitive information in healthcare for all time, and one can be impressed by how rarely it is misused. The Health and Medical Services Act states that care should be good, meaning it should be safe, effective, knowledge-based, accessible, personalized, and equitable. None of this can be guaranteed without fact-based development, follow-up, and forward-looking analysis. Therefore, the law grants healthcare providers significant opportunities to do precisely this. The challenge is that protective legislation is tied more to organizational structures than to the patient (who receives care across many parts of the fragmented organization). The requirements to comply with privacy-protecting legislation are high and entail several control mechanisms and restrictions. A current issue is that much of the legislation was created in another era and therefore doesn’t provide guidance on today’s new questions. It’s clear that lawmakers, both nationally and at the EU level, want to see more data utilization to achieve healthcare goals and support research. The development of legislation and its interpretation is intense but takes time.

- In my view, Sweden has been quite cautious in order to protect privacy. However, I am equally convinced that one can protect privacy and utilize data at the same time. But you need to know what you’re doing and where the boundaries lie. The benefits for the individual and society are enormous. Finding new ways to deliver healthcare is absolutely critical in light of our future demographics. Increased precision and prediction will be important factors, and these require data. I’m also convinced that many people would want to benefit from these capabilities once they themselves become ill or risk becoming ill. But to maintain the public’s trust in healthcare, data must be handled with care and in line with the legislator’s intentions.

In 2020, you were named “AI Swede of the Year,” partly for your ability “to make the complex understandable.” Do we have a tendency to oversimplify when it comes to health issues?

- Absolutely. Many people look for simple answers to incredibly complex questions and quick fixes for difficult problems. Often, interventions are made with the best of intentions but without awareness of indirect negative consequences. This is a classic problem in governance based on indicators. It also leads to solving problems locally, even if that creates new problems elsewhere in the system or at a later point in time. With better access to facts and a culture where people can talk about things as they really are, we improve the conditions for tackling problems in the right way.

You have worked with American collaborators. What are the biggest differences in working with information-driven healthcare and AI in Sweden compared to the U.S.?

- The Swedish and American healthcare systems are very different. The possibilities for healthcare providers to use data are greater in the American system, but it is afflicted by it being tied to reimbursements. In the U.S., healthcare is an industry like any other, operating in a market. That drives certain types of AI solutions. At the same time, the U.S. has an absolutely outstanding research environment at several top universities and islands of clinical excellence. We can learn from and collaborate with them. But the applications must be consistent with Swedish priorities and how we run our healthcare. I do envy the way some leading academic healthcare organizations in the U.S. have been able to integrate research and clinical care in ways that are not feasible in Sweden.

- On the other hand, there are also enabling advantages in Sweden—not least the public’s trust and the equal access to healthcare. What we have in common is that decisions always improve with a stronger factual basis. Fundamentally, we face the same challenges with the rising healthcare needs of society and a limited supply of skilled workers, even though the demographic profile in the U.S. is more favorable than Sweden’s.

How can Sweden get better at information-driven healthcare and creating value from data? What are the most important measures?

- The first short answer is probably increased collaboration—both across organizational and knowledge boundaries. Right now, many people are sitting in their own corners trying to solve the same problems and interpret the same laws. We need more consensus. This could involve agreeing on standards, legal interpretations, and what is ‘good enough.’ At the same time, the government has some homework to do because the state agencies that healthcare providers must relate to are far too siloed from one another. Healthcare providers would benefit from more legal guidance.

- The second short answer is not to be tempted to treat this as an IT issue. Delivering patient-centric, holistic, forward-looking, and fact-based care is a matter of operations, where clinicians, managers, IT specialists, lawyers, (health) economists, and others must be involved in an integrated way.

How do you stay up to date in such fast-changing fields as AI and medicine?

- I continuously follow about 20 core scientific journals in medicine, AI, patient safety, healthcare quality, and health economics, and read them regularly. That amounts to many articles to review. At the same time, I’m fortunate to have like-minded and sharp colleagues both in and outside the country who help with monitoring. It’s very stimulating. When it comes to ethics and law, I think the WHO, the EU, and the OECD regularly produce excellent summaries and guidelines. Of course, I also read some popular media, but it often lags too far behind. Transformer models were introduced in 2017 but only gained widespread media attention in 2024. By then, all the important developments had already happened.

What do you see as the most interesting AI trends in healthcare over the next 3–5 years?

- What I’m most curious about is how we can make use of the enormous amount of unstructured data in healthcare, i.e., free text. It contains much more information than the structured data, and the possibilities to extract value from it have increased dramatically thanks to transformer models (e.g., language models). However, there are a number of uncertainties that we need to clarify before we see major effects in which healthcare professionals can be relieved on a large scale.

- What I’m hoping for is that we will be able to apply clinical decision support in day-to-day care to increase diagnostic precision, select tailored treatment more quickly for each individual, and take action based on risk rather than what has already happened. However, this will require clarity on issues of responsibility and what demands we should place on decision support tools. Is it enough if they are as good as an average doctor? What standards should we apply regarding transparency and mitigating bias? Upcoming legislation addresses this, but it needs to be translated into practice and discussed in society. We need to develop a more common view of the balance between risk and benefit when it comes to AI, similar to what we already have for pharmaceuticals.

If you could give one piece of advice to young physicians and researchers who want to work with AI, what would it be?

- I think the question is a bit misdirected. Sooner or later, a physician or researcher who does not have a decent grasp of AI will become less relevant or even obsolete. We’re currently working on how AI knowledge should be included in all Swedish medical education. It’s just a bit unfortunate that it took until 2024. You don’t need to understand every detail, but you must have a good sense of the risks and limitations, just like any other tool we use to help patients.

Note! The content on this blog reflects my personal opinions and does not represent my employer. As the publisher, I am not responsible for the comments section. Each commenter is responsible for their own posts.

Markus Lingman är en läkare och forskare som under sin karriär rört sig mellan klinisk verklighet, ledarskap, akademisk forskning och AI. Som specialist i kardiologi och internmedicin har han sett vårdens utmaningar på nära håll, men också möjligheterna och värdet av den stora mängden data som vården genererar. I den här intervjun berättar han om sin resa från studietiden till chefsuppdrag inom Region Halland och hur intresset för AI och informationsdriven vård växte fram. Vi får ta del av konkreta exempel på hur dataanalys och maskininlärning kan förbättra vårdkedjorna och öka tryggheten för patienterna – utan att tumma på integritet och etiska principer. Samtidigt lyfts vikten av samarbete och gemensamma standarder som en avgörande faktor för att Sverige ska lyckas realisera potentialen i informationsdriven vård.

Kan du berätta om din bakgrund? Vad ledde in dig på informationsdriven vård och AI?

- Stor del av min yrkesbana har varit klinisk som specialist i kardiologi och internmedicin, men för knappt 15 år sedan fick jag mitt första chefsuppdrag. Jag blev chef för läkarna på en ganska stor sjukhusklinik, men kort därefter följde ett uppdrag som verksamhetschef och snart också som områdeschef (det som på vissa håll kallas divisionschef). Sedan några år arbetar jag i huvudsak i sjukvårdsledning med strategiska frågor. Parallellt med kliniken och chefsbanan har jag bedrivit forskning. Jag disputerade vid Sahlgrenska akademin 2013 där jag fortfarande är affilierad, men har samtidigt en adjungerad professur vid Högskolan i Halmstad.

- Tanken om en mer informationsdriven vård växte fram som ett resultat av mina tre ”ben” – klinik, ledning och forskning. Under början av 2000-talet digitaliserades vården. Som en bieffekt började stora mängder data genereras och sparas. Märkligt nog användes inte denna guldgruva till insikter i så stor utsträckning. Flertalet siffror som användes för beslut fick plats i ett Excel-ark och det var fortfarande de fyra räknesätten från grundskolan som dominerade. Jag bar på en frustration att vården, ett stort komplext adaptivt system, inte hade bättre förutsättningar att fatta rätt beslut om verksamhetsutveckling. Begreppet ”uppföljning” var vanligt förekommande, men uppföljning handlar om att titta bakåt. Vid utveckling behöver man titta framåt och kunna beakta mängder av faktorer samtidigt så att det inte dyker upp indirekta negativa bieffekter av de beslut man tar.

- Jag såg ett stort behov av att se bortom organisationsgränserna och fokusera på hur det går för patienterna i relation till allt det vi tillsammans i vårdens olika delar gör för dem. Vården är väldigt bra på att optimera silos och stuprör även om det sker till priset av försämring någon annan stans i systemet. I huvudsak för att man inte har faktabaserad överblick över helheten. Informationsdriven vård handlar helt enkelt om att arbeta mer faktabaserat, holistiskt och framåtblickande (prediktivt) genom att nyttiggöra all den data som vi i vården genererar i stora mängder varje dag. Bland annat så utvecklade vi en resursbeskrivningsmodell, Patient Encounter Costing (PEC), för att kunna beskriva resursåtgång vid handläggning av patienter längs kompletta vårdkedjor. Motsvarande använder vi nu även för att räkna på klimatpåverkan. Begreppet ”informationsdriven” hittade jag bara på för att kunna konceptualisera och förklara. Idén kom från The Institute for Information driven medicine på Harvard.

- I arbetet med att nyttiggöra data i vården dök det snabbt upp ett nytt problem – den var lika komplex och omfattande som vården den skall beskriva. Traditionell statistik och ”business intelligence” räckte inte längre till. Det var för många faktorer att beakta och samband var inte linjära. Samtidigt hade vi turen att maskininlärning blev tillgänglig för en lite bredare publik, men tämligen okänt inom vården. Vi började samarbeta med forskare inom ämnet på Harvard Medical School och sedermera Högskolan i Halmstad och tillsammans förädlade vi data till information som ledde till nya insikter som vi kunde börja agera på och monitorera effekterna av på ett patientcentriskt sätt – essensen i informationsdriven vård. Med tiden blev även neurala nätverk tillämpbara och nu utforskar vi möjligheterna att använda språkmodeller.

- Tack vare de förmågor vi byggde har vår organisation idag helt andra förutsättningar att utveckla vården och optimera vårdkedjor faktabaserat än vad vi hade för 10-15 år sedan.

Du började en civilingenjörsutbildning men bytte till medicin. Vad har du tagit med dig från ingenjörsutbildningen?

- Innan jag läste medicin studerade jag matematik, fysik och programmering, men även national-, företags- och koncernekonomi samt språk inom ramen för utbildningen Industriell Ekonomi – Internationell. Jag fick förmånen att arbeta på svenska koncerners europakontor under kortare perioder. Att begripa lite mer avancerad matematik har förstås varit stor hjälp vid AI-tillämpning och forskning. Att kunna ekonomi och ekonometri har varit viktigt eftersom resurshantering är så central i vården. Inte minst ur ett etiskt perspektiv i prioriteringsarbetet där de resurser som står till buds måste användas på det sätt som skapar störst nytta. Här har vården mycket kvar att göra. Det är viktigt att komma ihåg att pengar bara är ett av många resursslag i vården och inte det mest begränsande.

Kan du dela med dig av något exempel där ert arbete med informationsdriven vård har förbättrat för patienterna i Region Halland?

- Halland har idag färre vårdplatser än andra. Minskningen i vårdplatser är i allt väsentligt en effekt av otillräcklig kompetenstillgång. Minskningen hade varit mycket mer problematiskt om vi inte samtidigt hade kunnat arbeta med hela vårdkedjorna så att behovet av inläggning på sjukhus minskade. Bland annat så använde vi AI för att, på riktigt, förstå vad som gör att en person hamnar på akutmottagning. Det är väldigt många faktorer som visar sig samverka och där vissa kan påverkas. Med faktabaserad överblick och prediktionsmodeller har vi kunnat fokusera på rätt åtgärder. Effekten är att vi inte har fler återinläggningar eller högre beläggningsnivåer än tidigare samtidigt som att det går ännu bättre för patienterna. Vi har också kunnat bygga bättre vårdkedjor för enskilda patientgrupper. Personer med hjärtsvikt i Halland behöver betydligt mindre slutenvård än vad som tidigare var fallet. Att arbeta systematiskt grundat i data under lång tid har bidragit till att Halland ofta faller väl ut i nationella kvalitetsjämförelser.

Hur ser du på balansen mellan informationsdriven vård och att skydda patienternas integritet? Hur har vi hanterat den balansen i Sverige?

- Vi har hanterat känslig information i vården i alla tider och man kan imponeras av hur sällan den används på otillbörliga sätt. Hälso- och sjukvårdslagen säger att vi skall bedriva god vård och det innebär att den skall vara säker, effektiv, kunskapsbaserad, tillgänglig, individanpassad och jämlik. Inget av detta skulle kunna garanteras utan faktabaserad utveckling, uppföljning och framtidsanalys. Därför ger lagstiftaren vårdgivaren stora möjligheter till just detta. Utmaningen är snarast att den skyddande lagstiftningen kopplas till organisationsstruktur snarare än till patient (som får vård i många delar av den fragmenterade organisationen). Kraven på följsamhet till integritetsskyddande lagstiftning är dock hög och medför ett antal kontrollmekanismer och begränsningar. Ett aktuellt problem är att mycket lagstiftning har kommit till i en annan tid och därmed inte vägleder i de frågor som nu är aktuella. Det är tydligt att lagstiftaren, både nationellt och på EU-nivå, vill se mer nyttiggörande av data för att uppnå målen med vården och stödja forskning. Utvecklingen av lagstiftningen och dess tolkning är intensiv, men tar tid.

- Min uppfattning är att Sverige har varit ganska försiktigt just för att skydda integriteten. Jag är dock lika övertygad om att man kan skydda integritet och nyttiggöra data samtidigt. Men man måste veta vad man gör och var gränserna går. Vinsterna för individen och samhället är väldigt stora. Att hitta nya sätt att bedriva vård på är helt avgörande i ljuset av den demografi vi har att se fram emot. Ökad precision och prediktion kommer att vara viktiga faktorer och dessa kräver data. Jag är också övertygad om att många vill få del av de förmågor som skapas i den stund man själv har blivit eller riskerar att bli sjuk. Men för att bibehålla den tillit som invånarna har till vården idag skall data hanteras med omsorg och i linje med lagstiftarens intentioner.

År 2020 utsågs du till årets AI-svensk, bland annat för din förmåga "att göra det komplexa förståeligt". Tenderar vi i hälsofrågor att förenkla verklighetsbeskrivningar alltför mycket?

- Absolut. Många söker enkla svar på otroligt komplexa frågor och snabba lösningar på svåra problem. Ofta vidtar man åtgärder i bästa välmening utan att ha koll på de indirekta negativa konsekvenserna. Detta är ett klassiskt problem när det gäller styrning som baseras på indikatorer. Det leder också till att man löser problem lokalt även om det sker till priset av nya problem någon annan stans i systemet eller vid senare tidpunkt. Med ökad faktatillgång och en kultur där man kan prata om saker såsom det faktiskt är förbättras förutsättningar att attackera problemen på rätt sätt.

Du har jobbat med amerikanska samarbetspartners. Vilka är de största skillnaderna att arbeta med informationsdriven vård och AI i Sverige jämfört med USA?

- Det svenska och amerikanska sjukvårdssystemen är väsensskilda. Möjligheterna att använda data hos vårdgivaren är större i det amerikanska systemet, men samtidigt präglas den till del av att den är kopplad till ersättningar. I USA är vård en industri likt andra industrier som skall agera på en marknad. Det driver fram vissa typer av AI-lösningar. Samtidigt har USA en helt enastående forskningsmiljö på ett antal toppuniversitet och öar av klinisk excellens. Dessa kan vi lära av och samarbeta med. Men sedan måste tillämpningarna ligga i linje med svenska prioriteringar och sätt att bedriva vård på. Jag kan avundas hur en del framstående akademiska vårdorganisationer i USA har kunnat integrera forskning och vårdutförande på sätt som inte är genomförbara i Sverige.

- Samtidigt finns det möjliggörande fördelar i Sverige. Inte minst invånarnas tillit och jämlika tillgång till vården. Det vi har gemensamt är att beslut alltid blir bättre med en bättre faktabas. I grunden har vi också samma utmaningar med ökade vårdbehov i samhället och begränsad tillgång till kompetens även om USA demografiska profil är mer gynnsam än Sveriges.

Hur kan Sverige bli bättre på informationsdriven vård och att skapa värde av data? Vad är de viktigaste åtgärderna?

- Det första korta svaret är nog ökat samarbete. Både över organisations- och kunskapsgränser. Idag sitter många i egna hörn och försöker lösa samma problem och tolka samma lagar. Vi måste komma överens i större utsträckning. Det kan handla om standarder, lagtolkningar, vad som är ”good enough”. Samtidigt har staten en läxa att göra då de statliga myndigheter som vårdutföraren har att förhålla sig till arbetar alltför isolerat från varandra. Vårdgivarna skulle vara betjänta av ökad vägledning.

- Det andra korta svaret är att inte lockas att se detta som en IT-fråga. Att bedriva patientcentrisk, holistisk, framåtsyftande och faktabaserad vård är en verksamhetsfråga där kliniker, chefer, IT-specialister, jurister, (hälso)ekonomer med flera måste vara involverade på ett integrerat sätt.

Hur håller du dig själv uppdaterad inom så snabbt föränderliga områden som AI och medicin?

- Jag har valt ut ett 20-tal tyngre vetenskapliga tidskrifter inom medicin, AI, patientsäkerhet, vårdkvalitet och hälsoekonomi som jag bevakar och läser löpande. Det blir många artiklar att gå igenom. Samtidigt har jag lyxen att ha likasinnade och skarpa kollegor runtom i och utanför landet som hjälps åt att bevaka. Det är väldigt stimulerande. När det gäller etik och juridik tycker jag att WHO, EU och OECD med underorgan regelbundet kommer med fina sammanställningar och vägledningar. Sedan läser jag förstås en del populärmedia också, men den ligger ofta för långt efter. Transformermodeller kom 2017, men fick uppmärksamhet i media först 2024. Då hade allt viktigt redan hänt.

Vad ser du som de mest intressanta AI-trenderna inom vården under de kommande 3-5 åren?

- Det jag är mest nyfiken på är hur vi kan nyttiggöra den enorma mängd ostrukturerade data som finns i vården, dvs fritext. Den innehåller mycket mer information än den strukturerade och möjligheterna att skapa värden ur den har ökat dramatiskt tack vara transformermodellerna (tex språkmodellerna). Det finns dock ett antal oklarheter som vi behöver reda i innan vi ser de stora effekterna där vårdpersonal kan avlastas i stor skala.

- Det jag hoppas på är att vi skall kunna tillämpa kliniska beslutsstöd i vårdvardagen för att öka precision i diagnostik, välja skräddarsydd behandling fortare för den enskilde individen och agera på risk istället för det som redan inträffat. För detta krävs dock förtydliganden avseende ansvarsutkrävande och vilka krav vi skall ställa på beslutsstöden. Räcker det att de är lika bra som en genomsnittlig läkare? Vilka krav skall vi ha på transparens och mitigering av bias? Den kommande lagstiftningen uttalar sig om detta, men den behöver omsättas i praktik och diskuteras i samhället. Vi behöver få till en mer gemensam syn på balansen mellan risk och nytta när det gäller AI precis som vi redan har när det gäller tex läkemedel.

Om du kunde ge ett råd till unga läkare och forskare som vill arbeta med AI, vad skulle det vara?

- Jag tror att frågan är lite felställd. En läkare eller forskare som inte har hygglig koll på AI kommer förr eller senare bli irrelevant eller åtminstone obsolet. Det arbetas just nu med hur AI-kunskap skall bli en del av all svensk läkarutbildning. Det är bara lite synd att det skulle dröja till 2024. Man behöver inte förstå detaljerna, men man måste ha hygglig kännedom om risker och begränsningar precis som när det gäller andra verktyg vi använder för att hjälpa patienter.

Obs! Innehållet på denna blogg är mina personliga åsikter och representerar inte min arbetsgivare. Jag som utgivare ansvarar inte för kommentarsfältet. Den som kommenterar ansvarar själv för det som skrivs.

Att arbeta inom AI, analys och data är riktigt spännande. Inte minst på Region Skåne, som går i frontlinjen genom regional AI-strategi och stora satsningar inom området. Hälso- och sjukvård är ett av de användningsområden som har störst potential att dra nytta av AI och modern teknik.

Konkurrensen om dessa roller är ofta hög. Efter att ha genomfört mängder av intervjuer senaste åren och plöjt igenom ett oräkneligt antal CV:n har jag här samlat mina bästa tips för hur du lyckas med din ansökan och intervju!

Tips för ditt CV / ansökan

Din ansökan och ditt CV är din inträdesbiljett för att komma på intervju. Det är också första intrycket arbetsgivaren får av dig.

• Skräddarsy din ansökan. Läs noga igenom annonsen och se till att du har klart för dig vad som är absoluta krav och vad som bara är meriterande. Fundera också över vilka andra styrkor och erfarenheter du kan ha som är användbara för jobbet.

• Var personlig. Var tydlig med varför du söker just denna roll och vad du tycker är viktigt för att trivas. Skriv gärna också om hur du är som person och vilka intressen och hobbies du har.

• Var ärlig. Se till att det som står i sin ansökan och ditt CV också stämmer med exempelvis vad som står på din LinkedIn-profil. Det är inget konstigt med att lyfta andra saker i ansökan än på LinkedIn, men det måste vara korrekt. Var också genuin med hur du beskriver dig själv.

• Visa gärna arbetsprover. Har du några artiklar, presentationer, projekt eller annat du kan visa upp? Länka gärna till dem i din ansökan.

• Var tydlig och strukturerad. Håll nere längden på ditt CV och ansökan, inga romaner alltså. Se bara till att det är tydligt varför du är en bra kandidat för rollen.

• Låt gärna en vän kika på din ansökan och ge dig feedback!

Tips inför intervju

Intervjun är din chans att visa vem du är och varför du är rätt person för jobbet. Det är inte bara en möjlighet att bevisa din kompetens utan också att visa på sådant som inte framkommer av CV:t.

• Förstå rollen. Läs annonsen noggrant inför intervjun och fundera över om du själv har några frågor. Förbered dig på frågor du tror kan komma upp.

• Var dig själv. Det är helt okej att vara nervös inför intervjun och det är fullt mänskligt. Var trygg i dina styrkor och var öppen med vad du vill utveckla. Var också öppen med vad som är viktigt för just dig. Autenticitet vinner alltid.

• Svara sakligt på frågorna. Det är helt okej att tänka efter en stund för att ge ett bra svar. Resonera gärna, ofta är det öppna frågor utan ett självklart svar. Ge gärna exempel som visar att du har verklig erfarenhet av ämnet. Kommer du inte på något svar så var bara ärlig om det. Chansa inte genom att “snacka på” och hoppas att något av det du säger var det önskade svaret.

• Ge lagom långa svar. Detta är svårt, och när vi blir nervösa tenderar vi ibland att prata antingen för mycket eller för lite beroende på vår personlighet. Om du är osäker, kolla gärna med intervjuarna om ni håller tidsplanen för intervjun.

• Ett sätt att förbereda svar är STAR-metoden (Situation, Task (Uppgift), Action (Vad du gjorde), Resultat). Fundera över ett par relevanta exempel på situationer där du haft en uppgift, vad du gjorde och vad resultatet blev. Det behöver inte bara vara arbetssituationer.

Slutsats

Att söka jobb är en process som kräver tid och energi. Genom att skräddarsy din ansökan, förbereda dig noggrant inför intervjuer och visa äkta engagemang kan du öka dina chanser att landa drömjobbet. Och kom ihåg – varje erfarenhet, oavsett om det leder till en anställning eller inte, är ett steg närmare ditt mål.

Lycka till!

Obs! Innehållet på denna blogg är mina personliga åsikter och representerar inte min arbetsgivare. Jag som utgivare ansvarar inte för kommentarsfältet. Den som kommenterar ansvarar själv för det som skrivs.

Starta AI-quizet nu!

Att förstå vad artificiell intelligens (AI) är blir allt viktigare i en värld där teknologin utvecklas i rasande takt. Genom att delta i detta quiz kan du:

• Få bättre koll på AI: Lär dig mer om vad AI faktiskt innebär och hur det skiljer sig från annan teknologi. Efter varje svar får du en kort förklaring om varför det är (eller inte är) AI.

• Utmana dina fördomar: Det är lätt att tro att AI är något mystiskt och magiskt – men hur mycket av det vi ser i vardagen är faktiskt AI? Vissa exempel kan vara lurigare än du tror!

• Ha kul: Oavsett om du är tekniskt insatt eller bara nyfiken, är quizet ett roligt sätt att utforska AI tillsammans med andra.

Det är superenkelt att komma igång! Klicka på knappen nedan för att starta quizet och dela det sedan med dina vänner. Se vem som får flest rätt – och vem som behöver lära sig mer!

Starta AI-quizet nu!

Hoppas att quizet skall vara till nöje! Om du har feedback eller egna frågor som du tycker borde läggas till, tveka inte att höra av dig.

Läs mer om vad AI är

Obs! Innehållet på denna blogg är mina personliga åsikter och representerar inte min arbetsgivare. Jag som utgivare ansvarar inte för kommentarsfältet. Den som kommenterar ansvarar själv för det som skrivs.

Att förstå skillnaden mellan data och information kan vara lite av en utmaning. Än värre, om du söker upp ordet data i en etablerad ordbok, som exempelvis Cambridge Dictionary, så är det risk att du blir fortsatt förvirrad:

Det finns ingen vedertagen och universellt accepterad definition av begreppen data och information, utan olika experter kommer att ge olika svar. Skillnaden är dock viktig, bland annat för att inte bli lurad att tro att du har information när du i själva verket bara har data.

Förenklat kan skillnaden beskrivas så här:

• Data är en sorts råvara som representerar information. Data kan lagras och behandlas. Exempelvis en databas kan lagra och behandla data, men data kan också lagras som en fil.

• Information är själva innebörden eller betydelsen av data. Ett blodtrycksvärde på 125/75 är information, medan själva siffrorna 125 och 75 är data som inte skulle betyda något utan sammanhang. Information i sig kan inte lagras, men data som representerar informationen går att lagra.

En faktauppgift som att “rösträttsåldern i Sverige är 18 år” är information. Om du skulle skriva faktauppgiften i ett dokument och spara som en fil så har du omvandlat informationen till data.

Ett exempel på skillnaden

Låt oss kika på ett exempel. Kan du se skillnad på dessa bilder?

Hur du än jämför så kommer du inte kunna se någon skillnad. Bilderna visar exakt samma sak. De har exakt samma utseende och därmed samma information.

Om du däremot skulle jämföra bildfilerna, scientist.tif och scientist.png, så är de olika både till innehåll och storlek. Skillnaden beror på att bilden är sparad i två olika filformat. Ett filformat är ett slags regelverk för hur information (exempelvis en bild) representeras som data. Nedan kan du se exempel på innehållet i filerna:

För en bild så är själva utseendet information medan bildfilen som representerar den är data.

Sammanfattningsvis så är det alltså så här i detta exempel:

• Informationen i bilderna (utseendet) är exakt samma.

• Data (den digitala representationen) är olika för bilderna eftersom de har olika filformat.

Detta samband mellan information och data gäller inte bara bilder, utan det är på precis samma sätt vad det än gäller för information såsom dokument, video, blodtrycksvärden, osv. Även de kan representeras i olika format.

Ett sifferexempel

Om vi vänder på det då, skulle samma data kunna utgöra olika information?

Gör tankeexperimentet att du har en serie siffror (vår data):

31, 29, 31, 30, 31, 30, 31, 31, 30, 31, 30, 31

Har du någon aning om vad dessa siffror kan betyda?

• Åldrar på personer

• Elevers poängresultat på ett prov

• Temperaturmätningar

• Etc

Utifrån enbart siffror (vår data) så går det inte att veta helt säkert vad de beskriver (informationen). Utan sammanhang är data inte tolkningsbart.

Just i det här fallet finns faktiskt ändå en kvalificerad gissning. Du kanske redan har kommit på det, men om du tänker månader och dagar under ett skottår så kommer du landa i precis denna sifferserie. Det är dessutom en högst kvalificerad gissning eftersom det vore ett riktigt sammanträffande att lyckas få denna sifferserie på annat sätt än genom att räkna antalet dagar per månad.

Det är ändå en tolkningsfråga vad siffrorna betyder. Utan sammanhang går det inte att veta helt säkert vilken tolkning som är rätt. Data i sig har alltså ingen betydelse, utan det är först när den sätts i ett sammanhang som den kan omvandlas till information.

Interoperabilitet och standarder

Att samma information finns i olika system innebär inte nödvändigtvis att de kan dela informationen mellan varandra. Eftersom data kan tolkas på så många olika sätt så behövs standardiserade regelverk och tolkningar för att uppnå interoperabilitet.

Det finns mängder av sådana här standarder. Ett exempel är de bildfilformat som finns. De beskriver helt enkelt hur en bild på ett standardiserat sätt omvandlas till data. Tack vare dessa standardiserade bildfilformat, och standarden HTML, får vi interoperabilitet mellan olika webbläsare så att det ser likadant ut oavsett vilken webbläsare du väljer.

Det finns också standarder av andra slag som beskriver hur information representeras som data. FHIR och openEHR är internationella och öppna standarder för datautbyte inom hälso- och sjukvård som specificerar just hur hälsoinformation skall beskrivas som data. Detta är återigen ett exempel på interoperabilitet, att möjliggöra för olika journalsystem, laboratorieutrustning och andra applikationer att dela information med varandra.

Det finns fler faktorer för att uppnå interoperabilitet, men ett grundläggande krav är att informationen representeras som data på ett standardiserat sätt.

Varför är skillnaden viktig?

Tänk dig att du skulle komma åt en databas. Det du kommer hitta i databasen är data men det kommer att vara mycket svårt att förstå betydelsen av den om du inte har någon beskrivning av sammanhanget och hur databasen är strukturerad. Du har alltså data men inte information.

Detsamma gäller API:er. Om du inte har någon beskrivning eller sammanhanget framgår så kommer data från API:erna lätt att misstolkas.

Se alltså till att du vet hur du skall tolka din data så att den blir information. Om du inte skiljer mellan data och information så kan du göra misstaget att tro att du har information när du egentligen bara har data.

Slutsats

Sammanfattningsvis så är förståelse för skillnaden mellan data och information grundläggande för att kunna få fram bra beslutsunderlag. Data är det råmaterial vi samlar in, medan information är den tolkade och bearbetade versionen som ger oss insikter och sammanhang. Genom att förstå denna skillnad kan vi bli bättre på att skapa värde av vår data och fatta bättre informerade beslut.

Obs! Innehållet på denna blogg är mina personliga åsikter och representerar inte min arbetsgivare. Jag som utgivare ansvarar inte för kommentarsfältet. Den som kommenterar ansvarar själv för det som skrivs.

In this interview, we meet Stefan Jovinge, Research Director at Skåne University Hospital, who has made an impressive journey from the Karolinska Institute to leading institutions in the USA, including Stanford and Harvard. With a unique combination of clinical expertise and advanced skills in artificial intelligence (AI), he shares his insights on how his experiences in the USA have shaped his work in Sweden. He also highlights the challenges and opportunities Sweden faces within the life science industry and provides his perspective on how we can balance innovation with patient safety and privacy.

Can you tell us about your background in Sweden and the USA?

- I was born in Stockholm and moved to Helsingborg during my upbringing. I attended medical school at the Karolinska Institute, completed my doctoral studies, and specialized as a cardiac intensive care physician there as well. I spent two years as a postdoc at UCLA (University of California, Los Angeles). After my time in Los Angeles, I was recruited to Skåne. I co-founded the Stem Cell Center in Lund and became a professor at Lund University. Simultaneously, I was the head of the cardiac intensive care unit at Skåne University Hospital (SUS) in Lund. After working as the Medical Director at the Cardiac Intensive Care Unit in Lund for five years, I was recruited to Michigan State University and Spectrum Health, where I worked as a senior physician and cardiologist in the thoracic intensive care unit and served as Research Director for nearly 10 years. During this time, I also became a professor at the Van Andel Institute in Michigan, as well as at Stanford University and the University of Texas. During my time in the USA, I earned a degree in epidemiology from Harvard University, specializing in secondary analyses. Subsequently, I completed a three-month program in Artificial Intelligence at the Massachusetts Institute of Technology. With these qualifications, I worked on data lakes related to intensive care.

What are the biggest differences in working with health data in Sweden compared to the USA?

- In the USA, there is a strict yet consistent approach to data lakes. Individual data requires permission to be used. What has allowed AI to advance so far is the process of handling data differently when it is pseudonymized. This enables the creation of datasets where identifiable data is removed, and through keys, an so-called honest broker, who is not part of the projects using the data, ensures that the dataset can continuously be analyzed and updated. Creating these pseudonymized datasets requires permission granted after review and if the data meets the legal requirements for pseudonymization with sufficient security. This is referred to as non-human subject data. These datasets do not require ethical approvals or consent from the patients from whom the data originates. For example, a patient having a blood pressure of 125/75 mmHg requires the patient's permission to be used, but not 125/75 without a connection to the individual. This allows the use of complete datasets, which is currently not possible in Sweden.

How do your experiences from the USA influence your work in Sweden?

- I learned everything I know about large health datasets and advanced analyses of these in the USA. The Americans have solved the legal question, and this inspires us in Europe, where we now have the opportunity to locally adapt the EHDS and AI Act to create the same conditions that North America has, within the EU and Sweden.

You have extensive experience with AI and data lakes from your time in the USA. How do you view the development of these technologies within Swedish healthcare?

- Sweden has begun to understand the seriousness, and the EU is driving Sweden forward. Risks are starting to be identified. The development has finally led to the understanding that all data management involves risks, but we cannot stop all handling of large datasets because there is a risk—everything entails risks. For example, we do not shut down all traffic because 350 people die annually.

How can we balance the need for large datasets for AI development with the protection of patient privacy?

- Here we can learn from North America: they talk about alternative risk. When running, for example, a pilot project for the use of AI, one can calculate the benefits it brings if used on a large scale. For instance, how many breast cancer patients' lives are saved by the AI algorithm. By weighing this alternative risk against the privacy risk, a balance can be found. Our biggest privacy risks lie with our current electronic medical record systems. These data are often unencrypted and without pseudonymization. We happily use these systems today.

You are a member of an advisory group for life science to the Swedish government. What issues do you consider most urgent to strengthen Sweden's position in this field?

- We discuss many issues, but the use of health data is something I have driven. Our quality registers have given us an international reputation, and we still want to be an important player here. If our research and industry are to remain at the forefront, we must be able to make complete datasets available in pseudonymized form for analyses—otherwise, we will lose our position here. Life science is our third-largest export product, and it is extremely important from a national strategic perspective.

How can legislation be adapted to support innovation while protecting patient safety and privacy?

- We need to make complete pseudonymized datasets available that do not require patient consent. AI methodologies have enabled the discovery of more complex relationships than traditional statistics, but this also means that AI can more easily be misled by biased data. So, if you ask whether you can use patients' data, those who approve it will constitute biased data that can mislead AI.

How do you view Sweden's role in the global life science industry, and what steps are needed to promote innovation within the sector?

- Our actors (universities, companies, and academic hospitals) must be able to act as freely as possible, and it is crucial that they become attractive to international partners. It is through international collaborations that we can make a difference and be part of the international front line. Attempts to create "purely Swedish" solutions have been a Swedish theme that risks isolating us and causing us to fall behind.

If you could change one thing within the medical research field in Sweden, what would it be and why?

- Sweden must invest significantly more and not pour money into groups that can distribute it freely. All investments need to be reviewed by international expert panels to ensure that the funds have a chance to become beneficial.

Is there a particular project or research area you are especially enthusiastic about right now?

- Yes, three things.

1. I believe that the AI initiative with the help of AI Sweden enables very good collaborations and projects.

2. Projects around “AI on AI,” where AI is used to explain predictions to the user about what drives the prediction, are something we are interested in and I am fascinated by. You don't need to understand the details of AI to benefit from it, but you must understand the results.

3. The work on common standards for AI is beginning to take shape, and I believe it will be crucial for AI to be used as safely as possible. We hope for no setbacks due to misuse.

Note! The content on this blog reflects my personal opinions and does not represent my employer. As the publisher, I am not responsible for the comments section. Each commenter is responsible for their own posts.

In a time when artificial intelligence (AI) is rapidly transforming both businesses and societies, few have as long and broad experience in the field as Göran Lindsjö. With a career that began in the 1980s, when AI usage in Sweden was still in its infancy, Göran Lindsjö has helped shape its development both nationally and internationally. From working on the commercialization of AI tools in Sweden to nowadays advising some of the world’s most influential organizations and decision-makers, Göran Lindsjö has witnessed how AI has changed everything from welfare to business models. In this interview, he shares his experiences and insights about AI’s role in our future.

You have a very long and solid background within AI. Can you tell us how it all started?

When I was a teenager, I read a bit about AI in the school library in Mjölby, but also the so-called bicycle issue of Scientific American in 1973. There was an article describing how humans were inefficient compared to several other animals in terms of energy use for movement. But humans had the ability to create tools, such as a bicycle, to become the most energy-efficient creature. It was fascinating to later see Steve Jobs describe how he was influenced by the same article. Combined with my interest in the logical aspects of AI, this led me to want to contribute, in some small way, to the reasoning aspects of creating new tools. At 17, I described a mathematical game that was published in Scientific American the following year and was actually put to some use.

A few years later, in the mid-80s, Swedish AI research was concentrated in Linköping. Several of the researchers started the company Epitec to commercialize their results. I applied to work there because I was intrigued by the way logic was handled, and above all, fascinated by the applications we worked on. We had an incredibly fun time for several years, and it shaped my view early on about how fundamental AI could improve business and welfare.

Can you tell us about your international AI experiences?

I started working internationally early on. Initially, it was with the export of our Swedish AI tools, and later with American AI solutions in the European market. In countless meetings in North America and Europe, I was infected by the American enthusiasm for AI’s possibilities. The Nordic countries were often ahead in applications compared to the rest of Europe. Much later, in the spring of 2016, we moved to Washington DC for various reasons. By then, the AI revolution had begun in North America, and it was incredibly exciting to be operational on the ground as AI changed the conditions in several industries. I had the privilege of working with the major AI companies, leading analysts, political advisors, and both the private and public sectors.

I know you've been to the White House in the US to discuss AI. Can you tell us about that?

Three of us from AI Sweden had the privilege of meeting with the Biden administration’s central AI office at the White House, as well as the president’s national security advisor, among others. We also had interesting discussions with, for example, the US Department of State. Everyone was very open to us, and perhaps the main takeaway was how necessary it is for the US, together with its allies, to lead the development of AI.

You’ve worked in the Swedish Government Offices. What lessons did you take away from there?

I worked, among other things, on the digitalization of major agencies. The Government Offices are a well-oiled machine for cooperation with the EU and for implementing political decisions. It is more operational than strategic or advisory to the government. In recent years, I’ve had the opportunity to work more closely with some Western counterparts to the Government Offices and often feel they have a higher strategic level.

Which regions and countries have advanced the most in AI? How do Sweden and Europe compare?

According to various rankings, which state that the US leads followed by China, I believe this holds true in all essential areas. The UK, Canada, Singapore, South Korea, and Israel are also far ahead, though it varies across different parameters. Summarized by larger regions, it’s the northern parts of the Americas and Southeast Asia that lead. The EU lost more than half of its AI capacity with Brexit and now faces an uphill battle.

You work as an AI advisor and educator to politicians and leaders of large organizations and companies. What do you see as the most important knowledge for politicians and leaders regarding AI?

Politicians primarily need to understand the power of AI as a tool to implement a political agenda. This could be in welfare, energy, security, climate, and much more. When politicians believe AI is something technical, the administrative leadership in agencies, regions, and municipalities often limits AI to efficiency improvements and continuous refinements – focusing inwardly. An exception is, of course, medical research. In the private sector, it’s more varied. Large export companies have generally understood for several years the power of AI in developing business operations. At the same time, there are boards that have yet to grasp AI’s disruptive power in their industry. Similarly, in the public sector, this often results in the operational management limiting AI use to efficiency improvements. As a result, they risk competitors incorporating AI into services or products, or even worse, new players using AI for new business models. For politicians, it’s about AI as a political tool, and for companies, it’s about AI as a business tool.

What would you say are the biggest differences between AI and regular digitalization?

Digitalization deals with well-defined problems in a structured world. You know in advance how the processes look; input, algorithm, and output. This applies to, for example, payroll software in an HR department. When reality isn’t as orderly—which it rarely is—especially when dealing with people, digitalization typically requires humans to adapt to the machine: "Press 4 for a mortgage." With AI, you can work more broadly and on human terms. This means that many AI applications can be based on interaction with, for example, customers or citizens rather than well-defined internal processes. One of the most common mistakes is therefore treating AI as a subset of digitalization, which is unfortunately particularly common in Sweden.

What advice would you give to today’s youth considering the development of AI?

I think of Kevin Kelly, who said a few years ago that the next 10,000 companies will all be X+AI. That is, they will focus on various X’s, such as a product in HR or a service in elderly care, and then combine it with AI to create something unique. He has been mostly correct. Perhaps young people can think similarly: X+AI, where X is my interest or what I want to deepen my knowledge in. It could be economics, law, sports psychology, or anything else. But combine it with AI. Sweden has a significant shortage of such individuals, possibly with the exception of areas where X is technology or natural sciences. Unfortunately, in Sweden, AI has been positioned as something technical in the education system, meaning there are limited programs in non-technical fields offering AI elements.

Note! The content on this blog reflects my personal opinions and does not represent my employer. As the publisher, I am not responsible for the comments section. Each commenter is responsible for their own posts.