AI kommer inte att rädda din organisation. Att förstå problemet kommer att göra det. Och nu kan AI hjälpa dig att göra det snabbare än någonsin.
Jag kan inte programmera. Förra veckan byggde och driftsatte jag ett webbaserat verktyg för efterfrågeanalys — komplett med dashboard — på mindre än två dagar. Med hjälp av AI.
Den meningen hade varit absurd för tre år sedan. Idag är den verklighet.
Men den här artikeln handlar egentligen inte om AI. Den handlar om vad som händer när du kombinerar AI med något som är mycket viktigare: kunskap om det verkliga problem din organisation behöver lösa.
Utvecklaren som slutade anställa juniorer
Jag pratade nyligen med en senior utvecklare på ett av de mest framåttänkande teknikföretagen jag känner till. Han sa något som fick mig att haja till: “Vi anställer inte längre juniora utvecklare. Vi behöver dem inte. AI gör ett bättre jobb, snabbare.”
Tänk på det en stund. En hel yrkesroll inom mjukvaruutveckling — borta. Inte om tio år. Nu.
Som kunskapsarbetare kan du lära AI hur du arbetar. Du kan visa den dina metoder, dina mönster, din domänkunskap — och uppnå produktivitetsvinster på två, tre, fyra gånger eller mer. Den är intuitiv. Den lär sig med dig allteftersom. Om du vet hur du arbetar med den.
Men här blir det intressant — och det är här de flesta organisationer är på väg att göra ett mycket dyrt misstag.
Det verkliga problemet är inte tekniken. Det är att veta vad man ska bygga.
Vi har alltid hävdat att man ur ett systemperspektiv behöver kunskap om arbetet från kundens perspektiv. Och den kunskapen finns där arbetet utförs — oftast hos medarbetarna i frontlinjen, de människor som hanterar verkliga kunder och deras verkliga problem varje dag.
Idag passerar en växande andel av arbetet enbart genom IT-system. Det sker i mörkret. Processer körs automatiskt, beslut fattas av algoritmer, och kunder interagerar med digitala gränssnitt designade av människor som aldrig har träffat en kund. Organisationer blundar ofta för vad som pågår i dessa mörka processer — tills konsekvenserna blir omöjliga att ignorera.
Inom försäkring kan dessa konsekvenser vara dålig risk i böckerna. Eller massiva volymer av icke-värdeskapande efterfrågan som ingen kopplar till orsaken. En kund som försökte tre gånger att navigera en självbetjäningsportal kan sluta med fel produkt, fel fakturering, eller — värst av allt — fel försäkringsskydd när en olycka faktiskt inträffar. Organisationen kanske aldrig märker det. Kunden gör det.
I Riv Servicefabrikkerne ned (Riv servicefabrikerna) beskriver Kristian och jag hur digitala lösningar vanligtvis utvecklas utifrån vad IT-systemet kan göra, snarare än utifrån vad kunden faktiskt behöver. Utgångspunkten borde vara det vi kallar värdestegen i processen — att förstå kundens behov, samla in relevant information, göra en korrekt bedömning, välja rätt lösning och leverera den. Istället utgår organisationer från IT-systemets kapacitet och skjuter ut lösningen till alla kunder, i förhoppningen att alla kunder kan förstå, översätta och mata in sina behov rätt i systemet.
Konsekvenserna är förutsägbara och förödande. När en kommun studerade sin digitala bygglovsansökan upptäckte de att cirka 50 % av ansökningarna saknade information — exakt samma andel som det gamla pappersformuläret. Den digitala lösningen hade helt enkelt överfört problemen till ett digitalt format. Den var effektivare på att samla in information, visst — men problemet var att den inte samlade in rätt information. Processen, från början till slut, blev mindre effektiv eftersom den hade gjort saker svårare för medborgarna.
Det här är mönstret vi ser om och om igen. Professor Søren Lauesen från IT-universitetet i Köpenhamn identifierade, efter att ha analyserat flera stora danska offentliga digitaliseringsprojekt, de gemensamma orsakerna till misslyckande: de identifierar inte användarens behov, de beskriver inte krav som täcker kundens behov, de tar sig vatten över huvudet, de designar användargränssnittet för sent, och de blir överraskade när olika system behöver integreras.
Faran: att använda AI för att göra fel saker snabbare
Det som oroar mig med dagens AI-entusiasm är att AI är extraordinärt bra på att göra saker snabbt. Den kan automatisera processer, generera kod, hantera kundförfrågningar, producera rapporter och optimera arbetsflöden i en hastighet som hade verkat som science fiction för fem år sedan. Och organisationer kommer att använda den för precis det. De kommer att minska kostnader på kort sikt. De kommer att fira effektivitetsvinsterna.
Men om du använder AI för att automatisera en process som inte tjänar sitt syfte, får du bara en snabbare process som inte tjänar sitt syfte.
Om din självbetjäningsportal genererar icke-värdeskapande efterfrågan eftersom den inte hjälper kunder att uttrycka vad de faktiskt behöver — att lägga till en AI-chatbot i portalen löser inte problemet. Den hjälper bara fler människor att nå fel resultat snabbare. Om din klagomålshanteringsprocess existerar för att kunder rutinmässigt får fel produkt, löser det inte grundproblemet att använda AI för att snabba på klagomålshanteringen — det behandlar symptomet, inte sjukdomen.
“Det är en grundläggande skillnad mellan att göra fel saker bättre och att göra rätt saker.” — Russell Ackoff
I vår bok beskriver vi hur servicefabrikens digitala fokus främst drivs av ett antagande: att digitalisering minskar transaktionskostnader. Organisationen antar att det är billigare om kunder kontaktar dem via digitala kanaler, så de gör allt de kan för att styra kunderna dit. Ledningen ser digitala lösningar som ideala eftersom de främjar drömmen om full standardisering, centralisering och automatiserad ärendehantering. Tänk dig hur billigt det vore om man automatiserade allt och inte behövde mänsklig inblandning alls?
Problemet är att detta perspektiv ignorerar variation. Det ignorerar det faktum att kunder är olika, att deras behov varierar, och att en standardiserad digital lösning helt enkelt inte kan hantera denna mångfald. Resultatet? Lägre transaktionskostnader per interaktion — men fler interaktioner, mer icke-värdeskapande efterfrågan, mer omarbetning och högre totalkostnader.
AI, med sin extraordinära hastighet och kapacitet, är på väg att förstärka denna dynamik dramatiskt. Om vi inte är eftertänksamma i hur vi använder den.
Tänkandet är problemet
Något ligger bakom allt detta — något djupare än något teknikval. Hur ledare tänker kring att designa och leda arbetet avgör systemets prestation. Och i de flesta organisationer börjar det tänkandet med fokus på kostnader: minska transaktionskostnader, automatisera för att spara personal, styra kunder till billigare kanaler. Det känns rationellt. Det känns ansvarsfullt.
Men det finns en paradox som vi ser utspela sig om och om igen: när du fokuserar på kostnader, ökar kostnaderna. Transaktionskostnaden per digital interaktion kan sjunka, men det totala antalet transaktioner ökar eftersom den digitala lösningen faktiskt inte löser kundernas problem. Icke-värdeskapande efterfrågan strömmar in. Omarbetningen växer lavinartat. IT-avdelningen växer för att underhålla och lappa systemet. Du säger upp handläggare och anställer utvecklare. Totalkostnaderna ökar, inte minskar — och servicen blir sämre.
När du fokuserar på värde — på att verkligen förstå och leverera det kunden behöver — minskar kostnaderna som en naturlig konsekvens. Det finns mindre icke-värdeskapande efterfrågan, mindre omarbetning, färre transaktioner, mindre slöseri. Du behöver inte styra ner kostnaderna för att systemet helt enkelt utför mindre onödigt arbete.
Det här är inte bara en digitaliseringsfråga. Det är en fråga om ledarskapstänkande. Och det är anledningen till att AI, hur kraftfullt det än är, inte kommer att rädda din organisation på egen hand. Om det rådande tänkandet är “använd AI för att minska kostnader” kommer du att få samma resultat som du fick från varje annat kostnadsfokuserat initiativ: kortsiktiga besparingar, långsiktig dysfunktion. Om tänkandet är “använd AI för att hjälpa oss leverera bättre värde till kunderna” utgår du från en helt annan plats — och resultaten kommer att bli helt annorlunda.
Den verkliga möjligheten: att sätta ihop kunskap och teknik
Så till det jag egentligen vill säga: idag kan vi för första gången sätta ihop de människor som förstår det verkliga problemet — medarbetarna i frontlinjen, de som vet vad kunderna faktiskt behöver — med AI-driven teknisk kapacitet för att skapa och testa lösningar på timmar istället för år.
Det här är genuint nytt.
Tidigare, när ett team i frontlinjen genom att studera sitt system upptäckte att kunderna behövde en fundamentalt annorlunda digital lösning, dog idén ofta i en backlog. IT-avdelningen hade en tvåårig kö. Specifikationsprocessen tog ensam månader. Budgeten behövde godkännas. En leverantör behövde väljas. När något väl var byggt hade den ursprungliga insikten blivit så urvattnad genom så många led att lösningen knappt liknade det som behövdes.
Idag kan någon som förstår problemet — någon som har studerat efterfrågan, som har följt arbetet från början till slut, som vet vad det värdeskapande arbetet faktiskt är — sätta sig ner med AI och bygga en fungerande prototyp. Ibland utan att själv skriva en enda rad kod. Jag vet detta eftersom jag gjorde det.
Verktyget jag byggde förra veckan var ingen leksak. Det var ett funktionellt verktyg för att samla in och analysera efterfrågan som ett team kan använda för att studera vad som kommer in i deras system — för att förstå efterfrågans natur, för att skilja värdeskapande efterfrågan från icke-värdeskapande efterfrågan, och för att se mönster som annars skulle förbli osynliga. Tidigare hade det krävt veckor av utvecklingstid, specifikationsdokument och IT-avdelningens medverkan att bygga något sådant. Istället tog det mig och en AI mindre än två dagar.
Det förändrar helt spelplanen för att experimentera. Idéer som tidigare hade stoppats på grund av kapacitetsbegränsningar, teknisk komplexitet eller kunskapsbrist inom IT kan nu prototypas och testas snabbt. Barriären mellan “att förstå problemet” och “att bygga en lösning” har aldrig varit lägre.
Men bara om du börjar från rätt plats
Möjligheten är inte “använd AI för att bygga saker snabbare.” Möjligheten är: förstå vad det verkliga problemet är, och använd sedan AI för att hjälpa dig lösa det snabbare.
Ordningsföljden spelar enormt stor roll.
“Det räcker inte att göra sitt bästa; man måste veta vad man ska göra, och sedan göra sitt bästa.” — W. Edwards Deming
Det är kärnan i detta. AI hjälper dig att göra ditt bästa blixtsnabbt. Men den kan inte berätta för dig vad du ska göra. Det kräver förståelse.
Och här finns något värt att erkänna: ibland, när du studerar ditt system från kundens perspektiv, kommer du att upptäcka att de största möjligheterna inte alls handlar om AI. Kanske är det verkliga problemet en policy som skapar onödigt arbete. Kanske är det en överlämning mellan avdelningar där information går förlorad. Kanske är den digitala lösningen bra, men processen runt den som inte fungerar. Inte varje systemförbättring behöver AI — och att vara ärlig om det är en del av att göra detta bra. De organisationer som kommer att dra mest nytta av AI är de som förstår var den passar och var den inte gör det.
Innan du låter AI komma i närheten av en lösning behöver du förstå ditt system från kundens perspektiv. Du behöver veta: Vad är viktigt för kunderna? Vad är den verkliga efterfrågan? Hur stor del av den efterfrågan är icke-värdeskapande efterfrågan — efterfrågan som orsakats av att något inte har gjorts eller inte har gjorts rätt för kunden? Vilka är de värdeskapande arbetsstegen, och hur väl utför vi dem?
När du har den kunskapen blir AI en anmärkningsvärt kraftfull allierad. Inte för att den kan automatisera allt, utan för att den kan hjälpa dig bygga, testa och iterera lösningar som är designade kring det som verkligen spelar roll.
Här är vad du inte ska göra: använda AI för att optimera felhantering, snabba på klagomålsbehandling, eller få kunder att göra det du vill att de ska göra.
Här är vad du ska göra istället: förstå orsakerna till slöseri och icke-värdeskapande efterfrågan. Fråga vad det säger dig om vad som är viktigt för kunderna och hur det relaterar till ditt grundläggande syfte. Var sedan nyfiken på hur ett bättre system skulle kunna se ut — och hur du skulle mäta om det faktiskt presterar bättre. Sedan fråga hur AI kan hjälpa dig att förbättra din organisations förmåga att lösa rätt problem.
En enkel övning du kan prova den här veckan
Om det här har väckt din nyfikenhet, här är något konkret du kan göra:
Välj en digital process i din organisation — ett ansökningsformulär, en självbetjäningsportal, ett automatiserat arbetsflöde. Ställ sedan dessa frågor:
Vad är syftet med denna process från kundens perspektiv? Inte från organisationens perspektiv. Från kundens. Vad behöver de egentligen?
Vad händer när kunder interagerar med den? Följ en handfull verkliga ärenden från början till slut. Inte datan. De faktiska ärendena. Vad hände egentligen?
Hur ofta får kunden det de behöver, rätt första gången? Inte hur ofta formuläret skickas in. Hur ofta kundens faktiska problem löses.
Hur stor andel av efterfrågan på din organisation orsakas av att något inte har gjorts eller inte har gjorts rätt för kunden? Det här är icke-värdeskapande efterfrågan. I de flesta organisationer vi arbetar med är den förvånansvärt hög.
Vilken roll spelar den digitala lösningen i att skapa eller förebygga den icke-värdeskapande efterfrågan?
Svaren kan överraska dig. Och de ger dig en mycket bättre utgångspunkt för att tänka igenom var AI genuint kan hjälpa — och var den bara skulle göra saker värre, snabbare.
Om du är nyfiken på det här sättet att tänka — om att förstå organisationer som system, om digitalisering utifrån och in, eller om hur AI och systemtänkande fungerar tillsammans — vill jag gärna höra från dig. Du kan nå mig på jonas@vanguard-consult.dk eller kontakta mig på LinkedIn.
Om du vill fördjupa dig — min bok “Riv servicefabrikerna” (skriven tillsammans med Kristian Astrup Nielsen) går igenom hela metoden — hur man studerar och omdesignar system, förstår efterfrågan och bygger organisationer som fungerar för kunderna. Boken är på svenska, men om du skickar mig din e-post skickar jag dig en sammanfattning för ledningen på engelska (eller vilket språk du föredrar).
Den här artikeln skrevs med hjälp av AI — vilket kändes passande, med tanke på ämnet.