Detta nummer av MGMT belyser en rad relevanta utmaningar som företag möter i vad som förefaller vara en allt mer turbulent och föränderlig omvärld. David Sjödin, Linus Thomson, Vinit Parida och Marin Jovanovic framhåller affärsmodellspiloter som avgörande för att övervinna utmaningarna med affärsmodellsinnovation för framväxande teknologier som AI och autonoma lösningar. Affärsmodellspiloter använder en experimentell metodik för att förfina affärsmodeller genom tre faser: design (värdekonceptualisering och samskapande av lösningar), validering (pilotprojekt i verkliga miljöer och förfining) och institutionalisering (formalisering av lärdomar och skalning). Fördelarna inkluderar resurseffektiv experimentering, systematisk utvärdering (datadriven förfining) och förberedelse för skalning (balansering av anpassning och standardisering). Företag rekommenderas att använda iterativa pilotprocesser för att utveckla anpassningsbara och skalbara affärsmodeller i linje med marknadens behov, minska risker och öka innovationsframgång.

Även Amanda Bankel och Lisa Govik behandlar ämnet affärsmodeller, mer specifikt nätverksbaserade sådana. Deras artikel fokuserar betydelsen av nätverksbaserade affärsmodeller för att främja hållbar innovation, särskilt på nya, osäkra marknader som solcellssektorn. Samarbete mellan olika aktörer – inklusive myndigheter, universitet och konkurrenter – är avgörande för att dela resurser, minska risker och skapa värde. Utmaningar inkluderar att locka rätt aktörer, hantera kunskapsdelning utan att riskera konkurrensnackdelar, och navigera underutvecklade regelverk. Rätt använda erbjuder nätverksmodeller en potential att hantera komplexitet och bidra till långsiktig hållbarhet och innovation. För framgång krävs emellertid att företag beaktar mångsidiga incitament, balanserar interaktion och kunskapsdelning, samt använder nätverket för att påverka marknadsutveckling och regelverk.

En central fråga för många organisationer idag är hur de ska ta sig an Artificiell Intelligens (AI) på ett lämpligt sätt. AI ändrar inte bara en rad operativa aktiviteter, utan medför också mer omfattande implikationer för hur företag leds och organiseras. Tobias Fredberg diskuterar i sin artikel hur AI kan förändra organisationer och lyfter fem centrala frågor om hur tekniken kan integreras för att främja innovation och effektivitet. AI påverkar hur vi organiserar arbete, tar beslut, attraherar talang, bygger förtroende och driver förändring. Pionjärer kan dra fördel av tidiga insikter men riskerar samtidigt tekniska utmaningar. Senare tillkommande användare kan istället dra nytta av mognare system och lärdomar från andra organisationer. För att framgångsrikt integrera AI krävs tillit till tekniken, organisatorisk anpassning för dataflöden och förmåga att attrahera kompetenser. Artikeln pekar på vikten av att ledare utforskar hur AI kan påverka beslut, struktur och innovation för långsiktig konkurrenskraft

Den sista artikeln i detta nummer av MGMT kommer från Anna Yström, Alexander Gorgijevski,  Solmaz Filiz Karabag, Thomas Magnusson, Viktor Werner och Karin Wigger diskuterar utmaningar och möjligheter för svensk processindustri i den gröna omställningen. Dessa företag står som bekant för betydande utsläpp av växthusgaser, men möter i sin strävan efter ökad hållbarhet ofta inlåsningseffekter från tidigare investeringar och osäkerheter kring ny teknik och regleringar. För att möta klimatmålen krävs nya strategier, där inkrementella förbättringar kompletteras med långsiktiga, explorativa satsningar. För att lyckas behövs stabila politiska ramverk, ett experimentellt förhållningssätt och utbildningsinsatser som stärker både teknisk och organisatorisk kompetens. Här framstår samarbete mellan industri, akademi och politiska aktörer som avgörande för att lyckas arbeta fram de gemensamma visioner, innovation och kompetensutveckling som behövs för en effektiv omställning.

Business model innovation (BMI) is a necessity to unlock the value and commercial potential of emerging technological solutions such as AI, autonomous solutions and electrification. However, engaging in BMI for emerging technologies embodies high levels of uncertainty and represents a fundamental challenge for firms. This is because technological shifts often demand significant changes to all elements of the business model (BM) – or, in other words, BMI. That means changing the way firms create, deliver, and capture value for their customers. For example, manufacturers need to experiment with new value propositions, revenue models, and delivery routines for autonomous solutions to unlock the value of autonomous vehicles (Thomson et al., 2021). Indeed, since the underlying technology is new and not fully proven, industrial manufacturers must learn to configure and customize novel technologies and BMs in tandem in order to deliver solutions that convincingly address unique customer needs and still offers opportunities for scaling to the broader market. Resolving these challenges presents many uncertainties for industrial manufacturers, who are not only working with an immature value proposition but are also ascertaining how to deliver it and how to price it. While these are key practical challenges in BMI for novel technologies, the theory and practice on BMI processes has yet to adequately explore this domain.

This study sought to address these challenges and further strengthen the conceptual foundations of BMI by examining such processes through the lens of piloting. Piloting presents a systematic approach to trial-and-error learning and refers to smaller-scale trials of new solutions to assess feasibility. This approach support learning by doing in a real world setting and delay full-scale investment decisions prior to obtaining better information. We argue that adopting a piloting perspective on BMI allows further detailing of the processes of change, learning, and refinement in complex and uncertain contexts. Accordingly, this article presents an understanding of how business model piloting processes for emerging technological solutions can be organized. We build on insights from two Swedish industrial manufacturers engaged in the commercialization of autonomous vehicle solutions as well as five startups and SMEs focusing on advanced digital solutions such as AI and lidar applications. Our findings are presented next.

A structured business model piloting process

This section presents a structured business model piloting process (see Figure 1). The process is built around three overall phases (each with distinct activities and approaches):

Phase 1: Business model design represents the start of the process and initiating concrete dialogues toward the targeted piloting customer. BM design refers to the conceptualization of the offering from the perspectives of value creation, capture, and delivery to create a common understanding between the manufacturer and the customer. In other words, BM design occupies the attention of the manufacturer and the customer on the most important features of technological solutions in need of testing to confirm value. BM design includes concrete steps related to value conceptualization and solution design.

A crucial part of value conceptualization is investing in learning efforts to discover the BM that fits the specific customer. This includes data-driven analysis of solution potential by analyzing data from the customer and the installed base of equipment to show the potential. A business developer explained: “Whenever you can come in and show the operational people that you have found a more cost-effective way of running things then you have a case”. As a next step solution design represent more concrete multi-disciplinary efforts required to develop an appropriate solution for testing with the customer. This requires a co-creative engagement with customers to jointly learn how the solution should be configured in line with their operations. This requires the provider to balance the costs and benefits of developing specific solutions to make sure that efforts to achieve customer focus through customization does not impinge on the scalability potential for the broader market.

Phase 2: Business model validation is a critical phase for testing the assumptions underlying the business model to ensure that it is viable and sustainable in the long term. It entails an iterative and data-driven approach to testing, in which manufacturers gather operational data and refine their business models over time based on real-world results. For business model validation, we identify two key activities: operational pilot execution and business model refinement. The benefit of operational pilot execution is testing and iterative refinement of both technological solutions and BMs on live customer sites allowing testing of the business set-up, configuration, and delivery process of solutions within the customer’s production environment. For example, the customer may set the requirements for a full-scale BM (e.g., “get to this target”, “hit this availability”) to ensure focused testing on KPIs. Business model refinement relates to converting experiential knowledge from BM piloting into adaptations of the BM. This includes activities such as refining value delivery processes (e.g. roles, routines, capabilities) as well as using operational data to reconfigure technology components and the value proposition, and changes to the revenue model experimentation based on operational feedback.

Phase 3: Business Model Institutionalization represents the conscious and coordinated review of BM performance from piloting, resulting in the capturing key learning for the organization This is achieved through two key activities: pilot evaluation and business model routinization. Pilot evaluation is concerned with assessing commercial and technological performance and deriving lessons from solution pilots through data-driven insights. The focus is to document lessons, uncover potential pitfalls, and identify best practices across all aspects of the BM in relation to how value is created, delivered, and captured. Business model routinization relates to formalization of BM activities based on lessons learned from pilot evaluation. This includes activities related to the standardization of processes and procedures and development of performance metrics. For example, firms described developing blueprints (or playbooks) for how BMs for novel technological solutions should be developed and delivered. In essence, the blueprint helps to reduce the inherent uncertainty associated with delivering novel technological solutions, acting as a template to guide successful commercialization and educating the broader organization.

Why business model piloting?

Beyond identifying phases and key activities, we uncover three key principal benefits of a structured process for BM piloting: lean learning, systematic evaluation, and scaling preparation. We contend that these principles should be considered throughout BM piloting.

Lean learning is key in piloting encouraging an efficient and pragmatic approach to commercializing novel BMs. The goal is de-risking and validating assumptions within a specific target market/customer group (rather than the whole market) thus enabling concrete learning with lower resource commitments. This includes the iterative development of compelling value propositions, along with delivery routines and revenue models. Consequently, BM piloting ensures that the emerging BM is finely attuned to meet the needs and context of the target market (e.g., a key customer). By embracing a lean BM piloting approach, businesses can rapidly and cost effectively experiment with new BMs together with customers, thereby reducing the risk of failure and enhancing their capacity to adapt (e.g., by reimagining value propositions).

Systematic evaluation represents a focus on assessing appropriateness of the different BM elements in each step of the process. By systematically evaluating data-driven insights weaknesses and inefficiencies in the BM can be identified and addressed before they become significant problems. This learning by doing provides decision makers with a clear understanding of what works and what does not, enabling them to make informed choices on which BM design choices to keep, modify, or abandon based on concrete data. Hence, systematic evaluation plays a vital role in creating a more data-driven approach to BMI decision making.

“Following a structured BM piloting process can guide senior managers through the uncertain process of developing
advanced BMs.”

Scaling preparation is a central feature of BM piloting focused on identifying the recipe for a scalable business model. For example, firms need to balance the tension between scalability to other customers versus customization to address unique customer requirements.  Scalability is also pursued through the capturing of key insights by developing BM routines and blueprints that can support future scaling (e.g. implementation in other markets/customers). For example, by developing standardized routines, such as project delivery methodologies, new sales routines, and targeted knowledge dissemination to market facing units. This is key since scaling BMs beyond individual pilots requires more than a functioning value proposition but also a functioning delivery organization and revenue model

Final advice

Finding appropriate business models for novel technological solutions is a challenging task. We offer recommendations to business development managers in large firms as well as SMEs and start-ups engaged in this endeavor.

Concretely, we recommend a piloting approach of continuous trial and error and small adaptations, rather than the pursuit of a rigid innovation program, as the most advantageous way to move BMI processes toward realizing scalable solutions. Following a structured BM piloting process can guide senior managers through the uncertain process of developing advanced BMs. Attempting to finalize the design of value propositions, delivery processes and revenue models from the scratch is neither desirable nor practicable – instead embrace BM piloting as a way of learning together with the market.

Rekommenderad läsning:
> Thomson, L., Sjödin, D., Parida, V., & Jovanovic, M. (2023). Conceptualizing business model piloting: An experiential learning process for autonomous solutions. Technovation, 126, 102815.

Nya marknader för hållbar innovation kännetecknas av osäker efterfrågan, otydliga gränser, föränderliga aktörer och oklara regelverk. Detta kräver ofta att företag samarbetar utanför den egna värdekedjan och inkluderar aktörer så som myndigheter, universitet och konkurrenter i sitt nätverk. I dessa nätverk behöver aktörer koordinera sina aktiviteter och bidra med olika resurser, vilket tenderar att vara komplext och involvera en rad olika beteenden och interaktioner. För att realisera hållbara innovationer under dessa omständigheter räcker det inte att ta ett enskilt aktörsperspektiv, i stället behöver man utforska nätverksbaserade affärsmodeller för att förstå hur värde skapas för alla involverade aktörer. Genom att jämföra tre svenska solcellsparker bidrar den här artikeln med praktiska insikter kring drivkrafter, utmaningar och interaktioner kopplade till nätverksbaserade affärsmodeller på nya marknader.

Vad är en nätverksbaserad affärsmodell?

En affärsmodell beskriver hur ett företag skapar, levererar och fångar värde. Men i situationer där det är omöjligt för en enskild aktör att styra över de resurser och aktiviteter som krävs för att tillhandahålla ett värdeerbjudande, behövs i stället ett nätverksperspektiv på affärsmodeller. Nätverksbaserade affärsmodeller medför utmaningar kopplade till ökad komplexitet och dynamik eftersom nätverk består av flera aktörer och utvecklas över tid. På nya marknader kan det vara särskilt svårt att identifiera och motivera nyckelaktörer att gå med i nätverket på grund av de osäkra förhållandena. Dessutom är man i högre grad beroende av andra aktörer i en nätverksbaserad affärsmodell, vilket innebär minskad kontroll för det enskilda företaget. Konflikter kan också uppstå av att aktörers individuella affärsmodeller och mål utvecklas i en riktning som inte överensstämmer med nätverkets. Men nätverksbaserade affärsmodeller erbjuder också ett bredare utbud av resurser, riskfördelning och möjligheten till försprång på en ny marknad.

Insikter från svenska solcellsparker

Den framväxande marknaden för solcellsparker i Sverige erbjuder värdefulla lärdomar kring drivkrafter, utmaningar och interaktioner kopplade till nätverksbaserade affärsmodeller. Dessa nätverk involverar en mängd aktörer med roller så som markägare, parkägare, nätägare, elhandlare, elköpare, projektör och entreprenör.

Drivkrafter. Först och främst så ser vi att aktörers drivkrafter för att delta i nätverksbaserade affärsmodeller är mångsidiga och kumulativa. Den ekonomiska osäkerhet som nya marknader skapar, innebär att relationsbaserade, miljömässiga och sociala incitament ofta väger tyngre än finansiella.

Vi ser också att aktörer som väljer att delta i nätverksbaserade affärsmodeller för att stärka sin kärnverksamhet främst motiverades av synergieffekter och gemensamma mål, medan aktörer som vill använda nätverket för att utöka sin kärnverksamhet motiveras av kunskapsförvärv och utvecklingsmöjligheter. Detta innebär att man både behöver beakta aktörers nuvarande affärsmodeller och deras framtida mål när man bygger nätverket. Dessutom ser vi att aktörer som vill utöka sina individuella affärsmodeller ofta är mer drivande och tar större roller i nätverket, vilket är avgörande för att realisera den nätverksbaserade affärsmodellen.

Utmaningar. Vi ser att opportunistiskt beteende hindrar vissa aktörer från att delta i nätverket på grund av ovilja att dela kunskap med aktörer som skulle kunna bli framtida konkurrenter. Oönskad kunskapsöverföring kan undvikas genom att begränsa interaktioner, men på nya marknader behöver aktörer interagera för att få tillgång till nödvändiga resurser och möjliggöra värdeskapande. Nyckeln blir då i stället att balansera mellan interaktioner och kunskapsdelning, till exempel genom att variera närheten mellan olika aktörer i nätverket.

Eftersom det finns begränsat med kunniga aktörer på nya marknader kan det vara utmanade att identifiera och motivera aktörer att delta i nätverket. Företag samarbetar därför ofta med etablerade partners i den mån det går. Men det finns en risk att etablerade relationer förstörs om en partner väljer att lämna nätverket, exempelvis till följd av ändrat fokus i deras individuella affärsmodell. Nätverket kan dock återhämta sig från ett sådant uppbrott genom att aktörer breddar sina roller och/eller bjuder in nya partners.

Ytterligare utmaningar uppstår också på starkt reglerade marknader, då underutvecklade regelverk kan avskräcka aktörer från att testa nya affärsmodeller. Dock ser vi att nätverksbaserade affärsmodeller faktiskt kan bidra till att hantera sådana utmaningar genom att sprida risk mellan olika aktörer och påverka regelverkens utformning genom att exemplifiera gångbara affärsmodeller.

Interaktioner. Nätverksbaserade affärsmodeller är dynamiska, vilket betyder att företag måste förhålla sig till att aktörer och deras roller förändras i takt med att marknaden utvecklas och de bygger kompetens. Aktörer som bidrar med kritiska resurser behöver inte nödvändigtvis ta en aktiv roll i nätverket. Så länge resursen kan kontrolleras genom kontrakt så krävs inget nära samarbete, vilket förenklar koordinering i nätverket. Dock behövs ofta nära samarbeten på nya marknader då höga nivåer av osäkerhet innebär att aktörerna måste anpassa sig till förändring. Man behöver därför kombinera transaktionsbaserad och relationsbaserad styrning i nätverksbaserade affärsmodeller på nya marknader.

Tre råd för att lyckas med nätverksbaserade affärsmodeller

För att möta det ökande behovet av att samarbeta i nätverksbaserade affärsmodeller för att realisera hållbar innovation bör företag:

1. Locka nyckelaktörer till nätverket genom att beakta mångsidiga incitament. Möjlighet att bidra till hållbarhet eller att samarbeta med särskilda aktörer kan vara minst lika motiverande som lönsamhet.

2. Möjliggör strategisk kunskapsdelning genom att variera närheten mellan olika aktörer i nätverket. Interaktion är nödvändigt för att skapa värde i nätverk på nya marknader. Men opportunistiskt beteende kan hanteras genom att balansera interaktion och kunskapsdelning i nätverket.

3. Använd nätverket för att skapa bättre förutsättningar på framväxande reglerade marknader. Nätverksbaserade affärsmodeller bidrar inte bara till att hantera risker kopplade till underutvecklade regelverk, de kan också påverka utformningen av regelverk genom att åskådliggöra affärsmodeller som kan användas för att öka spridningen av hållbar innovation.

Rekommenderad läsning:
> Bankel, A., Govik, L., 2024. Networked business models on a nascent market for sustainable innovation. Supply Chain Management: An International Journal 29(7), 97-111.

Sannolikt kommer AI inte bara att förändra hur vi utför vissa uppgifter, men också hur vi förändrar organisationerna som utför uppgifterna. Min kollega Gavin Schwarz och jag bjöd in ett antal forskare till ett specialnummer i Journal of Applied Behavioral Sciences kring hur AI förändrar hur vi förändrar oss. Deras bidrag spann brett och fokuserade på alltifrån AI-stödd coaching till hur AI ifrågasätter yrkesidentiteter, och naturligtvis olika implikationer för innovation och utveckling i organisationerna. AIs inflytande väcker grundläggande frågor om hur vi organiserar arbete, attraherar expertis, tar beslut, och hur vi förhåller oss till varandra och tekniken. En central fråga är hur man på bästa sätt kan använda AI för att stödja både den tekniska och mänskliga sidan av organisationer, och än så länge vet vi inte så mycket om det. Men vi kan redan nu börja ställa oss själva frågor om hur redo vi är.

AI och hur vi organiserar arbete

AI kan rationalisera processer som i hög grad är förutsägbara, som kundtjänst och rapportering. Men genom att analysera större mängder data kan AI också hitta mönster som inte är uppenbara. Använt rätt kan detta påverka exempelvis hur vi sätter ihop team, hur vi fördelar resurser eller hur vi innoverar. Vi har sedan 1950-talet vetat att det finns stora fördelar med självstyrande team. Organisationer borde överväga om det finns sätt att genom AI stötta autonoma och distribuerade team i organisationer. Nätverksorganisationer är ingen ny uppfinning. AI kan stötta utvecklingen mot allt mer distribuerade strukturer, både inom och mellan etablerade organisationer. Det kan i sin tur ha stora implikationer för hur vi väljer att organisera och styra verksamheten, och hur mycket vi själva väljer att göra internt kontra hur vi samarbetar med andra på både kort och lång sikt.

AI och beslutsfattande

En tydlig fördel med AI är som vi vet möjligheten att analysera stora datamängder och hitta mönster som vi människor inte kan upptäcka. Ju mer vi börjar använda tekniken, desto mer riskerar vi dock att tappa greppet om varför den genererar vissa svar. Detta blir som mest allvarligt när vi börjar grunda beslut på de svar som en eller flera AI-botar genererar. Rebecka Cedering Ångström, forskare på Ericsson Research och PhD från IMITs digitaliseringsforskarskola och HHS, fann i sina studier bland annat att företag upplevde implementeringen av AI blev värre ju mer tekniken användes. Det fanns alltså en upplevd negativ lärkurva. Anledningen var att interaktionen mellan programmen gjorde att resultaten blev svårare att förstå för dem som skulle använda dem. Kommer beslutsfattare att acceptera att ta beslut baserat på resultat som de inte förstår? Kommer vi att ställa krav på att det ska kännas intuitivt rätt? Andra beslutsmodeller som skulle kunna vara hjälpsamma för beslutsfattande i organisationer används inte eftersom man inte förstår resultaten. Marvin Minsky, professor på MIT och en av AI-forskningens stora föregångare, menade att det stora problemet med AI är just att tekniken saknar sunt förnuft.  Kommer organisationer att våga? Och hur kommer vi att organisera dataflöden i organisationer för att göra användningen av AI så effektiv som möjligt?

AI kompetens och expertis

För ett par år sedan skrev ett par kollegor och jag en rapport om digitalisering i en av våra svenska basindustrier. Även om automatiseringen i branschen hade gått långt, upplevde beslutsfattare i merparten av företagen att det var oerhört svårt att attrahera kompetens. Talangen och kompetensen valde bort de stora stabila, men också långsamma företag som dominerade branschen, och drogs istället till snabbrörliga, nya bolag. Det var svårt att konkurrera med ersättningsnivåer eftersom andra teknikbaserade bolag dessutom betalade oerhört bra. Detta skapade, och skapar naturligtvis en klyfta. Organisationer med tillräcklig digital expertis kan dra större nytta av AI än de som saknar sådan kompetens, och det skapar en ojämlikhet mellan branscher och organisationer som av experterna ses som mer eller mindre heta. Om AI blir en central del av affärsprocesser kommer denna klyfta sannolikt att öka. Det betyder att de som redan ligger i framkant sannolikt ökar sitt försprång. Den springande frågan blir naturligtvis hur de som redan ligger efter ska hitta sätt att komma ikapp.

AI och förtroende

Studie efter studie visar att förändringar i organisationer mycket sällan når sina mål. Ju mer komplex förändringen är, desto sämre är utsikterna att lyckas. Ett skäl till den nedslående statistiken är att folk i organisationen inte tror att förändringen ska lyckas. Många gånger kan det var en ganska rationell förväntan, men det skapar också en självuppfyllande profetia. Introduktionen av AI-baserade verktyg i organisationer riskerar att skapa förändringar som är svåra för anställda att lita på, och implementeringen riskerar då att bli lidande. Vi måste då hitta sätt att börja arbeta med verktygen som gör att de anställda som ska arbeta med dem tycker att det är acceptabelt. Ett sådant sätt verkar vara att humanisera tekniken – låtsas att AIn är en människa. Precis som i fallet med andra omvälvande förändringar måste vi både utforska vad vi ska förändra och hur.

AI och förändring

Professorn och organisationsdesignexperten Jay Galbraith gick bort för tio år sedan. I sin sista artikel spekulerar han att AI (eller Big Data, som han skrev), förmodligen innebär att vi måste introducera ytterligare en dimension i hur vi organiserar oss. Idag dominerar funktioner, produkter, kundsegment, storkunder (när de finns), och geografi (samt kombinationer av dessa i matriser) som de sätt vi delar in organisationer. När dataflöden blir centrala för hur vi tar beslut, kommer vi sannolikt att vilja organisera oss baserat på dem, menade Galbraith. Precis som funktioner finns kvar även om vi delar upp oss i produktbaserade affärsdivisioner, finns det inget som säger att andra dimensioner försvinner om ansvaret för vissa dataflöden får en egen plats i organisationsstrukturen. Ett exempel på hur detta kan ske testas i dag i organisationer. AI skapar nya möjligheter att följa upp vad som händer i olika utvecklingsprojekt runt om i en stor organisation. Vi kan läsa av deras progress på sätt vi inte tidigare kunnat och kan därmed få indikation på hur de ska styras och resurssättas. Det dataflöde som kommer från de olika projekten kräver att någon tar ansvar för det. Man kan naturligtvis underordna det en funktion, division eller liknande, men om vi menar att detta är något som har betydelse för hur vi leder organisationen kommer det att kräva att vi ger det den uppmärksamhet som det betyder.

Det är dags att börja fundera över hur AI kan komma att driva förändring i din organisation. Här är fem frågor att börja diskutera:

1. Vad skulle AI kunna ha för inverkan på hur ni organiserar er och tar beslut?

2. Vad tror ni skulle behövas för att stärka förtroendet för AI-system bland anställda och beslutsfattare?

3. Hur bör organisationens struktur utvecklas för att hantera dataflöden och integrera AI för både ökad effektivitet och innovation?

4. Hur kan din organisation attrahera och behålla AI- och digital kompetens för att förbli konkurrenskraftig (särskilt om företaget inte agerar i en hightech miljö)?

5. Vilka steg kan tas för att omvandla AI-insikter till innovationsmöjligheter och konkreta affärsförändringar?

Rekommenderad läsning:
> Fredberg, T., & Schwarz, G. M. (2024). What AI Knows: Shaping Work and Pushing Ideas on Changing Organizations. The Journal of Applied Behavioral Science, 00218863241285218.

> Ångström, R (2024). Det AI-drivna företaget, En resa utan slut. Management of Innovation and Technology, 1.

> Roush, W. (2006). Marvin minsky on common sense and computers that emote. Technology Review, July, 13.

> Bucy, M., Schaninger, B., VanAkin, K., & Weddle, B. (2021). Losing from day one: Why even successful transformations fall short. McKinsey & Company.

> Ågnes, J. S. (2022). Gaining and training a digital colleague: employee responses to robotization. The Journal of Applied Behavioral Science, 58(1), 29-64.

> Galbraith, J. R. (2014). Organizational design challenges resulting from big data. Journal of Organization Design, 3(1), 2-13.

> https://www.ericsson.com/en/reports-and-papers/industrylab/reports/adopting-ai-in-organizations

Kan svensk processindustri leda den gröna omställningen?

Svensk processindustri, såsom kemikalie-,metallurgi- samt massa- och pappersindu strin, spelar inte bara en avgörande roll för Sveriges ekonomiska välstånd utan är också bland de största användarna av energi och naturresurser samt en betydande källa till växthusgasutsläpp, vilket gör dem till centrala aktörer i arbetet mot klimatmålen.

Den främsta utmaningen för omställning ligger i att denna industri har investerat tungt i befintliga teknologier och infrastruktur, vilket skapat inlåsningseffekter. Företagen är ofta beroende av fossila bränslen och insatsvaror, och de står inför betydande hinder när det gäller att byta till mer hållbara energikällor och tekniker. Det handlar inte bara om att byta ut teknik, utan om att förändra hela affärsmodeller och produktionsprocesser, vilket kräver omfattande ekonomiska investeringar, tar lång tid och medför ett stort mått av osäkerhet. Detta leder till att företag tvekar inför att göra genomgripande förändringar.  Att genomföra sådana förändringar kan dessutom innebära ekonomiska förluster vid avskrivningar av tidigare investeringar. Därför är det ofta en långsam och kostsam resa att omforma energiintensiva processindustrier för att passa in i en koldioxidsnål framtid. Det innebär också att det är närmare till hands för företag att göra inkrementella förbättringar, såsom energibesparingar, snarare än att tänka radikalt nytt och till exempel förändra energikällan vilket ofta kräver investering i ny infrastruktur och produktionsutrustning.

Samtidigt har det globala förändringstrycket aldrig varit hårdare än idag, och internationella avtal som Parisavtalet, tillsammans med nya och strängare klimatregleringar sätter ytterligare press på industrin att minska sina utsläpp och påskynda en komplex omställning som bland annat innefattar ökad elektrifiering och användning av förnybara energikällor, energieffektivisering, hållbara värdekedjor och ökad återcirkulation av råvaror. För svensk processindustri innebär detta inte bara teknikskiften, utan också organisationsförändringar, där nya arbetssätt behöver utvecklas, ny kompetens formas, och nya strategier implementeras som möjliggör hållbar omställning. Detta blir särskilt utmanande i ett tufft ekonomiskt klimat med låga marginaler, där globala konkurrenter spelar enligt andra regler och konsumenter inte alltid är villiga att betala mer för hållbara produkter. Därmed blir balansgången mellan att säkra kortsiktig lönsamhet och överlevnad och att samtidigt investera i långsiktig hållbarhet en av de största strategiska utmaningarna industrin har stått inför.

Behov av nya strategier

Idag har många processföretag en plan eller idé för hur de kan blir mer hållbara, vilket vi kan kalla för hållbarhetsstrategier. När dessa strategier ska omsättas i handling, brottas företagen med att förutsättningarna för att ta beslut om till exempel nya investeringar är föränderliga på grund av politisk ryckighet, osäkra marknadssignaler, osäker framtida tillgång till grön elektricitet och hållbara insatsvaror, att de ekonomiska incitamenten inte är tillräckliga eller för den delen att man saknar nödvändig kompetens. Det är många faktorer ett företag behöver ta hänsyn till, som säkerligen har bidragit till att takten i omställningen hittills har varit för låg, och att företagen är avvaktande i hopp om att förutsättningarna ska bli bättre i framtiden. Men risken är att industrin hamnar i en form av kollektivt ”icke-agerande” som leder till att tidsfönstret för att kunna genomföra nödvändiga förändringar krymper, och som konsekvens kommer större och mer radikala förändringar att krävas framöver för att nå klimatmålen i tid. Här behövs nya strategier som tar sin utgångspunkt i den osäkerhet som finns, snarare än att sträva efter att eliminera den.

”Tinkering” för diversifierade innovationer

För att företag ska kunna realisera sina hållbarhetsstrategier, visar vår forskning på behovet av att både dra nytta av befintlig kunskap, samtidigt som man också behöver utveckla en förmåga att jobba mer långsiktigt med utforskande av ny kunskap, helt enkelt eftersom de ambitiösa klimatmålen inte kommer kunna nås genom att bara plocka de lägst hängande frukterna. Men att omsätta en sådan ambitiös strategi i praktik innebär omfattande förhandlingar både inom och utanför företaget för att skapa legitimitet och handlingsutrymme att genomföra olika typer av satsningar för en mer diversifierad innovationsportfölj, innehållandes projekt som bygger på befintlig kunskap och sådana som är mer utforskande, eller hybridprojekt som har båda delar.

Där tidigare forskning satt fokus på enskilda teknologier, visar vårt projekt på behovet av att förstå det komplexa samspelet mellan flera innovationer som behövs för hållbar omställning, som kan innebära såväl teknologiska, organisatoriska som institutionella förändringar. Det handlar alltså inte om enstaka tekniska genombrott, utan om att kombinera flera innovationer till en samverkande helhet. För att åstadkomma detta krävs intensifierad samverkan mellan olika aktörer för att skapa den tillit och det partnerskap som krävs för att driva innovationer framåt på bred front. Vi har sett att en sådan process kan byggas upp genom mindre, iterativa och ständigt förbättrande steg, ett slags “kreativt pysslande och knåpande” (s.k. tinkering), där företag kan kombinera befintlig kunskap med ny kunskap genom småskaliga experiment och successiva justeringar.  Denna adaptiva experimentering möjliggör rörelse framåt utan att fastna i omställningens utmaningar. Genom att skapa gemensamma visioner för omställning och rum för samverkande innovationer kan företagen agera i samklang med andra för större systemförändringar.

Att gå från strategi till handling

Vi ser att nyckeln till framgång i implementeringen av nya hållbarhetsstrategier ligger i nära samarbete mellan industri, myndigheter och akademi. Genom att skapa gemensamma arenor för innovation och kunskapsdelning kan dessa aktörer forma ett stödjande ekosystem som underlättar omställningen, där goda exempel och gemensamma utmaningar kan adresseras. Men här behöver också fokus på genomförande och implementering av nya, samverkande lösningar komplettera de mer grundläggande diskussionerna om gemensamma visioner och problemförståelse. Det behövs alltså fler arenor där ord kan omsättas till handling.

För att svensk processindustri ska leda den gröna omställningen krävs också ett långsiktigt politiskt stöd, då det är avgörande att politiska beslutsfattare skapar en stabil grund genom tydliga regleringar och incitament som driver på den gröna omställningen. Dessa ramverk behöver inte bara uppmuntra investeringar i hållbar teknik, utan också stödja nödvändiga organisationsförändringar och förstärkningar i utbildning och kompetensutveckling.

Praktiska implikationer

För företag: Företag inom processindustrin behöver accelerera takten i omställningen, trots ett läge med tuff ekonomi och sviktande kundefterfrågan. Genom att se över portföljen av olika hållbarhetsinitiativ bör en bra mix av projekt eftersträvas där inte alla siktar på kortsiktig vinning. Genom att anamma ett mer experimentellt och utforskande förhållningssätt där existerande kunskap kombineras med ny, kan företag hitta nya, breda lösningar också i samverkan med andra.

För politiska beslutsfattare: Politiska aktörer behöver skapa tydlighet och långsiktighet i satsningar mot hållbar omställning, och ha ett holistiskt perspektiv för att möjliggöra samverkande innovationer. Det finns också ett behov av att effektivisera tillståndsprocesser och göra dem mer transparenta för att undvika att företag lägger stora investeringar i länder som är mer snabbfotade.

För forskare och utbildare: Akademin har en avgörande roll i utbildandet av framtidens arbetskraft inom processindustrin. Här behöver akademi och processföretag slå sina kloka huvuden ihop och diskutera vad det är för kompetens som behövs för att säkerställa att utbildningar som erbjuds är relevanta men också ”framtidssäkrade” med möjlighet till kontinuerlig utveckling och uppdatering av kompetens kring ny teknik. Det kommer också behövas förstärkning av kompetens kring nya affärsmodeller, hantering av värdekedjor, cirkularitet, och ansvarsfullt tillvaratagande av naturresurser.

Pågående forskning Forskningsprojektet “Implementering av hållbarhetsstrategier” finansieras av Energimyndigheten 2023–2025 och leds av Anna Yström vid Institutionen för ekonomisk och industriell utveckling, Linköpings universitet. Klimatledande Processindustri vid Lindholmen Science Park medverkar som projektpartner. Projektet undersöker hur svensk processindustri arbetar för att minska sitt beroende av fossila bränslen genom implementering av hållbarhetsstrategier. Fokus ligger på samarbete med nyckelaktörer för att påskynda den gröna omställningen och stärka långsiktig konkurrenskraft. En kommande enkätstudie planeras för att kartlägga företagens strategiska åtgärder och framsteg inom hållbarhetsinitiativ. Läs mer om projektet:
https://liu.se/forskning/implementering-av-hallbarhetsstrategier