Samhällen är gjorda av beslut

Samhällen är gjorda av beslut: individuella beslut om vilka varor vi köper, var vi bor, hur vi utbildar oss och vilka vi röstar på, och kollaborativa beslut i organisationer och företag där vi utvecklar affärsidéer och skapar tillväxt - och så politiken förstås, som ytterst också består av beslut som väger olika värden mot varandra och försöker lösa upp målkonflikter av olika slag.

Strategisk samhällskommunikation handlar, just därför, nästan alltid om beslut - och vi har aldrig haft så bra verktyg för att arbeta med olika typer av beslut som idag. Att idag arbeta med samhällskommunikation och inte utnyttja dessa verktyg är att handikappa sig själv ordentligt.

Metodiken blir processmässigt ganska enkel. Först måste problemet definieras. Sedan behövs en metod för lösning och i den metoden kan vi definiera var AI-verktyg kan hjälpa oss. Människans uppgift blir att sätta processen, definiera indata som ska användas och definiera var AI ska användas. Därefter att kontinuerligt optimera utfallet.

Låt oss ta ett enkelt exempel. Säg att vi arbetar med rådgivning till ett företag som är intresserat av upphandling. En upphandling är en serie av beslut som till sist leder till ett köp av en vara eller en tjänst, och om vi vill påverka beslutet till förmån för en kund så behöver vi förstå hur beslutets skelett ser ut. Det gör vi genom att bryta ned det i delkomponenter, i olika omgångar, och sedan arbeta med dessa.

Varje riktigt stort beslut består av massor av avvägningar och delfaktorer som kan påverka utfallet — och att kartlägga dem är det första steget i att förstå beslutet.

En offentlig upphandling är en av de ultimata tillämpningarna för ett beslutsverktyg. Upphandlingar har oftast fördefinierade viktningar mellan olika delbeslutDessa ges som indata till verktyget. Bedömningskriterierna är också väldefinierade och mätbara, även om vissa bedömningskriterier är mer skönsmässiga.

Låt oss göra det levande: det pågår en upphandling av bussar till svenska militären - Buss 49p. Med hjälp av bakgrundsresearch (med öppna källor) kan vi snabbt skissa på hur beslutets skelett ser ut. Vi använder AI för att se till att vi fångar nyanser och delkomponenter. Resultatet blir något i den här stilen:

Beslutsträdet är uppdelat i delkomponenter och dessas underkomponenter. AI-modellen har gjort en första viktning av hur de olika delarna bidrar till beslutet - men den kan vi, som rågivare med flera års erfarenhet, förstås redigera. I en offentlig upphandling styrs så klart viktningen av olika faktorer delvis av hur upphandlingen är konstruerad. Vi ser att beslutet handlar om allt från teknik till industripolitik - precis som stora upphandlingsbeslut ofta gör.

När vi gjort det här jobbet kan vi åter använda AI för att räkna ut hur beslutet sannolikt faller ut just nu - med utgångspunkt i öppna källor: vi klickar bara på toppnoden:

Det ser bra ut för Scania - när AI:n har summerat alla de olika faktorerna, deras vikter, hur företagen ligger till och gjort ett antal simuleringar på datamängderna vi samlat in.

Men det stannar inte där: eftersom ett beslut är ett optimeringsproblem kan AI-modellen också se var i trädet ett företag är svagt, och ge oss tips om hur vi kan bli bättre. Säg att vi jobbar åt MAN - som kommer sist i vårt exempel. Då klickar vi helt enkelt på “win strategy” och får en analys av hur MAN kan förbättra sina chanser.

Resultatet blir en analys av trädet, de tekniska underlagen från MAN och företagets politiska positionering.

I arbetet med beslutet kan varje enskild bidragande faktor undersökas på samma sätt - grunderna för det betyg företaget har kan utmanas och uppdateras och med litet enkelt arbete kan beslutsträdet bli mer och mer rättvisande. Passiva säkerhetsfunktioner kan undersökas i detalj, och de experter företaget har kan granska förslagen, undersöka vad som skulle kunna göras och föreslå förbättringar.

AI:n kan föreslå konkreta insatser som skulle kunna höja betyget utifrån de data den har tillgång till.

Beslutsträd är dynamiska. När vi gör insatser som rådgivare, eller när det händer något, så kan vi lätt uppdatera beslutsträdet genom att ladda upp olika dokument: pressklipp, mötesanteckningar mm. Modellen utvärderar då det som laddas upp och justerar betyg och eventuellt till och med viktning.

Givetvis bör vi också kunna testa olika scenarier för att förstå hur ett beslut skulle kunna förändras, och testa idéer och kommunikationsstrategier virtuellt.

Varje scenario skiftar betyg, viktning och innehåll i beslutsträdet så vi kan förstå situationen bättre.

Nu till det kritiska. Verktyget är bara så bra som indata är. Visserligen kan vi basera verktyget på robusta forskningsrapporter från öppna källor med rätt AI-verktyg och Deep Research promptande, men det är först när kunniga rågivare kan vara med och utvärdera och arbeta med verktyget som det blir verkligt värdefullt.

Men att inte använda beslutsmodelleringsverktyg vid mer komplexa samhällskommunikationsprojekt är alltmer svårt att försvara. Visst, kanske säger någon att det inte är såhär beslut fattas - det handlar om vem som känner vem! Det är dock inte sant: mer komplexa beslut har så många olika aktörer inblandade att det inte räcker med att “ringa ministern”. Den som säljer den typen av samhällskommunikation säljer ormolja. Visst — ett bra möte kan påverka flera delar av beslutsträdet, men det gäller att ha kolla på helheten!

Modellen som vi beskrivit här i exemplet är superenkel - och vi har medvetet inte försökt förfina den. MAN kanske kommer att klara sig utmärkt, om de ens deltar - det har vi inte kollat. Poängen är en annan: med AI kommer beslutsmodellering att gå från att vara gissningar blandade med erfarenhet till att bli en robust metod - och den som hoppar på det tåget först kommer sannolikt att ha en rätt betydande strategisk fördel.

Lästips

Om beslutsträd är skelettet i ett bra samhällskommunikationsprojekt så är Paul Schoemakers forskning en av de bästa guiderna till hur det skelettet faktiskt fungerar. Winning Decisions: Getting It Right the First Time, skriven tillsammans med J. Edward Russo, är en bok som borde stå på hyllan hos alla som arbetar med att påverka eller förstå komplexa beslut.

Winning Decisions: Getting It Right the First Time : Russo, J. Edward, Schoemaker, Paul J.H.: Amazon.se: Books

Bokens stora insikt är förledande enkel: de flesta dåliga beslut beror inte på brist på information utan på brister i beslutsprocessen. Russo och Schoemaker bryter ned beslutsfattande i fyra faser — inramning, informationsinsamling, slutsatsdragning och lärande av utfall — och visar hur systematiska fel smyger sig in i varje steg. Det som gör boken särskilt relevant för den typ av arbete vi beskrivit ovan är att den tar sig an just det som beslutsträd försöker göra: att synliggöra strukturen i beslut som annars framstår som ogenomskinliga.

Schoemaker är kanske mest känd för sitt arbete med scenarioplanering, och det märks. Boken behandlar inte beslut som isolerade ögonblick utan som processer som utspelar sig över tid, i organisatoriska kontexter, under osäkerhet. Det är precis den verklighet vi möter i en stor upphandling: beslutet fattas inte vid ett enda tillfälle utan växer fram genom hundratals mindre bedömningar, påverkade av kognitiva biaser, gruppdynamik och politiska hänsyn.

En av bokens mest användbara delar handlar om självöverskattning — vår tendens att överskatta precisionen i våra egna bedömningar. Det är en direkt relevant varning för alla som arbetar med den typ av modellering vi diskuterat. Ett beslutsträd kan ge en falsk känsla av exakthet om vi inte aktivt utmanar de vikter och betyg vi sätter. Russo och Schoemaker erbjuder konkreta tekniker för att motverka detta, från att medvetet söka disconfirmerande information till att använda referensklasser och basfrekvenser.

Boken är skriven för praktiker, inte akademiker, och det syns i språket — det är rakt och fyllt av exempel från företagsvärlden. Den publicerades första gången 2002 men har åldrats väl, kanske just för att de kognitiva begränsningar den beskriver är tidlösa. Om något har AI-verktygens intåg gjort bokens budskap mer angeläget: när vi nu kan bygga sofistikerade beslutsmodeller på minuter snarare än veckor blir det ännu viktigare att förstå de mänskliga bristerna i hur vi definierar problemet, väger evidens och drar slutsatser.

Läs den som en påminnelse om att verktygen vi bygger aldrig blir bättre än det tänkande vi stoppar in i dem — och som en manual för hur det tänkandet kan skärpas.

The Stockholm Project.