Fyra huvudområden att vi tar hänsyn till för att kunna hålla tempot uppe.

Marknadsstrategin är kärnan i bolagets långsiktiga prioriteringar. Där finns redan övergripande mål och konkurrentanalyser. Det behöver alltid vara utgångspunkten för andra aktiviteter, även AI.

På AI-sidan jobbar vi iterativt och se vart den information man redan har leder. Det är ett snabbt sätt att komma till skott. Sen tar iterationer vid i takt med att mer information och erfarenhet samlas. Det kommer konstant att finnas informationsluckor att täcka, och det är bättre att kunna arbeta fokuserat med de viktigaste med dessa i en nästa fas.

Om marknadsstrategin behöver justeras på grund av att AI ändrar förutsättningarna eller konkurrensläget, kan man självklart uppdatera den, eller vänta till nästa iteration av de. Poängen är att hålla isär det som är strategiska marknadsbeslut från det som är aktiviteter för att snabbt lära sig och dra maximal nytta av AI.

Två enkla verktyg att använda i analysen i AI-strategiarbetet: Business Model Canvas och Benefits Depencdency Network. Båda är framtagna för andra syften men till stora delar tillämpbara för att snabbt komma framåt.

Det finns enkla verktyg att använda för att gå igenom värdet av olika möjligheter, som Benetfits Dependency Networks eller en Business model Canvas. Först behöver man dock göra en överflygning över var möjligheterna finns, eller en inventering, om man så vill.

Enkla verktyg gör att arbetet blir lättöverskådligt och hur vi kommer i mål blir begripligt. På några få veckor kan man med en mycket begränsad insats ta sig igenom hyfsat komplex materia och ha en första ansats på hur AI kan tillämpas i ens organisation. Så fort man har den första ansatsen finns budskap att kommunicera till organisationen, och en lärande- och förbättringsresa kan starta. Hur gärna vi än konsultar, är det bättre att den egna organisationen kan börja ta ägarskap av frågorna och börja arbeta med att förbättra dess delar, om det än är omvärldsbevakning, konkurrentanalys eller nya idéer till användning av AI.

Vi gör AI-strategin i fem steg i ett antal workshops och går igenom stegen i mer detalj nedan:

1. Inspiration och en gemensam startpunkt (omfattning och första steg).
2. Områden där AI skulle kunna vara till hjälp
3. Värdering av affärsvärde och risk per område
4. Efter analys av erhållet resultat hålls ytterligare en workshop för att förstå organisationens begränsande faktorer, så att en rimlig plan kan bli resultatet.
5. En avslutande workshop med ledning för diskussion av utfall med avslutande justeringar en förankrad syn på kommande ambitionsnivå och omfattning, samt överlämning av ansvar för vidare arbete och uppföljning.

Här är den process vi går igenom för att snabbt komma till en första version på en AI-strategi. Ju snabbare vi kan testa den på ”verkligheten” desto snabbare kan vi korrigera. Tanken med arbetssättet är maximal effektivitet till minimal insats. Du hittar mer detaljer i texten nedan.

Om så krävs – till exempel i en större organisation där det är svårare att samla alla som krävs för att få en bra överblick i en workshop, behöver vi så klart göra ett lite större arbete, men ambitionen är att starta enkelt.

Innan vi börjar det riktiga arbetet vill vi stämma av förväntningar, kunskapsnivå och förstå hur ni ser på AI. Vi går igenom ett antal områden och får tillfälle att diskutera hur ni ser på arbetet och möjligheterna. Samtidigt kan vi diskutera vad förutsättningarna är för att AI skall fungera väl och var teknikens begränsningar sitter idag. Vi städar till exempel av diskussionen om huruvida AI är intelligent, och hur det kommer sig att det är intrycket man får. Att AI saknar intelligens i den mening brainless ger det, innebär inte att resultatet är ointelligent i sig. Men det har fundamentala konsekvenser för vidare prioritering. Det är till exempel därför vi alltid separerar informationsbearbetning från beslut i vår analys. Den här första workshoppen blir också ett tillfälle för oss att förstå hur långt ni kommit.

Vi går igenom några av de mest populära verktygen och provar också på om det är relevant. Det kan vara copilot, Midjourney eller utvalda installationer av ChatGPT. Vilka verktyg som passar bäst för er har vi stämt av innan och vi uppdaterar också vad vi använder för att hålla innehållet aktuellt.

Vidare talar vi om utmaningar och fallgropar, och berör då även några centrala juridiska aspekter.

Vi fångar också upp ambitionsnivå, önskemål om omfattning och takt på vidare arbete. Det kommer senare relateras till strategin i steg 4.

Som sagt; att AI inte är medvetet eller intelligent hindrar inte att resultatet från AI-verktyg är användbart. Nu går vi igenom de områden där AI kan producera något som kan vara till hjälp och identifierar i grova drag hur det skulle kunna gå till. Vi sparar detaljer till senare och fokuserar på så vis workshoppen på möjligheter.

Vi gör en nedbrytning till en detaljnivå av aktiviteter i verksamheten, där vi kan avgöra betydelsen av den mänskliga delen av arbetet, så att vi kan följa upp med en analys av såväl nytta som kostnader (i steg 3). Innan arbetet har vi kommit överens om hur brett eller djupt vi går i analysen så att vi kan uppfylla era förväntningar.

En typisk fråga att diskutera i workshoppen är gränslandet mellan var empati står i motsatsförhållande till formell rättvisa, dvs likhet i bedömning. En konsekvens av sådana bedömningar är till att människor skall vara med i arbetsflödet i större utsträckning än vid en första anblick, även om AI gör grovjobbet.

Många organisationer vill göra egna modeller med AI för att hjälpa till med beslut man vill automatisera, och vi tittar även på förutsättningarna för det i den här fasen. Normalt kräver det god tillgång på träningsdata, men kan vara enklare än förväntat, baserat på önskat utfall. Efter workshoppen behöver vi gå igenom i detalj det vi kommit fram till, för att kunna göra nästa workshop.

Man kan med fördel använda kända modeller från innovationsmetoder för att göra värdeanalysen. Precis som när man arbetar med innovation är många faktorer ”rörlig massa” och extern validering kan bli nödvändig innan man går vidare. Att då redan från start ha använt en struktur som är anpassad för det, och klart definierar nytta, resurser, kostnader och värden förenklar vidare arbete.

Här ser vi sanningen i vitögat. Vi går igenom hur relevanta idéer är för kunder, hur relevansen ska valideras i kommande arbete och vilken insats som krävs för att realisera ett initiativ. Det gör att vi dels får en första bild av hur intressanta framkomna idéer är. De parametrar vi jämför är lönsamhet, tid för införande och risk.

Vi ser under analysen på resultatet som ett AI-verktyg skapar som ett halvfabrikat. Det kommer med stor sannolikhet att behöva förfinas eller kvalitetssäkras innan det används och den insatsen behöver vara med i bedömningen av lönsamhet och risk. Bara för att det finns verktyg är det inte säkert att resultaten är så bra att man sparar tid eller att organisationen är utformad för att kunna hantera jobbet. Programmerare upplever till exempel att en AI genererar inspirerande kod och producera lösningar de själva inte kommit på, men det de vinner på bra idéer och inspiration går förlorat i rättning av små detaljer. Därför är Fokus i den här workshoppen på värdet av vad AI kan bidra med, men alltid i kontext av hur det måste kompletteras och godkännas. Därför är en viktig del i det här steget att göra en genomtänkt bedömning av hur mycket arbete som återstår efter att AI-verktygen lämnat ifrån sig sin del och kräver deltagande av insatt personal från din organisation.

Väl beprövade modeller från IT-världen kan användas för att snabbt få en överblick över hur initiativ påverkar varandra, säkerställa att intäkter bara räknas en gång och att beroenden och flaskhalsar blir synliga. Samtidigt kopplar en BDN som i figuren hela initiativet till strategiska mål.

Ur de första två workshopparna kommer i princip en lista av möjliga områden där AI kan användas med en bedömning av hur lönsamma de vore att införa en och en. Den listan bearbetar vi i en sista workshop för att förstå hur de påverkar varandra och om de får problem med trånga sektorer i din organisation. Det gör vi med parter vi identifierat som trånga sektorer i vidare arbete. Eftersom värdering och riskbedömning är en separat och redan avklarad aktivitet kan vi vara effektiva och fokuserade på just begränsningar, samtidigt som det ger oss en möjlighet att kvalitetssäkra det vi kommit fram till så långt. Efter det här steget kommer vi kunna sammanställa en prioriterad lista med aktiviteter med en bedömning av resursåtgång och en grov tidsplan.

Vi sammanställer resultatet av hela arbetet och presenterar det för berörda och intresserade. Normalt förväntar vi oss en dialog om vad som är rimligt och hur vi hanterat begränsningar i organisationen. Det är inte tänkt som en programplan utan i första hand för att ge en överblick över hur snabbt vi kan åstadkomma resultat och på vilket sätt det påverkar organisationen i närtid.

De verktyg vi använt under arbetet kan organisationen använda för att periodiskt uppdatera hela arbetet. Ett avgörande moment innan mer omfattande aktiviteter dras igång är till exempel att verifiera och testa antaganden med externa källor. Det är normal ”innovationspraxis” och kan göras med liten insats. Iteration och snabb korrigering är nyckeln i snabbt föränderliga sammanhang som utvecklingen av AI. Det sätter igång processen med kontinuerlig uppdatering av AI-arbetet, och är därför värdefullt att få den att fungera över tid. Det kanske till och med blir en permanent funktion i din organisation? Över tid kan också verktygen förfinas. Riskmatrisen till exempel är är lätt att förstå. Så bra i det här tidiga skedet när information är mindre precis , men över tid kan nman använda matematiskt mer exakta verktyg. Även om man har många möjliga initiativ kan andra sätt att bedöma risk var mer relevanta, då man snabbt tappar överblicken i en tvådimensionell matris. Med få risker är det till exempel möjligt att följa upp och förstå vad risken i ett initiativ är om det sticker ut, men när antalet växer blir det mer relevant att använda statistiska metoder och försöka värdera risken i pengar och baka in den i lönsamhetskalkylen, som i exemplet för en avslutande redovisning.

I ett första skede kan en grov riskanalys som denna vara en rimlig illustration av situationen. I takt med att mer information kommer fram kan man gå över i en statistiskt grundad värdeberäkning eller någon annan modells som passar din organisation.

Låter det intressant? Vill du ha vårt stöd i arbetet, hör av dig. Annars önskar vi dig lycka till med ditt eget AI-arbete och hoppas du funnit den texten intressant. Vi har alla roliga och intressanta utmaningar framför oss.

Exempel på hur en avslutande redovisning kan se ut, med en summering av de mest intressanta initiativen och en enkel riskvärdering.