Datadrivet ledarskap – en begreppsförvirring
Begrepp som datadrivet ledarskap, datadrivna beslut och data-driven decision making används i dag frekvent i såväl managementlitteratur som organisationskommunikation. Samtidigt har gränserna mellan tekniska metoder, operativa arbetssätt och strategiskt ansvar blivit otydliga. Det som sällan klargörs är vad begreppen faktiskt innebär och vad som händer när begreppen kombineras. En distinktion som förklarar vad dessa begrepp är avgörande för att kunna omsätta datadrivet i praktiken.
Data-driven decision making – ett operativt beslutsmaskineri
Förvirringen tar ofta sin början i tolkningen av data-driven decision making, DDDM. I strikt mening beskriver DDDM ett operativt, digitalt beslutsmaskineri.
Människan designar modellen, definierar mål och sätter tröskelvärden, men deltar inte i själva beslutsloopen. Data transformeras till beslut genom regler, modeller eller algoritmer. Underlaget produceras och konsumeras internt i det digitala syystemet.
I detta läge existerar inget strategiskt beslutsmoment för en ledare att delta i. Det som återstår är styrning av systemet. Kreditbeslut baserade på scoringsmodeller, dynamisk prissättning eller automatiserad lagerpåfyllnad utgör typiska exempel. Den mänskliga rollen ligger i design, parametrisering och uppföljning – inte i det operativa beslutstillfället. Beslutsloopen är sluten och digital.
Datadrivet beslutsfattande i denna form är en mekanism för operativ effektivitet och skalbarhet. Den reducerar variation, standardiserar bedömningar och möjliggör snabb exekvering. Däremot utgör den inte ledarskap i normativ mening.
Ledarskap aktualiseras i situationer där målkonflikter, värderingsavvägningar och osäker framtid inte kan reduceras till en optimeringsfunktion. När beslutslogiken är fullt formaliserbar övergår den från strategisk aktivitet till implementerad beslutsstruktur.
Strategiskt beslutsfattande kan inte kodifieras fullt ut
Strategiska beslut kännetecknas av otydligt definierade problem, motstridiga mål, avsaknad av stabil träningsdata och ett ansvar som inte kan externaliseras till en algoritm. Data och modeller kan bidra med analyser, simuleringar och scenarier, men själva avgörandet kräver normativt omdöme. Någon måste ta ansvar för riktning, risk och prioritering.
I strikt teknisk bemärkelse kan strategiskt beslutsfattande därför inte vara DDDM, eftersom DDDM förutsätter formaliserbar beslutslogik.
När operativt förväxlas med strategiskt
Begreppsförskjutningen uppstår när operativa metoder används för att definiera ett strategiskt begrepp. A/B-testning, processoptimering och automatisering beskrivs ofta som uttryck för datadrivet ledarskap. I realiteten är de experimentella eller analytiska aktiviteter inom ett system.
- A/B-testning är en metod för hypotesprövning.
- Processoptimering är en analytisk förbättringsaktivitet.
- Automatisering är implementerad beslutslogik.
Att dessa aktiviteter prioriteras och möjliggörs är en ledarskapsfråga. Deras genomförande är det inte.
När dessa nivåer sammanblandas uppstår begreppsförvirring: operativa metoder ska driva strategiskt ledarskap. Resultatet blir en begreppslig oklarhet där datadrivet ledarskap och datadrivna beslut blir tolkningar. Begreppet ledarskap i andra kontext är tydligt är en fråga om styrning, ansvar och riktning, men hur blir kombinationen med data?
För att kombinera ledarskap med data krävs därför en tydlig uppdelning mellan:
- Operativa beslut som är automatiserade i en digital loop
- Insikter från rapporter – där insikterna kan leda till frågeställningar och problemformuleringar
- Strategiska beslut som kräver en kombination av människa, data/information och analys i beslutsprocessen
- Genomförandet av det som beslutats
Begreppen skapar logisk spänning
När datadrivet beslutsfattande likställs med ledarskap uppstår en logisk spänning. Om beslutslogiken är kodifierad och sker utan mänsklig inblandning finns inget operativt beslut för ledaren att fatta. För att ett beslutsunderlag ska bli relevant för en människa måste processen lämna den slutna digitala loopen och träda in i en kontext där tolkning, värdering och ansvar aktualiseras.
Data är central även i strategiskt ledarskap. Problemet ligger inte i användningen av data, utan i begreppsanvändningen.
Generativ AI förändrar beslutsrelationen
Generativ AI förändrar inte det faktum att system kan fatta beslut – det har de gjort länge. Förändringen ligger i hur beslutslogiken exponeras och hur interaktionen struktureras.
I klassisk DDDM är beslutsstrukturen definierad i förväg. En prediktiv modell estimerar sannolikheter. En preskriptiv modell optimerar ett mål givet restriktioner. Logiken är explicit och avgränsad.
Generativ AI introducerar en annan beslutsrelation.
När en användare ställer frågan ”vad ska jag göra?” och tillför kontext sker tre processer samtidigt: problemet formuleras i naturligt språk, systemet tolkar problemets innebörd och genererar ett svar i form av analys, syntes eller rekommendation.
Probleminramning, analys och rekommendation integreras i samma process. I traditionell DDDM är dessa steg separerade och kontrollerade. Här sammanfaller de och delar av logiken förblir implicita.
Skillnaden ligger därför inte i att AI nu fattar beslut, utan i att systemet:
- hanterar öppna och otydligt definierade problem
- konstruerar beslutsramen
- genererar rekommendationer utan att tydliggöra beräkningslogiken
Analysakten blir en del av den automatiserade processen och uttrycks i ett språk som liknar mänskligt resonemang. Det påverkar hur rekommendationer uppfattas.
Ansvar, transparens och epistemisk insyn
I generativ AI finns en risk att rekommendationer uppfattas som sammanvägda expertomdömen, trots att underlaget kan vara ofullständigt, optimeringskriterierna otydliga och resonemanget icke-transparent.
Det skapar en ny beslutsproblematik där inte bara beslut utan även problemformulering externaliseras till ett system.
Diskussionen om AI och beslutsfattande behöver därför fokusera på:
- kontroll över problemformuleringen
- transparens i beslutslogiken
- ansvarsfördelning
- graden av epistemisk insyn
Det centrala blir att förstå hur beslut genereras, på vilka premisser de vilar och vilka antaganden som är inbyggda i modellen.
Beslutsprocessen som ledarskapets kärna
Oavsett om man använder begrepp som datadrivet, AI-drivet eller traditionellt beslutsfattande ligger ledarskapets tyngdpunkt i arbetet före beslutet: hur problem definieras, vilka mål som prioriteras, vilka risker som accepteras och hur ansvar fördelas.
Det är i denna fas data, analys och AI kan förstärka ledarskapet – men inte ersätta det.
