Vilka frågor bör styrelser ställa till AI innan de fattar strategiska beslut?

Strategiteamet kliver in med en självsäkert formulerad rekommendation, uppbackad av en scenariomodell, tre diagram och en sammanfattning som ett AI-system har tagit fram på några minuter. Ingen i styrelsen har skapat den, ingen förstår fullt ut hur den kom fram till sin slutsats, och mötet drar redan över tiden. Frestelsen är stor att bara nicka igenom den – och innan någon ens hinner tänka efter, har mötet redan gått vidare till nästa sida i mötesmaterialet.

Att acceptera ett snyggt paketerat svar är inte samma sak som att ställa en bra fråga. Även de styrelser som har gjort kontinuerlig övervakning till en vana (den disciplin vi behandlade i en tidigare artikel om strategisk anpassning), behöver en helt separat färdighet: att veta vad de ska fråga innan en rekommendation omvandlas till ett beslut. Kvaliteten på styrelsens AI-stödda beslut kommer alltid att bero på hur skarpa frågor styrelseledamöterna ställer till det underlag som verktygen producerar.

Den här artikeln presenterar fyra frågor som är genuint värda att ställa innan en AI-stödd rekommendation går till omröstning. Den beskriver också vad som krävs för att förankra den vanan i hur styrelsen faktiskt driver sina möten, samt ger ett kort test för att se om vanan har fått fäste.

I den här artikeln:

• Varför AI inte fråntar styrelsen dess ansvarighet för ett beslut.
• Fyra frågor värda att ställa innan en AI-stödd rekommendation går till omröstning.
• Vad som förändras i mötesarbetet när kritisk granskning blir rutin, snarare än ett undantag.
• Ett kort test för att se om styrelsens AI-stödda omdöme verkligen håller.

Varför AI inte minskar styrelsens ansvarighet

Vilken är då styrelsens roll i ett AI-stött beslutsfattande? Exakt densamma som innan AI gjorde sitt intåg: att fälla avgörandet och leva med konsekvenserna – oavsett hur mycket mänsklig eller maskingenererad analys som ligger till grund för det. AI kan producera rekommendationen. Men AI kan inte hållas ansvarigt när rekommendationen visar sig vara fel.

Tillsynsmyndigheter gör i dag den distinktionen tydlig, i stället för att lämna den åt antaganden. Enligt bestämmelse 29 i UK Corporate Governance Code (gällande för räkenskapsår som börjar 1 januari 2026 eller senare), måste styrelser gå längre än att bara lista sina befintliga kontroller; de måste visa en genuin förståelse för varför dessa kontroller skulle kunna brista. Tillämpat på AI-stödda beslut är detta en direkt utmaning för de styrelser som behandlar en rekommendations polerade yta som ett bevis på att den är sund. En prydlig sammanfattning och en fungerande kontroll är två helt olika saker, och en styrelse som inte kan förklara varför den litade på en specifik AI-stödd rekommendation lever helt enkelt inte upp till den standarden.

Styrelser som under de senaste åren har byggt upp en motsvarande disciplin kring cyberrisker och datastyrning har redan en utmärkt mall för hur detta ser ut i praktiken. Tillsyn av AI handlar till stor del om att tillämpa exakt samma noggrannhet på en nyare beslutskategori, inte om att uppfinna en helt ny form av granskning.

Att styra AI-stödda beslut på ett bra sätt är en ren styrningsfråga som bara råkar involvera AI – det är inte en teknikfråga över huvud taget. Vem bär ansvaret, vad stresstestades innan styrelsen valde att lita på det, och skulle styrelsens egen granskning tåla att synas i sömmarna flera månader senare? De fyra frågorna nedan illustrerar hur den granskningen ser ut i praktiken.

Ett praktiskt frågeramverk för styrelseledamöter

Vilka frågor bör då styrelser ställa till AI? Fyra stycken, ställda konsekvent, täcker in det mesta som spelar roll: vilka antaganden gör tekniken, vilka bevis saknas, vilka alternativ övervägdes aldrig, och var skulle AI:n helt enkelt kunna ha fel?

Vilka antaganden gör AI?

Varje AI-genererad rekommendation vilar på antaganden som ingen uttalat högt: att en viss marknad fortsätter bete sig precis som tidigare, att en leverantörsrelation håller i sig, eller att en konkurrent inte hinner agera först. Att lyfta fram dessa till ytan är det allra första jobbet, eftersom ett antagande som ingen sätter ord på är ett antagande som ingen heller kan ifrågasätta.

Ett konkret exempel: en AI-assisterad tillväxtprognos som i tysthet förutsätter att de nuvarande kostnaderna för kundanskaffning förblir oförändrade. Det antagandet kan mycket väl vara rimligt. Men det kan också vara den absolut sköraste komponenten i hela rekommendationen, och styrelsen har ingen som helst chans att veta vilket utan att fråga. Kärnfrågan är inte om antagandet finns nedskrivet någonstans i stöddokumenten. Frågan är om en styrelseledamot direkt kan peka ut det utan att behöva gräva efter det, och om de ens skulle identifiera det som ett antagande – och inte bara som ett etablerat faktum.

Vilka bevis saknas?

Det är lätt att ge sken av fullständighet, men betydligt svårare att verifiera den utifrån: en rekommendation kan se helt komplett ut, men samtidigt tyst ha utelämnat precis den kategori av data som hade förändrat hela slutsatsen.

En skarp variant av just denna fråga är huruvida cyber- och affärsrisker vägdes in sida vid sida med affärsnyttan, eller om de fick ligga i en separat rapport som ingen sedan korsrefererade mot själva rekommendationen. En tillväxtstrategi som aldrig ställer sig frågan vad som händer om den underliggande datainfrastrukturen komprometteras, har en kritisk lucka. Det är inte ett logiskt fel i kalkylen, det är en lucka i vad som över huvud taget har beaktats. De styrelseledamöter som granskar detta frågar vad som inte fanns med – inte bara om det som faktiskt fanns med ser trovärdigt ut. En styrelse som aldrig har bett om att få se riskregistret tillsammans med rekommendationen, är inte i en position att veta om den korskontrollen över huvud taget ägde rum.

Vilka alternativa scenarier borde ha övervägts?

Felipe Csaszar, strategiprofessor vid University of Michigans Ross School of Business, levererade en träffande poäng i Harvard Business Review om exakt hur få verkliga alternativ de flesta strategimöten faktiskt genererar: team går därifrån med tre eller fyra alternativ, inte för att det bara existerade så få, utan för att "det var precis så mycket ditt team hade tid och mental kapacitet att hinna utveckla." AI raderar ut exakt den begränsningen. Men det raderar inte behovet av att ifrågasätta huruvida alternativen på bordet är de rätta, eller om de bara råkar vara de som var enklast att generera.

Vi har redan mer ingående täckt in hur AI kan bredda spannet av scenarier en styrelse kan testa, i en tidigare artikel om AI-assisterad scenariomodellering. Frågan som spelar roll här är snävare och därmed svårare att undvika: försökte någon överlagt att spräcka rekommendationen med ett scenario specifikt byggt för att utmana den, eller bekräftade varje enskild version bara en och samma slutsats – fast uppklädd i marginellt annorlunda siffror?

Var skulle AI kunna ha fel?

Styrelseledamöter identifierar AI:s blinda fläckar genom att fråga var en modells tvärsäkerhet kan komma att skilja sig från dess faktiska träffsäkerhet – för det är inte samma sak, och ett extremt välformulerat svar kan mycket väl vara tvärsäkert felaktigt.

Den mer praktiska versionen av denna fråga: vad skulle behöva vara sant för att denna rekommendation skulle falla platt, och hur skulle styrelsen i så fall veta att den gjort det? En rekommendation som inte kan svara på det, och som saknar angivna villkor för när den ska anses vara felaktig, har egentligen aldrig testats. Den har bara producerats fram. Att fråga var AI skulle kunna ha fel är inte fientligt bara för sakens skull – och de styrelser som behandlar det som en attack slutar vanligtvis att fråga efter det allra första obekväma svaret. Detta är hela skillnaden mellan en rekommendation som styrelsen aktivt har ifrågasatt, och en som man enbart har tagit emot.

Bygga in kritisk granskning i styrelsens diskussioner

Ingen av de fyra frågorna ovan gör någon större nytta om de slår någon i tanken först när mötet redan har gått vidare. Att bygga in dem i hur en styrelse opererar kräver ett par specifika vanor, och ingen av dem saktar ner styrelsearbetet i den utsträckning som styrelseledamöterna ibland befarar.

Formulera dagordningspunkterna som frågor, inte som rekommendationer. "Ska vi godkänna den här AI-assisterade tillväxtplanen?" inbjuder till en enkel nickning. "Vilka antaganden i den här rekommendationen känner vi oss allra minst säkra på?" inbjuder till en genuin diskussion.

Skicka ut den AI-framtagna analysen inför mötet, inte under mötet. Styrelseledamöterna granskar mer effektivt när de haft tid att sitta ner med materialet i fred och forma en egen åsikt, i stället för att tvingas absorbera all information i realtid inne i rummet.

Förvänta er en individuell genomgång före den kollektiva diskussionen. En styrelseledamot som redan har pekat ut exakt vilket antagande som oroar dem mest, kliver in i mötet redo att trycka på den punkten – i stället för att sitta tyst och vänta in vad de andra tycker först.

Ordförande bör aktivt driva på en debatt utifrån alternativa synvinklar. En rekommendation som går oemotsagd bara för att ingen uttryckligen tilldelats rollen som djävulens advokat, är inte en testad rekommendation – oavsett vad röstsiffrorna skvallrar om. Det är en roll som ordförande medvetet måste ta på sig. Som Simon Laffin uttrycker det i podcasten Boardroom Confidential: "Det finns ett argument som säger att om alla är helt överens, så borde ordförande avbryta och säga: 'Vi kommer inte godkänna detta förrän någon av er inte håller med'."

Säkerställ en gemensam förståelse innan punkten avslutas. Innan ett beslut stängs, bör ordförande kunna slå fast – och få rummet att hålla med om – exakt vad som faktiskt beslutades och varför, långt bortom det enkla faktum att en omröstning ägt rum.

Testet på ett gott AI-stött omdöme

Tre frågor avslöjar om denna disciplin används på riktigt, eller om den bara är teoretisk. Skulle en styrelseledamot kunna förklara – helt utan anteckningar – det enskilda antagande som en nyligen presenterad AI-assisterad rekommendation var allra mest beroende av? Har någon i styrelsen någonsin de facto förändrat en rekommendation genom att ställa någon av dessa fyra frågor, eller slutar det alltid med att frågorna bara bekräftar det som redan var bestämt? Och skulle styrelsens resonemang överleva att läsas upp arton månader senare av någon som inte satt med i rummet? En styrelse som måste svara nej på någon av dessa frågor är en styrelse som passivt tar emot rekommendationer, snarare än en styrelse som testar dem.

Så stöttar Sherpany bättre styrelsediskussioner

Bättre överläggningar hänger på att frågorna ovan faktiskt lämnar ett tydligt spår efter sig, och inte bara går upp i rök när mötet är slut för att sedan leva kvar enbart i minnet hos den som råkade ställa dem.

Sherpany ger styrelser en säker, strukturerad plats att fånga in den dokumentationen: vilka antaganden som ifrågasattes, vilka bevis en styrelseledamot flaggade som saknade, och exakt varför styrelsen till slut litade – eller inte litade – på en specifik AI-assisterad rekommendation. Det revisionsspåret spelar roll på två fronter. Det synliggör ifrågasättandet i stunden, eftersom en fråga som lyfts och loggas per definition väger tyngre än en fråga som bara lyfts och glöms bort. Och det gör styrelsens resonemang försvarbart i framtiden, när en tillsynsmyndighet, en revisor eller en nytillträdd styrelseledamot plötsligt frågar varför ett beslut togs exakt så som det gjordes.

Inget av detta fattar ju några beslut å styrelsens vägnar. Det ger bara styrelsens egna omdöme – och frågorna som de facto formade det – en fast plats att fortsätta existera på, långt efter att mötet där de ställdes är över.

Ett bra svar är inte samma sak som ett testat svar

En snyggt paketerad rekommendation och en stresstestad sådan är inte på långa vägar utbytbara, och klyftan mellan dem är exakt det som de här fyra frågorna är byggda för att stänga. AI kan absolut producera den första. Men det är bara styrelsen – genom att ifrågasätta vad rekommendationen antog, vad den missade, vad den mer borde ha vägt in och var den faktiskt kan ha fel – som kan producera den andra.

Att ställa de här frågorna konsekvent brukar ofta påskynda besluten i stället för att sakta ner dem – just eftersom ett dåligt antagande då fångas upp under mötet i stället för arton månader senare, när det hunnit bli både dyrt och pinsamt offentligt. Den styrelse som lyckas bäst med detta är inte den med de allra mest sofistikerade AI-verktygen. Det är den styrelse som aldrig slutar fråga vad dessa verktyg kan ha missat – möte efter möte – långt efter att nyhetens behag med att ha AI i rummet helt har lagt sig.

Om du vill se mer av hur Sherpany stöttar bättre dokumenterade och skarpare granskade styrelsebeslut, boka en kostnadsfri demo i dag och upptäck hur vi kan hjälpa er.