Trappan: från "Excel hell" till verklig nytta
Att lyckas med AI och datastrategi är ingen quick fix – det är en resa som kräver ledningens ägarskap och långsiktighet. Trappan beskriver resan i fem steg.
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.