Innan vd:n höjer AI-budgeten: tre frågor som avgör om satsningen är redo

För Marie Berner Moberg visar kombinationen att svenska företag har varit snabba att ta till sig tekniken, men att nästa fas ställer andra krav.

– Det handlar inte lika mycket om tekniken längre. Det handlar mer om datamognaden och om att få hela organisationen att börja använda AI. Då blir det en annan typ av fråga än att bara snabbt göra nya investeringar, säger hon.

Den stora risken är enligt henne att företagen börjar skala upp satsningar innan de har säkerställt vad de faktiskt ska åstadkomma.

– Risken är att man skalar upp fel saker. Det blir lite av en AI-stress där man ser att alla andra håller på med AI-projekt och därför gör man det själv, utan att först ha tittat på vilket problem man vill lösa.

Flytta frågan från teknik till affär

För vd:n innebär det ett skifte i perspektiv. Frågan är inte i första hand vilka nya AI-lösningar företaget kan köpa, utan vilket affärsproblem tekniken ska lösa och vilket resultat den ska skapa.

Marie Berner Moberg menar att många företag redan har sett AI fungera väl i avgränsade pilotprojekt. Den svårare frågan är vad som händer när lösningen ska användas av fler och bli en del av den löpande verksamheten.

Inför nästa investering tycker hon därför att vd:n och ledningen bör kunna svara på tre frågor:

1. Vilket affärsproblem ska lösas och vilket värde ska skapas?
2. Går det att lita på den data som lösningen ska bygga på?
3. Finns kompetensen och arbetssätten som krävs för att använda lösningen i vardagen?

Om svaret på någon av frågorna är nej finns det anledning att pröva om företaget verkligen är redo att investera vidare.

Vd:n behöver förstå datan – men inte tekniken i detalj

Dun & Bradstreets siffror pekar ut datamognaden som en svag punkt för svenska företag. Det betyder inte att vd:n behöver bli dataexpert. Däremot behöver ledningen kunna bedöma kvaliteten på det underlag som AI-lösningarna ska arbeta med.

Det handlar bland annat om att veta var informationen kommer ifrån, hur aktuell den är, hur säker organisationen är på att den är korrekt och vem som ansvarar för att den hålls uppdaterad.

– Det är mer data governance-frågor som en ledning och vd behöver ha koll på, snarare än själva datan i sig, säger Marie Berner Moberg.

Hon ser framför allt tre återkommande problem.

• Data ligger utspridd i olika system och definieras på olika sätt.
• Information hålls inte kontinuerligt uppdaterad.
• Det saknas ett tydligt ägarskap för datakvaliteten.

– Så fort man börjar skala ut i större bredd ser man att datakvaliteten ofta är flaskhalsen. Det är kanske inte det roligaste arbetet med AI. Alla vill kunna berätta om de coola projekten, inte att man har strukturerat upp sin data. Men en god förberedelse är grunden till det mesta, säger Marie Berner Moberg.

Kompetens behövs på flera nivåer

Samma sak gäller AI-kompetensen. Marie Berner Moberg varnar för att behandla den som en enda kompetens som hela organisationen ska ha i samma omfattning.

– Man behöver tänka att olika kompetenser behövs på olika nivåer. Medarbetarna behöver vilja och kunna använda AI i vardagen, ledningen behöver förstå möjligheter och risker och kunna tänka strategiskt, och sedan behövs tekniska experter som kan kombinera sin kompetens med verksamhetens domänkunskap.

Men teknikkompetens räcker inte. I AI-projekten behöver den kombineras med kunskap om den verksamhet och de beslut som lösningen ska stödja. För vd:n handlar kompetenskravet därför framför allt om att kunna ställa rätt frågor.

– En vd och lednings viktigaste uppgift kommer också att vara att använda sitt omdöme och ifrågasätta. Det är lätt att bli omkullsnackad av en ivrig AI-entusiast som säger att allt är möjligt. Man behöver behålla sin erfarenhet och komma ihåg att det fortfarande handlar om att fatta beslut på bra grunder, säger Marie Berner Moberg.

Hon pekar också på vikten av att hålla AI-satsningarna nära företagets kärna. Ett tekniskt avancerat projekt är inte automatiskt relevant för verksamheten.

Kräv mer än ett lyckat pilotprojekt

Ett vanligt nästa beslut för ledningen är om ett lyckat AI-test ska få mer resurser och skalas upp. Här räcker det enligt Marie Berner Moberg inte att kunna visa att lösningen fungerar. Effekten behöver vara mätbar och kvantifierad.

– Det räcker inte att säga att vi kommer att bli snabbare eller göra mer. Hur mycket snabbare? Ska satsningen skapa nya intäkter, frigöra tid eller ge någon annan mätbar effekt? Man behöver kunna kvantifiera resultatet innan man skalar upp, säger hon.

Nästa fråga är om samma effekt går att upprepa. Ett resultat i en kontrollerad testmiljö säger inte automatiskt att samma resultat går att nå löpande i verksamheten.

Slutligen behöver organisationen ha kontroll över data, ansvar och processer om något går fel.

– Man måste veta att man kan stoppa och gå tillbaka och se vad som skulle ha hänt och var det blev fel. När man har de tre delarna på plats kan man börja skala.

Det förändrar också frågan inför nästa års AI-budget. I stället för att enbart diskutera hur mycket mer företaget ska investera blir uppgiften att avgöra vad som behöver stärkas för att redan gjorda och kommande investeringar ska ge effekt.

– Den viktigaste frågan är kanske inte hur mycket mer AI vi ska köpa, utan om organisationen har den kompetens och ledning som behövs för att få ut så mycket värde som möjligt av varje investerad AI-krona, säger Marie Berner Moberg.