News | Reflections

Vi har lärt oss att vara källkritiska. Problemet är att källkritik kräver tid, engagemang och koncentration – samtidigt som information produceras snabbare än någonsin. I ett flöde av massproducerade texter, bilder och ”insikter” räcker det inte längre att fråga vem som säger något. Tempot är för högt.

AI löser inte detta. Den kan formulera, sammanfatta och visualisera, men den kan varken förstå intention eller ta ansvar. AI vill inget och avgör inte om något är sant, relevant eller manipulerande. Den återger sannolikheter och att använda AI som sanningsfilter är därför ett misstag.

Samtidigt har objektivitet fått ett pris och finansierad text och bild är inte alltid propaganda, men den är sällan neutral. Gränsen mellan journalistik, opinion och marknadsföring suddas ut när uppmärksamhet blivit hårdvaluta.

I teorin kan vi alltid gå till primärkällan men i praktiken gör nästan ingen det. Det innebärinte människor lata – det gör systemet sårbart. Fokus måste därför flytta från långsam källkritik till snabb källhänvisning, källdata och spårbarhet. Vi måste vara lika snabba på att granska ursprung som vi är på att skriva en prompt till en AI. Ny teknik behövs inte för att avgöra sanningen, utan för att tygla informationskvaliteten.

Trend 2026 handlar inte om att tro mindre - den handlar om att kräva bättre ursprung – i realtid.

De flesta AI-initiativ börjar med ett svar. Problemet är att ingen ännu har ställt rätt fråga.

I många organisationer möter vi samma mönster. Ett nytt verktyg ska införas, en modell testas, en lösning rullas ut. AI:n producerar förslag, insikter och rekommendationer i hög takt. Ändå händer något märkligt: besluten blir inte bättre, kunderna inte nöjdare och affären inte tydligare. Det som saknas är sällan intelligens – utan frågvishet.

• Vi har blivit skickliga på att berätta vad vi kan leverera.
• Vi är betydligt sämre på att förstå vilket problem som faktiskt ska lösas.

I ett konsultuppdrag nyligen presenterades en avancerad AI-lösning för kunddialog. Den fungerade tekniskt, men samtalen landade fel. När vi tog ett steg tillbaka blev det tydligt att kunden inte behövde bättre svar – de behövde bättre frågor:‍ Vad oroar deras kunder just nu? Vad försöker de egentligen uppnå? Vad är friktionen i vardagen?

‍‍När de frågorna blev tydliga förändrades både lösningen och resultatet. Det är här många går fell eftersom man låter AI:n tala innan man själv har lyssnat klart på kunden. Lösningen presenteras för tidigt, ofta för att den är bekant, testad och enkel att förklara – inte för att löser kundens problemformulering.

Den organisation som lyckas framåt är inte den med mest AI-kacpiticet utan den som ställer de bästa frågorna. Den som börjar i kundens verklighet, inte i modellens output. Den som förstår att AI är ett verktyg för att utforska alternativ – inte en ersättning för omdöme och erfarenhet.

For a long time, marketing has been about reach. Messages have been broadcast widely, often in the hope that something might lead to business. The consequences are well known: large numbers of uninterested recipients, irritation among audiences who perceive the communication as irrelevant, and ultimately unsubscribes, blocking and a weakened brand. Many companies have described this type of marketing as a necessary evil — “you have to be visible”. The real cost, however, has not been distribution, but lost trust.

A few years ago, many organisations took a step forward. Instead of firing a scattergun, customers were grouped into more homogeneous segments. Compared to mass marketing, this felt like a breakthrough. Accuracy improved, response rates increased and irritation decreased. In practice, however, the underlying logic remained the same: one message per group — the only difference being that the groups became slightly smaller.

The real shift occurs when organisations move beyond segmentation and begin to treat communication as individual. Not personalisation in the trivial sense — “Hi Anders” — but individualisation in content, timing and intent. Marketing moves away from broadcasting messages towards asking relevant questions. What is this company interested in right now? What has changed in their business? What do we already know — and what do we genuinely need to ask?

Modern tools, including AI, make individualised communication possible at scale. In my experience, however, technology is rarely the limiting factor. Structure and data quality are. Without clear customer records, history, consent and an understanding of the relationship, individualisation risks becoming arbitrary — or, at worst, intrusive. When done properly, communication is no longer perceived as marketing, but as relevant dialogue.

As communication becomes individual, the way marketing is measured also changes. Campaigns become less important; relationships become more important. Instead of open rates and clicks, questions like these move to the centre:
• Does the communication lead to better conversations?
• Are sales cycles shortened?
• Does trust increase over time?

Marketing ceases to be a separate machine and instead becomes an integrated part of the business process.

You may also want to read about my programme:

I många samtal med företagsledare och ägare återkommer samma bild. När beslutet väl är taget att undersöka en försäljning väl är taget är det inte svårt att hitta köpare; industriella aktörer eller finansiella investerare. Det som däremot snabbt blir uppenbart är hur krävande och frustrerande försäljningsprocessen blir för den som inte är förberedd. Problemet är sällan affärsidén utan strukturen runt affären.

Många underskattar hur lite köpare bryr sig om presentationer och hur mycket de bryr sig om underlag. En försäljning är inte ett säljmöte utan en systematisk granskning av bolagets verklighet: intäkter, kostnader, kundrelationer, avtal, historik, risker och beroenden. Ägare upplever processen som onödigt tung, inte för att bolaget är svagt, utan för att svaren inte går att ta fram utan manuellt arbete, tolkningar och reservationer.

En återkommande källa till frustration är att informationen finns men inte hänger ihop. Kundlistor i ett system, avtal i ett annat, intäkter i Excel och redovisning i ett tredje. Historik som inte går att återskapa och nyckeltal som måste förklaras i efterhand. För köparen blir detta en signal inte nödvändigtvis om affären utan om risk.

I praktiken handlar förberedelse om trovärdighet. Ett bolag som är väl förberett behöver inte vara perfekt men det måste vara begripligt. När struktur, data och dokumentation hänger ihop blir dialogen rationell. När de inte gör det blir varje fråga en diskussion och varje diskussion en osäkerhet som påverkar pris, villkor och tempo.

För många ägare innebär detta ett mentalt skifte, från att se bolaget inifrån till att se det genom köparens ögon. Det som fungerar i vardagen räcker inte alltid till när verksamheten ska kunna stå på egna ben utan muntliga förklaringar.

Slutsatsen är tydlig: att hitta köpare är sällan det svåra. Det svåra är att vara redo när frågorna börjar ställas utan förberedelse handlar inte om att sälja snyggt, utan om att förbereda ett bolag som går att förstå, granska och ta över. Det är därför de mest framgångsrika försäljningarna ofta börjar långt innan någon formell process inleds.

Läs gärna mer om detta ämna här:

• ‍Second Opinion vid försäljning
• Förbered ditt bolag – eller din investering – för en framgångsrik transaktion

Excel is not wrong — it is simply insufficient. In a world where business data is complete, historical and machine-readable, reading summaries is no longer enough. A CEO who still leads through spreadsheets operates on a reduced version of reality, relying on statistics instead of facts and assumptions instead of tested scenarios.

With databases, programmable analytics and AI as a practical aide, there is no longer any reasonable justification for making decisions without first simulating the data and conducting impact analyses. Pricing, discounts, cash flows and margins can be tested against real accounting data before decisions are taken. This does not require the CEO to become a developer — but it does require an understanding of how data is actually generated and processed.

Excel was once leadership’s most important tool. Today, it is primarily a presentation layer, and expectations have shifted accordingly. When AI can write, explain and review code, lack of technical understanding is no longer a technological limitation — it is a leadership choice.

In many organisations, the ambition to increase efficiency and automation is high, yet the frustration remains the same: figures that cannot be trusted, manual tasks that persist, and uncertainty about what data actually exists. When these issues are examined in depth, they rarely prove to be a matter of tools or skills. Instead, data quality emerges as the true bottleneck.

In several en_gagements, GDPR has acted as a catalyst rather than an objective. When organisations are required to account for which personal data is stored, why it exists, and how long it is retained, it becomes clear that data has evolved without coherent ownership. Duplicates, outdated roles and unclear consent are not exceptions, but a structural condition.

The fundamental principles of data protection — accuracy, relevance and data minimisation — are often described as legal requirements. In practice, they function as enablers of collaboration. When it is clear what data exists, how it may be shared, and for what purpose, organisations can work securely with a wider range of external parties: suppliers, consultants, platforms and analytics providers. Uncertainty is replaced by clearly defined boundaries.

A frequently overlooked effect of data cleaning is precisely this: freedom of action. Data with a clear structure, documented justification and known limitations can be selectively shared, constrained and used where it creates value. In several projects, risk has been significantly reduced while collaboration has increased — simply by removing information that lacks a legal or business rationale.

In practice, data cleaning is therefore not a project, but a mindset. A way of defining what the organisation knows, what it can share, and what it no longer needs to carry forward. When this is in place, GDPR ceases to be a list of prohibitions and instead becomes a framework that enables faster, clearer work with more partners — without compromising accountability.

Data cleaning is thus not a concession to regulatory compliance. It is a prerequisite for rational decision-making and for confidently collaborating in a data-driven reality.

I konsultuppdrag ser jag hur organisationens klassiska former börjar utmanas. Inte för att människor blivit överflödiga utan för att arbetsfördelningen inte längre är logisk. När AI och digitala verktyg blir tillgängliga för fler förändras förutsättningarna för hur arbetet kan organiseras.

Tidigare var roller ofta definierade av funktion: marknad, ekonomi, lager, IT. Kompetens och ansvar följde organisatoriska mönster och i praktiken innebar det att många idéer aldrig realiserades, inte för att de var dåliga utan för att de “låg mellan stolarna”.

Med AI som stöd ser vi nu en annan logik växa fram. Organisationer börjar organiseras mer som konsultnätverk även internt. Frågan blir inte längre vilken titel som medarbetaren har utan vad denne faktiskt är bra på – och vad denne vill förstärka.

VD:n som brinner för marknadsföring kan, med rätt AI-stöd, arbeta mer hands-on med budskap, analys och kampanjlogik utan att gå omvägen via flera led. Lagerarbetaren som har fallenhet för optimering kan, med data och verktyg, bidra till förbättrade flöden och minskade kostnader – utan att behöva bli systemutvecklare.

AI fungerar här som wingman, inte ersättare. Den förstärker individens styrkor snarare än att jämna ut alla till samma form.

Jag ser att detta kan leda till en uppluckring av traditionell hierarki där beslutsfattande flyttas närmare den medarbetare som faktiskt förstår problemet. Organisationen blir mindre beroende av att information ska “rapporteras upp” och mer beroende av att rätt personer får rätt verktyg. Detta betyder inte att ledning försvinner. Tvärtom blir ledningens roll tydligare: att sätta riktning, prioritera och avgöra vem som ska arbeta med vad, snarare än att detaljstyra hur arbetet utförs.

Det intressanta är att detta liknar hur konsulter alltid arbetat. Företag anlitar kompetens för ett specifikt problem, under en begränsad tid, med tydligt mandat. Med AI gör det möjligt att applicera samma logik internt. Medarbetare kan “kliva in” i olika roller beroende på behov snarare än att låsas till sin befattningsbeskrivningar, titel eller traditionell orgnaisationslära. Det kräver dock mognad eftersom utan tydlig styrning oc ansvarsfördelning riskerar organisationen att bli fragmenterad och flexibiliteten skapar istället snabbt kaos.

Det avgörande är därför inte om företaget inför AI utan hur man låter AI påverka organisationens form. Frågan är inte längre bara vilka system man använder utan hur man väljer att förstärka sina människor.

Vilken är din AI-wingman? Är det ett stöd för marknadsföring, analys, optimering eller beslutsfattande? Och låter du rätt personer använda den – eller försöker du pressa in nya möjligheter i gamla organisationsrutor?

Most organisations assume they own their data, but in reality the situation is often more complex. When enterprise systems are introduced, they bring not only functionality but also a data model and an implicit view of how the business should be understood. This is where the conflict arises. While the company formally owns its information, the vendor frequently determines how that data may be structured, used and interpreted.

Across almost all businesses, the same core datasets recur: transactions, customers, suppliers, products/services, and financial accounts. These are commonly referred to as the five golden tables. The critical question is who controls their structure, history and accessibility. In several consulting engagements, we have seen enterprise systems where data is stored correctly, yet the company lacks real control over relationships, historical continuity and data extraction. Operationally, the organisation becomes dependent on the vendor’s model, licences and constraints. The data exists – but it is not free.

This becomes particularly problematic during system migrations, mergers and acquisitions, new business models, regulatory demands, or AI and analytics initiatives. When system logic begins to replace business logic, a subtle shift occurs. What does not fit the system’s data model becomes difficult to analyse and, eventually, difficult even to articulate. Pricing is simplified to suit the system, services are packaged according to available fields rather than customer needs, and analysis relies on manual workarounds. The enterprise system no longer supports the business; it becomes its interpretive frame.

In more mature data environments, we observe a different approach. The core tables are owned by the business within an independent, neutral data model. Enterprise systems act as producers and consumers of data, not as its owners. This allows the data model to survive system changes, preserves historical continuity, and ensures that analytics and AI are not constrained by a single system. The company retains control over its own concepts. Financial accounting then serves as the reference point, but not as a prison. When accounting data is connected to the wider business dataset, genuine governance emerges. When isolated, it is reduced to retrospective control.

The dispute over data ownership is therefore not merely an IT issue, but a strategic choice. It concerns who holds interpretive authority over the business – the company itself, or the system vendor.

Experience from numerous consulting engagements is clear: long-term freedom of action requires that the company owns the structure of its data.

Systems are necessary – but replaceable.

At KLRAB, we work daily with technologies such as AI, integration and data analytics — but we don't believe in smokescreens or overhyped buzzwords. AI is, at its core, statistics and pattern recognition. That doesn't make AI any less useful -- but it doesn't make it intelligent either. Teaching an AI Västgötgötska is considerably harder than teaching it Python. Why? Because dialects, like real activities, are full of nuances, context and exceptions. That's where AI has it most difficult—understanding human variation and business logic.

At KLRAB, we have therefore developed AnyNode — a methodology that combines business strategy with technical integration, where AI is part of the toolbox — not the whole solution. AnyNode focuses on building digital ecosystems that support the direction of business, not the other way around.

We are inspired by actors like TIC, who clearly and transparently explain how AI actually works — without promising too much. That's the kind of honesty we want to see more of in the AI conversation.

📣 We have a simple principle:

• Use technology where it works.
• Don't sell AI as magic.
• And above all — understand the business before you automate it.

We believe that this is how sustainable and smart digital solutions are built.

The annual audit fulfills an important function: it ensures that the financial statements are accurate and comply with the law.
But it does not say anything about how the company is doing — commercially, strategically, organizationally or technically.

It does not tell you about the risks in the business model, dependencies in the customer base, outdated infrastructure or untapped potential.

This is where me and KLRAB come in.
While the auditor reviews what has been, a strategic due diligence focuses on the future. I look at business model, growth capability, risk profile, financial quality, AI structure and technical capabilities — all of which determine how the business actually performs, and what stands in the way of the next step.

Inspecting the company strategically every two or three years should be as obvious as calling in the auditor.

I offer two clear formats:

• The 100-day program: from current analysis to concrete change
• Tansactional strategy: where value and risk need to be clarified prior to acquisition, sale or change of ownership

Want to know how your company is doing behind the numbers? Get in touch.
I inspect more than accounting — and do it strategically, discreetly and concretely.

Daniel Källberg, former CEO of a listed company and experienced management consultant, launches Kinnekulle LedningsAB (KLRAB), based in Stockholm with roots in Kinnekulle. The company offers strategic advice to management teams, boards and owners with a focus on digitalization, artificial intelligence (AI), IT strategy, sourcing and transformation management.

KLRAB combines classic management consulting with modern AI tools to help organizations navigate a rapidly changing business environment. By integrating AI into consulting, the company can offer data-driven insights and innovative solutions that strengthen clients' competitiveness. Daniel Källberg's own experience spans publicly traded groups, family businesses and entrepreneur-driven companies, which gives KLRAB a broad perspective in working with different types of operations.

KLRAB strives to be an extension of the client's management team rather than a traditional consultant. The focus is on building long-term partnerships where the advice is characterized by integrity, professionalism and measurable results.

To offer broad expertise and tailor-made solutions, KLRAB cooperates with a network of selected specialists in areas such as AI, brand strategy, business development and sustainability. This model ensures that each client receives the right skills for their unique challenges and support throughout the change journey — from initial analysis to final implementation.

Among the services offered by KLRAB is a structured 100-day program that helps organizations identify opportunities, increase efficiency, and achieve measurable improvements. Furthermore, inbound marketing strategies adapted to the digital shift, transactional strategy advice and objective second opinion assessments are provided for important business decisions. KLRAB also offers interim solutions where experienced leaders can temporarily step into key roles in the client's organization.

Integrating AI into consulting is crucial for companies to maintain their competitiveness in the future,” says Daniel Källberg, founder and CEO of Kinnekulle LedningsAB. “With KLRAB, I want to give our clients the best of both worlds — solid strategic expertise combined with the latest AI tools — to create lasting business benefit.

The launch comes at a time when digitalisation is accelerating and AI is high on the agenda in the business world. Källberg stresses that it is crucial for both management teams and owners to understand the potential of AI to ensure continued competitiveness and growth.