Nyheter | Reflektioner

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.

Under lång tid har marknadsföring handlat om räckvidd. Budskap har skickats brett ofta med förhoppningen att något ska leda till affär. Konsekvensen har varit välkänt: många som inte är intresserade, irritation hos mottagare som upplever utskicken som irrelevanta och i slutändan avprenumerationer, blockeringar och ett försvagat varumärke. Flera företag har beskrivit denna typ av marknadsföring som ett nödvändigt ont - "Man måste ju synas”. Priset har varit högt – inte i utskickskostnad, utan i förlorat förtroende.

För ett par år sedan så tog många ett steg framåt och istället för att skjuta hagelsvärm började man gruppera kunder i mer homogena segment. Jämfört med massmarknadsföring kändes det som ett genombrott och träffsäkerheten ökade, responsen blev bättre och irritationen minskade. I praktiken byggde det fortfarande på samma logik: ett budskap per grupp med skillnaden att grupperna blev något mindre.

Det verkliga skiftet sker när man lämnar segmenttänket och i stället börjar betrakta kommunikationen som individuell och inte personaliserad i trivial mening – ”Hej Anders” – utan individanpassad i innehåll, timing och frågeställning. Marknadsföring rör sig bort från att sända budskap till att ställa relevanta frågor. Vad är detta företag intresserat av just nu? Vad har hänt i deras verksamhet? Vad vet vi redan – och vad behöver vi faktiskt fråga om?

Moderna verktyg som bland annat AI  gör individuell kommunikation möjlig i större skala. Jag ser dock att tekniken sällan är den begränsande faktorn utan det är strukturen och kvaliteten i datan. Utan tydliga kundregister, historik, samtycken och förståelse för relationen riskerar individualisering att bli godtycklig och värsta fall integritetskränkande. När det däremot görs rätt upplevs kommunikationen inte som marknadsföring utan som relevant dialog.

När kommunikationen blir individuell förändras också sättet man mäter marknkadförng. Kampanjer blir mindre intressanta och relationer blir viktigare. I stället för öppningsfrekvens och klick börjar frågor som dessa bli centrala:

• Leder kommunikationen till bättre samtal?
• Förkortas säljcykler?
• Ökar förtroendet över tid?

Marknadsföring slutar vara ett separat maskineri och blir i stället en integrerad del av affärsprocessen.

Läs gärna min om mitt program: Marknad och Sälj ska inte prata med varandra – de ska vara samma sak

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 är inte fel - det är bara otillräckligt. I en värld där affärsdata är komplett, historisk och maskinläsbar räcker det inte att läsa sammanfattningar. Den VD som fortfarande leder via kalkylark arbetar med en reducerad verklighet genom statistik i stället för fakta och antaganden i stället för testade scenarier.

Med databaser, programmerbar analys och AI som medhjälpare finns det inte längre något rimligt skäl att fatta beslut utan att först ha simulera data och gjort en konsekenvsanalys. Prissättning, rabatter, kassaflöden och marginaler går att testa mot verklig redovisningsdata innan beslut tas. Det kräver inte att VD:n blir utvecklare – men att hen förstår hur data faktiskt uppstår och bearbetas.

Excel var länge ledningens bästa verktyg men är i dag är det ett presentationslager och förväntansbilden har därmed förändrats. När AI kan skriva, förklara och granska kod är okunskap inte längre en teknisk begränsning utan ett ledarskapsval.

I många organisationer är ambitionen att effektivisera och automatisera hög men frustrationen densamma: siffror som inte går att lita på, manuella moment som består och oklarhet kring vilken data som faktiskt existerar. När problemen analyseras på djupet visar det sig sällan handla om verktyg eller kompetens utan om datakvalitet som är den verkliga flaskhalsen.

I flera uppdrag har GDPR fungerat som en katalysator snarare än ett mål. När verksamheten tvingas svara på vilka personuppgifter som lagras, varför de finns och hur länge de ska sparas blir det uppenbart att data vuxit fram utan sammanhängande ägarskap. Dubbletter, inaktuella roller och otydliga samtycken är inte undantag utan ett strukturellt tillstånd.

Dataskyddets grundprinciper – korrekthet, relevans och lagringsminimering – är inte bara beskrivna som juridiska krav utan i praktiken fungerar de som förutsättningar för samarbete. När det är tydligt vilken data som existerar, hur den får delas och i vilket syfte, blir det möjligt att arbeta med fler externa parter på ett tryggt sätt: leverantörer, konsulter, plattformar och analysaktörer. Osäkerhet ersätts av tydliga gränser.

En ofta förbisedd effekt av datacleaning är just detta: handlingsutrymme. Data med tydlig struktur, dokumenterad grund och kända begränsningar kan däremot delas selektivt, avgränsas och användas där den skapar värde. Riskerna minskat väsentligt samtidigt som samarbetet ökar – genom att information som saknar rättslig eller affärsmässig grund helt enkelt tagits bort.

I praktiken är datacleaning därför inte ett projekt utan ett förhållningssätt. Ett sätt att definiera vad verksamheten vet, vad den kan dela och vad den inte behöver bära med sig. När detta är på plats blir GDPR inte en lista över förbud utan ett ramverk som gör det möjligt att arbeta snabbare, tydligare och med fler aktörer – utan att kompromissa med ansvar.

Datacleaning är därmed inte en eftergift till regelefterlevnad. Det är ett villkor för rationellt beslutsfattande – och för att våga samarbeta i en datadriven verklighet.

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?

De flesta organisationer utgår ifrån att de äger sin data men i praktiken är det ofta mer komplicerat. När affärssystem införs följer inte bara funktionalitet med utan även en datamodell och ett synsätt på hur verksamheten ska förstås och där uppstår konflikten. Företaget äger formellt sin information men leverantören definierar ofta hur den får struktureras, användas och förstås.

I nästan alla verksamheter återfinns samma grunddata: transaktioner, kunder, leverantörer, produkter/ tjänster samt redovisning. Dessa kallas för de fem gyllene tabellerna. Frågan är vem som kontrollerar deras struktur, historik och tillgänglighet. I flera konsultuppdrag har vi sett affärssystem där data lagras korrekt, men där företaget saknar faktisk kontroll över relationer, historik och extraktion. Operativt blir organisationen beroende av leverantörens modell, licenser och begränsningar. Datan finns där – men är inte fri.

Detta kan blir problematiskt särskilt vid systembyten, företagsförvärv, nya affärsmodeller, regulatoriska krav eller AI- och analysinitiativ. När systemlogik börjar ersätta affärslogik sker en förskjutning. Det som inte ryms i systemets datamodell blir svårt att följa upp och till slut svårt att formulera. Prissättning förenklas för att passa systemet, tjänster paketeras efter fält snarare än kundbehov och analys sker via manuella kringlösningar med följd av att affärssystemet blir då inte ett stöd, utan en tolkningsram.

I mer mogna datamiljöer ser vi ett annat förhållningssätt. De centrala tabellerna ägs av verksamheten i en fristående, neutral datamodell. Affärssystemen blir producenter och konsumenter av data, inte dess ägare. Det gör att datamodellen överlever systembyten, historik kan bevaras och analys samt AI inte begränsas av ett enskilt system och företaget behåller kontrollen över sina begrepp. Ekonomisk redovisningen fungerar då som facit, men inte som fängelse. När den binds samman med övrig affärsdata uppstår verklig styrning. När den isoleras reduceras den till efterhandskontroll.

Tvisten om dataägarskap är alltså inte en enkel IT-fråga utan ett strategiskt vägval. Den handlar om vem som har tolkningsföreträde över verksamheten – företaget eller systemleverantören.

Erfarenheten från flera konsultuppdrag är tydlig: långsiktig handlingsfrihet kräver att företaget äger strukturen för sin data.

System är nödvändiga, men utbytbara.

Hos KLRAB arbetar vi dagligen med teknologier som AI, integration och dataanalys – men vi tror inte på rökridåer eller överhajpade buzzwords. AI är, i grunden, statistik och mönsterigenkänning. Det gör inte AI mindre användbart – men det gör det inte heller intelligent. Att lära en AI västgötska är betydligt svårare än att lära den Python. Varför? För att dialekter, precis som verkliga verksamheter, är fulla av nyanser, kontext och undantag. Det är där AI har det som svårast – att förstå mänsklig variation och affärslogik.

På KLRAB har vi därför utvecklat AnyNode – en metodik som kombinerar affärsstrategi med teknisk integration, där AI är en del av verktygslådan – inte hela lösningen. AnyNode fokuserar på att bygga digitala ekosystem som stöder affärens riktning, inte tvärtom.

Vi inspireras av aktörer som TIC, som tydligt och transparent förklarar hur AI faktiskt fungerar – utan att lova för mycket. Det är den typen av ärlighet vi vill se mer av i AI-samtalet.

Vi har en enkel princip:

• Använd teknik där den gör nytta.
• Sälj inte in AI som magi.
• Och framför allt – förstå affären innan du automatiserar den.

Vi tror att det är så man bygger hållbara och smarta digitala lösningar.

Den årliga revisionen fyller en viktig funktion: den säkerställer att bokslutet är korrekt och följer lagen.
Men den säger ingenting om hur bolaget faktiskt mår – kommersiellt, strategiskt, organisatoriskt eller tekniskt.

Den berättar inte om riskerna i affärsmodellen, beroenden i kundbasen, föråldrad infrastruktur eller outnyttjad potential.

Det är här jag och KLRAB kommer in.
Medan revisorn granskar det som varit, fokuserar en strategisk due diligence på framtiden. Jag tittar på affärsmodell, tillväxtförmåga, riskprofil, finansiell kvalitet, AI-struktur och teknisk kapacitet – allt det som avgör hur verksamheten faktiskt presterar, och vad som står i vägen för nästa steg.

Att besikta bolaget strategiskt vartannat eller vart tredje år borde vara lika självklart som att kalla in revisorn.

Jag erbjuder två tydliga format:

• 100-dagarsprogrammet: från nulägesanalys till konkret förändring
• Tansaktionsstrategi: när värde och risk måste klarläggas inför förvärv, försäljning eller ägarskifte

Vill du veta hur ditt bolag mår bakom siffrorna? Hör av dig.
Jag besiktar mer än bokföringen – och gör det strategiskt, diskret och konkret.

Daniel Källberg, tidigare vd för ett börsnoterat bolag och erfaren managementkonsult, lanserar Kinnekulle Ledningsrådgivning AB (KLRAB), baserat i Stockholm med rötter i Kinnekulle. Bolaget erbjuder strategisk rådgivning till ledningsgrupper, styrelser och ägare med fokus på digitalisering, artificiell intelligens (AI), IT-strategi, sourcing och transformationsledning.

KLRAB kombinerar klassisk managementkonsultation med moderna AI-verktyg för att hjälpa organisationer att navigera i en snabbt föränderlig affärsmiljö. Genom att integrera AI i rådgivningen kan bolaget erbjuda datadrivna insikter och innovativa lösningar som stärker kundernas konkurrenskraft. Daniel Källbergs egen erfarenhet spänner över börsnoterade koncerner, familjeföretag och entreprenörsdrivna bolag, vilket ger KLRAB ett brett perspektiv i arbetet med olika typer av verksamheter.

KLRAB strävar efter att vara en förlängning av kundens ledningsgrupp snarare än en traditionell konsult. Fokus ligger på att bygga långsiktiga partnerskap där rådgivningen präglas av integritet, professionalism och mätbara resultat.

För att erbjuda bred kompetens och skräddarsydda lösningar samarbetar KLRAB vid behov med ett nätverk av utvalda specialister inom områden som AI, varumärkesstrategi, affärsutveckling och hållbarhet . Denna modell säkerställer att varje kund får rätt kompetens för sina unika utmaningar och stöd genom hela förändringsresan – från inledande analys till slutligt genomförande .

Bland de tjänster som KLRAB erbjuder märks ett strukturerat 100-dagarsprogram som hjälper organisationer att identifiera möjligheter, öka effektiviteten och uppnå mätbara förbättringar. Vidare tillhandahålls strategier för inbound marketing anpassade till det digitala skiftet, rådgivning inom transaktionsstrategi och objektiva second opinion-bedömningar vid viktiga affärsbeslut. KLRAB erbjuder även interimslösningar där erfarna ledare tillfälligt kan gå in i nyckelroller i kundens organisation.

Att integrera AI i rådgivningen är avgörande för att företag ska kunna behålla sin konkurrenskraft i framtiden,” säger Daniel Källberg, grundare och vd för Kinnekulle Ledningsrådgivning AB. “Med KLRAB vill jag ge våra kunder det bästa av två världar – gedigen strategisk expertis kombinerad med de senaste AI-verktygen – för att skapa varaktig affärsnytta.

Lanseringen sker i en tid då digitaliseringen accelererar och AI står högt på agendan i näringslivet. Källberg betonar att det är avgörande för både ledningsgrupper och ägare att förstå potentialen i AI för att säkerställa fortsatt konkurrenskraft och tillväxt.