AI-READINESS: En kvalitativ fallstudie i skogsindustrin

(1)

AI-READINESS

En kvalitativ fallstudie i skogsindustrin

Sofi Glas & Johanna Göransson

Examensarbete på kandidatnivå, 15 hp

Beteendevetenskapliga programmet med inriktning mot IT-miljöer SPB 2021.05

(2)

Abstract

Organizations in all industries have reached a transition point because of the rapid development of digital technology. Digitalization and AI has therefore become the driving force for transformation within today's organizations to remain competitive in the digital era. The forest industry is no exception.

However, digital transformation through AI within organizations is synonymous with high complexity and the forestry industry faces unique challenges to overcome because of the industry's traditional approach and the corporate culture that comes with it. This approach creates challenges for technology to be able to take an active and leading role. Problems that can emerge with digital transformation are one of the most important topics that have been researched for a long time. But few studies have examined digital transformation through AI in the forestry industry. Against this background, the purpose of this study is to analyze the barriers that can inhibit AI-Readiness in the forest industry. To answer our research question, we have used a qualitative case study with semi- structured interviews. The semi-structured interviews are based on the framework Technological Frames which intends to examine interpretation about information technologies. The results shows that barriers that can inhibit AI- Readiness exist which can be linked to organizational culture, user experiences and IT-strategies.

Keywords: Artificial intelligence, AI-Readiness, Forest industry

(3)

Förord

Vi vill rikta ett stort tack till vår handlare Johan Sandberg på institutionen för informatik för stödet han har givit oss under arbetet. Vi vill även tacka Jonny Holmström som inspirerade oss till att undersöka vilka barriärer som föreligger för AI-Readiness inom skogsindustrin.

Avslutningsvis vill vi tacka vår kontaktperson och samtliga medverkande respondenter från den berörda organisationen som har visat på ett stort intresse och engagemang. Ni har berikat vår studie med värdefull kunskap samt gjort denna uppsats möjlig.

Tack!

(4)

Innehållsförteckning

1. Inledning ... 1

2. Relaterad forskning ... 3

2.1 Artificiell Intelligens ... 3

2.2 AI-Readiness... 4

2.3 Digital transformation via AI inom skogsindustrin ... 5

3. Teoretiskt ramverk ... 7

3.1 Inkongruens och kongruens ... 8

3.2 Det teknologiska ramverket i relation till AI-Readiness ... 8

4. Metod ... 9

4.1 Fallstudie ... 9

4.2 Forskningsetik ... 9

4.3 Datainsamling... 10

4.4 Dataanalys ... 11

4.5 Metoddiskussion ...12

5. Resultat ... 14

5.1 Ledare ...14

5.1.1 Teknologins natur ... 14

5.1.2 Teknologisk användning... 16

5.1.3 Teknologiska strategier ... 18

5.2 Användare ... 20

5.2.1 Teknologins natur... 20

5.2.2 Teknologisk användning ... 22

5.2.3 Teknologiska strategier ... 25

6. Analys... 28

6.1 Teknologins natur ... 28

6.2 Teknologisk användning ... 29

6.3 Teknologiska strategier ... 29

6.4 Identifierade barriärer ... 31

7. Diskussion ... 33

7.1 AI-Readiness inom skogsindustrin ... 33

7.2 Användarinvolvering ... 33

7.3 Organisationskultur ... 34

7.4 Strategier för AI ... 35

7.5 Teoretiskt ramverk i relation till studien ... 36

7.6 Vidare forskning ... 37

8. Slutsats... 38

(5)

9. Referenslista ... 39 10. Bilaga 1 ... 42

(6)

1

1. Inledning

Organisationer inom samtliga branscher har kommit till en brytpunkt till följd av den snabba utvecklingen av digital teknik. Denna utveckling har resulterat i att traditionella organisations- och affärsmodeller utmanas eller fundamentalt förändras till följd av digitaliseringen (Holmström, 2020). Vi har således äntrat en ny tidsera där digital teknik och artificiell intelligens (AI) omformar de operativa grunderna för organisationer (Iansiti & Lakhani, 2020). Tidigare antaganden om strategier och ledarskap blir därför inte gångbara då digital teknik och AI blivit den universella motorn för uppgifter och processer (Iansiti & Lakhani, 2020). Att förstå de nya möjligheterna och utmaningarna som följer med förändringsarbete har således blivit av stor vikt.

Investeringar i digitalisering och i synnerhet AI har således kommit att bli drivkraften till förändringsarbete inom dagens organisationer (Holmström, 2020; Magistretti et al., 2019).

Skogsindustrin är inget undantag, då många aktörer inom denna bransch har öppnat upp för att förändra organisationsstrukturer och affärsmodeller under de senaste åren. En framgångsrik tillämpning av digital teknik och AI kräver dock ett aktivt fokus på digital transformation, vilket skogsindustrin släpar efter i (Nylén & Holmström, 2011).

En digital transformation innebär förändringsarbete som involverar modern digital teknik (Wessel et al., 2020) och kan i sin tur medföra utmaningar som behöver identifieras (Vial, 2019). De utmaningar som har identifierats för digital transformation i skogsindustrin förklaras via varierande nivåer av digital mognad samt att data inte flödar genom hela värdekedjan. Nivån på digital kompetens och service innovation är dessutom övergripande låg (Holmström, 2020). Skogsindustrin domineras även av en traditionell värdekedja där aktörer arbetar i ett slutet innovations paradigm (Nylén & Holmström, 2011). Organisationer inom skogsindustrin har trots detta börjat anta dessa utmaningar med hjälp av nya kunskaper och strategier (Holmström, 2020).

Att implementera AI inom organisationer är dock synonymt med hög komplexitet då AI urskiljer sig från andra digitala tekniker som i regel är lättare att använda och distribuera (Joehnk., 2021). Implementering av AI tenderar därför att misslyckas eller stöta på problem när varken organisationen eller dess teknik är redo eller rustade för den tillkommande förändring som AI medför (Davenport, 2018). Därför är det av stor vikt att skapa en förståelse för organisationens grundläggande förutsättningar för att implementera samt tillämpa AI- tekniker, vilket benämns som organisationens AI-Readiness (Joehnk., 2021).

Bedömningen av AI-Readiness sker på en operationell nivå och redogör för organisationens nuvarande adoptionsförmåga av AI samt det eftersträvade syftet med implementeringen (Joehnk., 2021). Genom att göra en bedömning på organisationens befintliga tillgångar, förmågor samt förändringsbenägenhet kan värdefulla insikter uppnås som vidare kan minska risken för eventuella barriärer. Ett välgrundat och bearbetat beslut i en organisation ökar därför sannolikheten för en framgångsrik implementation och tillämpning av AI och dess möjlighet till organisatoriskt värdeskapande (Joehnk., 2021).

Skogsindustrin står dock inför unika utmaningar som måste övervinnas för att lyckas med en framgångsrik implementation och tillämpning av AI (Holmström, 2020). Dessa utmaningar

(7)

2

grundar sig i att branschen domineras av en traditionell värdekedja och ett synsätt på värdeskapande som hämmar potentialen (Nylén & Holmström, 2011). Det traditionella tillvägagångssättet och den organisationskultur som kommer med den skapar således utmaningar för att kunna arbeta i ett öppet innovationssystem där digital teknik tar en aktiv och ledande roll (Nylén & Holmström, 2011). Det råder således en bristande förståelse för hur värdeskapande ska utvinnas från digitalisering och AI till följd av att de digitaliserade processerna inom branschen är få samt att den interna digitala kompetensen ofta saknas (Holmström, 2020). Organisationer inom skogsindustrin är dock medvetna om vikten av digitalisering och AI-kompetens samt att det råder ett stort behov av att utvärdera branschens teknik (Borz et al., 2017). Därför finns det en drivkraft att vilja arbeta för förändring och skapa en organisationskultur som stödjer innovation samt utbyte av kunskaper och kompetenser (Holmström, 2020).

Tekniken i sig är således endast en del av en större och invecklad kontext för att organisationer ska utvecklas och bli konkurrenskraftiga i en digital värld (Vial, 2019).

Organisationer måste därför vara beredda på att hantera de interna utmaningar som kan uppstå, vilket är ett ämne som forskats inom en lång tid (Wessel et al., 2020). Forskning som undersöker hur AI påverkar de digitala transformationsprocesserna inom organisationer är dock få till antalet (Holmström, 2021).

Mot denna bakgrund är således syftet med denna studie att skapa förståelse för skogsindustrins AI-Readiness. Genom att bidra med kunskaper om föreliggande barriärer för att implementera samt tillämpa AI-tekniker, hoppas vi kunna bidra till förståelse för hur organisatoriskt värdeskapande via AI kan uppnås inom skogsindustrin. För att analysera AI- Readiness inom skogsindustrin har vi utformat följande frågeställning:

Vilka barriärer kan försvåra tillämpning av AI-tekniker i skogsindustrin?

För att besvara vår frågeställning samt uppfylla vårt syfte har vi använt oss utav en kvalitativ fallstudie med semistrukturerade intervjuer. Intervjufrågorna är besvarade av några grupper inom den valda organisationen. I analysen av empirin har vi använt oss av Orlikowski & Gash (1994) teknologiska ramverk som undersöker vilka antaganden, förväntningar och kunskaper människor utvecklar kring informationsteknologi.

(8)

3

2. Relaterad forskning

2.1 Artificiell Intelligens

Den tidigaste formen av artificiell intelligens (AI) kan spåras till 1840-talet och matematikern Lady Ada Lovelace som förutsåg en del av AI och dess grunder. Lady Ada Lovelace arbete fokuserade på symboler och logik och hennes intresse var av ren teknisk natur. Lady Ada Lovelace redogjorde för många av grunderna av modern programmering och skissade på en analytisk maskin vars principer kan likställas med en digital dator (Boden, 2016). År 1936, 100 år senare, visade Alan Turing på att i princip alla möjliga beräkningar kan utföras av ett matematiskt system som nu benämns en ”Universell Turingmaskin”. Detta imaginära system bygger och modifierar kombinationer av binära symboler representerade som "0" och "1". Alan Turing tillbringade sedan resten av 1940-talet med att arbeta på hur Turingmaskinen kunde realiseras och hur en sådan konstruktion kunde tillämpas för att utföra intelligenta beräkningar (Boden, 2016). Alan Turing till skillnad mot Lady Ada Lovelace förutsåg båda målen för AI; Alan Turing ville att de nya maskinerna skulle kunna tillämpas för användbara uppgifter baserat på intelligens men även modellera de processer som förekommer i människan och dess biologiskt baserade sinnen (Boden, 2016).

Målet med AI kan således beskrivas genom att försöka ge datorer färdigheter att utföra uppgifter likt den mänskliga hjärnan (Boden, 2016). Färdigheterna i sig kan tolkas både som intelligenta samt icke-intelligenta men samtliga stöds av psykologiska förmågor som perception, association och planering (Boden, 2016; Huang & Rust, 2018). Dessa är även förmågor som gör det möjligt för människan att uppnå sina mål. Intelligens är vidare inte endimensionellt utan innebär en bred och strukturerad kapacitet för informationsbehandling.

AI-tillämpar därför många varierande tekniker för att utföra olika uppgifter. Praktiska tillämpningar av AI återfinns idag i hemmet, bilen, kontoret, banken, sjukhuset och på internet (Boden, 2016; Iansiti & Lakhani, 2020)

AI sammankopplas främst med datorer, dock kan AI med fördel tolkas som virtuella maskiner som kan få saker att hända både inuti ett system och i omvärlden (Boden, 2016). En virtuell maskin beskrivs som ett informationsbehandlingssystem som en programmerare har i åtanke när denne skriver ett program och som människor har i tanke när den används (Boden, 2016). Virtuella maskiner i allmänhet består av informationsbehandling som finns på olika nivåer och varierande typer av extern information tillämpas. Ett AI-system behöver därav input- och output enheter likt ett tangentbord och en skärm men inkluderar även ofta specialsensorer. AI-program ansluter sedan till och orsakar förändringar i dessa gränssnitt samt bearbetar information internt. AI-processer inkluderar även vanligtvis interna input- och output enheter, vilket möjliggör för de olika virtuella maskinerna inom systemet att interagera med varandra. (Bodén, 2016). Hur informationen bearbetas beror på hur den virtuella maskinen utformats men det finns fem huvudtyper av AI bland annat klassisk eller symbolisk AI, artificiella neurala nätverk samt evolutionär programmering (Boden, 2016).

Programmerare använder ofta bara en metod, men hybrider av virtuella maskiner kan även

(9)

4

förekomma. Utveckling inom fältet för AI kräver därför framsteg i att definiera och utveckla intressanta och användbara virtuella maskiner (Boden, 2016).

Vidare skapar AI möjligheter till värdeskapande inom organisationer (Joehnk., 2021). Med hjälp av AI kan organisationers produkter och processer förbättras samt informativ beslutsfattning underlättas till följd av de senaste decenniernas utveckling inom analys av big data. För att utvinna värdeskapande från AI behöver organisationer därför experimentera med tekniken samt skapa tillräcklig med erfarenhet för att tillämpa AI effektivt (Davenport, 2018).

Implementering av AI tenderar att misslyckas eller stöta på utmaningar när organisationer eller dess teknik inte är redo för den tillkommande förändring som AI medför (Davenport, 2018; Joehnk., 2021). För att uppnå värdeskapande och en lyckad implementation av AI behöver organisationer således frångå hypen. Organisationer behöver i stället anta ett långsiktigt perspektiv med stabila investeringar baserat på hur kapaciteten av AI kan matchas mot organisationens affärsprocesser (Davenport, 2018). Under det senaste årtiondet har det skett en framväxt av organisationer som formas efter att uppnå den fulla potentialen av AI vilket ökar möjligheterna till organisatoriska värdeskapande (Iansiti & Lakhani, 2020).

2.2 AI-Readiness

Under det senaste decenniet har digital teknik och i synnerhet AI kommit att bli en grundläggande faktor för hur organisationer utvecklas och konkurrerar (Benbya et al., 2021;

Sandberg et al., 2020; Wimelius et al., 2021). Som ett resultat av detta måste organisationer kontinuerligt utveckla och implementera nya teknologier för att bibehålla sin konkurrenskraft på marknaden (Wimelius et al., 2021). AI är således en bidragande drivkraft till transformation i dagens organisationer (Davenport, 2018) och kan ta sig till uttryck i varierande former (Wessel et al. 2020). Begreppet transformation används således i samband med förändringsarbete i organisationer och som vidare skapar förutsättningar för nya kompetenser och anpassningar av befintliga rutiner (Agrawal et al., 2019). Digital transformation är vidare ett begrepp med utgångspunkt i modern digital teknik och bidrar till nya sätt att skapa värde genom att strukturera processer samt identifiera utmaningar i organisationer (Wessel et al., 2020).

De framsteg som skett inom teknologin under det senaste decenniet har således resulterat i att organisationer måste vara redo att hantera nästa våg av digital transformation och tillämpning av artificiell intelligens (AI) (Pillai & Sivathanu, 2020). Det är vidare bekräftat att digital transformation och tillämpning av AI (Holmström, 2021) underlättar informativ beslutsfattning (Davenport, 2018). Underlättande av beslutsfattning har vidare varit ett av de viktigaste tillämpningsområdena i AI:s historia (Duan., 2019).

Implementation av AI skiljer sig dock från andra tekniker (Joehnk., 2021). Därför behöver organisationer skapa förståelse för organisationens grundläggande förutsättningar för att implementera samt tillämpa AI-tekniker, vilket benämns som organisationens AI-Readiness (Joehnk., 2021).

Denna form av bedömning sker på en operationell nivå och redogör för organisationens nuvarande adoptionsförmåga av AI samt det eftersträvade syftet med implementeringen (Joehnk., 2021). Denna bedömning av adoptionsförmågan kan ske genom teoretiska

(10)

5

tillvägagångssätt men genom empiriska utvärderingsverktyg kan organisationer uppnå en mer exakt bedömning av hur AI ska användas (Hernández-Orallo et al., 2017). Det har således uppkommit plattformar för utvärdering av AI som underlättar arbetet i att introducera nya AI- miljöer (Hernández-Orallo et al., 2017).

En implementation av AI är dock synonymt med hög komplexitet och skiljer sig därför från andra digitala tekniker som är lättare att använda och distribuera (Joehnk et al., 2021).

Detta förklaras genom att AI kräver samordning mellan flera områden (Gallivan, 2001)^. Vidare tenderar AI-modeller att sakna transparens vilket innebär att beslutsprocessen osynliggörs för användare och ibland även för systemets utvecklare. Resultatet av AI-modellen kan därför komma att bli svår eller till och med omöjlig att förklara (Lipton, 2018).

Komplexiteten medför således både tekniska och icke-tekniska utmaningar uppstår inför och under implementeringen av AI (Joehnk et al., 2021).

Därav finns ett behov av att tillämpa en socioteknisk organisationsdesign vid implementationen som kräver samordning och anpassning mellan användare och AI (Pääkkönen et al., 2020). Ett sociotekniskt synsätt innebär att uppmärksamhet måste riktas mot både de tekniska artefakterna och de individer som utvecklar och använder artefakterna i det sociala sammanhanget (Briggs et al., 2010). Människan är därför en faktor som påverkar organisatorisk AI-användning (Salovaara et al., 2019). AI kan därför inte betraktas som en

"plug-and-play"-teknologi som tillämpas utan samordning och anpassning. En organisation som väljer att tillämpa AI behöver därför en tydlig implementeringsstrategi som tar hänsyn till hela spektrumet av användare då AI:s påverkan bland användare kan variera (Asatiana et al., 2021).

Ett välgrundat och bearbetat beslut i en organisation ökar således sannolikheten för en framgångsrik tillämpning av AI och dess möjlighet till värdeskapande. Genom att beräkna på befintliga tillgångar, förmågor samt förändringsbenägenhet kan organisationer bedöma nivån på AI-Readiness (Joehnk., 2021). När en organisation kan göra denna bedömning på korrekt sätt och därefter tillskansa sig värdefulla slutsatser minskar även risken för eventuella barriärer (Joehnk., 2021).

2.3 Digital transformation via AI inom skogsindustrin

Digitalisering och artificiell intelligens (AI) är en bidragande drivkraft till transformation i dagens organisationer (Magistretti et al., 2019). Digital transformation inom skogsindustrin är dock synonymt med en rad utmaningar (Holmström, 2020). De utmaningar som identifierats för digital transformation inom skogsindustri förklaras genom varierande nivåer av digital mognad samt en brist på dataflöde genom hela värdekedjan (Holmström 2020). Det saknas även kvalificerad kunskap för att hantera ny digital teknik (White et al., 2016) samt att nivån på serviceinnovation är låg (Holmström, 2020).

Vidare finns det utmaningar som är kopplade till skogsindustrins tekniska system och dess robusthet samt tillförlitlighet (White et al., 2016). Några särskilt utmanande områden är sensoranvändning i den yttre miljön, trådlös överföring av data via satelliter och mobilnät (Castonguay & Gingras, 2014) samt skogens komplexitet i sig (Müller et al., 2019) då den spänner över stora landmassor (Holmström, 2020). Datainsamling och hantering av data har

(11)

6

även visat sig vara en stor utmaning inom skogsindustrin när det kommer till fjärranalysapplikationer som skapar digitala bilder av skogen (Müller et al., 2019). De största tekniska utmaningarna inom skogsindustrin är således relaterade till systemens precision och tillförlitlighet, tillgänglighet av driftsäkra nätverk samt kostnadsrelaterade aspekter (Müller et al., 2019). Det finns därför ett stort behov av att utvärdera branschen teknik, förvaltning samt arbetssätt för att förbättra skogsdriftstekniska system (Borz et al., 2017).

Skogsindustrin domineras även av en traditionell värdekedja, vilket innebär att många aktörer inom denna bransch jobbar i ett slutet innovationsparadigm (Nylén & Holmström, 2011). En traditionell värdekedja kännetecknas således av interna organisationsprocesser samt att relationer mellan organisationer är statiska (Capgemini, 2015). Detta traditionella tillvägagångssätt för värdeskapande har präglat affärsrelationer inom skogsindustrin under årtionden vilket har resulterat i en begränsad förmåga att se bortom den befintliga värdekedjan (Nylén & Holmström 2011). Branschens traditionella tillvägagångssätt och organisationskultur skapar således utmaningar i arbetet att bli mindre beroende av manuella processer (Holmström, 2020) när digital teknik tar en aktiv och ledande roll (Nylén & Holmström, 2011).

Den traditionella organisationskulturen samt teknikens bakomliggande komplexitet (Hallinan & Striphas, 2014) medför vidare bristande tillit till digital information (Holmström, 2020) samt minskad förståelse för hur konkurrensfördelar ska uppnås (Iansiti & Lakhani, 2020). En organisatorisk förändringsprocess via ny digital teknik innebär således utmaningar av både teknisk- och socioekonomisk karaktär (Chesbrough, 2010) som innefattar frågor om förändrade arbetsmiljöer och förändringsstödjande beteenden från de berörda (Müller et al., 2019)

En förändrad arbetsmiljö kan vidare resultera i motstånd eller förnekelse av de som berörs av förändringsprocessen (Lööw, 2009). Organisationskulturen har således en stor inverkan på förändringsarbete (Davinson, 2002) som representerar vanor och värderingar i organisationer (Laudon & Laudon, 2018). Medarbetare som har övergripande förståelse för förändringsarbetet är dock mindre benägna att motsätta sig förändringen (Oreg, 2007).

Kommunikation och delaktighet är därför viktiga aspekter som kan påverka anställdas benägenhet att utföra förändringsstödjande beteenden (Jimmieson et al., 2008).

De stora utmaningarna med digital transformation via AI är således inte enbart kopplade till den digitala tekniken i sig utan även hur den nya organiationsmiljön ska navigeras (Manyika & McAfee, 2014). Organisationer inom skogsindustrin behöver därför utveckla nya kunskaper om hur digital transformation via AI påverkar i en större kontext (Holmström, 2020) då det är svårt att förutspå utveckling och adoptionsförmåga av nya digitala tekniker (Borz et al., 2017).

(12)

7

3. Teoretiskt ramverk

I denna studie har vi valt att tillämpa Orlikowski & Gash (1994) teknologiska ramverk. Med hjälp av detta ramverk kan vi undersöka vilka barriärer som kan försvåra tillämpning av AI- tekniker inom skogsindustrin.

Det teknologiska ramverket är ett konceptuellt ramverk som avser att undersöka vilka antaganden, förväntningar och kunskaper människor utvecklar om informationsteknologi (Orlikowski & Gash, 1994). Ramverket präglas av ett socio-kognitivt perspektiv då en förståelse för människans tolkningar av teknik är en avgörande faktor för att förstå dennes efterföljande handlingar mot den.

Orlikowski & Gash (1994) beskriver begreppet ramar som människans definition av en organisatorisk verklighet och fungerar som ett verktyg för förståelse och handling. Människor tenderar att dela denna definition med andra inom organisationen som de har ett nära samarbete med. Detta till följd av att social interaktion och ett nära samarbete över tid tenderar att resultera i en utveckling av liknande uppfattningar hos individer (Orlikowski & Gash, 1994).

Individens grupptillhörighet inom en organisation har vidare en inverkan på hur denne tolkar informationsteknologi och vilka teknologiska ramar som uppstår (Orlikowski & Gash, 1994). De teknologiska ramarna kan således skilja sig åt mellan olika grupper inom en organisation och via ramverket kan karaktären och omfattningen av dessa skillnader belysas.

För att belysa dessa skillnader tillämpas det teknologiska ramverkets tre kategorier Teknologins natur, Teknologisk användning och Teknologiska strategier (Orlikowski & Gash, 1994).

Teknologins natur syftar till att belysa den enskilde individens förväntningar på den aktuella tekniken (Orlikowski & Gash, 1994). Denna kategori används vidare för att identifiera förväntningar och kunskaper som varje enskild individ använder för att förstå tekniken i en organisation. Detta inkluderar inte enbart teknologins natur i sig, utan specifika förhållanden och konsekvenser som kan uppstå i samband med den aktuella tekniken i ett specifikt sammanhang (Orlikowski & Gash, 1994). Teknologi är sociala artefakter, därför behöver organisationer betona den sociala karaktären hos tekniken för att skapa en djupare förståelse för den enskilde individens förväntan på tekniken (Orlikowski & Gash, 1994). Forskning inom kognitiv sociologi har påvisat att människor tenderar att närma sig nya föremål i termer av det gamla. Detta antagande kan även tillämpas på människor som möter ny teknik (Orlikowski &

Gash, 1994). Detta betyder att individer som använder ny teknik och därmed saknar information om dessa, kommer använda sig av befintlig kunskap för att hantera tekniken (Orlikowski & Gash, 1994). Denna kategori belyser således den enskilde individens förväntningar och nivå på kunskap gällande teknikens syfte, roll och betydelse. Detta kan komma att påverka valet av teknologins design och användningsområde (Orlikowski & Gash, 1994).

Teknologisk användning syftar till att belysa människans förståelse för hur tekniken ska användas samt förhållanden och konsekvenser som är förknippade med användningen (Orlikowski & Gash, 1994). För att kunna använda tekniken på ett korrekt och effektivt sätt

(13)

8

krävs det således att användaren vet hur tekniken ska användas. Denna kunskap förvärvas vidare genom utbildning (Orlikowski & Gash, 1994).

Teknologiska strategier syftar till att belysa uppfattningen kring varför det sker en implementering av den valda tekniken i organisationen. Detta inkluderar således förståelsen för motiveringen eller visionen bakom beslutet att implementera tekniken och dess värdeskapande för organisationen (Orlikowski & Gash, 1994).

3.1 Inkongruens och kongruens

Inom organisationer finns det vanligtvis ett antal kritiska grupper vars handlingar kommer att påverka processer och resultat av implementation av ny teknik. Om dessa kritiska grupper delar en överensstämmelse kring de förväntningar, antaganden och kunskaper som finns om informationsteknologi uppstår kongruens (Orlikowski & Gash, 1994).

Om det dock uppstår en in-kongruens till följd av signifikanta skillnader mellan teknologiska ramar bland primära grupper kan detta resultera i att implementering av ny teknik inom organisationen försvåras (Orlikowski & Gash, 1994).

Genom att analysera in-kongruensen bland gruppernas teknologiska ramar skapas ytterligare en dimension (Orlikowski & Gash, 1994). Denna dimension kan förklara och förutse effekter av informationsteknologi som inte kan åskådliggöras genom strukturella aspekter inom organisationen.

3.2 Det teknologiska ramverket i relation till AI-Readiness

Implementering av AI är komplext, därför måste organisationer besitta kunskap och förståelse för den aktuella adoptionsförmågan av AI. (Joehnk., 2021). Denna förståelse skapas genom att organisationer beräknar på nuvarande tillgångar och bedömer därefter nivån på adoptionsförmågan av AI. När en korrekt bedömning utförs minskar detta risken för kommande utmaningar samt att det skapar förutsättningar för värdefulla slutsatser och underlättar i beslutet om mottagandet (Joehnk., 2021). Med hjälp av rätt utvärderingsverktyg kan organisationer skapa sig en grundlig förståelse för hur AI ska användas och skapa organisatoriskt värde (Hernández-Orallo et al., 2017).

För att skapa en förståelse för vald organisations AI-Readiness anser vi således att (Orlikowski & Gash, 1994) teknologiska ramverk är ett bra analysverktyg att tillämpa. Via kategorin Teknologins natur kan vi skapa oss en bild av de primära gruppernas tolkningar av AI:s syfte, roll och betydelse. Kategorin Teknologisk användning kan vidare ge oss en förståelse för hur AI tillämpas i organisationen samt konsekvenser förknippade med dess användning. Den tredje kategorin Teknologiska strategier kan slutligen ge oss en uppfattning kring varför det sker en implementering av den valda tekniken i organisationen. Genom att undersöka människors tolkningar med hjälp av dessa kategorier kan signifikanta skillnader mellan grupperna uppmärksammas (Orlikowski & Gash, 1994) som vidare kan utgöra barriärer för AI-Readiness.

(14)

9

4. Metod

Denna studie avser att identifiera barriärer som kan försvåra tillämpning av AI-tekniker inom skogsindustrin. Vi anser därför att det lämpar sig att använda Interpretativ fenomenologisk analys (IPA) som metodansats och vidare utföra en fallstudie med semistrukturerade intervjuer. Valet av en kvalitativ metodansats med semistrukturerade intervjuer för datainsamling motiveras av att individens uppfattning kring en specifik situation ska fångas (Fejes & Thornberg, 2019). Vi anser att semistrukturerade intervjuer är ett bra tillvägagångssätt, då metodvalets karaktär låter oss anpassa intervjufrågorna efter varje enskild respondent. Detta kommer således ge oss en subjektiv uppfattning kring de vi avser undersöka (Fejes & Thornberg, 2019). Denna metod ger forskningsstudien validitet då metoden är väl beprövad samt skapar förutsättningar för en välordnad arbetsgång.

4.1 Fallstudie

Valet av att utföra en fallstudie på en organisation inom skogsindustrin motiveras av att vi avser undersöka organisationers förmåga att tillämpa AI. I en fallstudie fokuserar forskaren på en specifik person, situation eller institution där de informella intervjuerna är viktiga källor till information (Kvale & Brinkmann, 2014). Utgångspunkten i en fallstudie är intervjupersonerna och deras beskrivning som skildras med avseende aspekter som är intressanta för studien. I vår studie är vi intresserade av att belysa olika uppfattningar om AI utifrån aktuella respondenter med avseende på olika aspekter inom den valda organisationen. Dessa intervjupersoner har således skapat sammanhanget för resultatet i studien (Sohlberg &

Sohlberg, 2019).

4.2 Forskningsetik

Studien bygger på god forskningssed, då samtliga respondenter mottagit information om att studien följer de forskningsetiska principernas fyra krav; informationskravet, samtyckeskravet, konfidentialitetskravet samt nyttjandekravet. Inför varje intervju har deltagarna således mottagit ett mail med ovanstående information samt information om studiens syfte (Kvale & Brinkmann, 2014). Samtliga respondenter har även delgivits information om att medverkan i studien är frivillig och kan avbrytas. Om en respondent väljer att avsluta sin medverkan kommer det insamlade materialet att avlägsnas och vidare uteslutas i resultatet. Respondenten kommer inte under några omständigheter ombes att fortsätta medverka mot sin vilja. Respondenternas anonymitet kommer även att upprätthållas och behandlas genom det transkriberade intervjumaterialet. Inget av det insamlade materialet kommer att användas i andra ändamål än i denna studie (Vetenskapsrådet, 2017). Det forskningsetiska fältet är stort och vidare icke dynamisk på grund av den existerande mängden lagar, riktlinjer och yrkesetiska regelverk (Vetenskapsrådet, 2017). Därför har det varit av största intresse att eftersträva god forskningssed.

(15)

10

4.3 Datainsamling

På grund av den rådande situationen med Covid-19 med tillhörande restriktioner valde vi att utföra semistrukturerade intervjuer på distans via videokonferensverktyget Zoom. Via zoom hade vi ett första möte med aktuell kontaktperson på vald organisation där ämnet och ramarna för studien fastslogs. Kontaktpersonen hänvisade oss sedan till ett antal respondenter med olika roller och kompetenser inom organisationen som ansågs vara aktuella för studien. IPA forskning utgår således från en homogen och ändamålsenlig grupp med färre antal informatörer (Fejes & Thornberg, 2019).

Vi har valt en kvalitativ metodansats med semistrukturerade intervjuer för datainsamling då vi avser att skapa oss en fördjupad kunskap kring individens upplevelse i en speciell situation. IPA analysen är såldes en metod för ideografisk inriktning där forskaren vill åt betydelser som människan tillskriver olika händelser och som vidare är ett resultat av samspelet mellan aktörerna i den sociala världen (Fejes & Thornberg, 2019). IPA analysen tillåter även tolkningar som behandlar individuella och delade erfarenheter samt perspektiv och förklaringar (Fejes & Thornberg, 2019).

I en kvalitativ forskningsintervju produceras kunskap socialt i ett samspel mellan intervjuare och intervjuperson (Kvale & Brinkmann, 2014). För att skapa goda förutsättningar inför intervjuerna har vi därför utfört en noga analys av intervjumaterialet. Då respondenterna tillhör samma organisation men besitter olika roller har vi därför anpassat intervjumaterialet därefter. I en kvalitativ metod med semistrukturerade intervjuer är det viktigt att formulera frågorna på så vis att respondenterna känner sig bekväma (Kvale & Brinkmann, 2014). Vi tydliggjorde även för respondenterna att det inte finns något rätt eller fel svar utan att vi ville åt dennes åsikt (Kvale & Brinkmann, 2014).

Intervjumaterialet är utformat efter Orlikowski & Gash’s (1994) teknologiska ramverk och dess tre kategorier som representerar ett antal teman för att fånga olika tolkningar om AI utifrån olika abstraktionsnivåer. Dessa kategorier med tillhörande intervjufrågor avser således skapa ett underlag för att belysa en uppfattning (Fejes & Thornberg, 2019). De semistrukturerade intervjufrågorna är utformade så att dessa är breda i sin karaktär. Den inledande frågan är bred i sin karaktär och tillhörande följdfrågor är mer specifika (Kvale &

Brinkmann, 2014).

Samtliga 13 intervjuer genomfördes enskilt med båda författarna medverkande. Efter godkännandet av inspelningen från respondenten intervjuades respondenten av en författare medan den andre verkade i en mer passiv roll. Under intervjun valde vi även att fokusera mer på att lyssna än att skriva. Detta för att vara mer närvarande i samtalet och vidare vara uppmärksam på uttryck från respondenten som kunde nyansera dess svar. Vi ansåg även att detta tillvägagångssätt skulle resultera i mer givande följdfrågor. Samtliga intervjuer varade i cirka 30 minuter (Se tabell. 1).

(16)

11

Respondenter Arbetsroll Samtalslängd

Respondent 1 Ledare 31:28

Respondent 9 Användare 21:41

Tabell 1. Respondenter från organisation i skogsindustrin

4.4 Dataanalys

Efter varje avlutad intervju transkriberade vi det inspelade materialet som även numrerades för att lättare urskilja respondenterna åt. Att transkribera en muntlig intervju innebär vidare en transformation av materialet från en form till en annan (Kvale & Brinkmann, 2014) och i vårt fall från ljud till text. Under transkriberingen noterades även det angivna klockslaget för varje enskild intervjufråga. Syftet med detta har varit för att underlätta i navigeringen av texten om vi behövt gå tillbaka i texten för att lyssna på en specifik intervjufråga. Vi tillämpande även denna strategi vid ett signifikant svar eller citat som vi reagerade på under transkriberingen.

Efter avslutad transkribering valde vi att diskutera svaren tillsammans. Detta för att lyfta eventuella frågor eller diskutera svar som vi ansåg vara betydelsefulla för studien.

I analysen av det transkriberade intervjumaterialet har vi tillämpat en abduktiv metodansats då vi rört oss mellan det teknologiska ramverket och vår empiri i närmandet av intervjumaterialet (Sohlberg & Sohlberg, 2019). Vi har även läst det transkriberade intervjumaterialet med utgångspunkt från vår förståelse och därefter tolkat texten (Fejes &

Thornberg, 2019). I utformningen av analysen använde vi oss vidare av en iterativ process som betyder att vi upprepade läsningen av data för att skapa ny förståelse för den (Fejes &

(17)

12

Thornberg, 2019). Denna cirkulära process genererade således nya upptäcker och idéer som vi senare använde i utformningen av analysen.

I en inledande fas av analysen kodade vi data för att hitta beskrivande mönster från samtliga respondenter som vi senare reflekterat över i förhållande till det teknologiska ramverkets tre kategorier. Under denna process deltog båda författarna där vi även diskuterade de mönster som vi fann under kodningen av data. Detta för att skapa oss en överblick samt uppfattning kring den data vi samlat in. I denna process fann vi även nyckelbegrepp och citat som vi tillsammans har resonerat oss fram till. Dessa nyckelbegrepp och citat presenteras vidare i resultatet samt analysen (Se tabell. 2).

Totalt kodades 231 textsegment från datamaterialet vilket var en tidskrävande process men bidrog till att författarna gjorde sig bekanta med materialet vilket har underlättat i vidare analys. I ett nästa steg delades respondenterna upp i två grupper i linje med Orlikowski & Gash (1994) teknologiska ramverk. Dessa två grupper valde vi att benämna som ledare och användare inom organisationen. Därefter separerade vi uppfattningarna till lika de beskrivande mönster som vi funnit från respondenter i vardera grupp under det teknologiska ramverkets tillhörande tre kategorier. Genom att separera uppfattningarna från de två grupperna skapades ett underlag för att analysera samt identifiera eventuell inkongruens mellan de två grupperna. De två gruppernas uppfattningar jämfördes sedan mot varandra inom ramverkets respektive tre kategorier.

4.5 Metoddiskussion

Via en fallstudie har vi kunnat undersöka rådande uppfattningar och tillämpning av AI i en specifik miljö kopplat till skogsindustrin. Studiens respondenter har således varit en avgörande källa till information samt bidragit till en djupare bild av ämnet. Som en konsekvens av studiens omfattning anser vi att en fallstudie var lämplig då denna forskningsstrategi fokuserar på en specifik person, situation eller institution (Kvale & Brinkmann, 2014).

Fallstudiens begränsning är dock att metoden inte fångar ett bredare perspektiv från varierande organisationer.

Under rådande omständigheter fick vår studie och metod anpassas efter föreliggande restriktioner om sammankomster. Som en konsekvens av restriktionerna har intervjuerna med studiens respondenter arrangerats på distans via videokonferens verktyget Zoom. Att arrangera intervjuer digitalt erbjuder författare och respondenter en flexibilitet till följd av att respondenten kan medverka oberoende av geografisk position. Därav kunde respondenter från hela Sverige medverka för intervju vilket hade varit utmanande om intervjuerna utförts på plats. Vidare erbjöd videokonferens verktyget Zoom möjlighet att avläsa respondenternas kroppsspråk och ansiktsuttryck vilket inte skulle vara möjligt om intervjun utfördes via telefon.

Att avläsa kroppsspråket är avgörande vid kvalitativa forskningsmetoder (Kvale & Brinkmann, 2014) dock kan intervjuer via Zoom inte likställas med aspekter och nyanser som ett fysiskt möte medför.

Valet av semistrukturerade intervjuer visade sig vara lämplig för studien då intervjuns följdfrågor fångande en bredare uppfattning kring ämnet. Genom att tillämpa semistrukturerade intervjuer kunde vi även anpassa intervjun efter varje enskild respondent

(18)

13

och dess bakgrund. Intervjuguidens tillhörande tre kategorier gav vidare intervjun en objektiv karaktär som var nödvändig för studiens dataanalys.

Vid fortsatt analys anser vi att intervjumaterialets karaktär kan skapa oklarheter kring frågeställningarnas innebörd. Detta resulterade i att vi fick tydliggöra för frågeställningarna så att respondenten förstod vad som efterfrågades. Respondenterna uppfattade vissa av intervjufrågorna som snarlika vilket resulterade i att vissa svar blev densamma. Efter ett antal intervjuer upplevde vi även en mättnad gentemot respondenternas svar. Vår analys av detta bygger på att vi intervjuade en relativt homogen grupp i förhållande till respondenternas roller inom organisationen. Om fler respondenter från olika arbetsroller deltagit i studien hade vi fått en bredare och mer nyanserad bild av ämnet.

(19)

14

5. Resultat

I följande avsnitt kommer studiens resultat att presenteras. Via Orlikowski and Gash (1994) teknologiska ramverk har två grupper lokaliserats inom organisationen vilka vi benämner som ledare och användare. Svaren från studiens respondenter är uppdelade efter dessa två grupper och vidare kategoriserade i enlighet med ramverkets tre kategorier; Teknologins natur, Teknologisk användning och Teknologiska strategier. Teknologins natur presenterar gruppernas tolkning av AI:s syfte, roll och betydelse. Teknologisk användning presenterar hur AI tillämpas i organisationen samt utmaningar som kan vara kopplade till användningen.

Teknologiska strategier presenterar gruppernas uppfattning kring motiveringen eller visionen bakom beslutet att implementera tekniken samt dess värdeskapande för organisationen.

5.1 Ledare

5.1.1 Teknologins natur

Den generella bilden av AI inom ledargruppen är maskinintelligens på olika nivåer som underlättar i beslutsfattande processer samt i uppgifter som är återkommande och repetitiva.

Det finns även en uppfattning om att AI är digitalisering respektive en dator som kan bidra till att förenkla och hjälpa till i vardagen. Vidare har samtliga respondenter i ledargruppen tidigare erfarenheter av att jobba med digitala verktyg men att graden av erfarenhet skiljer sig åt i gruppen.

Inom denna grupp finns en varierad uppfattning kring vilka AI-verktyg som tillämpas inom organisationen. Det finns dock en överhängande gemensam uppfattning om att AI används som beslutsstöd för att identifiera insekts-skadad skog. Det nämns även att organisationen har ett utvecklingsprojekt som arbetar med att skogsmaskiner ska bli del-autonoma. Vidare ger respondenterna exempel på att AI tillämpas via robotar som underlättar administrativt arbete, verktyg som identifierar insektsskadan skog, markfuktighetskarta samt en modell som räknas träd och avvikande skog.

Det finns en överhängande gemensam uppfattning kring varför organisationen valt att investera i AI i ledargruppen. Detta är för att effektivisera och underlätta i arbetsprocesser samt eliminera arbetsuppgifter som hämmar motivation och inspiration. Genom den mängd data som organisationen har att tillgå kan effektivisering uppnås av AI men även hjälpa privata markägare samt möjliggöra för nya affärsmodeller menar ett antal respondenter.

“Det handlar ju om att det nu finns god tillgång till mycket data... Det har liksom ökat mer och mer… Det är liksom det som har gjort det möjligt.” - Respondent 3

Ledargruppen anser vidare att investeringar i AI är en del av organisationens strategi. Vilket förklaras av en respondent att AI är en ny teknik och att det finns potential för organisationen att skapa värde från den tekniken.

(20)

15

“Jag tänker att det är en del av organisationens strategi... Man har sett och förstått att det är en hypad grej, jag tror också det är något som kommer få en central plats i de flesta organisationer och där behöver vi ta oss in på den resan också.” - Respondent 4

Det finns således en positiv inställning till AI i organisationen inom ledargruppen. Detta förklaras av att det finns en tilltro till AI:s potential samt att det finns en framtidstro gentemot AI.

“Bra... Dom som vi jobbar med är bra... Men det man inte tänker på… Det skapar en motivation och ett engagemang hos våra medarbetare att se att den här utvecklingen sker.” - Respondent 7

Dock har fokus riktats mer mot den tekniska biten och mindre fokus på slutanvändaren.

Respondenterna menar därför att organisationen har mycket kvar att lära men även mycket att vinna på genom att utveckla sina kunskaper.

“Det har inte varit så mycket involvering av dom... Användarna... I dom produkterna... Det har mest varit fokus på att lösa det tekniska... Så att koppla ihop det hela vägen... Där har vi mycket att lära och mycket att vinna på.”

- Respondent 4

“Så här långt är de mer rådgivande. Finns fortfarande ett moment kvar för användaren att kunna göra analysen... Där har vi en bit kvar och det gör ju att användbarheten inte är 100.” - Respondent 2

De utmaningar som nämns är kopplade till AI:s komplexitet enligt en respondent. Vidare förklarar en annan respondent att det är svårt att samla in bra data som kan utgöra underlag till AI-modeller. En respondent från ledargruppen uttrycker dock att det är svårt att uttala sig om AI:s funktionalitet och användbarhet då respondenten inte tillämpat organisationens AI- verktyg. Samtliga respondenter i den ledargruppen medger således att de inte använder AI i nuvarande arbetsuppgifter men att AI används på andra sätt som inte är direkt kopplade till arbetsuppgifterna.

Inställning bland respondenterna gällande en ökad teknologianvändning inom organisationen är vidare genomgående positiv. En ökad teknologianvändning är således avgörande för att hänga med i den utveckling som sker i samhället enligt respondenterna.

Detta förklaras av en respondent som menar på att det finns stor potential inom all typ av digitalisering och AI som bidrar till ökade konkurrensfördelar.

“Jag tycker att det är positivt. Vi behöver helt klart gå den vägen... Jag tror vi behöver hitta nya sätt att arbeta med den typen av utveckling... Det är en

(21)

16

konkurrenskraft i det också... vi behöver vara bra på det spåret... Och att vi behöver bredda oss inom den typen av teknisk kompetens...” - Respondent 4

“Absolut positivt... Jag tror att det finns stor potential inom all typ av digitalisering och AI... Jag tror att det ligger i... Det finns en hel del som kan hjälpa och effektivisera... ” - Respondent 8

En respondent menar dock att en ökad teknologianvändning kan resultera i en känsla av oro och att arbetstillfällen kan hotas. En annan utmaning i samband med en ökad teknologianvändning handlar om kultur och att organisationen måste hitta nya arbetssätt för att hantera denna typ av utveckling menar vissa respondenter.

“Jag tycker att det är jättebra. Jag tror att det kan finnas blandade uppfattningar om det i vår organisation. Vi är ju alla unika individer med olika grad av trygghetskänsla och förmåga att ta till sig förändringar.” - Respondent 1

“Jag tror inte att det finns ett tekniskt bekymmer... Min utmaning ligger inte i tekniken att kunna den... Det tror jag vi kommer lösa... Jag tror att det är mer av en kulturförändring...” - Respondent 3

5.1.2 Teknologisk användning

De förväntningar som uppstod i samband med introduktionen av AI i organisationen var kopplade till bättre beslutsfattning samt effektivisering av arbete genom automatiserade processer anser respondenterna i ledargruppen.

“Att våra beslut ska bli bättre... Agera snabbare, att vi kan fatta bättre beslut”

- Respondent 3

”Förväntningar... Få effekt av de investeringar som vi gör. En stor effekt av att låta en dator göra det vi gjort manuellt tidigare.“ - Respondent 6

Vid introduktionen av AI uppstod även orosmoment som var kopplade till bristande kompetens gentemot AI samt en oro kring organisationens kultur och dess förmåga att hantera ny teknik.

“En farhåga är att vi inte har den kompetens och den förändringskultur i företaget som gör att vi lyckas.” - Respondent 7

“Mina farhågor är att det liksom inte fungerar tillräckligt bra om det liksom går fel... Att det inte kan skapa det värdet. Att inte förstår det vi räknat fram, att man inte litar på det.” - Respondent 2

(22)

17

Det fanns även en uttalad oro om bristande förtroende gentemot AI på grund av dess komplexitet som vidare kan bidra till systematiska fel. Introduktionen av AI resulterade även i en oro kring att AI skulle ersätta befintliga arbetsuppgifter.

“Det finns alltid en farhåga när man ersätter mänskliga manuella moment med digitala eller AI att vi blir färre... Vi kan se det i vårt förändringsledningsarbete är det viktigt att bemöta... Att man är tidig och bemöter de farhågor som kan finnas på individnivå... “ - Respondent 7

Vidare finns en delad uppfattning kring vilka färdigheter som behövs för att använda AI i den ledargruppen. Majoriteten av gruppen anser att användaren bör besitta viss IT-kompetens eller AI-kunskap men att detta inte ska vara avgörande för användandet.

“Min bild är att de som ska använda AI inte behöver vara väldigt kompetenta i AI... AI ska göra det enkelt för användaren... Man ska inte behöva förstå allting som är bakom.” - Respondent 1

Det ska således inte spela någon roll ifall personen i fråga besitter AI-kunskap i grunden anser vissa respondenter. En annan respondent beskriver att tillämpning av AI kan dock underlättas om användaren besitter egenskaper såsom nyfikenhet, öppenhet, samt kunna reflektera över och utmana gamla övertygelser.

Samtliga i ledargruppen menar vidare att inte finns någon generell kompetensutveckling inom ämnet för AI i organisationen. Dock har organisationen tillämpat extern kompetens för att utbilda specifika grupper inom AI för ett aktuellt ändamål. Generell kompetensutveckling inom AI är dock något som eftersträvas inom organisationen enligt vissa respondenter. Då respondenterna menar på att de i dagsläget förlitar sig på personer som besitter kunskap om AI samt lär sig genom samtal och möten med dessa.

I denna grupp finns en stark gemensam uppfattning om att det är möjligt att förändra organisationen via AI. Denna förändring är vidare något som behövs då organisationen härstammar från är en gammal och traditionell bransch enligt respondenterna.

“Ja. Det skulle jag vilja säga... Absolut... Det behövs... Det är en gammal bransch... Lite traditionell och så... Finns mycket att göra... Vi har mycket kompetens inom företaget... Folk är aktiva ute i skogarna... Borde ha en stor möjlighet med AI... Ta vara på den kunskapen som finns och översätta i någon form av AI.” - Respondent 5

En annan respondent menar även på att mängden data kommer utveckla organisationen genom bättre analyser av bättre kvalité varpå icke värdeskapande uppgifter kommer kännas mindre motiverade att utföra.

(23)

18

“Det kommer att förändra vårt sätt att arbeta, vår förmåga, kapacitet, vad vi kan åstadkomma, hur exakt vi kommer va, hur vi detaljerade och snabb vi kan vara... Jag ser inte att processen gör något helt annat, men själva sättet vi gör det på kommer ändras väldigt mycket... “ - Respondent 3

“Jo men det tror jag... Jag tror att AI kan förändra de flesta marknader. Så jag kan inte se varför skogsindustrin inte skulle förändras av AI. Det tror jag absolut.” - Respondent 4

Ett antal respondenter anser således att teknikens framfart skapar nya förutsättningar för förändrade arbetssätt men att de stora förändringarna dock är en bit bort.

5.1.3 Teknologiska strategier

Det finns en gemensam uppfattning om var idén om användningen av AI kommer ifrån. Detta förklaras av att organisationen besitter en stor mängd data som inte varit strukturerad.

“Vi insåg att vi hade väldigt mycket data. Vi pratade ihop en gruppering för mer insikt i data. I samband med detta blev AI en naturlig möjlighet.” - Respondent 2

Det har således funnits ett behov av verktyg för att strukturera information för att vidare kunna tillämpa informationen som beslutsstöd. Enligt en respondent blev AI således en naturlig del i utvecklingen av att bli bättre på att hantera befintliga data. Detta bekräftas vidare av en respondent som beskriver att det finns en tydlig digitaliseringsstrategi där AI är en viktig spelare.

Det finns vidare en gemensam uppfattning om att mottagandet av AI varit positiv i ledargruppen. Det finns även en uppfattning om att AI känns spännande och bra då AI kan ersätta administrativa moment. Det finns dock uppfattningar om att mottagandet av AI har visat på en viss skepticism som handlar om tillförlitligheten gentemot AI, rädslan att arbetstillfällen kommer att minska samt en väldigt stark kultur om att utföra praktiskt arbete.

Vidare menar en respondent att tillämpningsområdena för AI är många men kan främst tillämpas för att effektivisera repetitiva arbetsuppgifter samt underlätta arbete inom logistik, optimering och beslutsfattning. I ledargruppen anser merparten att de som arbetar på fält gynnas mest av AI medan en mindre skara anser att administrativt arbete gynnas mest av AI.

Det finns även en uppfattning om att AI gynnar allt arbete som innefattar hantering av stora mängder data samt där AI kan finnas som stöd för det operativa flödet.

“AI används i olika behov för flera målgrupper... Framför allt beslut som ska tas hos medarbetare. Beslut som kan göras bättre med hjälp av maskinintelligens...

Så de kan lägga mer tid på saker som kräver den mänskliga intelligensen.”

- Respondent 4

(24)

19

Det råder delade uppfattningar kring vilka som drar minst nytta av AI inom organisationen.

En respondent beskriver att AI kommer göra minst nytta i arbete som innefattar interaktion och mänskliga relationer samt känslor och upplevelser. AI är även svårt att tillämpa inom miljö och naturvård då det mänskliga ögat måste användas menar en respondent. Vidare tror samma respondent att IT-avdelningen och att administrativa stödfunktioner med få personer inte drar lika mycket nytta av AI.

Vidare benämns organisationens IT-strategi på olika sätt i ledargruppen. En respondent menar således att det finns olika strategier men att IT-strategin är en del av den digitala strategin och att den är i sin tur en del av organisationens strategi. En respondent beskriver även att det händer ganska mycket inom detta område samt att färdplanen för strategin bör uppdateras.

“Det finns en strategi... Färdplan... Men det händer ganska mycket på detta område... Mycket osäkra klossar... Färdplanen behöver uppdateras.”

- Respondent 8

Samtliga respondenter i denna grupp anser även att AI är en del av organisationens IT-strategi då AI beskrivs som en viktig del av den. Dock finns ingen uttalad strategisk plan för kompetensutveckling för AI-användning inom organisationen menar samtliga respondenter.

En respondent nämner däremot att det finns utvecklingsteam inom organisationen som arbetar med olika typer av tillämpningar för de som arbetar på fält. Respondenten menar vidare att det finns en plan för förändringsledning gällande innovation och digital transformation men att detta är i ett större perspektiv. Det råder även delade uppfattningar kring om respondenterna tagit del av dokument som beskriver regler och rutiner som är kopplade till IT-utrustning inom organisationen. En respondent som således har tagit del av dessa IT policy-dokument beskriver dock att dessa är utdaterade och att innehållet inte är något som organisationen kan efterleva i dagsläget.

“Jo det finns sådana dokument nu men dessa är har hängt med ett tag... Så här ska du använda tekniken... Hur ska du använda mobilen och så vidare... Lite mer så... Inget som jag känner att vi lever upp till dagligdags.” - Respondent 4

Respondenterna fick även möjlighet att beskriva sin version av en optimal användning av AI i organisationen framledes. Resultatet visar på att det finns en gemensam uppfattning av att AI kan bli en naturlig del av organisationens IT-system och arbetsflöden. Organisationens försörjning av data måste dock utvecklas och bli mer kontinuerlig samt kvalitetssäker för att uppnå denna optimala användning enligt en respondent.

“Vi är i en brytpunkt där vi relokaliserar, omfördelar resurser till andra, vi drar ner på det skogliga. Vi har ganska mycket om det redan i vår organisation... Vi vet rätt väl... Men vi vet mindre om hur vi ska vara relevanta i en omvärld när det gäller digitalisering, affärsmodeller, samarbete utanför skogsbranschen för

(25)

20

att komma snabbare framåt. Vårt utvecklingsområde… Där vi vill lägga resurser för att förstärka oss. “ - Respondent 1

En annan respondent nämner vidare vikten av att involvera slutanvändare i utvecklingen av AI-verktyg för att uppnå användarvänlighet av högre grad. Målsättningen med AI i organisationen framledes förklaras vidare av att information ska finnas att tillgå dygnet runt samt flöda genom hela organisationen på ett effektivt sätt. En respondent menar även att organisationen redan är aktiv inom ämnet och därför ligger i framkant.

“Vi får små exempel på att organisationen ligger i framkant när man jämför med andra företag. Det händer faktiskt att det kommer kollegor från andra företag och frågor hur vi gör... Ni verkar lyckas. Man märker att vi är mer aktiva inom det här området.” - Respondent 1

Digitalisering är således en viktig del av organisationens framtid menar en respondent som vidare beskriver att organisationen behöver utvecklas och anpassas därefter.

5.2 Användare

5.2.1 Teknologins natur

Samtliga respondenter i gruppen användare har tidigare erfarenheter av att använda digitala verktyg både i arbetet och privat. Att tillämpa digitala verktyg ute på fält i skogen är således inget främmande för respondenterna då GPS:er och digitala kartverktyg tillämpas som en stödfunktion för att utföra det dagliga arbetet.

Det råder dock delade uppfattningar bland användarna om vad AI innebär och hur det kan tillämpas. Bilden av vad AI innebär sammankopplas till allt från självkörande bilar, dammsugare till praktiska tillämpningar i respondenternas dagliga arbete inom skogen. Det råder dock en samsyn bland flera respondenter att AI kan användas för smarta praktiska tillämpningar samt som underlag till beslutsstöd.

Beskrivningen hur de nuvarande praktiska tillämpningarna av AI tar sig till uttryck inom organisationen skiljer sig åt bland respondenterna. Men flera respondenter ger exempel på att AI tillämpas som grund för ett analysverktyg för att identifiera skogsskador. Analysverktyget för att identifiera skogsskador är baserat på data från de som arbetar ute på fält har lokaliserat och registrerat. Analysverktyget har sedan programmerats för att identifiera liknande skador från satellitbilder. En respondent har vidare nåtts av information att ett projekt drivs inom organisationen för att utveckla AI-metoder i syftet att effektivisera och agera stödfunktion i traktplaneringskedjan. Dock så menar en respondent på att organisationen endast är i en uppstartsfas gällande AI-tillämpningar inom det praktiska fältarbetet och utvecklingsmöjligheterna är därför stora.

”Vi gör ju nästan ingenting med AI... Utifrån min synpunkt måste det utvecklas mycket mycket mycket mer” - Respondent 12

(26)

21

Varför organisationen har valt att investera i AI förklaras av respondenterna genom att AI ger en potential och möjlighet till att effektivisera arbetskedjor och arbetsmoment samt minimera kostnader. Att investera i AI är även en del i ledet för att organisationen ska ligga i framkant och utvecklas.

En respondent beskriver vidare att arbetet ute på fält har förändrats i linje med implementering av nya digitala hjälpmedel och ser implementeringen av AI som en naturlig utveckling av tidigare arbetsrutiner. Respondenten beskriver vidare att det är ett lyft att arbeta med mobiltelefoner och surfplattor då mycket mer information finns att tillgå i jämförelse med tidigare GPS:er som tillämpades. Att investera och tillämpa AI skapar även förutsättningar för att kvalitetssäkra arbetet då samtliga ute på fält kan arbeta efter samma underlag av information.

“Använder man AI så får man ju ganska lika tänk över hela företaget... Idag sitter det 300 personer och tycker olika... Men har man liksom en grund som är rätt...

Så tar man rätt beslut... På olika frågor...” - Respondent 12

Den generella uppfattningen om de nuvarande AI-verktygens funktionalitet är positiv bland respondenterna. Dock så menar flera respondenter på att vissa funktioner är bristfälliga som bidrar till AI-verktygen uppfattas vara i en uppstartsfas. En respondent beskriver att AI- verktygen har “barnsjukdomar” som tar sig till uttryck genom att verktygen kan ge indikation på att en skogsyta är skadad vilket senare efter kontroll inte visar sig vara korrekt. AI- verktygets funktionalitet är vidare beroende av internetuppkoppling varpå verktygen därför inte fungerar ute i samtliga skogsområden som inte täcks av 4G. Trots detta så finns det ett överseende att verktygen är en del av en ny teknik och att fel kan uppstå i början. Därför är en indikation alltid välkommen från verktygen enligt en respondent trots att det inte alla gånger är fullt korrekt.

”Jag tycker att det finns fel som blir i början... Det är ju väldigt nya grejer som jag håller på det... Då är det klart att det inte alltid blir rätt... Jag har ibland sprungit på lite väl mycket fel ytor om man säger här registrerar man en skada så kommer man dit sen är det inte en skada egentligen... lite väl mycket sånna kan man väl tycka...” - Respondent 9

Utmaningen blir således enligt en respondent att utveckla AI-verktygen så det blir tillräckligt bra så att användarna ser en nytta med verktygen. Detta till följd av att felaktig information och missvisande resultat kan resultera i frustration enligt respondenten. Vidare så beskriver en respondent att nuvarande AI-verktyg påverkas av långa uppdateringstider varpå det praktiska arbetet blir förhindrat och en frustration skapas.

(27)

22

“Vi hade ju en dag igår... Och en dag idag... Då systemet har legat nere... Och då är jag förhindrad alltså... Jag kan inte utföra mitt arbete... Så det är ju det som är negativt...” - Respondent 11

Flera användare ser dock potentialen i AI-verktyg och anser att det kommer att gagna branschen i framtiden och ser redan nu fler områden inom fältverksamheten där AI-verktyg kan tillämpas som stödfunktion.

”AI måste ju kunna utvecklas... Nu har vi haft snöbrott... Vi sitter ju själv ute och åker med skotrar för att leta områden... Hitta snöbrott... Det måste ju AI kunna fixa på “noll time”... ” - Respondent 12

Åsikten gällande den ökande teknikanvändningen inom organisationen är således övervägande positiv. Ökad teknologianvändning ses av den större andelen av respondenterna som en del i kedjan av utveckling och en övertygelse råder att det är vägen organisationen behöver vandra.

”Min åsikt är positiv... Vi måste ta klivet... Vi är ju en bransch... En gammal bransch... Skogsbranschen är historiskt sett traditionell och lite sådär gammal man gör som man alltid har gjort... Så ser det inte ut nu... För att hänga med i allt som händer i omvärlden så behöver vi vara på tårna så jag tycker att det är jättebra...” - Respondent 9

En respondent menar dock på att det går alldeles för sakta och att organisationen skulle kunna utvecklas mycket fortfarande inom det digitala. Det finns dock ett överseende av att det är en kostnad för organisationen att implementera ny teknik men respondenten understryker att det finns mycket teknologi som användarna i fältverksamheten skulle dra nytta av. En respondent beskriver därför sin vision att branschen kommer att utvecklas enormt mycket inom det digitala på en 5-10 års sikt.

5.2.2 Teknologisk användning

När respondenterna ser tillbaka på förväntningarna som fanns när AI introducerades inom organisationen så var förväntningarna genomgående i termer av effektivisering och tidsbesparingar. En respondent menar på att det fanns en förväntning att organisationen skulle kunna ta nästa steg med hjälp av AI. Dock uttrycker ett antal av respondenterna att det fanns en viss oro kopplat till de kommande AI-verktygens funktionalitet och tillförlitlighet i synnerhet om de skulle tilldelas organisationens kunder.

“Det har väl vart lite att det ska slå så pass fel... Vad kan man säga... Fiasko är hårt ord... Men man delar ut det här till våra kunder sen inser dom att det här är helt fel... Typ så.” - Respondent 9