Modeller finns överallt. Du hittar modeller på ditt lokala gym, på din arbetsplats, i kokböcker och hos läkaren. Oftast har du flera modeller i ditt eget hem. Jag pratar naturligtvis om förenklingar av verkligheten som är sammanställa i ett format som är lätt att förstå och följa. 

Ett exempel på en modell är den hierarkiska organisationsmodellen. Den säger sig beskriva hur ett företag är organiserat, hur information rör sig inom företaget och vem som bestämmer över vad. I själva verket är det en grov förenkling av den verklighet som finns inom ett företag där kultur, starka individer, personliga vänskaper och företagets historia påverkar styrning och ledning minst lika mycket som den hierarkiska strukturen gör. 

Det viktiga är att komma ihåg att en modell inte är en korrekt representation av verkligheten. Den är istället en lagom förenkling av ett komplext område, nedbruten på ett sätt som ska ge god förståelse och leda till handling. Inom organisationsteoriområdet finns det en mängd modeller och driftiga ledare ställer om sina organisationer enligt de mest aktuella modellerna. Samtidigt finns många indikationer på att omorganisationer sällan leder till önskade effekter. Hur ska vi då förhålla oss till modeller och hur kan framtiden se ut?

Bakgrund

Även innan vetenskapsmodeller började spridas till en bredare publik på 1700- och 1800-talet har vi använt oss av modeller. Fördomar är en enkel form av modell. Det gör det lätt för oss att kategorisera andra människor och underlättar beslutsfattande. Personer från andra stammar är farliga och går inte att lita på, långa människor är …, korta människor är…, personer från Dalarna är…, osv. 

Om vi kategoriserar alla från Norrland som tysta personer som älskar att köra skoter så kanske det stämmer oftare på en norrlänning än på en skåning, men väldigt ofta är det helt fel. När det visar sig att modellen inte ger det beslutsstödet den skulle har vi dock svårt att ändra vår bedömning. Vi letar efter bevis för att modellen stämmer. ”Han var väldigt pratsam, men han hade i alla fall en skoter”. 

Det finns mycket forskning på att vi är benägna att leta efter information som stödjer våra existerande uppfattningar och avfärda information som motsäger dem. Det blev inte minst högaktuellt i samband med diskussionen runt filterbubbla efter valet i USA. 

En annan brist vi har som ras är att vi är dåliga på att göra en korrekt bedömning av vår egen expertis inom ett område. T ex vår förmåga att kategorisera och bedöma människor.  Om vi är okunniga överskattar vi många gånger vår kompetens och om vi är väldigt duktiga överskattar vi oftast omgivningens kompetens. ("When arguing with a fool, make sure the other person isn't doing the same)

Idag finns det en uppsjö modeller för hur vi ska kategorisera människor, hur vi ska äta, hur vi ska träna och hur vi ska organisera oss för att utföra ett uppdrag osv. Vi är väldigt mottagliga för modeller både i vårt arbetsliv och vårt privatliv. Det finns för mycket information överallt och att sätta sig in i ett ämne på riktigt kräver oftast stor ansträngning, vilket är något vi gärna undviker - ansträngning alltså .  

Modeller växer oftast fram inom områden som är komplexa till skillnad från bara komplicerade. En dator är t ex väldigt komplicerad och de flesta av oss kommer aldrig att förstå hur den fungerar, än mindre kunna bygga ihop en. Men datorer är något som människor har byggt ihop och den reagerar på ett på förhand bestämt sätt. Den som byggt datorn har kontroll över alla parametrar som påverkar hur en dator utför sina uppgifter. 

Ett komplext område å andra sidan består av delar som vi ännu inte kartlagt. Resultaten ger intryck av att ha en slumpmässig komponent. Det kan vara väderprognoser, hur människokroppen reagerar på en viss medicin eller vad en organisation behöver för att bli riktigt effektiv. 

Inom kaosforskningen pratar man om Fjärilseffekten och bygger på att en marginell påverkan, en fjärils vingslag i Mexico, får stora oförutsägbara effekter någon annanstans i systemet, t ex en orkan i Sverige. Det handlar krasst om att vi inte ännu lyckats kartlägga alla samband mellan händelse och effekt. 

Inom dessa områden lovar modeller en enkelhet, att göra det komplexa komplicerat eller till och med enkelt. Gör så här så får du detta resultat. En enkel modell för att spå väder är t ex att basera prognosen på att det är samma väder imorgon som det var idag. Det ger drygt 50% träffsäkerhet, men det misslyckas fullständigt med att förutse när en farlig storm slår till. 

Modellerna lovar oftast snabba resultat utan att du behöver gå på djupet och förstå vad som gör att en modellen fungerar och när den är lämplig. 

"Gå ner i vikt utan ansträngning med 5:2” 

”Börja träna Crossfit och bli starkare och må bättre”

”Ändra din organisation till självorganiserande team och alla problem försvinner”

Det finns alltid minst 10 personer som garanterar att modellen fungerar. Oftast är argumentet att det fungerade för mig/oss, alltså fungerar det för dig (vetenskapen kallar det för anekdotiska bevis och är det minst trovärdiga). Det luriga här är att vi inte vet varför det fungerade för de som förespråkar dem.  

Organisationer och dieter

Om vi tittar på modeller kring hur företag ska organisera sig ser vi att det under de senaste 100 åren kommit en strid ström av modeller. Varje tid har sina lösningar som säljs in som en genväg till en effektiv organisation. Men tittar vi på historien så var grunderna vi tror på idag tydliga redan på 1940-talet, där Peter Drucker är den som oftast lyfts fram som en föregångsman. Andra profiler från 1900-talet som Keynes och Sloan har inte åldrats lika väl och deras storhetstid är förbi - för nu. 

Organisationsformer och dieter är två områden som lämpar sig väldigt väl för modellskapare. Här finns stora likheter. Områdena är komplexa, vetenskapen kan inte förklara alla samband och vi har inte kartlagt alla parametrar som påverkar resultatet. Båda områdena påverkar oss dagligen vilket gör att vi har en uppfattning kring vad som inte fungerar och många gånger också en uppfattning om vad som borde göras. Det är också områden där vi förmodligen grovt överskattar vår egen förmåga. På samma sätt som alla fotbollssupportrar inte skulle bli så bra coacher som de tror, skulle inte företag bli så mycket bättre bara chefen lyssnade på just mig! 

(Med det sagt sitter oftast organisationen på svaren till sina egna problem och det är väldigt viktigt att vara lyhörd som chef vid en omorganisation, men samtidigt undvika ”för lätta” lösningar.)

AI, Big data, BI och IoT och framtiden

Modellernas tid är kanske inte snart förbi. Det kommer alltid att finnas komplexa samband som vi behöver förenkla för att kunna hantera, men vi behöver utmana de modeller vi använder. Ökad beräkningsförmåga genom kraftfullare datorer och bättre algoritmer (ibland lite slarvigt benämnt AI) samt en radikalt förbättrad möjlighet att samla in data genom billiga uppkopplade sensorer (Internet of things - IoT) gör att område efter område går från att vara komplext till att endast vara komplicerat. Det gäller t ex vädret, människokroppen eller en organisations status. 

Detta gör dock att vi snabbt har fått ett A- och ett B-lag. De som använder gamla modeller som grovt förenklar verkligheten och där människor fortfarande tar beslut utan bra dataunderlag och de som använder sig av moderna sätt att samla in, bearbeta och analysera stora mängder data för att ta informerade beslut baserad på aktuell och mycket mindre förenklad modeller av verkligheten. 

Ett exempel är General Electric (GE) som tidigt fyllde sina flygplansmotorer med sensorer för att gå till en modell där de i i realtid kunde se status på viktiga komponenter i motorn och byta den innan den gick sönder men inte onödigt tidigt. Tidigare hade de haft en modell som byggde på att de servade enligt hur länge motorn användes och hur gammal den var, baserat på statistik kring hur ofta en del gick sönder. Den nya modellen tog bort en stor del av slumpen kring när en motorkomponent gick sönder vilket ledde till minskat onödiga service intervall och lägre risk för oförutsedda komponentproblem.  

Ett annat exempel är Hedgefonden Bridgewater (Länk till Rays TED-talk ) som var tidigt ute med att använda datorer som beslutsstöd och för att identifiera samband kopplat till finansiella investeringar. Genom att kontinuerligt omsätta aktuell kunskap i programkod och sedan utvärdera hur väl kunskapen stämde med verkligheten kunde de ta påtagligt mycket bättre beslut och bli en genuint lärande organisation. I sin bok Principles betonar dock grundaren Ray Dalio vikten av att förstå hur datorn har kommit fram till sin analys, inte minst för att bedöma om de antaganden som tidigare gällde fortfarande gäller. De har sedan en tid börjat bygga upp motsvarande stöd kring att ta organisatoriska beslut för att bl a minska godtyckligheten i mänskliga beslut. Det är förmodligen inte en slump att de anses bland de mest framgångsrika inom sitt område.

Det är inte fel att följa en modell. Det kan till och med leda till de resultat du är ute efter. Om du däremot vill öka din chans att lyckas har du mycket att tjäna på att fundera kring vilka antaganden och förenklingar modellen har gjort för att göra något komplext att verka enkelt. 

• Tror du att dessa gäller i din situation?
• Hur kan du på enklaste sätt verifiera om antagandena stämmer?
• Vilka parametrar som påverkar resultatet skulle du kunna mäta?
• Hur kan du mäta om det leder till förbättring?

Modeller har hjälpt mänskligheten att frodas i en komplex värld. De har hjälp oss att leva och ta beslut trots vår begränsade kunskap om hur systemet fungerar. Allt eftersom vi ökar vår kunskap har vi lämnat modeller över komplexa problem bakom oss till förmån för tydliga orsakssamband inom enbart komplicerade områden. Nu går utvecklingen snabbare än någonsin och då behöver våra modeller av verkligheten också uppdateras. 

Big data, Artificiall intelligens, internet of things, snabbare datorer mm handlar inte bara om sådant som forskare håller på med och det är inte kuriosa som i framtiden kommer att påverka dig. Det är en del av vår vardag idag. Men misströsta inte om du har svårt att hänga med. Det finns alltid en modell som lovar en lätt väg ut ur din situation.  

(Detta är fjärde och näst sista delen av miniserien om hur vi organiserar oss och varför. Här hittar du del 1, 2, 3