När fler frågor faktiskt kan analyseras

Analysens långa svans

Organisationer har fler möjliga frågor än analyskapacitet. Små avvikelser, lokala mönster och tidiga hypoteser blir därför ofta aldrig undersökta. AI kan sänka kostnaden för att söka, strukturera och jämföra material och ge fler roller ett första analytiskt stöd. Det kan förbättra beslutsunderlag och göra motargument enklare att pröva. Men fler analyser innebär också fler slutsatser som konkurrerar om uppmärksamhet. Den nya flaskhalsen kan bli granskning, prioritering och förmågan att avgöra vilken evidens som räcker för beslutet.

Det svåra felet kan se rimligt ut

Ett uppenbart fel är ofta lättare att stoppa än en sammanställning som använder rätt siffror men fel urval, tidsperiod eller jämförelse. Granskning behöver därför omfatta frågan, källorna, antagandena och beräkningen – inte bara språkets trovärdighet. Kravet bör följa konsekvensen. En explorativ hypotes kan tåla osäkerhet om den märks tydligt. Ett beslutsunderlag om investering, personal eller kundvillkor behöver reproducerbara källor och en ansvarig bedömning.

Ett rimligt svar kan fortfarande vara fel

Exempel: AI visar att en region fått fler reklamationer och kopplar det till sämre kvalitet. Men samma månad ändrades kategoriseringen så att fler ärenden registreras som reklamationer. Siffrorna kan vara korrekta och slutsatsen ändå missvisande. Den nya flaskhalsen blir därför inte bara analyskapacitet utan förmågan att granska frågan, urvalet och vad som faktiskt skulle falsifiera slutsatsen.

Från svar till belägg

Ett praktiskt underlag kan innehålla fråga, avgränsning, källor, antaganden, metod, osäkerheter och vad som skulle kunna ändra slutsatsen. Formatet behöver inte vara tungt. Syftet är att en annan person ska kunna förstå varför analysen verkar rimlig och vad den inte visar.