Så skapar du tydlighet i beslutsfattandet under AI-transformation

Galen Low: En RACI-matris är en sådan sak som människor antingen älskar eller hatar – oftast hatar. Inte för att den inte är användbar, utan för att det är lite för lätt att fastna i att dokumentera vem som ansvarar för, har befogenhet över, konsulteras om eller informeras om varje del av verksamheten, i stället för att faktiskt få arbetet gjort. Men när organisationer kommer längre i sin AI-transformation och börjar omforma själva strukturerna som arbetet sker inom, blir tydlighet kring roller, ansvar och beslutsfattande lite viktigare.

Därför har jag i dag bjudit in den person som jag vet är expert på tydlighet i beslutsfattandet med RACI som grund, och som dessutom arbetar mycket nära företag och myndigheter med deras AI-transformation. Tillsammans ska vi utforska om RACI kan användas inte bara som ett verktyg för att fånga hur beslut fattas i dag, utan också som ett språk och ett tankesätt för att utforma framtidens organisationer. Hoppas att du uppskattar avsnittet.

Välkommen till Digital Project Manager Podcast – programmet som hjälper leveransledare att arbeta smartare, leverera smidigare och leda sina team med självförtroende i AI-eran. Jag heter Galen, och varje vecka går vi igenom strategier från verkligheten, nya trender, beprövade ramverk och ibland även en krigshistoria från projektets frontlinje.

Oavsett om du styr stora transformationsprojekt, hanterar AI-arbetsflöden eller bara försöker hålla kaoset under kontroll har du kommit rätt. Och om du har uppskattat det du har hört från oss på sistone får du gärna följa oss där du lyssnar och kanske även lämna en recension. Då sätter vi i gång.

I dag pratar vi alltså om AI, beslutsfattande och varför tydlighet kring roller och ansvar är viktigare än någonsin. Med mig i dag har jag poddens vän Cassie Solomon, vd och koncernchef för The New Group. Cassie är en prisbelönt författare och företagskonsult som är expert på att leda framgångsrik förändring.

Hon har hjälpt ledande chefer att förändra sin verksamhet hos organisationer som Twitter, Pandora, Bayer Pharmaceuticals, Penn Medicine, Geisinger Health Systems och ChristianaCare Health Systems. Dessutom undervisar hon chefer vid Wharton School of Business, och hennes bok Leading Successful Change: Eight Keys to Making Change Work är fortfarande den handbok som hjälper många ledare att navigera dagens förändringstakt.

Men för dem som har följt den här podden genom åren är Cassie personen man ska prata med när det gäller att använda RACI som verktyg och språk för att tydliggöra roller, ansvar och beslutsfattande, så att organisationer kan öka takten i sin transformation.

Cassie, stort tack för att du är med mig i dag.

Cassie Solomon: Tack så mycket, Galen, för att du bjöd in mig. Det är alltid väldigt roligt att prata med dig.

Galen Low: Först och främst ville jag ställa en lite kontroversiell fråga som mina lyssnare gärna vill höra din syn på, och sedan hoppas jag att vi kan bryta ned den i praktiska tips för att undvika kaos kring AI-roller och AI-ansvar i projekt och för organisatoriskt beslutsfattande i stort.

Och som avslutning kanske vi kan blicka framåt mot hur beslutsfattande, lagarbete och organisationsstrukturer kommer att se ut när AI är integrerad, och vad vi behöver få rätt redan i dag för att göra det positivt – i-inte negativt. Hur låter det?

Cassie Solomon: Det låter utmärkt.

Galen Low: Då börjar jag med en lite kontroversiell fråga. Just nu försöker nästan alla organisationer jag pratar med skapa AI-agenter och integrera dem i sin verksamhetsmodell. Dessa agenter är tänkta att arbeta med relativt stor självständighet, vilket specifikt innefattar att fatta beslut på egen hand.

Och enligt mig är du experten när det gäller att använda RACI som språk för att skapa en gemensam förståelse för vem som ansvarar för, har befogenhet över, konsulteras om och informeras om beslut som fattas genom samarbetsprocessen. Så min fråga är: Är RACI fortfarande relevant i AI-eran?

Cassie Solomon: Jag tycker det.

Jag vill tacka dig för att du lyfte boken Leading Successful Change. Den beskriver ett system. En av de åtta hävstängerna råkar vara beslutsfattande, och något jag tycker om att påpeka när jag undervisar i modellen är att detta är en aspekt av vårt organisatoriska liv som till stor del är osynlig.

Jag kan visa dig min ersättningsplan, jag kan visa dig mitt organisationsschema och jag kan visa dig min teknik, men det är mycket svårt att visa dig mitt beslutsfattande, trots att det är en mycket viktig del av systemet. Därför är det ett intressant perspektiv på AI-transformation, eftersom vi är på väg in i en typ av förändring som jag tror verkligen omformar våra beslutsfattande arbetssätt, samtidigt som vi ofta inte ens vet hur vi ska prata om det.

Galen Low: Jag gillar att du tog upp transformationen, särskilt AI-transformation, av två skäl. För det första håller jag med dig. Det här är inte saker vi alltid skriver ned. De är på många sätt inofficiella och osynliga, och dokumenteras i mycket begränsad utsträckning. Det är dåligt av två skäl.

För det första är det dåligt för AI. Om vi inte har tränat AI:n på informationen och den inte känner till den eller kan hitta den, kommer den inte att veta förrän vi berättar det. Det andra är att transformation kräver den här tydligheten. Alla rör sig snabbt. De försöker göra saker fort och förbli konkurrenskraftiga, och det är nu som beslutsfattande, roller, ansvar och sådant som förändras måste diskuteras och skrivas ned, så att vi kan fortsätta röra oss snabbt utan att fastna i beslutsfattandets limbo eller massiv tvetydighet.

Det är så vi pratar om det.

Cassie Solomon: Ja. När AI diskuteras i populärpressen tänker man ofta: ”Handlar det här om att ersätta någons arbete? Ska jag ersätta den här medarbetaren eftersom jag inte längre behöver honom eller henne?” Sedan dyker ett annat ord upp: men vänta, hur är det med omdömet? Hur är det med mänskligt omdöme?

Ordet omdöme syftar egentligen på expertis och befogenhet. Omdöme kommer ofta in i bilden när någon säger: ”Det där är ett bra beslut”, eller ”Det där är ett dåligt beslut”, eller ”Vänta lite, jag borde fatta det beslutet. Jag har 25 års erfarenhet av …” Så inbäddat i ordet omdöme finns redan, tror jag, en riktning som leder oss rätt. Det säger: ”Titta här. Det här handlar om beslutsfattande.”

Men jag vill också tala om Ajay Agrawal, Josh Gans och Avi Goldfarbs bok Power and Prediction. Den kom ut 2022, alltså innan ChatGPT lanserades, men den pekar mot en förståelse av AI som en förutsägelsemotor och ett sätt att fatta bättre beslut.

Just nu är vi nästan översvämmade av alla dessa AI-projekt och AI-samtal. Det fanns en mycket bra studie 2025 som visade att omkring 80 procent av AI-projekten inte uppnår ökad produktivitet. Det var en MIT-studie. Och en studie från McKinsey 2026 sade i princip samma sak.

De här författarna har en modell som jag tycker börjar bli mycket användbar för att förstå vilken typ av AI-projekt vi talar om, och deras ramverk är väldigt enkelt. Den första nivån är en punktlösning, där man tar en enda sak som människor brukade göra och i stället gör den med AI. Jag tänker på det som att jag ber AI skapa min veckomeny eller göra research till min uppsats.

Det är något väldigt bra, men det är begränsat. Den andra nivån kallar de en tillämpningslösning. Då förändrar man flera saker samtidigt, vilket kanske är när vi nu börjar närma oss AI-agenter. Den högsta nivån är systemtillämpningar, där man backar tillbaka och frågar: ”Hur kan jag förändra hela systemet med hjälp av den här tekniken?”

De är mycket svårare att uppnå, och det finns färre exempel på dem. Men deras teori, som jag håller med om, är att det är där vi kommer att se verklig påverkan på resultatet, om vi lyckas genomföra den totala transformationen.

Galen Low: Jag gillar verkligen det här ramverket, eftersom det hjälper oss att förstå att alla AI-transformationsprojekt och alla AI-tillämpningar inte är likadana.

Det vore enkelt att säga: ”Okej, nu kan jag ersätta det här verktyget med ChatGPT”, eller ”Nu kan jag lägga till en agent i det här arbetsflödet.” Men det finns en annan nivå som vi måste tänka annorlunda kring, eftersom konsekvenserna, designutmaningarna och problemet är större.

Det placerar oss i det område du beskriver. Jag tänker att vi inte längre håller oss fast vid bassängkanten. Vi har egentligen ingen trygg zon att återvända till. Vi befinner oss ute i det okända, på helt ny mark, och måste reda ut det utifrån något nytt – inte utifrån det vi haft tidigare.

Cassie Solomon: Om vi börjar med punktlösningar, vilket är logiskt eftersom de är enklast att föreställa sig, leder det oss till tanken: ”Jag behöver inte längre en arbetsstyrka på 8 000 personer för att göra den här uppgiften.” Det är ersättningsbart. Men jag gick nyligen igenom en mycket intressant studie.

Förra året, alltså ganska nyligen, visade en brittisk studie att omkring 30 procent av organisationerna som säger upp människor eftersom de ska införa AI till slut anställer dem igen. Sedan fanns det en andra studie, utförd av andra personer, som i princip sade: ”Och förresten, när ni återanställer dem är de dyrare andra gången.”

Jag tror att vi kan börja ställa bättre frågor genom att tänka bredare och rikta oss mot lösningarna och transformationsdelen. Om de här medarbetarna inte längre lägger tid på detta, vad kan de göra i stället? Det klassiska exemplet från förr, som de flesta av oss minns, är när bankomaterna kom och människor sade: ”Herregud, det kommer inte att finnas några banktjänstemän kvar eftersom maskinen kan ge oss pengar. Det är slutet för hela det yrket.”

Men det visade sig inte vara sant. Det var inte slutet för hela yrket. Man bestämde sig i stället för: ”Banktjänstemännen är fortfarande viktiga eftersom de kan prata med våra kunder. Låt oss använda dem till mer.” De blev mer inriktade på affärsutveckling. Jag tror att det tankesättet kan hjälpa oss att dämpa några av de mardrömmar vi har om arbetskraften och om AI kommer att ersätta alla jobb.

Tillverkning är ett annat fall, men fortfarande en bra ambition, tycker jag.

Galen Low: Jag gillar verkligen tanken att punktlösningen nästan är det mest skrämmande, eftersom den bara ser ut som ett byte. Man tänker: ”Okej, nu gör en robot mitt jobb.” Jag är glad att du kopplade det till vad vi har sett i historien, eller den närmare historien, när det gäller förändring och hur den kan utvecklas.

Jag gillar förskjutningen mot att zooma ut och titta på systemet. När vi tittar på tillämpningsnivån tänker vi först: ”Okej, då måste vi väl säga upp alla banktjänstemän.” Sedan säger vi: ”Vänta, vänta, vänta. Vi behöver dem tillbaka”, eftersom det fortfarande finns värde att skapa i systemet när vi zoomar ut.

Vi måste bara tänka på det på ett helt nytt sätt och inte använda vår gamla modell. Vi reagerar nästan alltid utifrån det vi vet i dag, även när uppdraget är att hitta något nytt för morgondagen.

Cassie Solomon: Det är till hundra procent en fråga om tankesätt. Något jag är besatt av, och som mina vänner brukar reta mig för, är övergången som världen gjorde från ångmaskinen till elmotorn. Det tog väldigt lång tid, Galen.

Det var en övergång på 20–25 år. Något som verkligen höll människor tillbaka var att de hade mycket svårt att föreställa sig vad den nya tekniken kunde göra. Företagen som lyckades förstå det lyckades och blomstrade, medan de som inte gjorde det föll bort.

Det som fascinerar mig mest med exemplet är att de byggde nya fabriker efter att elmotorn hade införts, men placerade dem på samma centrala plats där de tidigare hade placerat den stora ångmaskinen, eftersom de inte kunde föreställa sig en annan fabriksplanering.

Mycket handlar alltså om tankesätt: vad kan vi föreställa oss som annorlunda?

Galen Low: Jag älskar det, och jag tycker att det är relevant i dag. Mycket relevant. Var ska vi placera den nya motorn? På samma plats som alltid. Jag ser många paralleller när det gäller var beslut fattas.

”Var ska vi placera den i den nya modellen?” Exakt där den var tidigare. Det är förmodligen vårt bästa alternativ. Vi vet inte vad vi inte vet, och det är så mänskligt att säga: ”Vi gör det som vi alltid har gjort, så blir det nog bra.” Vi har ju kommit så här långt på det sättet.

Sedan kommer ibland ögonblicket när man inser: ”Nej, vi måste tänka större. Den behöver inte vara här längre.”

Cassie Solomon: Tack för att du förde tillbaka det till beslutsfattandet, för jag har ett bra exempel från McKinsey som vi ska hänvisa till i en artikel vi arbetar med. Det handlar om ett stort företag som heter Blackstone.

De ville förändra sitt juridiska arbete och sitt compliancearbete eftersom de förväntade sig en enorm volymökning. Allt hade behandlats manuellt, och de hade inte råd att lägga till 25 procent fler medarbetare. Därför sade de till McKinsey: ”Vi borde kunna göra det här med AI.”

McKinsey svarade: ”Stopp lite. Vi kommer inte bara att lägga tekniken ovanpå er gamla process, för då kommer ni inte särskilt långt.” Det skulle bli som i de fall där människor säger: ”Jag använde AI, men ingenting förändrades egentligen. Det påverkade inte resultatet.”

I stället sade McKinsey: ”Ni har alla dessa godkännandenivåer. Ni har ett väldigt klumpigt sätt att genomföra processen. Ni måste först rensa upp processen och effektivisera beslutsfattandet, automatisera så mycket som möjligt av det regelbaserade beslutsfattandet, och sedan skapa en eskaleringsväg om någon inte gillar vad den nya automatiseringen åstadkommer. Därefter kan ni lägga AI ovanpå.”

Efter att de hade rensat upp den klumpiga processen och infört AI såg de otroliga produktivitetsvinster, ungefär 30 procent högre produktivitet. Seniora medarbetare behövde inte längre göra flera granskningar. De frigjordes för andra uppgifter. Det kom många fördelar ur det. Nu är vi tillbaka hos min vän RACI.

Kan du använda RACI för att rita upp processen ni använder i dag? Kan du se hur klumpig den är, hur många godkännanden ni tvingar er själva att gå igenom, och effektivisera det innan ni inför tekniken?

Galen Low: Plåga är ett så starkt och passande ord för vissa delar av beslutsfattandet.

Det är intressant eftersom du just nu lanserar ett RACI-certifieringsprogram, det första jag känner till. Tanken är att hjälpa företagsorganisationer att utbilda människor på alla nivåer och harmonisera hur beslut fattas genom hela verksamheten.

Vad är fundamentalt annorlunda med att använda RACI i AI-eran som företagsledare och projektprofessionella behöver förstå för att undvika ångmaskinen på samma plats, eller de gamla tankemönstren som begränsar framsteg i den nya eran?

Cassie Solomon: Vilken bra fråga. Låt oss gå tillbaka till det du började med. RACI-certifieringskursen är just nu i betafas. Den första riktiga omgången hålls i oktober, och vi letar efter rätt namn eftersom många säger: ”RACI är ett så enkelt verktyg. Varför skulle jag behöva en certifiering? Jag kan titta på några YouTube-videor och sedan är jag klar.”

Och jag håller helt med. Verktyget som sådant är ganska enkelt, men vi försöker lära ut det som en färdighet eller förmåga. Det har så många användningsområden för att skapa engagemang och högpresterande team.

Jag kontaktas ofta av företag som säger: ”Min medarbetarundersökning kom tillbaka och människor är så frustrerade över våra beslutsprocesser. De får ingenting gjort. Kan ni hjälpa till?” Då svarar jag: ”Ja, självklart kan vi hjälpa till.”

En av de saker vi bygger in i kursen som en färdighet är hur man gör en beslutsrevision. Hur granskar man sina beslutsfattande arbetssätt och kartlägger dem, ungefär som när man kartlägger ett arbetsflöde?

Vi kartlägger nästan aldrig våra beslutsprocesser. Vi lägger stor vikt vid vad vi gör och hur vi gör det, men mycket liten vikt vid var makten och befogenheten finns och hur vi använder den i organisationen. Först måste du alltså förstå nuläget, och det är en RACI-förmåga.

Sedan måste du fråga: Varför går det så långsamt? PMI sade för länge sedan att man bara ska ha en A för varje projekt. Du känner mig – jag brukar inte hålla med och tycker inte att det är särskilt realistiskt. Vi vill faktiskt flytta ned beslut i organisationen om vi vill uppnå snabbhet.

Vi kommer alla från äldre system som är ganska hierarkiska och bygger på styrning och kontroll. Om man ser sig omkring har världen i flera decennier rört sig mot plattare, mindre hierarkiska organisationer med mindre styrning och kontroll. De organisationerna är smidigare och snabbare.

Steg ett är alltså att diagnostisera hur beslutsfattandet ser ut just nu. Steg två är att backa tillbaka och granska det. Steg tre är att utforma det på nytt med fokus på att ge människor mer makt, så att besluten flyttas närmare verksamhetens ytterkanter.

Galen Low: Jag gillar verkligen smidigheten i det. Du nämnde PMI, och jag kan tänka mig att man i någon version av den ursprungliga RACI-modellen sade: ”En person med ansvar är mest effektivt.” I dag inser vi att det faktiskt kan vara en flaskhals.

Många av de människor vi pratar med stöter på att en enda beslutsfattare för allting inte alltid är den bästa lösningen. Personen kanske inte har tillräcklig information eller rätt förutsättningar för att fatta beslutet. Och om det är oklart vem personen är, eller om man måste vänta, saktar det ned allt.

Samtidigt finns det många exempel på team som har större befogenhet att fatta beslut nära värdeskapandet. Det stöder ett smidigare arbetssätt. Det fascinerande är också att människor tänker: ”RACI-certifiering? Ska du lära mig en akronym på fem minuter och sedan ge mig läxor?” Men det är inte det. Det handlar om RACI som verktyg, ramverk och tankesätt för högpresterande team som behöver förstå var beslut fattas.

Du och jag pratade också om RACI som ett designverktyg. Nu förstår vi vad vi har, men det handlar inte bara om att dokumentera nuläget. Det handlar om att förstå var befogenheten ska ligga i den nya världen, vem som kan fatta beslut och sedan skapa systemet – den förändring på systemnivå som motsvarar nivå tre i din modell.

Cassie Solomon: Jag vill faktiskt återvända till frågan om en enda beslutsfattare, eftersom det fungerar mycket bra för nystartade företag, som vanligtvis inte behöver RACI.

De behöver inte den strukturen. De säger: ”Jag är grundare. Jag fattar besluten. Jag är ingen flaskhals. Vi har ett litet team. Vi samlas som ett agilt team, jag får in synpunkter, alla förstår och vi rör oss snabbt.”

När företaget blir framgångsrikt och börjar växa blir den enda beslutsfattaren däremot snabbt ett problem. Grundarteamet är vant vid att vara involverat i alla beslut, de har all historik och känner varandra. Sedan lägger man till 350 nya människor, många med stor egen erfarenhet.

De är fantastiska. Och sedan blir det kaos. Det är vanligtvis där frågor om beslutsrätt och smärtpunkter uppstår.

En annan punkt som vi pratade om är liknelsen med den distribuerade elmotorn. Motorerna blev mindre och mindre och distribuerades sedan ut i fabriken. Det är en bra metafor för hur vi plattar till organisationer i dag.

Anledningen till att vi gör organisationerna plattare är tillgången till information. Det är en mycket intressant signal. Det fanns en artikel i New York Times om hur kriget mellan Ukraina och Ryssland förändras när man går över till mer drönarkrigföring. Vi kommer att behöva prata om när maskinen börjar fatta beslut, eftersom det är vad alla kommer att undra.

De använder nu satellitbilder för att se landskapet och identifiera mål. Tekniken och tillgången har förbättrats, så nu skickas tekniken ut till fältet – till någons telefon eller surfplatta. Om besluten fortfarande fattades vid centralledningen skulle man inte utnyttja att underrättelserna nu finns ute i fältet, nära ytterkanterna. Därför har beslutsfattandet flyttats.

Men de har inte kommit till punkten där de vill att drönarna ska fatta besluten. De vill fortfarande ha människan med i loopen, och det tror jag är mycket viktigt, åtminstone på det här stadiet av vår utveckling med AI. Många av de viktigaste besluten inom exempelvis klinisk vård kräver fortfarande mänskligt omdöme och en människa i loopen.

Galen Low: Det du säger är intressant eftersom det inte bara är tekniken som för intelligensen närmare människorna som utför arbetet eller skapar värdet. Det handlar också om förtroende och utbildning.

Bara för att någon har rätt information eller rätt underrättelser för att kunna agera betyder det inte att personen har utbildningen eller helhetsperspektivet som krävs för att fatta bra beslut. Hur löser man det? Vi kan skapa en direkt informationskanal till projektteam eller kundsupport på första linjen, men vad hjälper dem att fatta bra beslut när de väl har informationen? Hur kan organisationer lita på att rätt information faktiskt leder till bättre beslut?

Cassie Solomon: Vi har byggt en modell för att ge människor befogenhet, baserad på flera års RACI-konsultarbete. Ordet och begreppet är för brett och hamnar lätt i normativa resonemang: ”Jag vill inte vara en detaljstyrande chef. Jag vill ge teamet befogenhet, så jag måste backa från besluten.”

Sedan går det dåligt, så man kliver in igen. Då har man avskräckt alla och demoraliserat hela systemet.

En ingrediens i vår modell är färdighet, vilket kommer från Dreyfus-forskningen från mitten av 1980-talet. Dreyfus och Dreyfus studerade hur människor bygger upp färdighet. Som nybörjare börjar man med exakta checklistor steg för steg. Jag brukar säga att jag är en erfaren kock men en usel bagare. Om jag ska baka måste jag gå tillbaka till receptet femton gånger.

Min vän Laurie är en fantastisk bagare och har gjort det i årtionden. Allt är intuitivt för henne. När man får mer erfarenhet rör man sig upp genom Dreyfus-modellen tills erfarenheten börjar bli omdöme. När man är expert kan man inte ens längre minnas checklistan.

Man har internaliserat alla steg så väl att man ofta blir en dålig lärare för nybörjare, eftersom man säger: ”Det är väl självklart. Hur kan du inte veta det?” På 1980-talet sade forskarna att detta bevisade att datorer aldrig skulle kunna uppnå intelligens, eftersom de bara kunde följa regler.

Sedan kom maskininlärningen. Datorer började lära sig själva och skaffa erfarenhet på ett sätt som liknar människor. Nu kan de dra slutsatser, ta sig ut ur sin sandlåda och göra saker som ingen förutsåg när Dreyfus skrev.

Men modellen är fortfarande användbar. Om jag har någon på frontlinjen vill jag inte att oerfarna soldater ska fatta besluten på egen hand. Frågan blir därför: När ska drönaren fatta beslutet själv?

Det är också en intressant fråga inom medicin. Vi testar klinisk AI mot expertläkare, men AI:n presterar mycket bättre än junior personal. Om du frågar om jag skulle lita på AI för ett medicinskt beslut eller på en läkare, är min första fråga: Hur mycket erfarenhet har läkaren?

Galen Low: Det är intressant att du nämner maskininlärning, eftersom vi egentligen talar om erfarenhet. Man exponeras för arbetet och beslutsfattandet, får stöd i sina beslut och får ofta möjlighet att fatta fel beslut många gånger tills man förstår.

Maskininlärning sker naturligtvis mycket snabbare. AI har lärt sig att skilja mellan en katt och en hund genom att få fel många gånger och sedan identifiera mönstret. Därför kan den få mer erfarenhet av beslutsfattande genom processen.

Jag håller ändå med om att det handlar om människans trygghetsnivå. AI kommer inte att fatta rätt beslut varje gång, men det kommer människor inte heller att göra. Vad känner vi oss bekväma med?

När vi talar om RACI och roller och ansvar har vi hittills haft verktyg och plattformar som inte syns i RACI eftersom de inte fattar beslut. Jag sätter inte Photoshop, Git eller Microsoft Word i RACI eftersom de inte fattar beslut. Nu är det annorlunda.

Bör AI behandlas som en teammedlem eller som ett verktyg?

Cassie Solomon: Jag kommer att svara på det irriterande sättet och säga båda. Om du befinner dig på punktlösningsnivån är AI ett verktyg. Du behöver ett svar eller en sak optimerad, så du använder AI.

Tänk på hur stora banker använder AI för att upptäcka bedrägerier. Maskinerna går igenom en miljard transaktioner och säger: ”Det där är ett ovanligt mönster.” Det finns ingen människa i loopen. Maskinen kontaktar kunden och frågar om köpet genomfördes.

Om vi kopplar det till RACI: Hur mycket av R:et, alltså själva arbetet, kan jag ta bort och automatisera? A:et, som handlar om omdöme och beslut, är det vi diskuterar. Ska besluten ligga i maskinen som om den vore en teammedlem?

I bedrägeriexemplet ligger beslutet faktiskt i maskinen. Det betyder inte att det är perfekt. Ibland fångar systemen fel personer, och det är svårt att rätta till. Men det finns redan exempel där AI-system fattar beslut utan en människa i loopen.

Om det däremot gäller viktigare frågor, som om en lunga ska transplanteras eller om en drönare ska avfyras, behöver vi fortfarande människan i loopen. Då är AI mer ett verktyg än en lagkamrat.

Galen Low: Jag gillar det, eftersom det har varit sant för RACI hela tiden. När jag lär ut grundläggande RACI får jag alltid frågan: ”Hur djupt ska man gå?” Precis som med ett riskregister kan man lägga in vad som helst. Det finns enormt många beslut i ett projekt.

Vi kan inte skriva ned allihop. Skriv ned de beslut som får konsekvenser och är oklara eller tvetydiga. När det gäller bedrägeridetektering med kreditkort skulle de flesta team säga: ”Vi byggde systemet så.” Jag behöver inte lägga in vem som meddelar kunden när bedrägeri upptäcks och sedan lägga automatiseringen eller AI-arbetsflödet som R.

Men när en människa som tidigare var R ersätts av en agent kan det vara värt att dokumentera förändringen. Då kan vi prata om vad personen gör, var personen är R eller A i det övergripande systemet och hur ansvaren har förändrats.

Kan AI någonsin stå i A-kolumnen i en RACI, enligt dig? Kan AI ha befogenhet eller ansvar på den här tekniska utvecklingsnivån?

Cassie Solomon: Jag tycker det. Överst i RACI-matrisen finns alla intressenter som ska involveras, inklusive dem som ska konsulteras och informeras. Absolut bör AI-agent nummer ett finnas med där, så att ni kan diskutera om den ska få det första A:et och om ärendet ska eskaleras när vissa villkor uppfylls.

Det är ett sätt att definiera befogenheten med låg risk. Om beslutet är enkelt kan AI få fatta det.

I Utah testar man exempelvis ett AI-system som kan förnya recept utan läkare. Det har varit mycket kontroversiellt. Man diskuterar vilka läkemedel som är så ofarliga att det inte blir katastrofalt om AI:n gör fel.

Det de har gjort för att förfina systemet är att göra beslutsutrymmet allt snävare. Under vissa villkor och för en viss typ av person, om personen har fått läkemedlet tre gånger tidigare, får AI:n fatta beslutet utan granskning.

Jag tycker om att göra det synligt på det sättet i en RACI, så att man kan diskutera parametrarna för vilka beslut verktyget får fatta och vilka beslut som ska reserveras för människor.

Jag vill också säga att vi inte behöver göra en RACI för hela processen. En del av processen är tydlig eller intuitiv. Vi bör fokusera på smärtpunkterna. Var är processen oklar? Ibland säger jag: ”Gör bara en RACI för besluten.”

Så ja, AI bör finnas med i matrisen. Det gör det möjligt att samtala om vilka parametrar vi vill ge verktyget, vilka beslut det kan fatta och vilka beslut människor ska behålla.

Galen Low: Det är verkligen intressant. I mitt huvud tänker jag på risk. Vilken risk innebär det att skriva ut medicin utan en läkare? Svaret är att det beror på vad vi är bekväma med, och det vi är bekväma med beror på riskens påverkan.

RACI blir på sätt och vis ett dokument över vår risktolerans, och den förändras. Därför behöver vi ha tankesättet och dialogen. Ibland förändras saker under våra fötter. Mycket av beslutsfattandet är osynligt mellan människor och definitivt osynligt för AI, som frågar: ”Berätta hur ni fattar beslut”, medan vi inte ens vet var vi ska börja.

Cassie Solomon: Det mest smärtsamma med tvärfunktionellt samarbete är att alla kommer till teamet från sin egen avdelning, och de flesta avdelningar vill behålla en del av sin beslutsbefogenhet. Hur kan teamet fatta beslut om jag måste ta allt tillbaka till min chef?

Hur kan jag ge teamet befogenhet om jag inte får rätt mängd juridisk granskning, IT-granskning eller granskning av risktoleransen? Då snurrar teamen runt. De kan inte fatta beslut och inte gå framåt. Ofta säger någon: ”Vi behöver RACI.”

Men om man bara lägger verktyget ovanpå röran hjälper det visserligen, men ofta genom att människor blir medvetna om hur rörigt allt är. Det som kommer efter det är själva RACI-färdigheten: Hur hanterar jag situationen? Hur förhandlar jag fram ett mer strömlinjeformat system som kan röra sig?

Galen Low: Kan vi återvända till idén om RACI som designverktyg för förändring på systemnivå? Var börjar man? Hur hjälper RACI till att driva dialogen och fånga vad som händer? Hur används det för att besluta vad det nya ska vara? Och hur hanterar man att det man upptäcker ofta handlar om maktpolitik?

Det är det jag gillar med din modell. A betyder inte ansvarig utan auktoriserad. Ansvarig handlar om vems fel det blir när något går fel. Auktoriserad handlar om vem som får fatta beslutet. Det handlar också om makt, och grupper i en organisation kommer vilja behålla makt.

Kan vi gå igenom ett litet exempel på hur man designar med RACI? Det är mer än en akronym och mer än en matris på ett papper. Det är ett sätt att föra dialog och utforma något nytt, så att vi inte placerar elmotorn där ångmaskinen stod.

Cassie Solomon: Ja, det kan vi. Jag lånade en väldigt bra teknik från en kund och använder den nu. Arbetsflödet ligger överst och den RACI-matris som motsvarar arbetsflödet ligger under.

Det finns många arbetsflödesdiagram i världen som är ensamma. De innehåller inte människor, roller eller vem som gör vad. De beskriver bara vadet.

En deltagare i min betakurs sade: ”Jag tycker inte om hur saker fungerar i mitt företag just nu. Jag vill använda RACI för att utforma rollerna på nytt. Hur gör jag?” Vi svarade att vi har en mall för det.

Man kan börja med att säga: ”Här är allt arbete jag vill att du ska göra. Det är dina R.” Sedan frågar man: ”Vill jag att du ska fatta några beslut?” Det är en bra fråga. Då kan man avgöra vilka typer av beslut som ska byggas in i rollen, vilken expertis man vill att personen ska bidra med och vilka frågor som placerar personen i C-kolumnen.

De började utforma rollerna i företaget på nytt utifrån det perspektivet. Det finns arbete som måste göras, och det finns oftast dokumenterat i ett arbetsflöde. Men människor ställer inte beslutsfrågan tillräckligt ofta, trots att det är där många problem finns.

När jag tänker på hur vi utformar transformation måste jag gå tillbaka till modellen i boken. Jag ser RACI som en kombination av flera hävstänger: beslutsfattande och människor – vad du kan, hur mycket du vet och vilken expertis du har – tillsammans med beslutsfattandet.

Det finns också uppgiften, alltså arbetsflödet, tekniken och hur arbetet organiseras. Det är en fascinerande tid, eftersom vi inte vet hur framtiden ser ut. Vi måste erkänna det, se oss omkring och uppmärksamma konstiga signaler.

Jag kan föra intelligensen till frontlinjen och låta en enskild soldat eller läkare fatta beslutet. Vad mer kommer det att innebära? Hur kommer det att förändras? Vi förutsåg inte distansarbete. Det krävdes en global pandemi, men det blev en djupgående förändring.

Hur kan vi föreställa oss sådana förändringar i förväg?

Galen Low: Jag gillar att samtalet gick över till färdigheter, förmågor och erfarenhet. Det är så många organisationer vill utforma sina organisationer på nytt. Jobbtitlar är förmodligen bland de sämsta beskrivningarna av vad människor faktiskt gör.

I stället för att placera människor i en box och säga att alla läkare med ett visst antal års erfarenhet är likadana kan vi fråga vad som behöver göras, vem som är kvalificerad och vem som har rätt färdigheter.

Jag kan se detta fungera mycket bra i ett projektteam där man inte behöver tänka på en permanent organisationsstruktur. Det kan också skapa tydlighet när punktlösningar ser ut att ersätta människor. Man kan föra dialogen om hur människors ansvar förändras i den nya modellen.

Jag gillar särskilt arbetsflödet med RACI under. I ett arbetsflödesdiagram är beslut bara diamanter.

Cassie Solomon: Det finns ett fint exempel som jag måste nämna. Kanske kan det bli vår avslutning. IKEA ersatte många människor med chattbotar som svarade på mycket enkla kundfrågor.

Men när de analyserade frågorna insåg de att många faktiskt bad om designråd, och chattboten kunde inte hjälpa dem med det. Därför utbildade de om 8 500 personer så att de kunde ge grundläggande designråd, och de tjänade mycket pengar.

Vi måste alltså vara öppna för möjligheten att AI avslöjar var luckorna finns om vi verkligen är beredda att se på systemet och göra omdesignarbetet. Vi har mer data och mer intelligens till hands än någonsin i mänsklighetens historia.

Vad ska vi göra med den? Säga upp människor? Det vore dumt. Vi ska använda intelligensen och datan för att se var luckorna finns. Jag brukar säga: ”Ta det lugnt, eftersom tekniken kommer att äta upp ditt jobb som en liten Mario Brothers-nibblare, nerifrån och upp.” Låt AI-tekniken ta hand om grovjobbet och använd datan den skapar för att upptäcka luckorna som IKEA gjorde.

Galen Low: Jag älskar det. Genom RACI, ett RACI-tankesätt och en förståelse för hur beslut fattas kan vi se luckorna när vi skapar något helt nytt som vi aldrig tidigare har föreställt oss.

Cassie Solomon: Jag gillar ”helt nytt”. Det var bra.

Galen Low: På tal om helt nytt – hur ser framtiden ut för dig?

Vad gäller beslutsfattande har vi talat om organisationer där en enda beslutsfattare kan fungera vid en viss storlek. Vi har talat om central ledning som fattar beslut, vilket kan vara långsamt. Vi har talat om att flytta ut beslut mot ytterkanterna så att team och organisationer kan bli smidigare, och vi har talat om att AI fattar beslut.

Hur ser beslutsfattande och samarbete ut om två eller tre år?

Cassie Solomon: Syftet med certifieringen är att säga att du redan kan grunderna i RACI. Kraven på oss att tala om och förstå roller och omforma roller har blivit exponentiellt större.

Vi behöver alla bli verkliga ninjor på att använda verktyget och låta det belysa de osynliga delarna av organisationen som antingen håller oss tillbaka eller ger oss möjlighet att göra något nytt och innovativt.

Om vi inte kan tala om roller som mästare kommer vi att fastna. Jag kan inte förutsäga framtiden, men signalerna om vad som kommer visar sig redan i dag. Om vi tränar örat kan vi säga: ”Det där är ett exempel på att beslutsfattandet har flyttats.” Eller: ”Det där är ett exempel på att beslutsfattandet har följt informationen till en ny plats.” Då kan vi börja bygga vår förståelse av hur det helt nya ser ut.

Galen Low: Jag gillar det. Vi har ett överflöd av information, men också ett språk som hjälper oss att föra dialogen. Vi behöver bli ninjor på att förstå beslutsfattande och hur saker fungerar, så att vi faktiskt kan ha samtalet.

Cassie Solomon: Det är en skrämmande och fantastisk tid att försöka utforma framtiden med den här otroliga nya tekniken.

Galen Low: Fantastiskt. Cassie, det här har varit otroligt. Jag älskar att prata med dig och har lärt mig väldigt mycket. Tack för att du kom tillbaka till programmet och delade med dig av dina insikter. Om våra lyssnare vill veta mer om dig och om det du gör med RACI och RACI-certifieringen, vart ska de gå?

Cassie Solomon: RACI Solutions är webbplatsen vi har byggt kring vår RACI-konsultverksamhet. Så småningom kommer det också att finnas information om certifieringskursen. Vi begränsar grupperna till 20 personer eftersom vi verkligen vill ha dialogen och vill att deltagarna ska lära av varandra i det här skedet av certifieringen.

Om någon är intresserad får de gärna höra av sig.

Galen Low: Perfekt. Jag inkluderar din profil i programanteckningarna också. Cassie, tack igen.

Cassie Solomon: Tack, Galen.

Galen Low: Okej, allihop. Det var allt för det här avsnittet av Digital Project Manager Podcast. Om du uppskattade samtalet, se till att prenumerera där du lyssnar.

Och om du vill ha ännu fler praktiska insikter, fallstudier och handlingsplaner kan du skapa ett kostnadsfritt konto hos oss på thedigitalprojectmanager.com. Vi hörs nästa gång. Tack för att du lyssnade.