Problemet med traditionell uppföljning: ”Det fungerar ju bra” – tills det inte gör det
En VD frågar sin ledningsgrupp: ”Är det något jag behöver känna till?” Alla svarar: ”Nej, det fungerar bra.” Två månader senare säger tre nyckelpersoner upp sig. I exit-intervjuerna framkommer samma budskap: ”Vi har försökt säga det här länge.”
Missa inte! Webinar – 23 september kl. 12:15-13:00
Under webinaret fördjupar vi resonemanget kring effektanalys, Human Performance Intelligence och hur ledare kan gå från sena signaler till mer proaktiva beslutsunderlag.
Anmälan: https://app.univid.io/session/6a967f2f281c6a3c90ccec71/
Problemet var inte att information saknades. Problemet var att den aldrig blev synlig för ledningen.
Traditionellt mäts organisationers hälsa och prestation genom utfallsmått som sjukfrånvaro, personalomsättning, försenade leveranser, produktivitetsförändringar och återkommande medarbetarundersökningar. Nyckeltalen är viktiga, men de beskriver ofta konsekvenser av tillstånd som redan har uppstått. De är med andra ord sena signaler.
När sjukfrånvaron väl stiger, samarbetet försämras eller produktiviteten sjunker har påverkan redan hunnit bli både mänsklig och ekonomisk. Ledarskapet riskerar därför att bli reaktivt. Tre begränsningar förstärker problemet:
- Fragmenterad förståelse: Data om HR, fysiologi, operativa resultat och medarbetarfeedback finns ofta i olika system och kopplas sällan samman.
- Brist på kontinuitet: Årliga undersökningar eller kvartalsvisa pulsmätningar riskerar att missa dynamiska förändringsmönster och stegvis ökande belastning i vardagen.
- Begränsad handlingsrelevans: Data utan kontext ger sällan ett tydligt svar på vad ledningen faktiskt bör göra härnäst.
Här erbjuder Human Performance Intelligence en annan väg. Genom att integrera perspektiv från fysiologi, psykologi, organisationsforskning, dataanalys och etik kan rådata omvandlas till mer handlingsinriktad intelligence. Målet är att förstå de mänskliga förutsättningar som gör långsiktig och hållbar prestation möjlig.
Hur mäter vi effekten? Kausalitet framför korrelation
En central fråga i modern effektanalys är hur biometriska data, beteendedata och organisatoriska prestationsmått kan integreras för att bättre förstå effekten av ett långsiktigt kapacitetsarbete. Att hitta korrelationer är relativt enkelt. Att visa att en viss insats, rutin eller kedja av händelser faktiskt bidrog till en förbättring i verksamhetens nyckeltal kräver en mer genomarbetad metodik.
Ett sätt är att kombinera kontinuerligt insamlade data i ett gemensamt analysramverk:
- Biometriska data – fysiologisk återhämtning: Hjärtfrekvensvariabilitet (HRV) kan ge ett objektivt och icke-invasivt fönster in i det autonoma nervsystemets reglering. Förändringar i HRV kan, tillsammans med kontext och individens normalläge, bidra med information om belastning och återhämtning.
- Beteendedata och kvalitativa dialoger: Coachande samtal och självrapporterade reflektioner fångar individens upplevelse och ger kontext till de kvantitativa signalerna.
- Verksamhetsdata: Produktionsdata, leveranstider, kvalitetsmått eller andra relevanta utfall på gruppnivå visar vad som faktiskt händer i verksamheten.
Genom longitudinell analys kan förändringar på gruppnivå följas över tid och relateras till förändringar i organisationens resultat. För att skilja slumpmässiga samband från mer sannolika effekter kan statistisk kausal inferens kombineras med preliminära kausala modeller som kartlägger och kontrollerar för störningsfaktorer.
Den kritiska chefsfrågan
Vilka insatser fungerar, för vilka grupper och under vilka organisatoriska förutsättningar?
LLM som analysverktyg: att strukturera det ostrukturerade
Nästa utmaning är all den ostrukturerade information som genereras i en organisation – exempelvis anteckningar från coachdialoger, reflektioner och skriftlig feedback. Historiskt har denna typ av datakälla varit svår att skala och analysera statistiskt utan omfattande manuellt arbete.
Här kan Large Language Models (LLM) användas som mer än ett sammanfattningsverktyg. Genom semantisk kodning kan ostrukturerad text omvandlas till strukturerade, analyserbara variabler som sedan kan kombineras med andra datakällor.
I praktiken kan LLM bidra till effektanalysen på tre sätt:
- Semantisk kodning av dialoger: Språkliga mönster i coachande dialoger kan analyseras för att identifiera teman som fokus, motivation, samspel och upplevt socialt stöd.
- Identifiering av beteendeförändringar: Gradvisa förändringar i energi, koncentration eller självreglering kan bli synliga i text innan de märks i traditionella utfallsmått.
- Hypotesgenerering kring kausala mekanismer: Större textmassor kan användas för att identifiera mönster och föreslå hypoteser om vilka faktorer som kan hänga ihop. Dessa hypoteser kan därefter prövas i mer strukturerade modeller.
På så sätt behöver den mänskliga, kvalitativa dimensionen inte försvinna i statistiken. Tvärtom kan medarbetarnas reflektioner få en tydligare struktur och bli en del av ett bredare beslutsunderlag.
Från signaler till kunskap: AI-drivet stöd för ledningens beslut
Den avgörande frågan är hur komplexa dataflöden kan omvandlas till något som en senior ledare faktiskt kan fatta beslut utifrån. Inom Human Performance Intelligence kan detta beskrivas som en kedja i fyra nivåer:
- Observation: Insamling av fysiologiska signaler, exempelvis HRV från wearables, tillsammans med reflektionsfrågor och verksamhetsdata.
- Analys: Rådata normaliseras och bearbetas för att identifiera mönster, trender, avvikelser och samband över tid. I komplexa organisationer är förändringsmönster och variation ofta viktigare än ett enstaka mätvärde.
- Tolkning: Kontexten sätts i centrum. Belastning är inte negativ i sig om den är kortvarig, begriplig och följs av tillräcklig återhämtning. Data behöver därför relateras till roll, arbetstempo och faktisk arbetssituation.
- Beslutsstöd: Tolkningen översätts till transparenta och handlingsorienterade underlag på gruppnivå för ledning och HR.
Resultatet blir en mer sammanhållen bild av organisationens långsiktiga leveransförmåga. Ledningen kan följa trender i belastning, återhämtningskapacitet, fokus och samspel – och därmed skapa bättre förutsättningar att agera innan utvecklingen blir ett synligt problem.
Om data till exempel visar att ett team under flera veckor uppvisar en kombination av ökad belastning och minskat fokus kan ledaren undersöka behovet av att justera resurser, prioriteringar eller arbetssätt innan situationen leder till större konsekvenser.
Förklarbarhet är central. Ett AI-baserat beslutsstöd måste visa varför en rekommendation ges och vilka mönster eller samband som ligger bakom. Ledningen ska kunna använda tekniken för att kvalificera sitt omdöme – inte ersätta det.
Etik, integritet och det mänskliga omdömet i centrum
Fysiologiska mätningar och AI-analys av medarbetardata ställer höga krav på etik och integritet. Om tekniken uppfattas som övervakning riskerar den att skada det förtroende som är avgörande för en välfungerande organisation. Ett hållbart arbetssätt kräver därför tydliga principer:
- Det mänskliga omdömet först: AI-genererade insikter är inte absoluta sanningar. Mänsklig prestation är komplex och kan inte reduceras till enskilda datapunkter. Tekniken ska berika dialog och beslut, inte ersätta dem.
- Tydligt och stödjande syfte: Teknologin ska stödja individens självledarskap och hjälpa ledaren att förstå sitt team. Den ska inte användas för dold kontroll eller individgranskning.
- Dataminimering och integritet: Endast data som är relevanta för syftet bör samlas in, och känsliga individdata behöver skyddas genom aggregering och tydliga behörighetsprinciper.
Det strategiska skiftet för framtidens ledarskap
För en senior ledare ligger den långsiktiga nyttan med multimodal AI och Human Performance Intelligence i ett skifte från att enbart rapportera vad som redan har hänt till att bättre förstå vad som håller på att förändras.
- Vad händer med människorna?
- Vad händer i teamet?
- Vad håller på att förändras?
- Och vad behöver ledaren göra nu?
Det är här skillnaden mellan reporting och intelligence blir tydlig.
Genom datadriven och vetenskapligt grundad effektanalys kan gapet mellan individens långsiktiga kapacitet och organisationens uthållighet i produktionen minska. Det skapar bättre förutsättningar att bygga högpresterande och hållbara organisationer i en komplex tid.
Jenny Nilsson
Grundare, Zmartrest AB
jenny.nilsson@zmartrest.com
0725-277 276
Missa inte! Webinar – 23 september kl. 12:15-13:00
Under webinaret fördjupar vi resonemanget kring effektanalys, Human Performance Intelligence och hur ledare kan gå från sena signaler till mer proaktiva beslutsunderlag.
Anmälan: https://app.univid.io/session/6a967f2f281c6a3c90ccec71/