Hur vi kan sluta gissa om framtiden

Early Pattern · Artikel

AI är lysande att hitta mönster.

Uselt att avgöra vilka som betyder något.

earlypattern.com

Våren 2026 blev jag ombedd att ta fram en förmågekarta över en verksamhet. Än en gång. Syftet var att kunna planera mer stabilt och få överblick. Jag ville inte. Inte för att arbetet var fel, utan för att jag visste att det skulle bli manuellt, långsamt och redan föråldrat innan det var klart.

Istället frågade jag min vän Claude hur en förmågekarta skulle kunna se ut. För att svaret skulle bli något annat än en snygg gissning behövde han data. Helst korrekt data. Och inte kundens interna data. Jag vägrade låta honom hitta på utan underlag. Så där började det: vad finns det för öppen data att jobba med?

Det visade sig vara mer än jag trodde:

Parallellt tog betydligt mer motiverade människor än jag fram en manuell förmågekarta över samma verksamhet. Nu hade vi något att jämföra med. De stämde överens till ungefär 95 procent.

Kartan var bara grunden. Men med den fick jag det som nästan all AI saknar: lämpliga hinkar att lägga data i. Ordet som används för att beskriva världen ur ett digitalt perspektiv är ontologi, och det är nära besläktat med hinkarna.

Det underlättar att ha jobbat som verksamhets- och informationsarkitekt och ha ett nästan ohälsosamt stort intresse för metamodeller och metametamodeller (ni som vet, ni vet).

Det var där min hjärna började spinna vidare. Om öppen data räcker för att se en verksamhet, räcker den också för att se vad som håller på att hända. Då förstod jag att det här inte var ett sidospår. Det var något.

Tre sätt att gissa om framtiden

Under mina år på Bisnode, bland annat som teamlead för insikter på kunddata, ville vi göra experiment som var för dyra för att någon kund skulle betala för dem.

Idag kan jag göra dem själv, på öppen data.

De flesta bolag jobbar med prognosbaserad avvikelse: ta fjolårets budget, be verksamheten dra siffrorna upp eller ned tio procent. Enkelt, men det säger inget om varför framtiden skulle bli annorlunda.

Ibland sockrar man det med några prioriterade initiativ och kallar det sedan strategi.

Nästa steg är scenariobaserad planering. Här styr olika scenarier planeringen: en ny pandemi, krig som stör er supply chain. Sannolikheten kan vara låg men påverkan hög, så man planerar mot scenariot ändå. Bättre, men fortfarande gissningar utan grund i vad som faktiskt händer i er omvärld just nu.

Det jag har lagt året på är ett tredje sätt: att skapa förutsättningar för att hitta signalerna i bruset, och låta signalerna peka ut kandidater till scenarier. Inte vad skulle kunna hända i teorin, utan det här håller faktiskt på att hända. Vad gör ni åt det?

Var AI är bra, och var AI är uselt

Det här är AI bra på: att hitta mönster i stora mängder öppen data. Korrelation. Det AI är uselt på är att värdera tio scenarier och avgöra vilka som faktiskt är relevanta. Den ser att två saker händer samtidigt. Den ser inte om den ena leder till den andra. Inte korrelation, utan kausalitet. Den senare biten har jag lagt nästan hela året på, eller egentligen hela arbetslivet.

AI är också bra på att hitta på och hallucinera. Men för att vara rättvis så är det AI:s feature. Den försöker hitta nästa bokstav eller ord i något som låter bra. Fakta-korrekthet är inte en feature som dagens AI och LLM besitter på ett bra sätt.

Metoden i korthet: korrekt data från flera oberoende källor blir grunden, tillsammans med en ontologi för branschen.

AI tar sedan fram ett antal scenarier utifrån en brief byggd på den verkliga datan. AI är otroligt duktig på att hitta på saker, och blir bättre och bättre på att övertyga dig om att det påhittade är rätt. Ibland har den rätt.

Därför är konfidens nyckeln i hur vi behöver se på AI. Inte vad tycker modellen, utan hur säkra är vi, och varför.

Ett exempel

Förenklat, men så här ser ett mönster ut när det väl syns:

Konkurrent A har skaffat patent på en produkt som liknar er egen. De har köpt upp en leverantör som ni också använder. De har anställt folk i en region de aldrig varit verksamma i tidigare. Det har skrivits nyheter om deras expansion. Nyheten är den sista signalen i kedjan, inte den första.

Scenariot och motmedel: om ni inte skyddar era kundkontrakt med längre avtalslängder nu, blir ni prisutsatta inom kort. Det kan motsvara runt en tiondel av orderstocken per år.

Siffrorna är illustrativa. Men kedjan ser ut så här i verkligheten.

Konfidens: 0,87. Alltså hur säker kedjan är, inte hur illa det låter. Det är ovanligt högt; normalt ligger det runt 0,5, och det är hela poängen. Konfidens 1,0 finns inte. Det här är inte beslutet, det är början på en diskussion. Vi föreslår. Ni avgör.

Det ska vara ett mönster som både är relevant och tillräckligt starkt att agera på. Inte för att sakerna råkar samvariera, utan för att kedjan hänger ihop. Jag kallar det Early Pattern. Det är också vad tjänsten heter.

Till er som funderar

Jag hjälper er ledning att gå rakt på beslut. Data, analys och scenarier ligger redan på bordet när vi sätter oss ner.

Om ni vill se vad som faktiskt syns i bruset kring er verksamhet just nu, hör av er så tar vi ett första samtal.

Thomas Larsson
Produktarkitekt, Early Pattern

Mejla mig på thomas.larsson@earlypattern.com eller leta rätt på min profil på LinkedIn och skicka ett DM. https://www.linkedin.com/in/tlarsson.

Jag skriver också mer personligt, om det här och annat, på Substack →