Text: Kira Sjöberg
Foto: Katriina Haikala
En styrelsemedlem i en svenskspråkig förening öppnar en språkmodell (ChatGPT, Copilot, Claude, Gemini, Mistral mm.) för att skriva utkastet till en verksamhetsplan. Fem minuter senare finns ett färdigt formulerat dokument på skärmen: mål, åtgärder, tidtabell. Snyggt, övertygande - och till stora delar konstruerat utifrån sannolikheter, inte utifrån föreningens faktiska verklighet, fast det ytligt läst kanske ser ut så.
Den scenen upprepas just nu i styrelserum, kanslier och projektgrupper runtom i hela Finland samt övriga världen. Den syns i organisationer och företag, också inom förbundsfältet. Och den pekar på något viktigare än själva verktyget:
AI tvingar oss att ompröva grundläggande antaganden om hur vi fattar beslut, vad vi litar på som sant, vem som äger kompetensen i organisationen och hur motståndskraftiga vi egentligen är när allt fler uppgifter kan automatiseras, fast det inte alltid är ett vettigt beslut. Inget av det är ett argument mot AI som sådant, det är ett försök att skapa utrymme för det som sällan får plats i hypen kring vad tekniken redan klarar av.
Beslut baserade på sannolikhet, inte fakta.
AI är en paraplyterm för en massa olika teknologier och det som vi som hör till “allmänheten” eller som jag tycker om att säga - icke-tekniska - kallar för AI är ju en liten del av AI-teknologier dvs generativ AI och inom det än en teknologi som kallas Large Language Models (LLM) dvs. på svenska Språkmodeller. Språkmodeller räknar ut det statistiskt mest troliga svaret, och de vet inte vad som är sant om just er förening eller dess personal. Det statistiskt mest troliga svaret bygger dessutom bara på det som redan är dokumenterat: vem och vad som aldrig syns i träningsdatan förblir osynligt även i svaret. Frågan är därför sällan om modellen ljuger, den känner helt enkelt inte till det ingen skrivit ner. Språkmodellen är ändå en utmärkt sparringpartner mot det tomma pappret, den hjälper till att komma igång och se en fråga från fler håll, så länge det slutgiltiga omdömet och besluten stannar hos människan. Just därför, för organisationer vars legitimitet vilar på medlemmarnas förtroende, är det avgörande att skilja mellan ett AI-genererat förslag och en verifierad slutsats, särskilt när besluten rör stadgar, finansiering eller påverkansarbete.
Sanning i en bransch byggd på förtroende
Många förbund existerar för att erbjuda pålitlig kunskap: bildning, rådgivning, opinionsbildning. Sprids AI-genererat material vidare utan granskning riskerar vi just det som gör organisationen trovärdig. Frågan är inte om vi ska använda AI för att ta fram texter och underlag, utan vilka rutiner vi bygger för att kontrollera att innehållet faktiskt stämmer och användning av AI är ense med organisationens värderingar.
Vem äger kompetensen framöver?
Föreningslivet har traditionellt byggt på att kunskap förs vidare mellan människor, mellan generationer av förtroendevalda, mellan erfarna och nya medarbetare. AI säljs in som ett sätt att frigöra tid, men de som faktiskt använder verktygen i sitt dagliga arbete rapporterar lika ofta motsatsen: mer bevakning, mer uppföljning av hur tiden används – inte mindre. Och tid är inte den enda valutan som förändras. Varje uppgift AI tar över är också en uppgift ingen längre övar på. Frågan är vilken kompetens vi tappar när vi slutar öva på den själva. Tar AI över allt fler av de uppgifterna, vem utvecklar då den djupare kompetensen i morgondagens organisation? Det är en fråga varje styrelse borde ställa sig innan man låter AI sköta det arbete som tidigare byggde upp medarbetarnas och de förtroendevaldas kunnande.
Enorma investeringar, oklar lönsamhet
De stora AI-bolagen har under de senaste åren investerat enorma summor i infrastruktur och modellutveckling, medan lönsamheten fortfarande är oklar utanför själva teknikbranschen. För en enskild förening syns sällan de stora investeringarna, det som syns är licenskostnaden, och löftet om att den ska betala tillbaka sig i sparad tid. Men den effektivisering som faktiskt uppstår tenderar att stanna i budgetar och rapporter, snarare än att märkas hos den som utför det dagliga arbetet. Om ett verktyg gör en uppgift snabbare försvinner sällan uppgiften, den ersätts oftast av en ny: nämligen att kontrollera, redigera och stå till svars för det AI producerat.
Molnet har ett fotavtryck
Varje fråga till en språkmodell kostar energi och vatten, någonstans, för någon, något som hypen sällan pratar om. Servrarna som kör beräkningarna kräver kylning, och kylningen kräver el och vatten i det datacenter där de råkar stå. Det är inte ett argument för att sluta använda AI, men det är ett argument för att sluta prata om AI som om det vore gratis och osynligt bara för att kostnaden inte syns på fakturan. En förening som redan väger sitt klimatavtryck i resor och evenemang har goda skäl att väga in det här också, i stället för att behandla AI-användningen som en frikopplad fråga.
När stödet minskar blir avlastningen verklig
Det är samtidigt värt att skilja på genväg och avlastning. En skillnad som blir mer akut när STEA:s finansiering till social- och hälsoorganisationer skärs ner och samma uppgifter ska klaras med färre anställda och mindre budget. Frågan är då inte om AI ska ersätta någon, utan var den faktiskt kan avlasta. Den nyttan sitter sällan i den generativa textmodell som skriver utkast till verksamhetsplaner, utan i det som funnits längre än ChatGPT: klassificeringsmodeller som sorterar medlemsärenden, automatiserad fakturahantering och bokföring, schemaläggning, prognosmodeller för medlemsutveckling, det vill säga avgränsade uppgifter utan samma osäkerhet om sanning och källa. Hit hör också kunskapsbaserad ledning (tiedolla johtaminen): att sammanställa den data organisationen redan har (medlemsstatistik, verksamhetsrapporter, ekonomiuppföljning) till underlag för var resurserna faktiskt gör mest nytta, särskilt när en ansökan om fortsatt finansiering kräver att effekten går att visa, inte bara beskriva. Den avlastningen håller dock bara om någon i organisationen förstår vad verktyget faktiskt gör och var det tar fel, utbildning är därför inte en extra kostnad ovanpå besparingen, utan en förutsättning för att den ska hålla.
Motståndskraft genom mångfald, inte genom genvägar
Många av våra organisationer är små och resurserna knappa, så AI kan kännas som en efterlängtad avlastning. Men en organisation som blir beroende av en enda teknisk genväg, utan mänsklig variation i hur beslut prövas och ifrågasätts, blir samtidigt sårbarare, inte starkare. Verklig motståndskraft byggs genom att flera olika perspektiv möts, inte genom att ett AI-genererat svar ersätter det samtalet.
Förändringen sker i det egna arbetet
Det här är mitt perspektiv utifrån arbete med ledarskapsutveckling och organisationer i förändring, inte ett tekniskt påstående om vad AI "egentligen" klarar av. De som forskar direkt i tekniken drar delvis andra slutsatser, både om tidtabell och omfattning, och den frågan är fortsatt öppen. Men ett mönster återkommer, oavsett bransch: förändringen sker inte för att någon läser om den, utan när var och en själv provar att applicera nya frågor på sitt eget konkreta arbete, tillsammans med andra som ser saken från ett annat håll.
Det var precis det vi övade på tillsammans under workshopen "AI – hur påverkar det framtidens arbetsliv?", inte att lära oss ett verktyg, utan att ställa nya frågor om beslut, sanning, kompetens och motståndskraft i just den organisationen. Samma frågor går att ställa i vilken förening eller vilket förbund som helst. Det är vad GOODIN Academy hittills har övat på tillsammans med över 2 400 proffs under 2025–2026, inte för att ge svar om verktygen, utan för att skapa förståelse för allt runtomkring dem.
Kira Sjöberg är medgrundare av företaget GOODIN och medverkade under Organisationskonferensen 2026.
