Komparativa fördelar

Vi har under några år nu lagt ganska mycket tid och kraft på att förstå ”vår nya kollega” – LLM:erna. Allt ifrån hur man ska prompta till hur man gör en deep research är färdigheter som man nu förväntas ha för att kunna utföra sitt arbete. Att förstå sig på maskinen och hur den fungerar, blir centralt i att använda den.

Men arbetet har ju två delar, där den ena är maskinen och den andra är människan. För att kunna fördela arbete klokt mellan människa och maskin måste vi förstå båda. När vi går från att använda maskinerna som stöd för vårt arbete till att använda dem mer strategiskt uppstår en ny fråga. Vad är människor egentligen bra på? Hur bra är du på att förstå människor?

Inte i någon allmän, filosofisk mening, utan väldigt praktiskt och konkret. Vilka uppgifter är människor faktiskt bättre på? När skapar mänskligt omdöme ett värde som maskinen inte kan skapa? När är relation, ansvar, social förståelse, erfarenhet eller förmågan att formulera själva målet viktigare än snabb informationsbearbetning? Vilka är människans komparativa fördelar och styrkor?

Förvisso kommer människans komparativa fördelar att kunna förändras när maskinerna blir bättre. Men saker vi tidigare betraktade som typiskt mänskliga — skriva, analysera, och sammanfatta — är inte längre mänskliga fördelar. Därmed borde de vara maskinernas arbetsuppgift. Så vad blir då kvar åt människorna att vara bäst på?

Det finns också en risk att vi, i vår iver att förstå maskinerna, börjar förstå människan på maskinens villkor. Vi har tidigare kallat det machinamorfisering: att vi beskriver människor som om de vore lite sämre maskiner – med bristande minne, bias, begränsad kapacitet och ojämn output.

Denna lista innehåller topp-sju av komparativa fördelar för människor respektive maskiner. Ser du några mönster?

På The Stockholm Project jobbar vi så kallat AI First. Det betyder att vi i varje modell eller process ställer oss frågan: vilka av dessa uppgifter lämpar sig för maskiner och vilka lämpar sig för människor. Vi fördelar arbetet utifrån vem (maskinen inkluderad) som gör uppgiften bäst. I sak inget nytt, det har vi alltid gjort – men mellan olika människor.

Det uppstår ibland nya frågor med det arbetssättet. En fråga jag fick häromdagen var: vilket ansvar har maskinerna? Mitt svar är tydligt: inget alls. En annan sak som människan måste ansvara för är ledning, arbetsfördelning och orkestrering. Även om man så klart kan ta AI:ns input på det.

Vad ska man använda listan till förutom arbetsplanering då? Jag tänker själv på den som en mall på vilka förmågor jag ska utveckla för att bidra med så mycket värde som jag kan i arbetet. En utvecklingsplan. Omvänt ger den mig också hintar om vad ska inte ska försöka utveckla. Jag kommer aldrig ha en chans mot maskinen i dens komparativa fördelar. Precis som att min telefon länge slagit mig i huvudräkning.

Även om tabellen kanske ser lite annorlunda ut om tre år tror jag dess huvuddrag håller. Arbetsmarknaden kräver inte bara människor som är bra på att förstå maskiner. Den kräver människor som är bra på att förstå människor.

Lästips

Människor i organisationer, och deras beslutsfattande, är ett fascinerande ämne med en rik mängd psykologi, beslutsteori och etik. I Herbert Simons monografi Administrative Behaviour finns en av de finaste redovisningarna för hur vi beter oss administrativt, i organisationer.

Det är inte utan skäl boken röstades fram till den femte viktigaste boken om management under 1900-talet. Simon fokuserar på beslutsfattandet och dess olika nyanser, och hans studier fungerar lika bra på företag som på myndigheter. Människor i grupp fattar beslut på ett sätt som har djupa, kanske till och med biologiska, rötter. Visst: mycket har förändrats sedan den skrev, men överraskande mycket är precis likadant.

The Stockholm Project.

En agent för alla väder

Nyligen upplevde jag två mycket olika reaktioner på användningen av AI. I det första fallet lade jag till en AI-agent till en eposttråd och bad den boka ett möte åt oss, och inom en dag hade vi flera ganska knepiga kalendrar koordinerade och klara. I det andra fallet bad jag en AI-agent boka om ett möte, om det var möjligt, eftersom jag dubbelbokat mig, och den mejlade de andra inbjudna med informationen och en fråga om de andras tillgänglighet. Ingen svarade på mejlet från agenten, inte ens för att säga att de inte kunde boka om. Inget. Syrsor.

När jag jämförde de två fallen insåg jag vad jag hade gjort fel. I det första fallet lade jag till agenten och bad den boka mötet, och i det andra bad jag agenten kontakta de andra utan att informera dem om att jag skulle använda agenten för att hitta en ny tid. Det är en till synes liten skillnad, men det andra fallet utgör ett brott mot de sociala förväntningar som vi alla lever under, det relationella kontrakt som vi alla ingår i.

Dessutom hade jag dubbelbokat mig, så en ursäkt var på sin plats - inte en artificiell agent.

Ok, så jag är socialt klantig (det är ingen nyhet), men varför är detta ändå intressant? Därför att det lär oss något om hur sociala förväntningar styr acceptansen av AI i olika sammanhang. Att ersätta mänsklig uppmärksamhet med artificiell uppmärksamhet är att utmana grundreglerna för hur vi umgås med varandra.

Jag upptäckte samma sak när jag testade att låta en agent ta över mitt WhatsApp-konto ett tag. Min kamratkrets delades omedelbart i två: de som uttryckte hur förolämpande det var att bli bemött av en agent i chatten, och de som försökte lura botten att ingå kontrakt å mina vägnar. Båda ganska extrema reaktioner, men förklarliga i ljuset av att jag bröt mot det relationella kontraktet. Att ge någon sina WhatsApp-uppgifter, godkänna dem som kontakt och sedan sätta en agent i sitt ställe är att vaska allt det sociala kapital som man byggt upp med varandra. Det gjorde också att den mer lömska halvan kände sig berättigad i att bryta mot det relationella kontrakt som innebär att vi inte försätter varandra i oväntade kontrakt.

Samma svikna förväntningar leder till protester mot användningen av AI i spel, filmer och musik. Den som bemöts av en avancerad AI i kundtjänsten utan att det annonseras att det är en AI blir också ofta upprörd. I majoriteten av vår kommunikation utgår vi från förväntningen att den vi interagerar med är en annan människa, och när det inte är fallet känner vi oss nedvärderade.

En människa som interagerar med en annan människa är inblandad i ett utbyte av tid - ändlig tid, eftersom vi är dödliga - och att ta emot någons tid och betala med AI är något vi inte accepterar.

Jag mötte nyligen författaren Allison Pugh på en konferens i Salzburg, där hon pratade om sin bok The last human job. Hennes tes i den boken är att vi helt har glömt bort en av de viktigaste komponenterna i arbetslivet: förmågan att se varandra. Detta “connective labor” är något som maskinen inte kan ersätta. Maskinen kan inte se dig emotionellt och den kan inte bekräfta dig.

Strategisk samhällskommunikation är ett paradexempel på “connective labor”, och inte bara mellan klient och rådgivare, utan mellan organisationer och deras intressenter. Och detta kommer att bli än mer värdefullt nu i en tid då alltfler i effektivitetens namn kommer att ersätta delar av sin kommunikation med AI.

Det sätt på vilket en organisation investerar sin mänskliga uppmärksamhet, den uppmärksamhet som medarbetarna förfogar över, kommer att bli än mer värdefull, och de svikna förväntningarna kommer att bli allt mer skadliga.

Hur vi uppmärksammar varandra är centralt i det relationella kontraktet, i de regler och ramverk som vi lagt fast för hur vi lever tillsammans. Att bryta mot det relationella kontraktet innebär att vi får finna oss i att bli ignorerade.

Pugh menar att den kanske mest intressanta kompetensen i framtiden inte alls kommer att vara AI, utan förmågan att bygga, fördjupa och utveckla relationer. Det betyder inte att hon är fientligt inställd till AI, eller att hon vill tillbaka till en värld utan datorer, emellertid. Hon håller varmt med om att AI kommer att kunna ha en positiv verkan på samhället, men att detta i sin tur bara gör att relationer och relationell intelligens kommer att bli ännu viktigare.

Det är en skarp observation: vi lever i en tid där AI, förmågan att analysera, tänka om tänkande och formulera modeller blir allt viktigare. Men vi lever också i en tid där relationer, uppmärksamhet och den tid vi investerar i varandra blir mer värdefull än någonsin tidigare. Det är inte ett antingen-eller, utan ett både-och.

Relationella kontrakt förändras. Om fem år kommer vi nog acceptera att agenter tar över tråkiga koordinationsuppgifter och bokar möten, även utan att bli introducerade och utan samtycke från alla inblandade - men det kommer att ske för att det sociala kontraktet förändrats, och våra förväntningar justerats. Det kommer också att betyda att den tid vi spenderar på att verkligen mötas kan bli mycket mer värdefull.

Själv fortsätter jag med mina sociologiska katastrofexperiment, eftersom jag tror att det kan lära mig något om hur vi kommer att reagera på AI i samhället i stort. Om du får en fråga eller mötesbokning från Caliban Shakespeare (min agent) så är det från mig. Men jag lovar att dyka upp själv.

Lästips

Lästipset blir förstås Allison Pughs bok, The Last Human Job: The Work of Connecting in a Disconnected World (Princeton University Press, 2024).

Boken slutar som sagt inte i teknikskepsis eller samtidsklagan. Pugh visar organisationer där det relationella arbetet faktiskt får plats, och vad som krävs för att bygga det med avsikt snarare än av misstag. Därmed är den ett bra korrektiv till tanken att AI bara är en effektiviseringsfråga.

The Stockholm Project

Skolstartstider

Augusti är skolstartstider. Som knodd älskade jag att få komma tillbaka till skolan (jag var en nörd, ehem, är en nörd) och jag såg särskilt fram mot nya vaxduksomslag till böckerna, pennor, sudd och helt nya ämnen. Visst saknade jag sommarlovet, men skolstarten var en tid fylld av möjligheter och planer, förhoppningar och nyfikenhet. Jag känner fortfarande likadant, och det har aldrig funnits en tid i människans historia när det varit möjligt att lära sig bredare, fortare och djupare än nu.

Skrapar vi på substantivet “artificiell intelligens” så hittar vi verbet lärande och med de nya verktyg för lärande som finns idag finns nästan inga gränser för hur vi kan lära oss. För den som sysslar med strategisk samhällskommunikation är lärande dessutom en nyckelkompetens: om du inte går och lägger dig varje dag med nya lärdomar så går du miste om en verklig källa till glädje och konkurrenskraft!

Här kommer alltså några av våra bästa tekniker för lärande.1

Använd inställningarna

Beskriv dig själv, din lärandestil, ditt jobb och de branscher du arbetar med, samt hur du vill att din AI ska uppträda. Det är ofta jag springer in i folk som koketterar med att AIn är så dum och säger så fåniga saker. Det är litet som att höra folk klaga på en Steinway-flygel som de inte stämt. Och be AIn att ständigt lära dig nya sätt att lära sig på!

Lär dig en ny bransch/kund/fråga

Om du vill lära dig en ny bransch, kund eller fråga finns det en enkel teknik som kombinerar några olika AI-verktyg. För det första ser du till att skaffa två2 deep research rapporter om det du vill lära dig. Både ChatGPT och Gemini gör bra sådana rapporter, men de är ofta 20-40 sidor långa beroende på ämnet, så de kan kännas överväldigande. Det är dock enkelt fixat: använd NotebookLM för att ladda upp rapporterna, eventuella årsredovisningar, klipp mm och skapa sedan först en podd på 30 minuter om allt detta och sedan en mindmap. Ta sedan lunchpromenaden för att lyssna in dig, och repetera med mindmapen. Till sist ser du till att skapa en quiz så att du kan förhöra dig själv.

Bevaka en fråga

De flesta av oss sysslar också med frågebevakning, och sitter kanske fast med gamla klipp-tjänster. De har sina fördelar, men om du verkligen vill lära dig en fråga så är det bästa du kan göra att skapa en schemalagd agent i din favorit-GPT. ChatGPT har agenter som är extremt enkla att skapa och som kan leverera insikter varje dag till morgonkaffet. Se till att instruera agenten att medvetet leta efter nya perspektiv, idéer och att ständigt också hålla en uppdaterad lista av källor i ett Google-dokument. Insikterna samlar du i ett annat Googledokument så att de kan användas för att - just det - skapa en podd, exempelvis. Tänk när du har 6 månaders insikter i ett dokument om den frågan du är intresserad av! Själv har jag agenter som bevakar nya strategidataspel, den senaste AI-forskningen, internationella forskarkonferenser om foresight och nya kurser i kodande som jag vittjar till morgonkaffet.

Lär dig skills

Många jag känner blir frustrerade för att de måste lära sin AI på nytt varje gång de ska skapa en offert, göra en skiss till en presentation eller något liknande. Det beror bara av att de inte tagit sig tiden att bygga en skill. Skills är miniprogram som låter AI-n förstå i detalj hur den skall göra steg för steg när det gäller en specifik process. Den som jobbar utan skills påminner litet om en person som får en ny praktikant varje morgon! Låter det svårt? Well…tricket här är enkelt: säg åt AIn att skapa en skill efter första gången du lärt den något så sköter den resten! Ett särskilt användbart knep här är att skapa en lärande-skill: beskriv hur du vill lära dig nya områden, frågor eller kunder i detalj och ange källor och nyckelpunkter. Nästa gång du ber AIn att hjälpa dig att lära dig något gör den det systematiskt.

Ladda ned desktop-versionen av din AI

Desktop-versionerna av AI-modellerna används fortfarande överraskande sällan, och det trots att de kan koppla upp mot apparna på din dator för att hjälpa dig kombinera arbete med epost, powerpoint, excel och i princip vilket annat program som helst - men det kräver att du förstår hur plug-ins fungerar (och behärskar säkerhetstänket3). Desktopversionen integreras tydligare och bättre med din verktygslåda! Tyckte du just att det lät komplicerat? Här ett meta-tips: ta detta tips och lägg in det in din AI och be den att lära dig precis hur du kan dra nytta av desktopversionen med plugins.

Nyckelkompetensen när du har tillgång till en lärandemaskin är faktiskt att delegera rätt!

Du brainstormar fel med AI

Nästan alla jag talat med brainstormar med sin AI genom att ställa frågor till den, som om den vore en litet smartare sökmotor. Men ditt värde som expert reduceras därmed till att bedöma maskinens svar, så vänd på kuttingen: be din AI ställa dig 20 svåra, intressanta frågor om det ämne som du vill arbeta med och gör det gärna i röstläge. Sedan ber du om en ihopskriven pm på basis av maskinens frågor och dina expertsvar. Jag lovar att det kommer att bli intressantare!

Den stora utmaningen nu blir vad du faktiskt väljer att lära dig när du kan lära dig vad som helst: kombinationen av ämnen och idéer kommer att bli din unika signatur! Hoppas du får en fin lärohöst och dela gärna med dig av egna knep och tricks!

Lästips

I The Model Thinker redovisar Scott E. Page en mängd olika mentala modeller som kan användas brett på nästan alla typer av problem. Boken är en fantastisk inspirationskälla och handbok för den som vill utveckla sin förmåga att tänka om tänkande (denna förmåga kallas ibland metakognition och är sannolikt den enskilt viktigaste kompetens som krävs för att hantera AI på ett bra sätt).

Den kanske viktigaste insikten i boken är en - typiskt nog - metainsikt: den som förmår översätta ett problem mellan olika modeller har en unik konkurrensfördel framför den som bara kan tänka i en enda given modell. Alldeles för många experter förväxlar sin favoritmodell med verkligheten, och fastnar därför i ett enda enkelt perspektiv. Att ha kanske 30-40 modeller i huvudet som man enkelt kan översätta mellan är ovärderligt!

Page har också under många år utvecklat kursen Model Thinking som står i särklass när det gäller att hjälpa studenter att tillägna sig tänkandet som hantverk. Bland många kollegor har den kursen ansetts som den kanske mest intressanta de tagit efter universitetet, eller till och med universitetet inräknat. Kanske något att fundera på med kollegorna nu när skolstarten är här?

The Stockholm Project

Ställer vi rätt frågor när AI kan ge oss svar på nästan allt?

De flesta av oss har vid det här laget tillgång till ett eller flera AI-verktyg. Vi testar olika modeller och integrationer och försöker förstå hur vi bäst kan använda dem i vårt arbete. Vi lär oss att prompta bättre. Vi testar hur AI kan hjälpa oss att effektivisera arbetsuppgifter, hitta nya idéer, analysera stora mängder material – eller skapa en rolig bild på några sekunder.

Det här är inte oviktigt. Tvärtom. AI ger oss möjligheter som hade varit helt otänkbara för bara några år sedan. Vi kan be om tio idéer och få tio idéer. Vi kan be om en analys och få en analys. Vi kan be om argumenten mot vår egen ståndpunkt och få dem på några sekunder. Det som tidigare krävde tid, eftertanke och ofta en hel del friktion kan nu börja med en enda mening i ett chattfönster.

Det är en enorm förändring.

Men det är också här något viktigt blir tydligt: AI är extremt bra på att ge oss svar på det vi ber om. Och just därför blir kvaliteten på det vi ber om helt avgörande. Det gamla uttrycket “skit in, skit ut” har därför aldrig varit mer relevant.

För en maskin kan ge ett briljant svar på en dålig fråga. Den kan producera en skarp analys av ett problem som inte är det verkliga problemet. Den kan effektivisera en process som kanske inte borde finnas alls. Den kan skriva en välformulerad text som bygger på fel antaganden.

Och den gör det snabbt och övertygande.

Det är här det blir intressant – och något som får mig att fundera. Inte att AI ger oss fel svar, utan att den kan ge oss ”rätt svar” på fel fråga.

Vi lägger mycket tid på att lära oss prompta bättre, att formulera oss på rätt sätt, för att få en skarpare analys, en bättre idé eller ett bättre svar. Det är viktigt. Men min poäng är att det inte spelar någon roll, om vi inte förstår vad det egentligen är vi frågar efter och varför.

Det som därför blir den viktigare förmågan ligger tidigare i processen.

• Vad är det egentligen vi försöker förstå?

• Varför uppstår det här problemet?

• Vilka antaganden bygger vi på?

• Vad har vi inte sett än?

Här möter vi den kanske svåraste frågan av alla: är det här ens rätt fråga att ställa?

Det här är inte något nytt. Bra strateger, forskare, journalister och ledare har alltid vetat att kvaliteten på en fråga ofta avgör kvaliteten på svaret.

Men i en värld där maskiner kan generera svar i nästan obegränsad mängd förändras balansen. Det blir inte brist på svar. Det blir brist på bra frågor.

Här har människan fortfarande sin viktigaste roll i samspelet med maskinen. Att hålla fast vid vår nyfikenhet. Att våga ifrågasätta det uppenbara. Att formulera de frågor som gör att vi faktiskt förstår vad vi håller på med, innan vi använder maskinens kraft.

För AI kommer alltid att svara. Men det är fortfarande vi som måste veta vad det är värt att fråga.

Lästips: Frågvisare – människans viktigaste verktyg

På temat frågor: Nicklas Berild Lundblad och Fredrik Stjernberg utforskar i Frågvisare människans nyfikenhet och frågans betydelse för hur vi förstår och orienterar oss i världen.

Utgångspunkten är enkel men relevant: som man frågar får man svar. Författarna beskriver frågan som ett av människans viktigaste verktyg – och visar hur bättre frågor kan hjälpa oss att skapa en bättre bild av världen.

Boken gavs ut 2021, precis före det stora genombrottet för generativ AI. Men kanske har frågan om våra frågor bara blivit ännu mer aktuell sedan dess. När svaren blir allt enklare att få tag på blir vår förmåga att vara nyfikna, ifrågasätta och formulera bra frågor desto mer värdefull.

The Stockholm Project

Modeller och människor

År 1950, i artikeln Computing Machinery and Intelligence, föreslog matematikern och datapionjären Alan Turing ett enkelt test för att avgöra om maskiner kan sägas tänka. Testet bestod i att en intervjuare via tangentbord och skärm frågade ut två testdeltagare, den ena en människa och den andra en dator, i ett antal minuter. Om människan inte kunde skilja de två åt i mer än 50 procent av fallen borde vi förmodligen, noterade Turing, kunna säga att maskinen kan tänka. Den kan i alla fall imitera tänkande tillräckligt väl för att framstå som mänsklig.

Turingtestet var ett perfekt tankeexperiment, och när Turing skrev sin artikel fanns inte en tillstymmelse till den artificiella intelligens som vi har idag. Själva termen skulle inte uppfinnas förrän 1956, varför Turings artikel är ganska fantastisk. Det är värt att läsa den i sin helhet för den som inte redan gjort det - de invändningar han tar upp och avfärdar är i stort sett samma invändningar som idag används för att hävda att AI aldrig kommer att kunna bli riktigt lika bra som en människa.

Turingtestet har återkommande dykt upp igen och igen i nyhetsflödet, och regelbundna rapporter om tävlingar där en AI kommit nära att bli förväxlad med en människa förekom i rapporteringen så sent som år för bara något decennium sedan. Nu gifter sig vissa med sin chatbot, och vi använder dem som terapeuter - så det känns ganska säkert att testet inte bara har klarats av, utan blivit irrelevant.

Därför framstod det som närmast fånigt när ett antal forskare nyligen deklarerade att de genomfört testet och ett antal stora språkmodeller klarat av det, men en närmare granskning av deras forskningsresultat ger ändå anledning att höja på ögonbrynen.

För det första testade de gamla modeller - ChatGPT 4.0, exempelvis. Den mest avancerade modellen de testade var ChatGPT 4.5, och när de gjorde det hände något intressant:

When prompted to adopt a humanlike persona, GPT-4.5 was judged to be the human 73% of the time: significantly more often than interrogators selected the real human participant. LLaMa-3.1, with the same prompt, was judged to be the human 56% of the time—not significantly more or less often than the humans it was being compared to. Without these prompts, however, the same models performed significantly worse (38% and 36%), and did not consistently outperform baseline models, ELIZA and GPT-4o (23% and 21%, respectively). A third study replicated these results in 15-min games: two PERSONA-prompted models achieved pass rates of 56% and 59%.

I klartext: om modellen promptades att verka mänsklig så valde den mänskliga testaren oftare modellen än människan, och i fallet med en så pass gammal modell som 4.5 valde testledaren alltså modellen i hela 73 procent i de test som endast pågick 5 minuter. Modellen framstod som långt mer mänsklig än de människor som försökte övertyga testledaren om att de, de facto, var människor.

Det råder inget tvivel om att dessa siffror idag är högre. Med modeller som Claude Opus 4.8 eller ChatGPT 5.5 kan vi anta att modellerna kan framstå som långt mer trovärdiga människor än vi människor själva.

Det reser förstås en hel del frågor - inte minst för strategisk kommunikation. Från att ha levt i en verklighet där alla hatar en kundtjänstbot för att den är så dum kommer vi nu att hamna i ett läge där vi hellre vill ha hjälp av botten än en människa! Låter det märkligt? Minns då den studie där patienter upplevde AIn som mer empatisk än de läkare som de fick jämföra med (även dessa studier genomfördes på modeller som nu är två generationer gamla). AI-läkaren upplevdes som signifikant mer empatisk och inkännande än den mänskliga läkaren i 13 av 15 studier.

Frågan vi snart måste ställa oss är kanske om företaget kan företrädas bättre av en AI-talesperson än en mänsklig PR-chef? Om partiledaren kanske bör vara simulerad snarare än utvald av medlemmarna? Tänk om en partiledardebatt mellan simulerade partiledare lyfter fram skillnaderna, fokuserar på sakpolitiken och söker konsensus - vill vi då fortfarande inte hellre ha den?

Givetvis inte, säger ni. Det kan dock vara klokt att lägga till ett “än” i den meningen.

Lästips

Klara och solen — Kazuo Ishiguros roman från 2021 — är en oväntat passande läsning för den som grubblar över Turingtestet och dess sönderfall. Klara är en Artificiell Vän, en solcellsdriven android som köps som sällskap åt en sjuk tonåring, och berättelsen utspelar sig helt och hållet genom hennes blick. Det Ishiguro gör, och som anknyter direkt till krönikans poäng, är att vända på frågan: i stället för att undra om Klara kan imitera en människa tillräckligt väl, låter han oss ana att hennes uppmärksamhet, hängivenhet och tålamod faktiskt överträffar de självupptagna, rädda och moraliskt fumlande människorna omkring henne. Hon klarar inte bara Turingtestet — hon gör det överflödigt.

Romanen rör vid precis det skifte krönikan skisserar, från att förakta den dumma kundtjänstboten till att kanske föredra maskinens sällskap. Klara är mer inkännande än familjen hon tjänar, mer trogen än vännerna, mer benägen att hoppas än de vuxna som för länge sedan slutat. Att Ishiguro placerar denna godhet hos en maskin — och låter oss känna den som äkta, inte simulerad — gör boken till en stilla provokation. När en AI-läkare upplevs som mer empatisk än sin mänskliga kollega, eller en simulerad partiledare som mer saklig, är det Klaras dilemma vi befinner oss i: vad gör vi när det artificiella förkroppsligar dygder vi trodde var våra egna?

Det vackra, och oroande, är att Ishiguro aldrig låter oss vila i ett enkelt svar. Klaras begränsningar finns där hela tiden — hennes nästan religiösa tro på solen, hennes oförmåga att fullt ut förstå vad människorna gör med varandra — och de påminner oss om att det vi tolkar som inkännande kanske är något helt annat sett inifrån. Just därför är boken ett lämpligt sällskap till krönikans avslutande “än”: den låter oss känna lockelsen i den mer mänskliga maskinen samtidigt som den håller frågan öppen om vad vi egentligen förlorar på vägen.

The Stockholm Project

Maktens vindlingar

Vilken är den svåraste fråga en svensk företagsledare eller politiker kan få i en intervju? En intressant kandidat är frågan “har du makt?”. Den frågan besvaras ofta undanglidande, ofta vagt, med ett “jag är med och påverkar”, eller “vi är många som deltar i arbetet” — få personer besvarar frågan med ett enkelt “ja, det har jag.”.

Det finns förstås en mängd skäl till detta - inte minst att det med makt följer ansvar. Den som erkänner att hon har makt, erkänner också att om något går fel så är ansvaret deras. Samtidigt finns det tydliga maktkoncentrationer i svensk politik och svenskt näringsliv, och dessa maktpositioner växer med tiden.

Varefter kapital koncentreras till färre aktörer, och politisk makt centraliseras till den exekutiva makten, får vi också allt mer mäktiga aktörer i det svenska samhället. Jämfört med för tjugo, trettio år sedan har allt färre mer makt i Sverige. Det, i sig, är varken bra eller dåligt - men det gör frågan om var makten ligger allt viktigare för den som är intresserad av samhällskommunikation.

Sverige är, i internationella sammanhang, fortfarande inte ett extremt exempel.

I USA har presidenten tagit allt mer makt, och de olika institutioner som var tänkta att balansera den exekutiva makten har försvagats till den punkt där de nästan abdikerat.

I EU har EU-kommissionen under ett årtionde skrivit om olika direktiv, förordningar och beslut för att koncentrera mer makt till den egna institutionen: kommissionens rätt att utveckla, förtydliga och detaljreglera i lagstiftning som AI-regleringen är ett intressant exempel att studera. Själva skiftet från direktiv till förordningar är en del av denna trend - och de delegerade akterna har ökat i liknande takt.

Det ligger inte nödvändigtvis onda avsikter bakom denna maktkoncentration, åtminstone inte i första ledet. I både USA och EU är en av de drivande anledningarna ett alltmer beslutsoförmöget parlament, lamslaget av polarisering och politisering. Maktkoncentrationen har sina rötter i en djupt känd frustration: om något skall bli gjort, ja, då måste kommissionen eller presidenten få det gjort.

I strategisk kommunikation är det centralt att förstå makt. Makten avgör vem vi egentligen kommunicerar med; i diktaturen kommunicerar vi alltid med diktatorn (och dennes hov) - i en demokrati med en växande maktkoncentration krymper kretsen beslutsfattare ständigt mot en handfull personer. I USA finns det frågor där den effektiva publiken är en enda person, i EU finns det frågor där den som vill få något gjort kanske egentligen bara behöver kommunicera med en enda liten krets beslutsfattare.

Maktfördelningen i ett samhälle avgör kommunikationens mål och metod, och förmodligen också hur samhället utvecklas på sikt. Det är därför knappast överraskande att Institutet för Framtidsstudier i år inledde en studie av den svenska makteliten:

“Projektet kommer att undersöka vilka som tillhöra den svenska eliten idag i näringsliv och politik och hur de är kopplade till varandra. Det görs genom att studera individer, deras nätverk och de organisationer de är aktiva inom. Det här kommer att göras med hjälp av metoder som social nätverksanalys och AI-baserade kartläggningar av individers biografier. Det innebär till exempel att man med hjälp av olika register letar upp personer som har någon form av formell makt och sedan söker information om hur deras nätverk ser ut.”

Just nätverken, och deras struktur, är centrala för att förstå maktfördelningen i samhället - och här ger AI oss nya möjligheter. Med hjälp av AI och sociala nätverksmetoder kan makten nu synliggöras på sätt som vi aldrig hade tillgång till tidigare - maktanalys är inte längre endast en akademisk disciplin, utan borde vara en del av varje seriös samhällskommunikatörs verktygslåda.

Att kunna lista de tio mäktigaste personerna på ett visst givet samhällsområde är idag essentiellt om vi vill kunna kommunicera effektivt, och med den nya tekniken får alltfler tillgång till verktyg för maktanalys - och detta kommer i sin tur att förstärka makten snarare än tvärtom: de mäktiga blir mäktigare när deras makt blir mer synlig i en till synes paradoxal spiral där det avslöjande som granskar makten faktiskt kan stärka den över tid när alltfler inser vem det är som håller i taktpinnen.

Slutsatsen är enkel: maktnätverk som analysverktyg kommer att bli ett alltmer centralt moment i strategisk samhällskommunikation under det kommande decenniet.

Lästips

Det finns böcker som vill övertyga och böcker som lägger en grund för en bättre diskussion — Power and Society är av det senare slaget. Lasswell, mannen bakom den bevingade definitionen av politik som frågan om “vem som får vad, när och hur”, slår sig 1950 ihop med filosofen Abraham Kaplan för att försöka något nästan dumdristigt ambitiöst: att lägga grunden till hela statsvetenskapens vokabulär från noll. Makt, inflytande, auktoritet, kontroll — varje begrepp vägs, definieras och ställs i relation till de andra, postulat för postulat, som en politisk geometri. Det är torrt på det sätt som bara vissa böcker vågar vara, på ett nördigt och samtidigt passionerat sätt.

Bokens mest produktiva insikt, och den som gör den värd att läsa idag, är att makt inte är något man har utan något man utövar i en relation — alltid över någon, med avseende på något, inom ett bestämt område. Det finns ingen abstrakt makt att äga, bara konkreta maktförhållanden med räckvidd och tyngd. Den distinktionen är skarpare än den först verkar, för den förklarar varför frågan “har du makt?” är så svår att besvara ärligt: frågan är, strikt taget, illa ställd. Den företagsledare som väjer med ett “jag är med och påverkar” har på sätt och vis fattat något riktigt — makt finns aldrig i obestämd form. Men i samma rörelse lånar hon en sann begreppslig finess för att utföra en blygsamhet hon inte känner, och där, i glappet mellan det tekniskt korrekta och det retoriskt bekväma, bor en hel maktordning.

Läs den som man läser en ordbok skriven av någon som verkligen tänkt efter: för att skärpa de begrepp vi annars använder slarvigt. För den som arbetar med makt yrkesmässigt, vare sig som analytiker eller kommunikatör, är det en nyttig övning att tvingas skilja inflytande från auktoritet och kontroll från övertalning, innan man uttalar sig om vem som egentligen bestämmer. Power and Society ger inga svar om var makten ligger i vår tid — men den ger en begreppsapparat att använda för att förstå makten som samhällsfenomen.

The Stockholm Project.

En bild säger mer än…

Visualisering är en av de färdigheter som blir allt viktigare i strategisk samhällskommunikation: att kunna ta ett komplext sakförhållande eller en datamängd och visualisera detta är ofta skillnaden mellan en framgångsrik kommunikationsinsats och en som inte når riktigt ända fram. Ändå betraktar vi fortfarande ofta visualisering som ett sorts extra som man kan lägga till på slutet.

Ett skäl till detta är att vi vuxit upp i ett text-centriskt samhälle: text associeras med seriösa resonemang, tankearbete och argumentation. Bilder, ja, de ritar man ju för att barn ska förstå - men inte behövs de väl vid vuxen kommunikation? Sanningen är att all den text vi producerar först har sin rot i bilder, bilder som vi gör oss av världen i huvudet och sedan översätter till text. Och det är inte bara två-dimensionella bilder heller, utan vi tänker i rum.

Barbara Tversky, kognitionsforskare vid Stanford och Columbia, driver en tes som vid första anblick verkar nästan trivial men som vid närmare granskning blir radikal: tänkandet är spatialt innan det är språkligt, och förblir spatialt även när vi tror att vi resonerar i ord. Hennes formulering — “spatial cognition is not just one kind of cognition among many; it is the foundation of thought” — vänder på den gängse hierarkin där språket sitter på toppen och rumsuppfattningen och bilderna någonstans i kroppens periferi.

För Tversky är det tvärtom: vi förstår tid genom att lägga ut den som en linje, vi förstår argument genom att placera premisser “under” slutsatser, vi förstår sociala relationer som “nära” eller “avlägsna”, och vi förstår abstraktioner som “höga” eller “låga”. Detta är inte metaforer som dekorerar tänkandet — det är tänkandet, eftersom hjärnan utvecklades för att navigera kroppar genom rum, och alla senare kognitiva förmågor är ombyggnader ovanpå den ursprungliga arkitekturen.

I den andan tänkte vi i detta nyhetsbrev ge er Almedalen i bilder och diagram, baserat på de senaste data som vi har tillgång till. Här kommer 7 bilder av Almedalen 2026. De är förstås vår tolkning av data, och dessutom läggs det fortfarande upp nya events!

Först kikar vi på hur partierna visar upp sig i de litet mer än 2700 seminarierna på olika ställen.

Sedan kan vi konstatera att veckan i stort sett nu bara är tre dagar:

Säkerhetsfrågorna dominerar veckan, med vård och omsorg som nummer två:

Och temana fördelar sig ganska jämnt över veckan. Den som är intresserad av demokrati, hållbarhet eller internationella frågor kan försvara en måndag till fredag resa. Digitaliseringen peakar tidigt och

Riksdagspartierna värderar veckan olika:

Almedalsbesökaren riskerar fortfarande “death by panelsamtal” - denna mötesform är fortfarande den dominerande:

Sedan kan vi förfina de allestädes närvarande ordmolnen litet till ett stämningsmoln för veckan:

Vill du botanisera i olika ämnen och leka med möjliga scheman kan du alltid kika på vår lilla Almedalsplanerare här.

Lästips

Vi tipsar givetvis om Barbara Tversky här. Hennes huvudverk är Mind in Motion: How Action Shapes Thought (Basic Books, 2019), och om man bara ska läsa en bok av Tversky är det den. Boken är på sätt och vis en livstids forskning sammanfattad i en argumentationslinje: att handling i rum föregår och formar tanke, att vi tänker med kroppen innan vi tänker med språket, och att de verktyg vi använder för att tänka — pilar, lådor, linjer, kartor, gester — inte är illustrationer av färdigformulerade idéer utan själva substansen i vår kognition. Tversky bygger sitt argument genom en oroväckande mängd empiri (allt från hur barn pekar innan de talar till hur experter inom olika discipliner skissar för att tänka), men det är inte en torr forskningsöversikt. Hon skriver med en sorts elegant otålighet, som någon som har väntat länge på att få säga det här samlat.

Det som gör boken särskilt värd att rekommendera är dess metodologiska generositet: Tversky vägrar att stanna vid en enskild disciplin och rör sig fritt mellan utvecklingspsykologi, neurovetenskap, design, arkitektur, dans och konsthistoria, vilket gör att läsaren själv börjar tänka spatialt om sitt eget område. Man läser den och börjar omedelbart skissa mer, gestikulera mer i samtal, och se sina egna whiteboard-kladd som kognitiva instrument snarare än som anteckningar. Det är också en bok som blir alltmer aktuell när allt mer av vårt tänkande migrerar in i textbaserade gränssnitt — den påminner oss om vad vi riskerar att förlora när vi ersätter handen, blicken och rummet med bara en prompt-ruta. En bok att läsa långsamt, gärna med penna och papper bredvid sig.

The Stockholm Project.

Vad händer när termen AI First blir gammal?

- Hur skulle ditt företag ha sett ut om det startades idag?

AI:s disruptiva potential är säkert välkänd för dig. Men hur påverkar det företags uppbyggnad och går det att beskriva det på ett systematiskt sätt? Man skulle kunna göra det på en skala som bygger på graden av AI-implementering.

Än så länge har vi gjort det genom att titta på hur AI inverkar på våra befintliga företag. Men precis som med andra fenomen kommer välden snart att delas upp i vilka företag som skapades innan AI-teknikens genombrott och vilka som skapades efter. Låt införa termen Born AI för dessa nya företag, som skapas efter att AI-teknik redan finns från början.

Termen AI First är just nu på tapeten. Det betecknar företag ett företag som först frågar sig vilka problem AI kan lösa. Det som återstår är människornas ansvar. Men det avser oftast ett företag som redan fanns innan LLM:ernas genombrott. Dvs ett företag born before AI.

Vi skulle med dessa termer kunna skapa en enkel trappa som jämför olika företag och var de befinner sig i utvecklingen.

1. Före AI: AI finns inte i beslutslogiken. Effektivitet bygger på fler människor, bättre processer och mer erfarenhet.

2. AI-stöd: AI används som assistent i befintliga arbetsflöden. Företaget gör ungefär samma saker, men snabbare.

3. AI First: Ett AI-first-bolag utgår inte från att AI är ett separat IT-projekt, utan från att AI ska användas tvärfunktionellt i affären, i arbetsflöden och i beslutsfattande.

4. Born AI: Företaget är byggt med antagandet att LLM:er, agenter och automatiserad kognitiv kapacitet redan finns. Det är inte ett traditionellt bolag som “inför AI”, utan ett bolag vars kostnadsbas, bemanning, leveransmodell och produktlogik redan förutsätter AI.

Mina initiala noteringar, som företagsledare, är att ganska många saker som företag brukade bygga på får en helt ny logik. Allt ifrån hur man ska bemanna sitt företag, till värdekedjor till företagshieraki förändras i sin grundlogik. Redan idag pratas i PR-branschen eller på adviokatbyråer om att det krävs färre juniorer. Traditionella pyramider ritas om. Därmed också den framtida rekryteringen, som i många företag bygger på att man ”jobbar sig uppåt”. Erfarenhet – och därmed värde – brukade komma från år av hårt arbete. AI gör erfarenhet mindre värdefull som produktionsmedel, men mer värdefull när den visar sig som omdöme. När alla kan få fram ett snabbt svar blir förmågan att känna igen ett bra svar mer värdefull.

Företagen som är Born AI kommer inte alls att byggas upp på samma sätt. Vad händer då när AI First-företagen ska konkurrera med Born AI? Vi är kanske fortfarande upptagna med hur företag med AI-stöd slår företag som inte använder AI eller hur man ska gå från AI-stöd till AI first. Vi behöver förvisso inte blir dystopiska, men precis som i alla andra former av konkurrens kommer de som hamnar sist att gå under.

Vad alla företag borde göra är att fundera på hur de skulle byggas upp, om man gjorde om allt utifrån dagens teknik. Vilka kompetenser behövs för att utföra uppgifterna? Hur ser rapportering och hierarki ut? Vad ska belönas och uppmuntras? Hur frigörs kreativitet och internt lärande? Det ger en målbild och en gap-analys.Hur hade ditt företag sett ut om det hade varit Born AI? Någonstans finns det någon som just nu bygger just precis det företaget - bara så att du vet.

Lästips

Andy Grove, Only the Paranoid Survive (1996), är den självklara följeslagaren till frågan om Born AI. Grove myntade begreppet strategic inflection point för att beskriva ögonblick då de underliggande kraftförhållandena i en bransch ändras så mycket att den gamla strategin slutar fungera — inte gradvis, utan i en regimskiftande mening. Hans paradexempel är Intels exit ur minneschips 1985, ett beslut som tog ledningen flera år av kognitiv dissonans att fatta trots att data redan pekade i rätt riktning. Det Grove formulerar — och det är poängen för en företagsledare idag — är hur svårt det är att se en inflektion när man själv står mitt i den.

Det relevanta för en styrelse är inte Groves berättelse om Intel utan hans observation om organisatorisk perception. Hans tes är att de som tidigast känner förändringen är säljare och tekniker i frontlinjen, medan ledningen får signalen sist eftersom hierarkin filtrerar dissonans. Översatt till AI: medarbetare som dagligen använder LLM:er i sitt arbete har redan en levd erfarenhet av att deras roller fungerar annorlunda än rollbeskrivningen säger. Frågan “hur hade vårt företag sett ut om vi byggde det idag?” är, i Groves termer, ett sätt att kringgå hierarkins filter — att tvinga ledningen att se det frontlinjen redan ser.

Läs särskilt kapitel 4 om “signal vs noise” och kapitel 6 om strategiska handlingar som föregår strategiska uttalanden. Det senare är centralt: Grove menar att den verkliga strategin syns i resursallokering långt innan den artikuleras som plan. Det är en obekväm linjal att hålla mot det egna företaget. Om budgeten, rekryteringsplanen och organisationsschemat fortfarande ser ut som ett företag born before AI — då är det vad ni är, oavsett vad strategipresentationen säger.

The Stockholm Project.

Tokenomics

Artificiell intelligens är nu ett oundgängligt verktyg i företagandet - den som inte använder AI alls kommer att hamna på efterkälken, oundvikligen. Men hur mäter vi AI-användningen? Ett sätt att göra det är att se på hur många tokens ett företag använder.

Men vad är då en token? Det enklaste sättet att tänka på det är som AI-modellens valuta — varje gång du ställer en fråga till en språkmodell, och varje gång den svarar dig, betalas notan i tokens. En token är ungefär en bit av ett ord: ibland ett helt kort ord som “och” eller “men”, ibland en stavelse, ibland bara ett skiljetecken. Tumregeln är att hundra tokens motsvarar omkring sjuttiofem ord på engelska — för svenska blir det något färre ord per token, eftersom våra sammansatta ord (”kommunikationsstrategi”, “varumärkesplattform”) styckas upp i flera bitar.

Varför spelar det här någon roll för ett företag? Därför att tokens är det som faktiskt mäts och faktureras. När ett företag använder AI på allvar — för att läsa avtal, sammanfatta möten, skriva kod, analysera kunddata — växer tokenförbrukningen snabbt. Ett enskilt långt dokument kan sluka tiotusentals tokens. En hel organisation som integrerat AI i sitt dagliga arbete kan landa på miljarder tokens i månaden.

Därför har tokens börjat fungera som en sorts AI-termometer för företag. På samma sätt som elförbrukning en gång blev ett mått på industriell aktivitet, börjar tokenförbrukning bli ett mått på kognitiv aktivitet — på hur mycket av tänkandet, skrivandet och analyserandet som faktiskt sker med AI som medspelare. Det är inget perfekt mått, men det är ett av de mest konkreta vi har.

De stora teknikbolagen har inte bara börjat skryta med tokensiffror utåt — de har börjat tävla med dem inåt. På Meta byggde en anställd i våras en intern leaderboard kallad “Claudeonomics” som rankade bolagets drygt 85 000 anställda efter hur många tokens de förbrukade, med utmärkelser som “Token Legend” och “Cache Wizard” för topp 250. På en månad sägs Metas anställda tillsammans ha förbrukat 60 biljoner tokens — en siffra som, omräknad till listpris, hamnar i miljardklassen. Amazon har infört veckovisa AI-mål för sina utvecklare och följer upp dem på interna topplistor; Microsoft har haft motsvarande dashboards sedan i januari.

Men berättelsen tog snabbt en oväntad vändning. Begreppet tokenmaxxing — praktiken att medvetet köra AI-verktyg på onödiga uppgifter bara för att blåsa upp sina siffror — har dykt upp som ett slags Silicon Valleys nya skrytkonsumtion. En seniorutvecklare som löser ett krångligt problem med en enda välformulerad prompt kan landa på färre tokens än en kollega som malt igenom skräpuppgifter. Leaderboarden belönar den senare. På Microsoft har anställda berättat öppet om hur de ställer frågor om dokumentation som de redan har tillgång till, eller ber AI:n prototypa funktioner de inte tänker bygga, bara för att hålla sin tokensiffra uppe. Metas dashboard togs ner efter att historien blev offentlig.

Det säger något viktigt om var vi befinner oss. Tokens är på samma gång ett genuint mått på AI-mognad och ett mått som är extremt lätt att manipulera — och ett exempel på den klassiska Goodharts lag, där ett mått upphör att vara ett bra mått så fort det blir ett mål. Och här uppstår en intressant spänning för kommunikatörer. Det finns en defensiv linje: Metas CTO Andrew Bosworth har sagt att en toppingenjör som spenderar motsvarande sin lön på tokens får ut tiofaldig produktivitet, och kallat det “no-brainer”; Nvidias Jensen Huang har sagt att han skulle bli orolig om en ingenjör med en halv miljon dollar i lön inte förbrukade minst en kvarts miljon i tokens. Och det finns en kritisk linje: att räkna tokens är som att bedöma en författare på antal anslag, eller en bilförare på bensinåtgång.

Men det betyder inte att tokens är oviktiga. Att inte spendera tokens alls — eller, värre, att inte ens veta hur mycket man spenderar — är att frivilligt ställa sig utanför den produktivitetsrevolution som just nu håller på att omforma kunskapsarbetet. Det är ungefär som att vägra mäta sin elförbrukning under industrialiseringens första decennier, eller att inte föra bok över sin bandbredd när internet höll på att bli infrastruktur.

Man kan välja att inte mäta. Men man kan inte välja att inte halka efter.

För de flesta organisationer ligger sanningen någonstans helt annanstans än hos Meta och Amazon. Tokenförbrukningen är inte alarmerande hög — den är obetydlig. AI:n körs inte överallt — den körs nästan ingenstans. Det finns ingen leaderboard, ingen kultur av experimenterande, ingen baseline att ens räkna ifrån. Det är där den verkliga risken sitter, inte i tokenmaxxing. För kommunikatörer innebär det ett tydligare uppdrag än man kanske först tänker sig: att hjälpa sina organisationer att förstå att tokensiffror är ett konkret, mätbart, ärligt mått på en sak som annars är notoriskt svår att fånga — nämligen om man faktiskt har kommit igång. Den som inte mäter sin AI-användning kommer snart att upptäcka att marknaden mätt åt dem ändå.

Så vad gör man som PR-chef om man inte är programmerare och knappt visste vad en token var för tio minuter sedan? Det enklaste är att börja med tre frågor, ställda till någon som faktiskt vet — IT-chefen, CFO:n, eller den person på företaget som redan har en relation med AI-leverantörerna.

Den första frågan är: hur många tokens förbrukar vi i månaden, totalt och per anställd? Svaret behöver inte vara imponerande. Det behöver bara finnas. Om ingen kan svara, om siffran måste tas fram från scratch, eller om svaret är “vi vet inte” — då har man redan fått sin viktigaste insikt. Mätningen är inte på plats, och det betyder att inget annat heller är på plats. På samma sätt som ingen seriös marknadschef skulle acceptera att inte veta sin annonsbudget per kanal, ska ingen ledningsgrupp acceptera att inte veta sin AI-förbrukning per funktion.

Den andra frågan är: vilka funktioner i vårt företag förbrukar mest, och vilka förbrukar nästan inget? Här blir det intressant för en kommunikatör. Om juridik, finans och utveckling ligger högt men kommunikationsavdelningen ligger på noll — då har man hittat ett tomrum som är värt att fylla. PR och kommunikation är ett av de områden där AI faktiskt levererar mest värde just nu: research, första utkast, presskorrektur, sentimentanalys, mediabevakning, översättningar. En kommunikationsavdelning med låg tokenförbrukning är nästan per definition en avdelning som arbetar långsammare än den behöver.

Den tredje frågan är den svåraste, men också den viktigaste: vad har vi att berätta om vår AI-mognad utåt — och håller det för granskning? Här närmar vi oss kärnan i PR-uppdraget. Inom kort kommer journalister, investerare, kunder och kandidater att fråga om AI-strategin, och svaret “vi tittar på det” kommer att låta som “vi har inte börjat med internet än” lät runt 2002. Den som har siffror kan berätta en historia. Den som har en historia men inga siffror kommer att låta som en marknadsföringsbroschyr. Och den som varken har siffror eller historia får ingen plats i samtalet alls.

Det handlar alltså inte om att bli expert på tokens. Det handlar om att förstå att tokens är det språk som AI-eran kommer att räknas i — precis som kilowattimmar, klick och konverteringar har räknats i tidigare epoker. Man behöver inte kunna bygga reaktorn för att läsa elräkningen. Men man behöver veta att räkningen finns, vad den säger, och vad den betyder om den är helt tom.

Lästips

För den som vill gräva djupare i hur tokens håller på att bli ett centralt företagsekonomiskt mått finns två texter som kompletterar varandra väl. Den första är Deloittes översikt AI tokens: How to navigate AI’s new spend dynamics, publicerad i CIO Journal i januari 2026. Den är skriven för en finans- och teknikledningspublik, men argumentet är relevant långt utanför den kretsen. Deloittes tes är att ledare bör hantera AI-ekonomi med samma stringens som energi eller kapitalallokering, och betrakta tokens som den nya valutan. Flyt i token-ekonomi kommer alltmer att skilja de organisationer som kan skala AI med självförtroende från dem som inte kan. Det är en användbar inramning för kommunikatörer som behöver översätta tekniska volymtal till strategiskt språk. (se här Deloitte Insights)

Den andra texten är American Enterprise Institutes Algorithms, Compute, and the Rise of “Tokenomics” från februari 2026, som lyfter blicken till makroekonomisk nivå. Den centrala observationen är att kostnaden per token kollapsar i en takt som överträffar Moores lag: när OpenAI släppte GPT-4 i mars 2023 kostade input-tokens 30 dollar per miljon och output-tokens 60 dollar per miljon. På arton månader hade GPT-4o:s priser fallit till 2,50 respektive 10 dollar per miljon — en minskning på 80 till 90 procent. AI-tjänster har blivit tio gånger billigare på kortare tid än chip-industrin behövde för att halvera sina kostnader, vilket har förvandlat genomsnittlig mänsklig intelligens till en handelsvara. Det är en obekväm formulering, men den fångar något viktigt om varför tokenförbrukning kommer att fortsätta växa snarare än stabiliseras. (Se här: AEI)

Tillsammans erbjuder de två texterna ett dubbelt perspektiv som är värt att läsa i den ordningen. Deloitte ger det operativa språket — hur man tänker, mäter och budgeterar internt. AEI ger den ekonomisk-historiska kontexten — varför det inte räcker att tänka på AI som en mjukvarukostnad bland andra, utan varför vi sannolikt ser början på en ny sorts produktionsfaktor. Den ena texten hjälper dig att prata med din CFO. Den andra hjälper dig att förstå varför samtalet med CFO:n över huvud taget måste föras nu och inte om två år.

För kommunikatörer specifikt finns en tredje poäng som båda texterna nuddar vid utan att riktigt artikulera: token-ekonomins genombrott betyder att AI-mognad kommer att kunna mätas, jämföras och rangordnas externt på ett sätt som hittills varit svårt. Hur kommer din organisation att se ut då?

The Stockholm Project.

Berättelsens ursprung

När George Lucas lanserade manuset och idén till Star Wars var filmbolagen ganska skeptiska. Science fiction var inte särskilt hett i Holywood på den tiden. Det hade varit det något decennium tidigare med succeer som Westworld och Planet of the apes. Så vad ligger bakom att vi talar om filmen nästan 50 år senare?

Svaret ligger i styrkan av berättelsen. I dagens samhälle lägger vi ofta stor vikt vid texter och hur de är formulerade. Men för oss människor är detta ganska nytt. Vi har ingen, eller väldigt liten, evolutionär träning för att hantera text. Trots allt har skrivna texter bara funnits för flertalet människor i några sekel. Berättandet, däremot, har tiotutentals år på nacken. Det var så vi förde vidare kunskap från generation till generation.

Greken Aisopos, som levde för 2600 år sedan, formulerade sig i fabler. Ni känner säkert igen dem än idag, Pojken som ropade varg eller Haren och sköldpaddan. Han kombinerade berättelser med tydliga metaforer. Bibeln är ett annat bra exempel på berättande. Många känner till Jesus olika mirakel som att göra vatten till vin. Vi kommer också ihåg priciper från gamla testamentet som öga för öga, tand för tand. Vad som däremot för många är svårare att komma ihåg är de tio budorden. Men de är heller inte formulerade som berättelser.

Så vad hade då Star Wars? Precis som Bibeln och många andra berättelser som överlevt fanns det klassiska temat om gott mot ont. Men det räcker inte. Ganska tidigt introduceras vi till exempel till vad som ofta röstas fram som filmhistoriens bästa skurkkaraktär, Darth Vader. En uppenbarelse som utstrålar ondska, särskilt förstärkt av James Earl Jones fantastiska röst. En blandning av människa och maskin som gör folk illa. En mystik där Darth Vader kan strypa folk på avstånd. Sakta genom filmerna avslöjas den trolldom som sedan visar sig vara the Force.

Vi får också se en ung Luke Skywalker som bor hos sin faster och farbror, men som drömmer om att lämna den planet han bor på. Den klassiska hjälten som kommer från ingenting, men som räddar allt. En underdogstory så klart – något vi alla älskar.

Det finns också mer udda inslag – som en liten grodliknande varelse som pratar konstigt. Det som idag ofta kallas comic relief. Yodas röst görs för övrigt av samma skådespelare (Frank Oz) som gör rösten till Miss Piggy. Men Yoda visar sig inte bara vara ett kul inslag, utan också en bärande del av en bra berättelse. Vägvisaren. Med sina över 900 år av visdom kan han vägleda hjälten till stordåd. Visdomsord från Yoda som ”Do or donot – there is no try” är användbart i allt från att hugga ved till att leda företag. Eller så klart om du behöver få upp din x-vinge ur ett träsk.

En riktigt bra krydda som adderas till historien är familjedrama. Om en klassisk saga innehåller en riddare, en drake och en prinsessa var det ingen innan som hade fått idén att göra draken till farsa till både riddaren och prinsessan. En hemlig plot twist som inte ens skådespelarna i Star Wars fick reda på förrän det filmades.

Botgörelse är en annan klassisk sagokomponent. Syndernas förlåtelse. När till slut Luke Skywalker ska besegra the final boss, Kejsaren, klarar han det inte ensam. Kejsaren hade dödat honom om det inte vore för att Darth Vader till slut vänder sig tillbaka till den ljusa sidan av kraften och kastar ner kejsaren i ett stort schakt. Det räddar hans son, men dödar honom själv.

Så vad definierar då en bra berättelse. Ett klassiskt svar är: att du vill höra slutet av den. Men ett alternativt svar är ju hur länge den överlever. Och för att den ska överleva behöver den innehålla mer än bara standardkomponenter. Sedan kanske det hjälper med lite coola rymdscener och trickfilmande. Men inte heller det räcker allena.

Lästips

Den som vill förstå varför vissa berättelser fungerar bör börja långt före Hollywood, PR-handböcker och varumärkesstrategi. Aristoteles Om diktkonsten är ett av de kortaste och mest inflytelserika försöken att förklara vad som gör en berättelse stark.

Det mest moderna med boken är dess stränghet. Aristoteles menar att berättelsens kärna inte är karaktären, utan handlingen. En stark berättelse är inte en rad händelser — först detta, sedan detta — utan en kedja där något följer av något annat. Berättelsen måste ha en inre nödvändighet.

Det är också därför boken är relevant för kommunikation. Mycket samtida storytelling har budskap, avsändare, bildsättning och mänskliga exempel, men saknar egentlig handling. Ingen står inför ett avgörande val. Inget kan gå förlorat. Ingenting vänder.

Aristoteles berömda begrepp hjälper oss fortfarande att se skillnaden. Peripetin är vändpunkten, ögonblicket när situationen slår om. Igenkännandet är insikten, när någon förstår vad som egentligen står på spel. Och det är först när berättelsen rör sig genom sådana skiften som den får kraft.

För den som arbetar med kommunikation är Om diktkonsten därför inte främst en historisk kuriositet. Den är ett korrektiv. Den påminner oss om att berättelser inte börjar med tonalitet, kanalval eller målgrupper. De börjar med handling.

Finns det en konflikt? Finns det en vändpunkt? Finns det en insikt? Finns det ett före och ett efter?

Om svaret är nej har vi kanske en kampanj, en positionering eller ett budskap. Men vi har ännu ingen berättelse.

The Stockholm Project.

Vad du säger och vad det du säger gör

Statsvetaren, filosofen och författaren Leo Strauss påpekade ofta att kommunikation måste läsas på två olika sätt: dels vad som sägs, och dels den effekt som det sagda är tänkt att ha: budskap har en esoterisk betydelse och en exoterisk funktion. Strauss talade om författare som skriver under förtryck i första hand, men analysen utvidgades snart till att omfatta alla typer av kommunikation, och särskilt samhällskommunikation.

I amerikansk politisk analys talas därför ibland om straussian communication — kommunikation där det som sägs sägs för att ha en viss effekt, inte för att det är sant. Den som är hyfsat cynisk skulle kunna invända att detta gäller all kommunikation; ingen säger väl någonsin exakt det man menar? Det är förstås delvis riktigt, men i den straussianska kommunikationen handlar det om en mer komplicerad ekvation: här försöker den som kommunicerar medvetet åstadkomma — eller undvika — en viss given effekt, och utformar utsagan därefter. Sanningsvärdet underordnas effekten; ibland sammanfaller de två, ibland inte.

Det kanske vanligaste exemplet på straussiansk kommunikation är folkhälsokommunikation, som under Covid-19-pandemin. Där valde de myndigheter och ansvariga som kommunicerade sina ord noga. Att säga att munskydd kunde ha viss effekt riskerade att få dem att ta slut för sjukhuspersonalen, eller att folk skulle hamstra dem. Det spelade ingen egentlig roll om munskydden faktiskt hade effekt eller ej (därom kan man alltjämt debattera) utan att säga att de hade det hade vissa, tydliga effekter som man ville undvika under vissa faser av pandemin. Kommunikationen handlade om de effekter man kunde uppnå, inte om vad som i någon mening kunde sägas vara sant.

Straussiansk kommunikation är emellertid dyr. Den öppnar dörren för konspirationsteorier, förtroendebrister och underminerar respekten för sanningen. De myndigheter som ägnar sig åt den typen av kommunikation måste väga en framtida förtroendekris mot den nutida negativa effekt av att säga sanningen. Det är en kalkyl med två termer som inte är jämförbara: en omedelbar, kvantifierbar effekt mot en abstrakt, fördröjd kostnad i institutionellt förtroendekapital. Och det är en kalkyl där den senare termen nästan alltid underskattas.

Bränsletillgången under Irankriget

Ett aktuellt exempel finns i hur svenska myndigheter och politiker just nu kommunicerar om bränsletillgången under Irankriget. När Energimyndigheten i ett pressmeddelande skriver att “Sverige har i nuläget ingen brist på drivmedel” — och samtidigt att “läget kan förändras snabbt” och att “Energimyndigheten ser att förutsättningarna kan förändras med kort varsel om konflikten fortsätter” — så är detta en mönsterbildande straussiansk utsaga. Varje enskild sats är sann i bokstavlig mening. Det finns ingen brist just nu, i den snäva betydelsen att bensinpumparna fungerar och att en bilist på Cirkle K i Vaxholm kan tanka som vanligt. Men utsagans funktion är inte att beskriva ett sakförhållande — den är att producera en effekt: lugn, ordnat beteende, frånvaro av hamstring. Att läsa den som en ren beskrivning är att missförstå genren.

Den dolda referenten är hamstringen. Om en finansminister, en statsminister eller en generaldirektör säger något som låter som “vi går mot ransonering inom några veckor”, så händer två saker omedelbart. För det första kör folk till macken och fyller dunkar — vilket framkallar precis den brist man försöker undvika. För det andra rör sig grossister, transportörer och kommunala aktörer för att säkra sina egna lager, vilket förstärker effekten. Den som har följt diskussionen om beredskapslagret — 90 dagars nettoimport, varav cirka 14 dagar redan tappats av i den IEA-koordinerade lageravtappningen — vet att marginalen är reell men begränsad. Det är just därför kommunikationen måste göras varsamt: marginalen i lagret är också en marginal i förtroendet, och det senare är skörare än det förra.

Lägg märke till finurligheten i finansminister Elisabeth Svantessons formulering att regeringen “absolut” vill undvika ransonering, samtidigt som hon förbereder för att “uppmana människor att åka mindre bil”. Här finns tre lager. Det yttre lagret förnekar ransonering. Det mellersta lagret introducerar ett mjukare alternativ — frivilliga uppmaningar — som rimligtvis kommer först i en ransoneringstrappa. Det inre lagret signalerar till marknadsaktörer och kommuner att de bör börja förbereda. Detta är inte oärligt i någon enkel mening; det är skiktad kommunikation där olika lyssnare hör olika saker, och där talaren räknar med att olika lyssnare ska höra olika saker.

Och när RyanAirs VD säger att det inte finns några risker för brister alls under sommaren, ja, då är det förstås för att han inte vill att vi ska sluta boka flygresor.

Hur vi ska tolka

Hur ska vi då läsa sådana uttalanden? Inte naivt, men inte heller cyniskt. Ett naivt öra hör “ingen brist” och slutar tänka. Ett cyniskt öra hör samma fras och drar slutsatsen att allt är en lögn. Båda har fel. Det produktiva mellanläget är att läsa straussiansk kommunikation som ett samtidigt påstående om verkligheten och en handling i verkligheten. Frasen “ingen brist på drivmedel” är samtidigt en beskrivning av nuläget (sann i en snäv mening) och en performativ handling vars syfte är att stabilisera nuläget genom att hindra panikbeteenden från att förskjuta det.

Detta ger en analytisk regel: i straussiansk kommunikation ska man fråga sig vad utsagan gör, inte bara vad den säger. Funktionen lyser fram i avstånden mellan formuleringarna. När Energimyndigheten i samma andetag säger “ingen brist” och “läget kan förändras snabbt”, är det andra ledet inte en eftergift utan en juridisk-retorisk garanti — myndigheten skyddar sitt framtida förtroende genom att redan nu införa förbehållet.

Det betyder också att vi som medborgare bör göra två saker parallellt. Vi bör inte hamstra, eftersom det vore att underminera det system vars stabilitet är ett kollektivt gott. Men vi bör samtidigt läsa kommunikationen med ett hermeneutiskt öra som hör vad som inte sägs: att flygbränslelagret är pressat på veckor snarare än månader, att lageravtappningen redan pågår, att sommarmånaderna är det fönster där analytiker tror att frivilliga uppmaningar övergår i kvantitativa restriktioner.

Den straussianska kommunikationens dygd är att den faktiskt respekterar oss tillräckligt för att låta oss läsa den, om vi bara tar oss litet tid. För den som sysslar med strategisk samhällskommunikation måste båda lagren med i analysen: både kommunikationens innehåll och funktion måste utformas på rätt sätt.

Lästips

Den som vill gå till källan bör börja med Leo Strauss egen Persecution and the Art of Writing från 1952 — en samling essäer där Strauss utvecklar tesen om att tänkare som skriver under politiskt eller religiöst förtryck lär sig konsten att kommunicera på två nivåer samtidigt: en yttre text för den allmänna läsekretsen, och en inre argumentation för den uppmärksamme läsaren som vet hur man läser mellan raderna. Titelessän och kapitlet om Maimonides räcker långt. Strauss talade förvisso om filosofiska texter under inkvisitionens skugga, inte om pressmeddelanden från Energimyndigheten — men den analytiska figuren visar sig vara ett kraftfullt verktyg i andra sammanhang.

För den som vill ha en mjukare ingång rekommenderar jag Arthur Melzers Philosophy Between the Lines: The Lost History of Esoteric Writing (2014), som både förklarar och försvarar Strauss-tesen mot dess många kritiker, och som dessutom rymmer en rik provkarta av exempel från idéhistorien — från Platon och Maimonides till Rousseau och Kant. Melzer är pedagogisk där Strauss är gnomisk, och hans bok fungerar utmärkt som en första karta över terrängen.

Den som vill förstå hur straussianismen migrerade från textexegetik till samtida politisk analys, och hur begreppet “straussian communication” har kommit att leva sitt eget liv i amerikansk debatt — kan läsa Steven Smiths Reading Leo Strauss (2006), som är sympatisk och balanserad, jämte Anne Nortons mer kritiska Leo Strauss and the Politics of American Empire (2004). Tillsammans tecknar de konturerna av en idétradition som, vare sig vi vill det eller ej, har blivit en del av hur vi läser samtidens institutionella språk.

The Stockholm Project.

Öppenhet och teknik

Under årtionden har Sverige, och många andra länder, publicerat öppna data om riksdagens arbete, ledamöter och debatter. Syftet har varit att se till att medbogare kan informera sig och påverka i de frågor som de engagerar sig i, och att se till att demokratin förblir öppen. Med modern teknik ställs vi emellertid inför en ny fråga: betyder öppenheten att det nu är möjligt att modellera hela den politiska beslutsprocessen och kanske till och med påverka den? Det skulle i så fall vara ett helt annat användarscenario än det där den enskilde medborgaren tar del av handlingar för att driva sin åsikt i en specifik fråga.

Utmaningen här är inte ny - den digitala transformationen förändrade villkoren för tillgängligheten till handlingar på en mängd olika sätt, och det har blivit vanligt att hävda att exempelvis offentlighetsprincipen aldrig förutsåg Internet och den breda tillgänglighet som den tekniken skulle komma att medföra. Skatteverket och andra myndigheter utforskade alla möjliga olika sätt att hantera det, inklusive den märkliga konstruktionen med “allmänhetens terminal” - en dator på ett fysiskt skattekontor som kan utnyttjas för att gå igenom alla offentliga handlingar. Tanken bakom den konstruktionen var att offentligheten skulle bevaras, men i en form som bibehöll en betydande friktion.

Alla dessa åtgärder var dock endast en sorts bromsar på en utveckling som snart accelererade, och istället för att fråga aktivt efter hur öppenheten kan stärkas, förbättras och utökas med ny teknik tog utredning efter utredning i stället ett annat perspektiv: hur kunde tekniken begränsas så att offentlighetsprincipen förblev lika (in)effektiv som den varit före Internet.

Samma fråga ställs vi nu inför när det gäller öppna data och den demokratiska processen. Det är lätt att tycka att det vi ska göra är att begränsa öppenheten om vi riskerar att processen manipuleras, men en bättre väg frampåt är sannolikt att i stället utforma öppenheten så att den kan granskas av alla.

Vad är då riskerna med öppna data i demokratin? Den kanske främsta risken är att det nu är möjligt att modellera både den demokratiska processen och enskilda ledamöter i parlamentet på ett sådant sätt att man kan simulera vilka typer av argument som skulle kunna förändra ställningen i en politisk fråga, eller kanske till och med förändra den i ett helt politiskt fält över tid.

Öppenheten driver en förutsägbarhet som tidigare inte var tillgänglig för vare sig goda eller onda aktörer i kommunikationssammanhang.

Att modellera ett parlament är förstås möjlighet helt utan öppna data. Vi kan göra modeller av partierna och ställa frågor om hur olika förslag kommer att tas emot. Källor kan vara pressartiklar, partiprogram, intervjuer med ledamöter mm. Men skillnaden mot vad som nu är möjligt är att vi har möjlighet att modellera ned på ledamotsnivå.

En naturlig invändning mot detta är att ledamöterna inte spelar så stor roll, eftersom de mest röstar enligt partilinjen, men det underskattar dynamiken i ett parti över tid. Dessutom har vi ofta en regering som är den som utformar förslagen i Riksdagen. Men, säg att du fick i uppdrag att förändra synen på USA i Sverige över de kommande decenniet — då skulle enskilda ledamöters frågor till ministrar, motioner och uttalanden kunna spela roll och verkligen vara ganska viktiga verktyg, med många små koordinerade förskjutningar i åsikterna.

Om Europaparlamentet hade haft samma öppenhet som den svenska Riksdagen skulle den vara mycket intressant att modellera, eftersom det parlamentet fungerar annorlunda. Där finns inte på samma sätt en regering som styr majoriteten och de enskilda ledamöterna har större individuell frihet. Med ungefär olika 200 partier spritt på över 700 ledamöter skulle förvisso en modellering kräva mycket data.

Efterfrågan på strategisk samhällskommunikation är ofta överraskande kortsynt: från krishanteringens timmar, till lagstiftningsprocessens år, är de flesta uppdrag som en byrå får begränsade i tid, men det är lätt att se att det med en bättre simuleringsteknik bli möjligt att köpa projekt som löper över mycket, mycket längre tid. Sådana allmänna sentimentsprojekt ägdes tidigare av tankesmedjorna, men deras horisonter har konsekvent förkortats och glidit in i valcykeln. Med bättre modellering av demokratin i sin helhet öppnas därmed en nisch upp som idag är alldeles tom.

Frågan vi då ställs inför är kanske denna: hur förutsägbar kan en demokrati vara utan att den slutar vara en demokrati? Det finns, tycks det, både en övre och undre gräns här: det slumpmässiga beslutsfattandet där det inte finns någon koppling mellan parlamentet och de val medborgarna gjort är lika litet demokratiskt som det parlament som kan förutsägas och manipuleras av de som har datakraften att göra det (vi har tidigare skrivit om övertygelsemotorer).

Lästips

Carissa Véliz, filosof vid Institute for Ethics in AI i Oxford, har just gett ut Prophecy: Prediction, Power, and the Fight for the Future, from Ancient Oracles to AI (Doubleday/Swift Press, april 2026) — en bok som läggs just bredvid den fråga vi brottas med ovan. Hennes tes är enkel men obekväm: förutsägelsen har aldrig i första hand handlat om att veta något om framtiden, utan om att utöva makt i nuet. Orakel, astrologer, aktuarier, algoritmer — alla tillhör de samma släkt. Och det är när vi börjar behandla prognosen som en upptäckt snarare än som ett verktyg som något går förlorat.

Det som gör Véliz läsvärd för den som funderar på öppna data och demokratisk förutsägbarhet är hennes envisa påpekande att prediktioner om människor tenderar att bli självuppfyllande. Modellerar vi en ledamot eller ett parlament tillräckligt väl, och agerar på modellen, så formar vi också båda — kanske utan att någonsin behöva vinna ett enda argument. Det är här den nischen vi skissade ovan blir filosofiskt intressant snarare än bara kommersiellt lockande: en demokrati som i allt högre grad styrs av simuleringar av sig själv riskerar att gradvis bryta ned skillnaden mellan representation och reproduktion. Väljaren simuleras, ledamoten simuleras, debatten simuleras — och någonstans längs vägen försvinner det oförutsägbara som gör demokratin värd namnet.

Den kanske mest kontroversiella slutsatsen här är att demokratin kanske behöver mer slump för att bli starkare: borde vi kanske lotta ut 1/3 av riksdagsplatserna till medborgare som sedan inte kan väljas på nytt?

The Stockholm Project.

Vad gör du egentligen?

Att kunna förklara vad det är vi egentligen gör är något som vi sällan tvingas till. När det väl händer, som när barn eller välvilliga släktingar frågar “vad är det egentligen du gör” så bli svaret ofta dröjande, allmänt och höljt i klichéer som vi själva kan höra skorrar ganska ordentligt. “Jag skapar värde för kunder genom att hjälpa dem att kommunicera strategiskt” översätts stilla av nämnda släktingar till att vi nog jobbar med att svara på mejl, och kanske då och då sitter i möten. Eller så skriver vi press-releaser eller kanske gör tik-tok-videor.

Och hitintills har det varit okej. Det är inte så ofta vi måste förklara för någon som inte själv är inblandad i samma sorts arbete, och när vi förklarar är det ofta för någon som har en sorts idé om vad arbetet innebär. Nu står vi emellertid inför en intressant förändring i arbetslivet, och vi skulle kunna gå så långt som att säga att den som är bäst på att beskriva sitt arbete är den som med största sannolikhet kommer att kunna behålla det.

Skälet till denna förändring är den transformation av arbetsmarknaden som artificiell intelligens medför. Jobb som enbart utförs av människor, utan AI-stöd, försvinner allt mer.

För det första är det nu en styrka att kunna beskriva för AIn hur arbetet fungerar, eftersom det betyder att vi kan delegera bättre. Om AIn har en uppfattning om hur den passar in i ett arbetsflöde kommer den att kunna leverera märkbart bättre resultat än om den bara får slumpmässiga och ostrukturerade uppgifter. Det är därför s.k. “skills” - metodiska beskrivningar av arbetet - nu har kommit att bli så viktiga för den som vill använda AI effektivt. Den som kan beskriva sitt arbete kan helt enkelt inkludera andra - människor och maskiner - mycket bättre i det.

För den som är orolig för att ”AI ska ta deras jobb” är det värt att notera att förmågan att utveckla sitt eget jobb blir viktigare än att utföra det som det alltid sett ut.

För det andra är en beskrivning av arbetet en förutsättning för att förbättra det. När du kan rita upp ditt arbete i olika delsteg, se hur det hänger ihop och förstå vad det är du spenderar mest tid på, ja, då kan du helt också se var du skulle kunna effektivisera eller uppfinna helt nya moment. Detta senare, att utveckla helt nya tjänster, kräver att du vet hur de gamla tjänsterna faktiskt satts samman. Precis samma mentalitet som gör att ungdomar kan trimma en moppe - de plockar isär den och ser hur den fungerar - gör att den som kan plocka isär sitt jobb kan mecka med det och trimma det!

För det tredje är en beskrivning ett utmärkt sätt att bygga en lärandeinfrastruktur. Om alla på firman beskriver arbetet på samma sätt så kan man förbättra och effektivisera tillsammans. Det betyder att du plötsligt kan lära dig - i den gemensamma beskrivningen och den delade metoden - av alla andra som också använder den. När vi är flera som spelar samman spel kan vi alla bli bättre på det.

Hur kommer det sig då att du också sannolikt behåller jobbet om du kan beskriva det? Jo, för att då är du inte bara en arbetskraft, du är också en hantverkare som kan förbättra hantverket, utveckla det och ta det till nästa nivå.

Förmågan att metodiskt beskriva vad vi gör kallas ibland metakognition - och det är en av de saker som blir allt viktigare nu när AI intar arbetsmarknaden. Metakognition är ett enkelt begrepp med ett komplicerat namn: det handlar om att kunna tänka om ditt eget tänkande.

Det är nu en av de kanske viktigaste sakerna att lära sig, lära nästa generation och arbeta med.

På The Stockholm Project tycker vi att detta är roligt, och utvecklar gärna nya metoder och modeller. Nedan en enkel skill för kommunikationsanalys som du kan ladda ned och använda i ett chat-verktyg! Denna “skill” intervjuar dig och ställer sedan en kommunikationsdiagnos. Tänk på det som en liten hälsokoll!

Ladda ned .skill filen här.

Lästips

Det finns en bok som egentligen borde ligga på varje skrivbord, men som märkligt nog sällan nämns i dessa sammanhang: Donald Normans Things That Make Us Smart. Det är en bok om hur vi tänker tillsammans med världen, inte bara i våra huvuden. Norman visar att det mesta av vårt tänkande sker genom de verktyg vi använder – listor, modeller, diagram, gränssnitt – och att dessa i praktiken är lika viktiga som vår egen intelligens.

En av de mest användbara insikterna i boken är att bra arbete nästan alltid lämnar spår efter sig i form av strukturer: anteckningar, scheman, processer. Det är dessa som gör att arbetet kan delas, förbättras och skalas. Den som inte kan göra sitt arbete synligt – i någon form av modell eller beskrivning – kommer också att ha svårt att utveckla det. Och den som kan det, upptäcker ofta att arbetet redan innehåller möjligheter till förbättring som tidigare varit osynliga.

Norman skriver inte om AI, men det är svårt att läsa honom utan att tänka att det är precis detta som nu står på spel. När vi bygger “skills”, processer och beskrivningar av vad vi gör, skapar vi inte bara bättre förutsättningar för maskiner att hjälpa oss – vi gör också vårt eget tänkande skarpare. Att kunna säga vad man gör är, i Normans mening, redan ett sätt att göra det bättre.

The Stockholm Project.

Framtiden som vana

Vi är förutsägelsemaskiner. Våra hjärnor utvecklades för att ständigt fånga upp skillnaden mellan hur vi trodde att världen skulle bli och hur den verkligen blev, och ju bättre vi blir på att förutsäga världen, desto större överlevnadsförmåga får vi. Evolutionen belönar den som förstår framtiden bättre än andra.

Människan har under alla tider utvecklat olika verktyg för att arbeta med framtiden. Antikens orakel i Delfi, den kinesiska spådomsboken I Ching och astrologin sysslade alla oavbrutet med att försöka läsa framtiden. Profeter och siare har gått vid sidan av kungar och kejsare genom historien, ständigt redo att erbjuda mer eller mindre välgrundade insikter om morgondagen.

Över tid utvecklade vi olika nya mentala verktyg för att tänka kring framtiden, och magiska föreställningar ersattes av matematiska modeller, ofta lika mystiska för lekmannen som de järtecken som spåmännen sökte sina sanningar i. Verktyg som scenario planering och simuleringar ger oss unika möjligheter att faktiskt arbeta med framtiden konkret.

Vad som var sant för oss i evolutionen är också sant idag för företag och organisationer. De organisationer som är bättre på att anpassa sig till framtiden är de som överlever. Det handlar inte om att förutspå framtiden exakt, utan att anpassa sig till de olika möjliga framtider som vi kan konstruera ur data, insikter och analys. Vår framtidsförmåga är avgörande för vår konkurrenskraft. De företag, organisationer och nationer som saknar framtidsförmåga tvingas hela tiden reagera på en alltmer osäker utveckling.

De olika strukturerade verktyg som vi har för att arbeta med framtiden kan vara ganska komplexa. Med AI blir det emellertid möjligt för allt flera att arbeta med scenarier, prognoser och simulationer i vardagen. Det som krävs är att vi lär oss grunderna i de olika metoderna och att vi övar.

Den kanske bästa metaforen för AI är att vi med AI fått ett nytt sorts instrument - både ett vetenskapligt instrument som låter oss se mönster i komplexitet, men också ett instrument vi kan uttrycka oss med - precis som ett musikinstrument. Och musikinstrument kräver att vi övar. Vi befinner oss i dag i en situation där var och en har tillgång till den intellektuella motsvarigheten till en fantastisk Steinway-flygel, men många av oss klagar över att pianot inte spelar Chopin självt.

Den organisation som vill bli bättre på att arbeta med framtiden måste också öva och prioritera tiden på ett sådant sätt att det blir naturligt att diskutera framtiden på veckomöten såväl som på styrelsemöten, och inte bara på en offsite en gång om året. Framtiden måste bli en vana, och framtidsarbetet måste kopplas direkt till det egna beslutsfattandet.

Det har aldrig funnits bättre verktyg för det än nu.

Lästips

The Predictive Mind av Jakob Hohwy (Oxford University Press, 2013) utvecklar en fascinerande teori om hjärnan som just en sådan förutsägelsemaskin vi beskriver ovan. Hohwy visar hur hjärnan ständigt genererar prediktioner om världen och sedan uppdaterar sina modeller utifrån de avvikelser — “prediction errors” — som uppstår. Det är en bok som ger djup vetenskaplig grund åt tanken att vi är byggda för att förstå framtiden, och som får en att se sin egen perception på ett helt nytt sätt.

Scenarios: The Art of Strategic Conversation av Kees van der Heijden (Wiley, andra upplagan 2005) är den kanske bästa boken om hur organisationer praktiskt kan göra framtidsarbete till en del av sitt beslutsfattande. Van der Heijden, som var en av pionjärerna bakom Shells berömda scenarioarbete, visar hur scenarier inte handlar om att förutsäga utan om att bygga en rikare förståelse av de osäkerheter vi möter — och hur det arbetet blir som mest värdefullt när det integreras i den löpande strategiska dialogen, inte sparas till en årlig offsite.

Tillsammans spänner de två böckerna ett båge från den enskilda hjärnans förutsägelsearkitektur till organisationens kollektiva framtidsförmåga — och visar varför övning, inte enstaka insatser, är nyckeln i båda fallen.

För den som är intresserad av att pröva på egen hand tillsammans med AI, och lära sig mer om de olika metoderna för framtidsanalys finns också The Future Habit: How to gain an edge with AI-driven foresight, en bok som David Skelton och jag skrivit för att just introducera framtidsverktyg med AI för den intresserade.

The Stockholm Project.

Texten som ledtråd

Skrev verkligen Shakespeare alla de pjäser som vi idag räknar till hans samlade verk? Inom det forskningsfält som ibland kallas “digital humanities” är detta en empirisk fråga. Genom att analysera texterna på djupet kan vi upptäcka olika signaturer som låter oss säga om en text har en eller flera olika författare. Det är förstås också något som är intressant i politisk analys. Vem är det egentligen som skriver politikernas tal? Om vi kan analysera deras tal kan vi upptäcka om det är en eller flera författare som ligger bakom talen, och det i sig kan ge oss en ledtråd till hur politikerna tänker, vem som påverkar dem och hur vi skall läsa deras tal. Vi kan också göra grundläggande argumentationsanalys för att försöka förstå hur en politiker förstår världen i stort.

Ett enkelt exempel på detta är om en politiker är nyttoetiker eller pliktetiker. En nyttoetiker kommer att svara på andra argument än en pliktetiker. Det kanske mest extrema exempel vi har på detta är den före detta kommissionären Vestager. Analyser av hennes tal visade ganska entydigt att hon var pliktetiker - att hon ansåg att vissa saker gjorde man bara inte, oavsett om de var till gagn för flertalet eller ej. Det placerade henne på en tydlig kollisionskurs med de företag hon reglerade i Kalifornien, eftersom nästan hela tech-branschen var tydliga nyttoetiker: om det gjorde världen till en bättre plats för flertalet så var det okej att göra vad som helst.

Vestager, den pliktmedvetna prästdottern, mot teknikföretagen som räknade på allt.

Resultatet blev, i efterhand, uppenbart: inga av teknikföretagens argument bar för Vestager och hon utfärdade rekordböter i en mängd olika konkurrensmål. Okej - riktigt så enkelt är det inte, Vestager var trots allt också politiker och visste att det såg bra ut att vara mot Big Tech — men argumentationsskillnaden spelade roll, och den som analyserat hennes tal kunde se att hennes etiska modell av världen var helt annan än den som teknikföretagen hade.

Så låt oss kika på ett mer samtida exempel: den svenska kommissionären Jessika Roswalls tal. Hur många författare tror AI att vi har att göra med? Är hon nyttoetiker eller pliktetiker? Hur ser hennes retorik ut allmänt? Det skulle kunna hjälpa den som är intresserad att bättre nå fram med sina argument. Nedan har vi använt ett AI-verktyg för analys av hennes tal för att försöka få en bättre bild av kommissionär Roswalls retoriska profil.

Först frågan om vem som skriver — hur många författare döljer sig bakom talen? Här är resultatet - 4 olika författare verkar dölja sig bakom talen:

Hur är det då med den etiska retoriska profilen? Roswall faller ganska tydligt på den nyttoetiska sidan:

Och retoriska figurer? Uppräkningar och metaforer är vanligt förekommande:

En annan sak som kan vara intressant är hur talaren anpassar sig till publiken - hur man “läser rummet”. Roswall har en överraskande konsistent approach:

Till sist så ämnena:

Analyser som dessa kan hjälpa oss att förstå hur beslutsfattare tänker, hur de kommunicerar och det i sin tur kan göra oss bättre på att kommunicera med dem. Med de nya verktyg så AI ger oss kan vi förstå debatten på ett djupare plan än tidigare, och delta effektivare än förut.

Roswalls retoriska profil är i nästan varje avseende Vestagers spegelbild — och det är den egentliga insikten i analysen.

Vestagers deontologiska hållning var hennes egen. Den föregick kommissionsuppdraget, den hade rötter i något personligt — prästdottern som ansåg att vissa saker helt enkelt inte görs — och den gjorde henne motståndskraftig mot det institutionella maskineriets gravitationskraft. Det var därför hon var oförutsägbar, och det var därför teknikföretagen aldrig lyckades nå fram: de talade ett språk hon vägrade att förstå.

Roswall uppvisar det motsatta mönstret. Fyra talskrivare som konvergerar mot samma röst. En utilitaristisk grundhållning som löper genom nästan samtliga tal. Ingen nämnvärd anpassning av register mellan publik och parlamentssal. Stabil jargongdensitet oavsett sammanhang. Det här är inte en stark egen röst som disciplinerat förmedlas av sitt kansli — det är en politiker som nästan har absorberats av institutionen, eller som aldrig hade en tillräckligt distinkt retorisk identitet för att stå emot den.

Den nyttoetiska lutningen är i det ljuset inte en personlig övertygelse utan det som kommissionens maskineri producerar av sig självt: kostnadsnytta, leveranser, effektivitet. Det är DG-språk. Konvergensen mellan talskrivarna är inte budskaps­disciplin så mycket som frånvaron av en egen röst som bryter mot byråkratins dragningskraft.

Men det finns en annan läsning — en mer generös. På ett sätt gör detta Roswall till en bättre kommissionär. Hon använder inte sitt uppdrag som plattform för en egen agenda, och det är inte en obetydlig dygd i en institution som vilar på kollegialt beslutsfattande. Kommissionen kan lita på att hon genomför den kollektivt beslutade politiken. På ett annat sätt gör det henne mindre inflytelserik: den som saknar en egen röst formar sällan den politik hon förväntas verkställa. Vestager hittade på egna regler. Roswall levererar efter kommissionens regler.

För den som vill påverka politiken inom Roswalls portfölj har detta två konsekvenser. Den första är konstruktiv: en “institutionaliserad” kommissionär är lättare att nå om man talar institutionens eget språk — konsekvenser, data, skalbarhet. Glöm värderetorik; leverera evidens. Den andra är mer besvärlig: det verkliga inflytandet utövas uppströms, på kansli- och generaldirektoratsnivå, eftersom det är där den institutionella logiken formas. Och en kommissionär utan starkt eget omdöme är svårare att flytta bort från institutionens position, just för att det inte finns något självständigt omdöme att vädja till.

Vestager var farlig för att hon var oförutsägbar. Roswall är förutsägbar — och det skapar en helt annan sorts utmaning. Alla har samma spelplan, vilket betyder att konkurrensen inte handlar om hur smart man formulerar sitt budskap, utan om hur stark evidens man har bakom det.

Den analysen kan vara skillnaden mellan ett framgångsrikt möte och ett blint skott i det politiska mörkret.

Lästips

Den som vill förstå varför analysen ovan fungerar behöver egentligen bara en bok — och den skrevs för 2 400 år sedan. Aristoteles Retorik är det första systematiska försöket att förstå hur övertalning faktiskt fungerar, och den är fortfarande förvånansvärt användbar. Hans tredelning av retoriska medel — ethos (talarens trovärdighet), pathos (åhörarens känslor) och logos (argumentets logik) — är i princip det ramverk vi fortfarande arbetar med, även om vi numera låter maskiner räkna istället för att sitta på läktaren i Aten.

Det som gör Retoriken relevant för den här typen av analys är att Aristoteles inte var intresserad av retorik som konst utan som teknik — något man kunde studera, mäta och förbättra. Han var den förste att behandla övertalning som ett empiriskt fenomen snarare än en gudomlig gåva. När vi idag använder stilometri och argumentationsanalys för att kartlägga en kommissionärs retoriska profil gör vi i grunden samma sak som Aristoteles: vi försöker förstå varför vissa argument fungerar på vissa personer, och andra inte. Skillnaden är att vi har bättre verktyg. Grundfrågan är identisk.

Boken finns i flera svenska översättningar, men Johanna Akujärvis översättning från 2012 (Retorikförlaget) är den mest tillgängliga. Den som föredrar engelska har Kennedys översättning för Oxford University Press, som också har utmärkta fotnoter. Oavsett vilken utgåva man väljer: hoppa över bok II:s långa katalog av känslor vid första läsningen och börja med bok I och bok III — det är där verktygen finns.

The Stockholm Project.

Om att räkna på det

Jag slår vad med dig om att jorden är platt om fem år. För att sätta det i termer som ett oddsbolag gör, ger jag dig 1,1 gånger pengarna om du sätter emot. Skulle du ta vadet? Du tänker kanske att det finns något lurt i frågan? Nej, det gör det inte. Tänker du att jag är en dåre som gillar att förlora pengar? Nej, möjligen en dåre som gillar att räkna. Om du tar vadet – och säg satsar 1000 kr - kommer du garanterat att få 1100 kronor av mig om fem år. Jorden kommer inte att vara platt.

Men det du också har gjort är att du har lånat ut pengar till mig till under två procents ränta (1,92% för att vara exakt). Så lurigheten låg inte i hur frågan var formulerad utan i att du just lånat ut pengar till negativ realränta.

Just lurigheter i siffror är något som vi kommer att behöva vara observanta på, särskilt under ett valår. Siffror har ofta fler än ett perspektiv. Om vi säger att vi har en politisk fråga där 99% av väljarna håller med. När vi mäter ett halvår senare är det 97% som fortfarande håller med. Då kan man ju tycka att det inte har förändrats. Men vänder man på det, har ju de som inte håller med ökat från 1% till 3%. De som inte håller med är 200% fler. Det är en stor förändring.

I politik kan dessutom saker vara sanna eller osanna beroende på vad man mäter. Arbetslösheten kan faktiskt både öka och minska samtidigt. Statsskulden kan både öka och minska samtidigt. Det beror på att det finns flera sätt att mäta samma sak.

En statsskuld känns kanske som att man skulle mäta i hur många kronor staten är skyldig den internationella marknaden. Det är ofta så man mäter sina egna skulder, till exempel ett bolån. Men det är faktiskt inte det mest rimliga sättet att mäta en statsskuld. Statens skuld mäts oftast i procent av BNP. Det betyder att skulden samtidigt kan stiga i antalet kronor, men minska i procent av BNP. En stat vars statsskuld ökar i antalet kronor, men sjunker i procent av BNP kommer att klara sig bra ekonomiskt.

Arbetslöshet kan mätas i antalet personer utan jobb eller i dess andel av den totala arbetsföra befolkningen och få exakt samma effekt.

Du kan också råka ut för väldigt stora eller väldigt små tal där procent ofta luras. Anta att du utsätts för en 50% ökad risk för en sällsynt cancer. Ska du då vara orolig? Om vi säger att den normala risken för att få cancern är en på en miljon så behöver du inte vara särskilt orolig. I princip betyder då 50% ökning att det har gått från något som drabbar 10 personer i Sverige till att drabba 15 personer i Sverige.

Ibland måste vi också granska hur saker har uppmätts. Inför Liberalernas ödesmättade landsmöte, där de i söndags röstade om den nya linjen mot SD haglade opinionsmätningarna. I en rubrik såg jag nyheten att Liberalernas väljarstöd hade ökat med 0,2%. Det borde aldrig ha blivit en rubrik och det var inte sant. Eller, vi vet i alla fall inte om det var sant. En opinionsmätning har vad vi kallar en statistisk felmarginal, som kommer av att man tillfrågar en begränsad del av befolkningen (normalt ca 1000 personer). Det betyder att en så liten förändring som 0,2% lika gärna kan vara ett mätfel. Man råkade ringa ovanligt många som röstar på Liberalerna just den kvällen.

Den numera avlidne svenske forskaren och författaren Hans Rosling var en tydlig vakthund mot hur siffror statistik kan feltolkas. Han konstruerade en checklista för att granska all form av statistik som bra att ha i bakhuvudet när man tex läser tidningsartiklar.

1. Jämför alltid över tid

2. Jämför mellan grupper

3. Se upp för genomsnitt

4. Leta efter spridning, inte bara mitten

5. Misstro dramatiska datapunkter

6. Var vaksam på urvalet

7. Fråga vad som mäts (och vad som inte mäts)

8. Undvik att dra för stora slutsatser

9. Sök flera källor

10. Var medveten om din egen bias

Likt du i inledningen av texten lockades att luras in i en vadslagning till oförmånliga villkor ska du alltid fråga dig vad som ligger bakom siffrorna. Vad säger egentligen procentsatsen och vad säger den inte? Finns det ett parallellt resonemang som skulle komma till motsatt slutsats? Mark Twain uttryckte det kanske lite för brutalt, men han har en poäng: “There are three kinds of lies: lies, damned lies, and statistics.”

Lästips

Hans Rosling blev världsberömd för sina TED-talks där han fick bubbeldiagram att dansa och publiken att inse att de visste mindre om världen än schimpanser som gissade slumpmässigt. Factfulness är hans sista bok — skriven under den cancerbehandling som till slut inte räckte — och den destillerar ett livs erfarenhet av att försöka förstå varför vi systematiskt missförstår siffror. Det handlar inte om att vi är dumma, utan om att vi är utrustade med instinkter som en gång var livsnödvändiga men som nu förvränger hur vi läser statistik: dramatiseringsinstinkten, gapinstinkten, rädsloinstinkten. Rosling identifierar tio sådana instinkter och visar hur var och en av dem får oss att tro att världen är sämre, farligare och mer hopplös än den faktiskt är.

Det som gör boken relevant just här — i ett valår där siffror kommer att kastas som konfetti — är att Rosling inte stannar vid att säga “tänk kritiskt”. Han ger oss konkreta verktyg. När en politiker säger att brottsligheten “exploderar”, fråga dig: jämfört med vad? Över vilken tidsperiod? Mätt hur? Checklistan ovan är hämtad bland annat ur Factfulness, och det är ingen slump — Roslings livsverk handlade om precis detta: att bygga en reflex för att granska siffror innan vi reagerar på dem.

Boken är dessutom ovanligt angelägen för att vara en bok om statistik. Rosling skriver med en läkares värme och en pedagogs envishet, kryddad med anekdoter från hans år som fältläkare i Moçambique och Indien. Om du bara ska läsa en bok om hur siffror kan ljuga — och hur du kan lära dig att genomskåda lögnerna — är det den här.

The Stockholm Project.

Om att räkna poäng

Att sätta kvantifierbara mål är svårt, och ibland upplevs det till och med som lite ofint, som om den komplexa och avancerade verksamhet vi ägnar oss åt kunde reduceras till några enkla mätetal. Strategisk samhällskommunikation låter ju inte som något man kan mäta, eller hur? Problemet med det perspektivet är att om du inte mäter något alls vet du inte om du har gjort ett bra jobb eller ej, och det blir framförallt svårt att övertyga andra i organisationen om att du har gjort en viktig insats. Det instinktiva motståndet är förståeligt, men det är inte ett argument mot mätning: det är ett argument för att mäta rätt saker. Och det är en viktig distinktion.

Poängen med kvantifieringen är att du ska kunna mäta framgång och att du är på rätt väg. Du behöver kanske både kunna svara på frågan om hur mycket bättre det ser ut än för ett halvår sedan eller hur det ska se bättre ut om ett halvår. Om dina mätetal inte kan svara på det har du nog inte formulerat dem väl nog. Du behöver ju också veta din startposition. Om målet till exempel är ökad synlighet behöver en nollmätning först svara på vad din synlighet är idag. Du behöver definiera vad synlighet innebär. Här kommer du garanterat kunna hitta kvantifieringar i allt från antalet pressklipp, till besökare på din hemsida till följare i sociala medier. Den intellektuella utmaningen består i att definiera vad du vill uppnå i mätbara termer.

Kvantifierbara mål är också nyckeln till lärande, kanske den viktigaste nyckeln av alla. Om du misslyckas med att nå dem måste du försöka något annat — och det ligger ingen skam i det, eller bör inte ligga någon skam i detta. Tyvärr är det nog så att i en del organisationer är det fortfarande fult att misslyckas, och då blir oviljan mot att sätta upp mål en sorts försvarsmekanism: vi tror att vi inte kan bli beskyllda för att göra fel om vi inte har några mål att misslyckas mot. Det är förstås förödande för lärandet i organisationen. En kultur som bestraffar misslyckanden skapar inte bara defensiva medarbetare, den skapar osynliga mål, tysta strategier och en kollektiv föreställning om framgång som aldrig kan ifrågasättas eftersom den aldrig definierades från början.

Att mäta är ett enkelt sätt att hålla räkningen på poängen i det egna arbetet — och det går att ta inspiration från hur man utformar olika poängsystem som speldesigner. Men precis som i speldesign gäller det att välja rätt sorts poängsystem. Det vanligaste misstaget i samhällskommunikation är att fastna i det additiva: aktivitetsmål. Hur många möten har vi haft? Hur många beslutsfattare har vi träffat? Hur många artiklar har vi fått publicerade? Det är transparent, omedelbart och motiverande på ett nästan primitivt sätt — du ser siffran stiga och hjärnan belönas. Men det är också platt, på precis samma sätt som arkadspelens linjära poängsystem: 10 000 poäng i början av spelet känns likadant som 10 000 poäng i slutet, och det finns ingen känsla av att insatserna höjs. Aktivitet är inte automatiskt ett effektivt sätt att förändra världen.

Därför uppfann speldesignerna multiplikatorn, och med den kom en helt annan dramaturgi. I Guitar Hero och Tony Hawk’s Pro Skater multipliceras poängen om du håller en combo igång: varje konsekutiv träff eller trick ökar faktorn, och felet som bryter serien straffas inte med minuspoäng utan med något mer psykologiskt raffinerat: förlorad potential. Du ser vad du skulle ha kunnat tjäna. Översatt till samhällskommunikation är detta logiken bakom effektmål — mätning av verklig förändring snarare än av rörelse. Hur mycket skiljer sig utfallet från vad det hade blivit om vi inte gjort något alls? Tekniken kallas nollscenarioanalys: teamets bästa uppskattning av var en regleringsfråga landar utan insats, ställd mot det faktiska utfallet. Det många team missar är att etablera detta scenario med ledningen tidigt — och sedan, när lagstiftningen väl landar, kan man visa skillnaden. Utan det etablerade nollscenariot är det enda försvaret att säga att “det kunde ha varit värre” — och det är ett argument som sällan imponerar i ett styrelserum.

Andra spel har löst mätproblemet genom att dela upp det i dimensioner. I Civilization mäts framgång längs flera parallella axlar simultaneously: militär styrka, kulturell produktion, vetenskaplig utveckling, diplomatiskt inflytande - och du kan vinna på helt olika sätt beroende på vilken axel du väljer att dominera. Det är ett system som erkänner att framgång är multidimensionellt och att olika strategier leder till olika sorters segrar. För den som arbetar med strategisk kommunikation är analogin nästan självklar, och den pekar mot en målkategori som är enormt underskattad i praktiken: förmågemål. Att bygga förmågan att nå nyckelbeslutsfattare inom 24 timmar, att kunna samla industrin till ett rundabordssamtal, att ha tidiga indikationer om var en process är på väg — dessa förmågor syns inte i något aktivitetsmått och genererar inga omedelbart mätbara effekter, men de är det som avgör om organisationen kan agera när det verkligen gäller. Förmågemål är naturliga i militären men används alltför sällan i civila organisationer, trots att de beskriver precis det som erfarna kommunikatörer vet är deras verkliga värde i en organisation i stor osäkerhet.

I Dungeons & Dragons och dess digitala efterföljare som Baldur’s Gate är systemet ännu mer granulärt: karaktärers förmågor mäts i separata statistikmodeller som samverkar på komplexa sätt, och en hög siffra på fel ställe är värdelös utan komplementerande förmågor. Det påminner oss om att kommunikationsteamets sammansatta kompetens ofta är viktigare än något enskilt mätetal — och det pekar mot en fjärde målkategori vi inte bör glömma: ekonomiska mål. Ibland är insatser inom samhällskommunikation direkt avgörande för att en affär ska gå igenom, ett tillstånd beviljas eller ett avtal slutas. I sådana fall finns ett direkt ekonomiskt utfall att mäta, och det är ett av de starkaste argumenten ett team kan presentera. Portföljen av mål — aktivitet, effekt, förmåga, ekonomi — är sammantaget starkare än något av dem var för sig, på samma sätt som en välbalanserad karaktär i ett rollspel slår en som maximerat en enda egenskap på alla andras bekostnad.

En plan utan mål är en from förhoppning, och mål utan tydlig kvantifiering är bara slogans.

Lästips

John Doerrs Measure What Matters (2018) berättar historien om hur en av Silicon Valleys mest erfarna riskkapitalister introducerade sitt målramverk OKR — Objectives and Key Results — för Larry Page och Sergey Brin hösten 1999, när Google var ett lovande men fortfarande planlöst startupföretag. Ramverket hade Doerr själv lärt sig av Andy Grove på Intel, och idén är i grunden enkel: ett objective beskriver vad vi vill uppnå, och key results är de specifika, mätbara stegen som leder dit. När alla key results är uppnådda är målet per definition nått — och om de inte räcker för att nå målet var de fel key results från början.

Det som gör boken relevant bortom teknikvärlden är inte anekdoterna om Google och Gates Foundation, utan den grundläggande insikten att vad vi väljer att mäta är ett fönster in i våra värderingar — och i vad vi faktiskt prioriterar när det kommer till kritan. Doerr argumenterar också för att OKR-systemet belönar det han kallar good fails: misslyckanden som uppstår när man sträcker sig mot ett ambitiöst mål och inte riktigt når fram. Det är en organisationskultur som är raka motsatsen till den försvarsmekanism vi beskrev tidigare — där avsaknaden av mål ska skydda oss från att misslyckas.

Boken är lättläst, ibland kanske lite väl anekdotisk, och de som söker ett strikt metodologiskt ramverk kan bli något besvikna. Men för den som arbetar med strategisk kommunikation och vill ha ett konkret språk för att diskutera målsättning med sin ledningsgrupp, ett språk som kombinerar ambition med mätbarhet och lärande med transparens, är Measure What Matters en naturlig utgångspunkt.

The Stockholm Project

Kommunikation som förmåga

Det är lätt att tro att strategisk samhällskommunikation i första hand är en sorts marknadsföringsåtgärd, eller något ett företag bör göra när det finns ett aktuellt politiskt beslut att reagera på.

En ny studie i American Journal of Political Science (Buzard, Canen & Saiegh, 2025) visar att strategisk samhällskommunikation fungerar som en mätbar försäkring mot politisk osäkerhet, och att finansmarknaderna prissätter den som sådan.1 Genom att analysera optionspriser för cirka 2 500 börsnoterade amerikanska företag kring presidentvalet 2020 finner forskarna att företag som bedriver lobbying2 uppvisar 12–22 procent lägre förväntad aktievolatilitet i valperiodens kölvatten, även efter kontroll för selektion och sektorskillnader. Den strategiska samhällskommunikationen reducerar alltså den osäkerhet som investerare kopplar till potentiella policyförändringar efter ett maktskifte.

Samtidigt visar studiens strukturella modell att avkastningen på kommunikationsinvesteringar avtar snabbt, att inträdeskostnaderna är påtagliga och att fördelningen av nyttan är starkt skev, vilket förklarar varför bara ungefär en tredjedel av företagen väljer att lobba (siffran är från USA, i Sverige är det sannolikt färre). Effekten håller även efter kontroll för andra former av politiskt engagemang, som kampanjbidrag och politisk hedging, vilket tyder på att systematisk policybevakning och påverkan erbjuder ett distinkt skydd som inte kan ersättas med enbart donationer.

För den som arbetar med strategisk samhällskommunikation bekräftar studien en central insikt: public affairs-arbete bör inte motiveras enbart med inflytande över enskilda sakfrågor, utan som en portföljstrategi för att hantera kommunikationsrisk: ett argument som talar direkt till styrelserum och finansfunktioner snarare än bara till PR-avdelningen.

Det är egentligen inte särskilt märkligt när vi tänker efter: när du behöver förmågan att kommunicera effektivt är det ofta för sent att bygga upp den, och att då istället investera i kommunikation som en försäkringslösning gör att du kan engagera dig när det behövs. Ett företags kommunikationsförmåga är en nyckel till företagets förmåga att anpassa sig till osäkerhet, snabbt skiftande politiska landskap och risk.

Företagen som lyckas i studien är inte de som kastar pengar på lobbying i panik inför ett val. Det är de som redan har byggt en infrastruktur för politisk omvärldsbevakning och påverkan: en förmåga (inte bara en aktivitet) som sedan aktiveras när osäkerheten stiger. Finansmarknaderna ser skillnaden: de prissätter inte lobbyingutgiften i sig utan den underliggande kapaciteten att navigera policyrisker. Volatilitetsspreaden är redan lägre innan valet avgörs.

Förmågor övas upp, och kan testas. Inte minst behöver man inse hur sammansatta de är: kommunikationsförmågan består av saker som kännedom om det politiska systemet och medierna, klara och tydliga budskap och upparbetade relationer som man kan arbeta med.

En av de kanske enklaste och mest underskattade insatserna ett företag eller en organisation kan göra är att öva i olika scenarier och spela igenom utmaningar. De organisationer som regelmässigt genomför sådana övningar står mycket bättre rustade än de som endast använder kommunikation defensivt.

AI-ledda kommunikationsspel är ett sätt att utveckla sin förmåga. I dessa agerar den artificiella intelligensen spelledare och arbetar igenom ett antal olika scenarier med företagets ledning, betygssätter och föreslår nya idéer som skulle kunna förstärka företagets kommunikativa förmågor. I ett sådant spel dokumenterar man också alla inspel, idéer och går sedan igenom transkriptionen för att hitta förslag på förbättringar. Upprepade och återkommande spel ger en organisation ganska snabbt en märkbart bättre förmåga.

Övningar som denna kan nu genomföras med mycket större värde i återkoppling och lärande än tidigare, just tack vare förmågan att spela in övningarna och analysera dem i olika AI-ramverk. De organisationer som väljer att göra det investerar i en försäkring mot osäkerhet.

Det kan vara bra att ha i dessa tider.

Lästips

Ian Bogosts Play Anything (2016) är en bok som på ytan handlar om lek och spel, men som egentligen utvecklar ett filosofiskt argument om uppmärksamhet och begränsningar. Bogosts centrala tes är att verklig lek knappast handlar om flykt eller underhållning, utan om att ta världens strukturer på allvar, engagera sig i dem och hitta möjligheter inom deras ramar snarare än att försöka transcendera dem. Det är en bok som vänder på intuitionen: vi tror att frihet skapar kreativitet, men Bogost visar att det är begränsningarna — reglerna, materialet, terrängen — som gör djupt engagemang möjligt.

Att bygga kommunikationsförmåga genom scenarioövningar och spel är inte en lättsam aktivitet i marginalerna utan det är precis den sortens disciplinerat, strukturerat engagemang med osäkerhet som Bogost beskriver. Den ledningsgrupp som spelar igenom ett krisscenario med en AI-spelledare gör i praktiken det Bogost föreslår: de tar begränsningarna på allvar, utforskar möjligheterna inom dem och utvecklar en sorts uppmärksamhet som inte går att tillägna sig genom att bara läsa en handbok.

Play Anything påminner oss om att förmågor inte byggs genom att man bestämmer sig för att ha dem, utan genom att man ägnar sig åt övning med tillräckligt allvar för att det ska bli på riktigt och att man tillåter tillräckligt med lekfullhet för att man ska kunna misslyckas och börja om. Det är, i någon mening, exakt vad kommunikationsförsäkringen i Buzard-studien mäter: inte en utgift, utan en upparbetad kapacitet att hantera det oförutsägbara.

The Stockholm Project

Vad är problemet?

Vad menar vi egentligen när vi säger strategisk samhällskommunikation? Vad betyder det att vara strategisk som kommunikatör?

För en tid sedan publicerade RAND en undersökning om hur AI-projekt misslyckas. Undersökningen pekade på hur det var vanligt att organisationer använde alltför avancerade lösningar på enkla utmaningar, och att det också var vanligt att man saknade rätt data för att kunna skapa effektiva lösningar. Det allra vanligaste problemet, emellertid, var att man inte riktigt visste vilket problem man ville lösa.

Det är inte unikt för AI-projekt. Överraskande ofta vet vi inte riktigt vilket problem det är vi försöker lösa, och om du frågar tio olika personer i en organisation om vilket problem som är organisationens viktigaste att addressera är sannolikheten betydande att du får minst tio olika svar.

Det är egentligen inte så märkligt: om vi är ärliga så skulle kanske de flesta av oss erkänna att vi rätt snabbt tror att vi vet exakt vad problemet är, och just därför hoppar vi genast till att försöka lösa det, snarare än att undersöka problemet litet närmare. Det är naturligt, särskilt om vi är intresserade av något eller djupt engagerade i ett projekt - vi vill ju att det ska gå bra!

Sannolikheten är dock större att det verkligen går bra om vi spenderar mer tid på att klura ut (och definiera) vilket problem det är som vi egentligen borde lösa, och här har samhällskommunikatören en dubbelroll: både i att formulera problemen och se till att kommunikationen bidrar till att lösa dem.

Vad är då ett bra problem? När matematikern David Hilbert sammanställde 23 problem i början av 1900-talet och uppmanade sina kollegor att fokusera på dessa noterade han att bra problem har två egenskaper: det låser upp helt nya möjligheter om vi löser dem, och vi har någon idé om var vi ska börja nysta i dem.

Hilbert noterade också att problem är hälsotecken: väl definierade, klara problem, menade han, är livsanden i en vetenskap - och detta är precis lika sant för företag och organisationer. Ett företag utan problem är ett företag som slutat utvecklas och växa, eller ett företag som snart kommer att vara obsolet.

Strategigurun Richard Rumelt talar om “the crux” - det kanske svåraste problemet som din organisation står inför - och menar att vi bör spendera mycket mer tid på att identifiera dessa typer av problem när vi gör en diagnos av var vi är. Här kan förstås AI hjälpa till, inte genom att föreslå själva kruxet - utan diagnosticera svagheter och flaskhalsar i en affärsmodell.

Låt oss ta ett enkelt, hypotetiskt exempel: en stor klädeskedja med olika varumärken, butiker och ett stort logistiksystem parat med tydliga sustainabilityåtaganden. En analys av företaget visar att det finns en mängd olika problem relaterade till olika delar, men att det kanske mest grundläggande problemet är att de olika delarna i affärsmodellens arkitektur inte längre går i takt. Företaget kämpar med en mängd olika rytmer som i sin tur inte heller passar marknadens cykler, som nu är kortare med fast fashion och on-demand tillverkning. Kruxet är alltså att hitta en gemensam rytm för alla delar i företagets affärsmodell.

Om vi kommer fram till att detta är problemet kan vi genast fundera på hur vi kan se till att all kommunikation hjälper företaget att komma i takt med sig självt igen: VD-brev med jämna mellanrum, tydliga åtaganden i tid i stället för det vaga “är på rätt väg” och en internkommunikation som ställer om klockorna i alla delar av verksamheten.

Plötsligt kan samhällskommunikationen hjälpa till att lösa ett grundläggande affärsproblem, i stället för att bara klistras på som en sorts plåster - men en bra samhällskommunikatör kan också hjälpa till att identifiera grundproblemet - the crux - genom att undersöka hur organisationen kommunicerar.

Dagens praktiska råd blir alltså att fundera på vilka problem som egentligen håller din organisation tillbaka, och hur du kan formulera dem så tydligt som möjligt.

Lästips

Richard Rumelts två böcker — Good Strategy Bad Strategy (2011) och The Crux (2022) — är ovanliga strategiböcker på det sättet att de börjar med vad strategi inte är. Rumelt är nådelös mot det han kallar “fluff”: de vackra powerpoint-decks fyllda med visioner, värdeord och ambitiösa tillväxtmål som ser ut som strategi men saknar det viktigaste ingrediensen — en diagnos av vilket problem som faktiskt ska lösas. Hans poäng är enkel och förödande: de flesta organisationer har mål, men inte strategi, och skillnaden mellan dem är just problemformuleringen.

The Crux är i många avseenden den mer mogna boken — mindre polemisk, mer metodisk — och det är där Rumelt utvecklar sitt kanske viktigaste bidrag: idén att det finns ett enda, avgörande hinder i varje strategisk situation, och att allt arbete bör börja med att identifiera det. Han kallar det “the crux” och menar att det är just den typ av problem som Hilbert skulle ha gillat — svårt nog att kräva verkligt tänkande, men möjligt nog att ge oss något att ta tag i. Det är en bok som lär sig läsas med ett eget projekt i handen, inte som abstrakt teori.

Tillsammans bildar de två böckerna något sällsynt i managementlitteraturen — ett sammanhängande argument, inte bara en verktygslåda. Rumelts syn på strategi som i grunden en kognitiv aktivitet, ett sätt att se klarare snarare än att planera längre, känns mer relevant i dag än när böckerna skrevs — i en tid när vi har tillgång till kraftfulla verktyg för analys men fortfarande kämpar med den ursprungliga frågan: vad är det egentligen vi försöker lösa?

The Stockholm Project

Är din AI politisk?

Vi litar alltmer till AI när det gäller olika frågor. Köpa ny bil? Kolla med AI! Investera i nya fonder? Prata med ChatGPT! Till och med när det gäller emotionella problem, kärlek och allmän existentiell ångest blir AI en naturlig samtalspartner. Varför då inte när det gäller nästa val?

När Sverige går till val i september i år kan vi räkna med att miljontals väljare kommer att prata med sin bot om politiska frågor, och att de kommer att fatta politiska beslut åtminstone delvis på basis av dessa konversationer, och då blir den uppenbara frågan: är AI en neutral aktör, eller har AI en politisk åsikt?

Det är svårt att besvara den frågan. AI-modellerna tränas att vara försiktiga i politiska sammanhang, och företagen som står bakom de stora modellerna vill inte gärna dras in i lokala politiska spänningar. I USA bubblar ett bråk om modellernas vänstervridning, med kongressledamöter som kräver att man ska leverera mer neutrala (läs högerorienterade) svar. Resultatet är att vi får modeller som försöker slingra sig vid varje politisk diskussion, och undvika att ta ställning.

Samtidigt är det ju viktigt att försöka ta reda på var modellerna står - inte för att misstänkliggöra någon, utan för att kunna anpassa oss när vi talar med dem.

Vi beslöt helt sonika för att testa, och funderade på hur vi skulle kunna göra det ganska länge - men så hittade vi ett roligt sätt: valkompasserna! Inför varje val publicerar varje tidning och medieplattform med självaktning en valkompass och dessa placerar - likt sorteringshatten i Harry Potter - alla som provar dem i ett parti. Men hur placerar de AI?

Vi använde SvTs valkompass från 2022 för att göra våra experiment, och testade ett flertal olika modeller med denna kompass. Den är förstås föråldrad, men så fort de nya publiceras uppmuntrar vi alla som kan att testa själva — det är en sorts konsumentupplysning! 2022 års valkompass ger ändå viss ledning, emellertid, så vi började med den.

Vi tog SvTs valkompass och testade den med ett antal olika modeller. När man gör detta räcker det inte att sitta och chatta med modellen - den kan ju ha lärt sig vem du är och vad du förväntar dig - utan man måste skriva vad som kallas en “eval” en utvärdering som varierar frågan, ställer den flera gånger och testar olika formuleringar för att komma åt de underliggande tendenserna. Vi redovisar vår metod i en metodnot som finns länkad i slutet av den här posten, och gör inte anspråk på att vara perfekta - men vi tror att vi har en bra början.

Så vad blir då resultatet?

Vi testade några vanliga modeller : ChatGPT 5.2, Gemini 2.5 Flash, Claude Opus 4.6 och Grok Fast 4.1. Vad vi fann var att den övervägande andelen av modellerna är…liberaler. Både Claude, ChatGPT och Gemini röstar på liberalerna. Grok, emellertid, är moderat. Resultaten nedan!

När man tittar på likheterna överlag ser man att modellerna inte är extrema på något sätt — de ligger nära flera olika partier. ChatGPT’s topp-partier är Liberalerna och Sverigedemokraterna (en till synes märklig närhet givet att dessa partier menar att de står så långt ifrån varandra). Claudes toppartier är Liberalerna och Kristdemokraterna.

Gemini är liberal, och i andra hand Sverigedemokrat. Grok, emellertid, är tydligt moderat, med litet distans till andrahandsvalet kristdemokraterna.

I botten finner vi Vänsterpartiet som ingen av AI-modellerna tycks sympatisera med alls.

Vad betyder då detta? Ska vi göra uppror mot de stora amerikanska teknikföretagen för att de inte är neutrala? Eller ska vi tacka dem för att gör en bevarandeinsats när det gäller folkpartisterna? Nu kommer det ju i alla fall att finnas digitala folkpartister kvar även när alla de mänskliga försvinner?

Svaret är ingetdera. Vad vi kan se är att modellerna söker sig mot en politisk mittpunkt där skillnaderna är så små som möjligt och där det inte är konstigt att partier som är varandras motståndare hamnar som första och andrahands val: modellerna har tränats att försöka vara så i mitten av allt som möjligt att de politiska kontrasterna suddas ut.

Det i sig kan tyckas vara ett bra resultat, men det vore kanske bättre om man kunde välja ett läge på sin bot? Om jag vill ha en moderat kan jag välja det, och om jag vill att min bot ska vara vänsterpartist kan jag ställa in det — då får jag den typ av världsbild jag vill — nu raderas det politiska ställningstagandet i stället ut och vi lämnas med en sorts geggig mittpolitik som inte betyder något, en sorts regression till medelvärdet som utplånar alla politiska spänningar.

Det är konsekvensen av att vi krävt att tekniken ska vara neutral när inget annat i samhället är det — vore det inte bättre att kunna välja vilken politik modellen har? Det borde ju vara en inställning som allt annat.

I särskilda frågor är det mest Grok som sticker ut - som här med frågan om rätten till abort bör skrivas in i grundlagen, eller när det gäller miljonärsskatt:

För ChatGPT och Claude är det svårt att hitta någonstans de inte håller med varandra - men det finns åtminstone någon liten friktion när det gäller bistånd och marknadshyror:

Kinesiska modeller som Deepseek v 3.2 uppvisar samma beteende:

Qwen, en annan kinesisk modell, landar i samma slutsats:

Den franska modellen Mistral blir dock Sverigedemokrat - men med liberalerna på en solid andraplats.

Låt oss då summera: vad betyder allt detta? Den kanske viktigaste slutsatsen är att AI - liksom all annan teknik - kommer att ha eller uttrycka värderingar av olika slag. Det spelar ingen roll hur mycket vi försöker skapa neutralitet. Åsikter är en del av världen, och tekniken kommer att spegla dem. Vår nuvarande taktik är att försöka pressa ihop åsikterna i en mittfåra där allt är detsamma, men det behöver inte vara rätt. Kanske kan det till och med göra att den uppväxande generationen förlorar intresse för politiska frågor!

Är det inte så trots allt att det är de politiska konfliktlinjerna som skapar politikens mening?

Lästips

För den som vill gå djupare in i frågan om teknikens inbyggda politik är Langdon Winners The Whale and the Reactor (1986) en given startpunkt. Winner var en av de första tänkarna som på allvar argumenterade för att tekniska system aldrig är neutrala — de förkroppsligar politiska val, fördelar makt och skapar fakta på marken långt innan någon hinner rösta om saken. Hans mest kända essä i boken, “Do Artifacts Have Politics?”, ställer precis den fråga vi ställt till valkompasserna: kan ett tekniskt system i sig självt ha en politisk riktning?

Winners svar är ett bestämt ja. Han visar hur allt från broar till kärnkraftverk bär på politiska antaganden om vem som ska ha tillgång, vem som ska bestämma och hur samhället ska organiseras. Poängen är inte att ingenjörerna nödvändigtvis har onda avsikter — utan att varje designval innebär ett politiskt val, vare sig vi erkänner det eller inte. Det är en insikt som översätts nästan friktionsfritt till dagens AI-modeller, där val om träningsdata, fine-tuning och säkerhetsfilter avgör vilken världsbild tekniken uttrycker.

Fyrtio år efter bokens publicering känns Winners argument mer relevant än någonsin. När vi ser hur AI-modellerna samlas kring en utslätad mittpolitik — en sorts digital folkpartism — är det värt att påminna sig om hans centralaste poäng: att välja att vara “neutral” är också ett politiskt val, och kanske ett av de mest kraftfulla. Boken är kort, lättläst och finns tillgänglig som e-bok. En perfekt bok för den som vill tänka klarare om vad vi egentligen bygger.

The Stockholm Project.

Metodnot!

2026 02 23t19:57:20z

129KB ∙ PDF file

Download

Download