I denna intervju berättar Marko hur data kan bidra till att identifiera centrala förbättringsområden i verksamheten, varför företag bör ha ett pragmatiskt förhållningssätt till AI och hur man kan komma igång snabbt utan stora initiala insatser.
Hej Marko! Kan du kort berätta om din bakgrund och hur du började på Mantec?
Hej! Jag har i princip arbetat med projekt under hela min karriär. Innan jag började på Mantec arbetade jag med internationella utvecklingsprojekt och reste mycket runt om i världen. Några av de mest minnesvärda erfarenheterna var arbetet med gatubarn i norra Moçambique och att etablera HIV‑relaterade projekt i centrala Moçambique.
Dessa erfarenheter gav mig ett värdefullt perspektiv på långsiktigt projektarbete. Utmaningarna var enorma, men samtidigt kändes inget problem omöjligt att lösa. Jämfört med det får utvecklingsprojekt i företag och organisationer helt andra proportioner, eftersom problemen oftast är relativt begränsade, målen tydliga och hindren hanterbara.
Efter mina studier började jag leta efter nästa steg i min karriär och hamnade inom managementkonsulting. Kort därefter blev jag headhuntad till Mantec, där jag har tillbringat större delen av min karriär som konsult.
Jag har en bakgrund inom analytisk filosofi och läste även en hel del ekonomi vid sidan av. Under studietiden tog jag också kurser inom affärsområdet och gjorde ett utbytesår vid University of Michigan. Jag fördjupade mig främst inom affärsetik, särskilt i miljöer där konkurrensen är hård.
Analytisk filosofi är faktiskt en mycket praktisk bakgrund. I grunden handlar det om att träna sitt tänkande, att bygga logiska resonemang och kritiskt granska de antaganden som ligger bakom. Man lär sig också att skilja mellan hållbara och bristfälliga argument.
Detta har varit oerhört värdefullt i mitt arbete, både inom IT och i konsultrollen. I praktiken handlar mitt yrke till stor del om just detta: att ifrågasätta antaganden och skilja verkliga orsakssamband från sådana som bara verkar finnas.
I kundprojekt märks min filosofiska bakgrund exempelvis i analyser av processer, utvärdering av effektsamband och bedömning av investeringsbeslut, där vi systematiskt väger argument för och emot olika alternativ och försöker förstå storleken på olika effekter.
Ett konkret exempel kommer från textilindustrin, där vi genomförde en spillanalys per produkt och produkttyp. Vissa modeller hade betydligt högre spill än andra och framstod därför initialt som dåligt presterande konstruktioner.
När vi analyserade problemet närmare upptäckte vi dock att defekter främst uppstod i specifika delar av tyget som användes i dessa modeller. Till slut visade det sig att eftersom mönstren var i stort sett symmetriska fungerade de inte alltid optimalt i vissa delar av tyget. Detta berodde på trådens vridriktning, som påverkade hur materialet betedde sig vid töjning.
För att minska spillet behövde säkerhetsmarginalerna vid tillskärning justeras utifrån trådriktningen.
Dataanalys hjälper oss att identifiera var det finns behov av djupare analys och gör det möjligt att borra oss ned i detaljnivåer, medan det analytiska tänkandet hjälper oss att hitta de verkliga orsakerna bakom problemen.
Därefter handlar nästa steg om skalbarhet: hur ger vi organisationens medarbetare verktyg för att själva identifiera sådana problem i sitt dagliga arbete, analysera dem, lösa dem konceptuellt och säkerställa att lösningarna faktiskt implementeras?
Jag försöker välja projekt som jag verkligen kan vara stolt över. Till exempel har vi arbetat med mycket intressanta projekt inom den finska mediesektorn, där vi har bidragit till att säkerställa att litteraturen fortsätter att ha en stark ställning och goda distributionskanaler.
Inom hälso‑ och sjukvård har vi stöttat projekt som säkerställer och utökar kapaciteten att producera livräddande läkemedel. Vi har också bidragit till att stärka Finlands motståndskraft mot externa hot, både vad gäller informationsflöden och nationellt försvar.
Detta är projekt som jag har varit mycket glad över att få arbeta med.
Jag strävar efter att agera etiskt i mitt arbete och att hjälpa organisationer att navigera liknande frågor. Företag verkar i mycket konkurrensutsatta miljöer, och etiskt agerande påverkar allt från konkurrenskraft och medarbetartillfredsställelse till kundnöjdhet, riskhantering och kostnader.
Konkurrenters agerande på samma marknad påverkar oundvikligen ett företags position. Jag strävar därför efter att hjälpa mina kunder att behålla en så stark konkurrensposition som möjligt, även när de fattar modiga beslut som ligger i linje med deras värderingar.
I många projekt står vi inför val mellan olika lösningar, och mina rekommendationer är alltid sådana som skulle kunna tåla offentlig granskning.
Jag började min konsultkarriär för över 20 år sedan. Under resans gång har jag även arbetat med internationella IT‑team och fördjupat min kompetens inom bland annat datavetenskap och statistik.
För mig personligen har det alltid varit viktigt att ligga nära utvecklingens framkant. I kundorganisationer ser man tydligt att de som fortsätter att lära sig genom hela karriären utvecklas betydligt snabbare och längre än de som enbart lutar sig mot sin ursprungliga utbildning.
Detta gäller lika mycket för våra kunder som för oss konsulter.
Du är specialiserad på dataanalys och användningen av AI – vad innebär det i praktiken?
Det mesta av mitt arbete kretsar kring kundprojekt. Jag genomför exempelvis analyser kopplade till hur data används och deltar i Mantecs projekt genom att bygga praktiska lösningar som är anpassade efter kundernas behov. Jag utvecklar olika modeller för datadriven styrning och uppföljning, och i grunden handlar det om sätt att driva verksamheter mer effektivt med hjälp av information.
Med tiden har jag i allt större utsträckning blivit involverad i projekt med ett tydligt fokus på data och analys. Min roll varierar: ibland stöttar jag andra konsulter och ibland är jag direkt involverad i analysarbete och implementering.
Det jag tycker är särskilt intressant är att snabbt kunna förstå ett företags situation genom data, att se hur verksamheten fungerar ur ett analytiskt perspektiv och identifiera de faktorer som förklarar resultatet. Detta kräver både affärsförståelse och analytisk förmåga
Jag deltar också i projekt där kunder har utmaningar kopplade till datahantering eller behöver utveckla sina förmågor inom området. I de fallen handlar min roll också om att implementera praktiska lösningar och säkerställa att de integreras i det dagliga arbetet.
Utöver kundprojekten bidrar jag även till den interna utvecklingen på Mantec. Till exempel har jag arbetat mycket med AI och hur vi kan stärka vår egen kompetens samt använda ny teknik i kundarbetet. På sätt och vis fungerar jag även som rådgivare internt i dessa frågor. Jag höll våra första interna AI‑utbildningar för cirka åtta år sedan, då med fokus på maskininlärning, och sedan dess har jag fortsatt att fördjupa min egen kompetens samtidigt som jag regelbundet utbildar våra konsulter inom området flera gånger per år.
Vi utvärderar kontinuerligt var teknologier har mognat tillräckligt mycket för att skapa verkligt värde, både för oss själva och för våra kunder. Med andra ord försöker vi skilja hype från verkliga framsteg. Samtidigt funderar vi ständigt på vilka kundutmaningar som faktiskt kan lösas med hjälp av en specifik teknik. Detta är en löpande diskussion, eftersom svaret förändras i takt med att tekniken utvecklas.
Min bakgrund inom affärsetik har visat sig vara förvånansvärt användbar just i frågor kopplade till AI och data. Inom affärsetik behöver man ständigt skilja mellan vad som är lagligt, vad som följer avtal, vad som är försvarbart ur kundens perspektiv och vad som är långsiktigt hållbart. Samma typ av resonemang gäller när man avgör vilken data som kan användas i AI‑system, vilka system som kan godkännas och under vilka förutsättningar. Inom AI går den tekniska utvecklingen dessutom betydligt snabbare än utvecklingen av företagens interna riktlinjer och avtal.
I vilka situationer och användningsområden brukar kunder vanligtvis efterfråga din kompetens?
Användningsområdena varierar mycket beroende på kund, men i många fall handlar arbetet om att optimera verksamheten med hjälp av data. Det kan till exempel innebära att omfördela kapacitet genom att förstå vad som faktiskt produceras, hur mycket av olika produkter som realistiskt kan säljas och hur man säkerställer att produktionslinjer levererar det som har utlovats till kunder.
Det kan också handla om spillanalys, där man identifierar hur mycket produktionsspill eller andra ineffektiviteter som uppstår och systematiskt arbetar för att minska dessa. Förbättringar inom logistik är ett annat vanligt område, till exempel batchstorlekar, rutter, tjänster, förpackningsmetoder, lagringslösningar, leveranssätt och kontrollrutiner.
Utifrån dessa insikter kan vi genomföra konkreta förändringar och förbättringar i verksamheten. Det rör sig inte om särskilt ”exotiska” frågor, men varje bransch har sina egna specifika förutsättningar och möjligheter.
En vanlig utmaning för kunder är tidshorisonten. Ett affärsbehov uppstår, men när det lämnas över till en teknisk enhet som inte fullt ut förstår verksamhetskontexten blir resultatet ofta en implementeringsplan på sex till tolv månader som bara delvis löser det ursprungliga behovet.
I våra projekt mäts tidsramar oftast i månader snarare än år. Därför säger vi ofta till våra kunder att något kan implementeras på två månader i stället för två år. I praktiken översätter jag ofta kundens affärsbehov direkt till en teknisk lösning, utan onödiga mellansteg.
En grundläggande princip i mitt arbete är att förstå vilken information som är relevant för olika roller inom organisationen. Det som är viktigt för högsta ledningen skiljer sig ofta från vad som är viktigt för mellanchefer, arbetsledare eller medarbetare på operativ nivå.
Utifrån detta bygger vi anpassade vyer och verktyg för varje nivå som stödjer deras dagliga arbete. De hjälper till att följa upp verksamheten, ge återkoppling, planera framåt och fatta bättre beslut i vardagen.
En viktig del av min roll är att fungera som en brygga mellan verksamhet och teknik. Kunder kan ha ett mycket tydligt behov, men att omvandla det till en praktisk lösning kan ändå ta lång tid i många organisationer.
Det är här jag ofta kan skapa värde genom att identifiera lösningar som uppnår samma resultat, men snabbare och med mindre komplexite
AI står högt på agendan för många företag – vilka är de vanligaste utmaningarna när man försöker omsätta det i konkret affärsvärde?
På Mantec har vi följt utvecklingen av olika former av maskininlärning i över ett decennium. Den största förändringen under dessa år är att generativa språkmodeller har nått en bred allmänhet. Själva tekniken bakom maskininlärning är inte ny, men den har nu blivit tillgänglig för i princip alla. I takt med detta har även förväntningarna, och ibland besvikelserna, ökat.
Även om det talas mycket på marknaden om stora produktivitetslyft är verkligheten mer nyanserad. Därför är mitt arbetssätt pragmatiskt. Jag följer kontinuerligt hur mogna olika teknologier är och vid vilken punkt de börjar skapa verkligt värde för kunder. När nya och faktiskt användbara tillämpningar dyker upp, oavsett om det handlar om datorseende, processautomation eller något annat, tar vi in dem och integrerar dem i våra kundprojekt.
När det gäller produktivitet skulle jag uttrycka det så här: den dramatiska produktivitetsrevolution som ofta beskrivs i artiklar har ännu inte realiserats. De faktiska vinsterna är mer begränsade och uppstår genom enskilda verktyg när de används på rätt sätt.
Personligen använder jag AI-modeller i stor utsträckning i programmering. I mitt arbete behöver jag ständigt sätta mig in i nya miljöer snabbt. Ena dagen kan det handla om Excel, Power BI, VBA och DAX, nästa dag om SAP-makron, Python, SQL och olika webbplattformar. Jag använder även AI för att analysera ostrukturerad data, hämta offentlig information och hitta relevanta artiklar. Dessutom har jag utvecklat vissa halvstandardiserade arbetsflöden där AI-agenter utför specifika uppgifter vid behov.
Liknande stegvisa förbättringar börjar även synas hos våra kunder. Däremot är omfattande transformationer som helt förändrar verksamheter fortfarande under utveckling i de flesta branscher.
Nya möjligheter växer fram kring AI-baserade processer och tjänstekedjor, men inom många områden är tekniken ännu inte fullt mogen. Ett tydligt exempel är chatbotar på företags webbplatser. De har blivit bättre, men lever fortfarande ofta inte upp till förväntningarna i praktiken.
För närvarande är de största nyttorna kopplade till specifika verktyg, såsom lösningar av Copilot-typ.
En central fråga kring AI är cybersäkerhet och de risker som är förknippade med den. Många företag är osäkra på vilken information som kan delas och var data kan matas in. På grund av denna osäkerhet, eller för att riskerna upplevs som för stora, begränsar vissa organisationer användningen av AI ganska kraftigt.
Samtidigt har många företag redan sin data spridd över en rad olika system och tjänster, såsom SharePoint, e-post, Teams, dashboards och intranät. I många fall finns det redan definierade behörigheter och åtkomstnivåer för denna information. Ett praktiskt steg för att börja använda AI är att utgå från dessa befintliga strukturer även i AI-lösningar.
En annan utmaning handlar om hur stor frihet medarbetare har att ta egna initiativ. Får de automatisera sitt arbete med hjälp av kod, makron, Zapier, Power Automate eller AI-agenter, eller är dessa verktyg begränsade?
I många utvecklingsprojekt hjälper vi företag att hitta rätt balans. Det handlar om att upprätthålla en hög nivå av cybersäkerhet samtidigt som man ger medarbetare möjlighet att lära sig, ta initiativ och utveckla sina arbetssätt med så lite friktion som möjligt.
Vi diskuterar dessa frågor mycket även internt, till exempel vilka verktyg vi kan använda och under vilka förutsättningar. Ofta behöver man också sätta tydliga gränser. Viss data kan helt enkelt inte användas eller delas med externa system. Detsamma gäller för våra kunder. Det är viktigt att förstå vad som är acceptabelt och säkert ur deras perspektiv och agera därefter.
Hur ser effektiv dataanalys ut i det dagliga operativa arbetet?
Utgångspunkten är att företag nästan alltid har betydligt mer data än de faktiskt utnyttjar. Tidigare kunde organisationer ha hundra gånger mer data än de använde, och i dag kan det handla om tusen gånger mer eller ännu mer. Det är ingen slump. Finansiell data måste analyseras eftersom det krävs enligt lag. Företag har ekonomiavdelningar, controllers och redovisningsekonomer, vilket gör att den finansiella informationen hanteras på ett strukturerat sätt.
Den operativa datan, som samlas in i betydligt större mängder, analyseras däremot inte med samma disciplin. Det gör att den ofta utgör en outnyttjad guldgruva för många organisationer.
”Operativ data blir ofta mystifierad och får betydligt mindre analytisk uppmärksamhet än finansiell data.”
Lösningen är sällan att samla in mer data eller att införa nya system. Den verkliga möjligheten ligger oftast i att skapa mer värde av den data företaget redan har. Datainsamlingen håller ofta en god nivå, men det är inom analys och användning som den största utvecklingspotentialen finns. Det är där den stora möjligheten ligger, och den är ofta outnyttjad.
Min utgångspunkt är vanligtvis att maximera nyttan av de verktyg som kunden redan har på plats. Många av våra kunder arbetar i stor utsträckning inom Microsofts ekosystem, med Office, SharePoint, Teams och i allt högre grad även Power BI. På senare tid har vi byggt många lösningar i Power BI, till exempel ledningsvyer och dashboards som omvandlar rådata till användbara insikter för rätt målgrupp.
Samtidigt spelar Excel fortfarande en viktig roll. Även om vissa organisationer vill lämna det bakom sig är det i praktiken ett mycket flexibelt analysverktyg, särskilt för snabba och behovsstyrda analyser. Excel gör det också möjligt att snabbt testa nya lösningar och utvärdera om en viss vy eller analys faktiskt används och skapar värde.
Om en pilot visar sig vara värdefull kan lösningen senare integreras i ett mer permanent system. Moderna versioner av Excel har datamodelleringsfunktioner som i många fall ligger i nivå med olika dashboardverktyg. Om en lösning inte behöver delas brett i organisationen kan Excel vara ett mycket bra alternativ.
Excel kan hämta data från databaser, webbtjänster, ERP-system via makron och lokala filer. Det kan också kombinera tabeller, berika data och visualisera den på ett flexibelt sätt som i många fall överträffar andra verktyg.
Utöver dessa verktyg använder vi även kodbaserade lösningar när det behövs. I praktiken används de dock oftare för analys och djupare undersökningar än som permanenta system hos kunder. Microsofts teknologier kan ta företag förvånansvärt långt, och det finns sällan behov av att bygga mer avancerade system innan det tydligt framgår att enklare alternativ inte räcker till.
Det är också sällan meningsfullt att lämna efter sig lösningar som kunden inte själv kan underhålla eller vidareutveckla. Analys av operativ data är en del av ett företags kärnkompetens och bör inte outsourcas helt. I många av våra projekt är utvecklingen av denna kompetens en central del av arbetet.
Hur kan företag börja använda AI på ett praktiskt sätt utan att göra det onödigt komplicerat?
Ett centralt tema är tillgång till information och verktyg. För att kunna använda data och AI effektivt behöver medarbetare ha tillgång till de verktyg som organisationen har valt, samtidigt som hänsyn tas till cybersäkerhet.
Företagets uppgift är att avgöra vilka verktyg som är säkra och lämpliga. Därefter bör åtkomsträttigheter i regel delas ut så brett som möjligt, så att medarbetarna kan börja använda verktygen i sitt dagliga arbete.
Eftersom allas arbetsuppgifter ser olika ut uppstår de bästa användningsområdena ofta naturligt i verksamheten. När människor har tillgång till rätt verktyg och data kan de själva hitta mer effektiva sätt att arbeta.
Nästa steg är att sprida dessa insikter internt. Det handlar om att synliggöra fungerande arbetssätt och framgångsrika lösningar så att fler kan dra nytta av dem.
Jag vill vara tydlig med en sak. I många organisationer är den största flaskhalsen inte tekniken eller kvaliteten på modellerna, utan att företag håller tillbaka information från sina egna medarbetare. Åtkomsten är ofta strikt begränsad, och medarbetarna förväntas i förväg veta vilken data de behöver och aktivt begära tillgång till den.
Det är svårt att använda information som man inte ens vet finns. Samtidigt kan detta ofta lösas utan nya system eller extra budget. Det handlar snarare om att fatta ett beslut om att information som utgångspunkt ska vara öppen, med endast vissa delar begränsade.
Öppenhet och transparens kring tillgången till data är en grundförutsättning för att kunna arbeta effektivt.
Rent praktiskt börjar utvecklingen med att ge människor möjlighet att själva lära sig och testa. Om ett företag vill ta nästa steg inom data och AI bör man först välja vilka verktyg som ska användas. För många organisationer kan en naturlig startpunkt vara lösningar som Microsoft Copilot, särskilt i en enterprise-version där cybersäkerhet är beaktad och som fungerar tillsammans med befintliga miljöer som SharePoint och Teams.
När verktygen väl är införda och tillgängliga för många blir nästa steg att vägleda medarbetarna i hur de kan använda dem. Det kan till exempel handla om att visa hur man bygger enkla lösningar med AI eller använder chattfunktioner i sitt dagliga arbete.
På så sätt utvecklas organisationen steg för steg. Medarbetarna lär sig använda ny teknik i vardagen, samtidigt som företaget bygger upp sin förmåga att använda den i större skala i takt med att tekniken blir mer mogen.
Här finns också en viktig balans. Företag behöver vänta tillräckligt länge för att tekniken ska vara mogen och användbar, men inte så länge att konkurrenterna redan har hunnit implementera den och byggt upp interna kompetenser innan man själv har kommit igång.
Kan du ge ett exempel där bättre användning av data eller AI förbättrade en kunds operativa prestation?
En av våra industrikunder inom tillverkningssektorn hade stora variationer i produktionsprestationen. Varje produktionsprocess bestod av ett stort antal steg, det fanns hundratals olika produkter och de processtider som lagrats i ERP-systemet baserades i hög grad på uppskattningar snarare än på faktisk data.
Vi tog fram en datamodell där varje processteg kunde jämföras med tidigare körningar av samma produkt. På så sätt gick det att avgöra om ett visst steg fungerade som förväntat eller om det avvek, bättre eller sämre, från det normala utfallet.
Därefter kunde vi förutse hur lång tid varje steg skulle ta och bygga styrmekanismer för produktionen. Detta gjorde det möjligt för arbetsledare att arbeta mer proaktivt och förbereda sig både inför start och avslut av olika moment. Samtidigt gav identifieringen av avvikelser bättre förutsättningar för systematisk problemlösning på stegnivå, både ur ett tekniskt perspektiv och ur ett kvalitetsperspektiv.
Detta var en av flera utvecklingsinsatser, men sammantaget ökade företagets produktionsvolymer med över 30 procent jämfört med året före projektet.
Minst lika viktigt är att denna typ av analytiskt arbetssätt skapar en grund för kontinuerlig förbättring. Varje framtida produktionsbatch och varje processteg kan jämföras med den nya, förbättrade nivån, vilket gör det möjligt att tydligt följa hur prestationen utvecklas. I grunden bygger helheten på hur de enskilda delarna presterar.
Datadriven styrning är kärnan i vårt arbete och genomsyrar alla våra kundprojekt. En av våra grundprinciper är att förstalinjens chefer spelar en avgörande roll för verksamhetens resultat, eftersom det är där det dagliga operativa arbetet sker.
Därför fokuserar vi på att ge arbetsledare och operativa chefer tillgång till relevant information. Vi tar fram vyer och data som de tidigare ofta saknat. När de får bättre insyn i verksamheten får de också bättre möjligheter att förbättra den där arbetet faktiskt utförs.
I många fall börjar vi med att tillsammans med kunden analysera vilken utvecklingspotential som finns i verksamheten. Därefter handlar det om att säkerställa att de identifierade målen verkligen uppnås.
Arbetet innehåller nästan alltid ett tydligt analytiskt inslag. Alla förbättringsåtgärder behöver kvantifieras så att deras effekter kan följas i siffror och styras systematiskt.
I praktiken innebär det att kontinuerligt mäta framsteg och styra verksamheten mot tydliga mål. Utan mätning och relevanta nyckeltal blir det svårt att både genomföra och upprätthålla förbättringar.
Hur hänger data och AI mer övergripande ihop med verksamhetsutveckling och prestationsförbättring?
Det finns ett uttryck som säger att man får det man mäter, och det stämmer i hög grad. Om något inte mäts blir det svårt att avgöra om man faktiskt gör framsteg mot ett mål. Utan den insikten blir det också svårt att förstå vilka faktorer som påverkar resultatet.
I praktiken innebär det att man först definierar ett tydligt mål, till exempel en viss produktionsvolym inom en given tidsperiod. Därefter identifierar man de faktorer som påverkar målet och börjar mäta dem systematiskt.
Inom tillverkningsindustrin kan det till exempel handla om att analysera stilleståndstid i utrustning, förstå de bakomliggande orsakerna och bedöma vilka av dessa som faktiskt går att påverka. När man har den bilden klar kan man genomföra konkreta förbättringsåtgärder och följa upp om de ger önskat resultat.
Detta leder i sin tur till ett mer heltäckande arbetssätt där analysmodeller, rapporteringsstrukturer och prognoser byggs upp successivt. Man sätter mål, förstår vad som påverkar dem, förutser utvecklingen och styr verksamheten i rätt riktning. Mätning, prognoser och operativ styrning är centrala delar i hur företag arbetar datadrivet.
Jag har ofta sett interna företagsprojekt misslyckas på liknande sätt. För det första utgår många från att de behöver mer data, när utmaningen i själva verket ofta är att använda den data som redan finns bättre. För det andra mäter man det som för tillfället diskuteras, snarare än det som faktiskt driver verksamheten. För det tredje läggs för mycket fokus på finansiell data och för lite på operativ data. Slutligen byggs dashboards utan att det är tydligt vem som ska använda dem och i vilka situationer, vilket gör att de får liten påverkan på beslutsfattandet.
Det finns ingen universell lösning för hur AI ska användas i verksamhetsutveckling. Vad som fungerar beror på den enskilda verksamheten. Nyckeln är att identifiera om en viss tillämpning faktiskt skapar värde i det specifika sammanhanget. I många fall handlar det om att upptäcka avvikelser.
Inom finanssektorn används AI till exempel för att upptäcka bedrägerier genom att identifiera beteenden som avviker från det normala. Liknande användningsområden finns i andra branscher. Inom tillverkningsindustrin kan AI användas för att upptäcka när utrustning beter sig onormalt eller när processer visar ovanliga variationer. Dessa signaler fungerar ofta som utgångspunkt för vidare analys och åtgärder.
Det är viktigt att förstå att det inte finns någon färdig standardlösning inom AI som passar alla företag. En enskild lösning kommer sällan att skapa stora förbättringar på egen hand. Arbetet behöver därför alltid anpassas till situationen. Det handlar om att identifiera var AI faktiskt skapar värde och att bygga lösningar utifrån det.
Om ett företag vill gå vidare med data och AI, var bör det börja i praktiken?
Många företag funderar just nu på om de ska investera i nya system, implementera AI-verktyg eller ta fram en helt ny datastrategi. Ofta är dock den bästa startpunkten mer praktisk. Det handlar om att först förstå vilken data företaget redan har, hur den används i dag och var den kan skapa mest värde i den dagliga verksamheten.
I praktiken arbetar vi ofta i tre steg:
- en kort företagsanalys
- kartläggning av informationsbehov på olika nivåer i organisationen
- val av verktyg och stöd i implementeringen
På Mantec börjar kundarbetet oftast med ett upplägg som har låg tröskel. En vanlig startpunkt är en kort företagsanalys där vi under några veckor analyserar verksamheten, identifierar utvecklingspotential och pekar ut de viktigaste områdena att arbeta vidare med. För kunden innebär detta låg risk, men analysen skapar nästan alltid värde i sig genom att ge en tydligare bild av vad som faktiskt sker i verksamheten och var de största förbättringsmöjligheterna finns.
Jag kan faktiskt inte minnas att jag deltagit i en företagsanalys som inte har betalat sig själv genom de insikter den genererat, även i de fall där inget större utvecklingsprojekt har startats efteråt.
Om ett företag vill arbeta med oss inom dessa frågor är det oftast här vi börjar. Analysen omfattar både datadriven styrning och bredare operativa förbättringsmöjligheter, och den leder fram till en tydlig väg framåt, antingen tillsammans med oss eller på egen hand.
Ett annat praktiskt sätt att komma igång är att fråga medarbetare på olika nivåer vilken information de faktiskt behöver i sitt arbete. I workshops kan man diskutera vilken information som är avgörande för att lyckas, om den finns tillgänglig och om den presenteras i rätt format och vid rätt tidpunkt.
Den här typen av dialog gör nuläget tydligt. Vissa medarbetare har byggt egna, ofta avancerade lösningar för att kombinera data från olika källor, medan andra har mycket begränsad tillgång till information. Redan här går det ofta att identifiera tydliga utvecklingsmöjligheter.
Tillvägagångssättet för AI är liknande. Först väljer organisationen vilka verktyg som ska användas, med hänsyn till cybersäkerhet. Därefter görs de tillgängliga för medarbetarna i stor skala, samtidigt som införandet stöds med utbildning och konkreta exempel.
Ett särskilt viktigt perspektiv inom AI är att fokusera på processer. I stället för att utgå från hela roller bör företag identifiera specifika delar av processer som kan förbättras eller automatiseras. De flesta roller är komplexa, men innehåller återkommande moment där AI kan skapa tydligt värde.
I vissa fall kan ett specifikt steg automatiseras helt. I andra fall får medarbetaren ett färdigt förslag som kan godkännas, justeras eller avvisas. På så sätt blir AI ett praktiskt verktyg i vardagen som stödjer arbetet, snarare än att ersätta hela roller.
Om man ska ta med sig en sak från den här diskussionen kan det sammanfattas i två frågor att ta med till nästa ledningsgruppsmöte:
1. Vem i vår organisation saknar idag tillgång till den data de behöver för att fatta bättre beslut?
2. Vilket specifikt processteg – inte roll – är den bästa kandidaten för vårt första AI‑experiment?
Oftast leder dessa två frågor till en betydligt mer värdeskapande utvecklingsresa än nya systeminvesteringar.
