The best AI is built when great minds don’t think alike

Om man skulle sammanfatta de artiklar vi har skrivit om vår DEI-strategi genom åren, skulle det kunna låta så här: ”Vi fortsätter att göra framsteg, men vi kommer aldrig att bli färdiga.”
Ju mer vi har följt utvecklingen inom AI, desto mer står det klart att detta snarare är en underdrift än en slutsats.

Ungefär 70 nationaliteter arbetar inom Netlight och runt 40 procent av våra medarbetare är kvinnor. Ingen av siffrorna är en slump. Men hur håller det när man tittar specifikt på personer som jobbar med data och AI? Ta könsfördelningen som exempel. Enligt Stanford AI Index 2026 har andelen kvinnor bland AI-författare och uppfinnare i princip stått stilla sedan 2010. Bland de 21 länder som följs är det inte ett enda som ens är i närheten av en jämn fördelning.

Under samma femtonårsperiod har AI utvecklats från ett lovande forskningsområde till en av de mest omvälvande teknologierna i mänsklighetens historia. Ändå har könsbalansen bland dem som bygger den knappt förändrats.

När bra siffror inte räcker

Även med marknadens mått kan våra siffror se bättre ut, men vi kämpar fortfarande med att hitta kvinnliga talanger inom data och AI. Och även när vi lyckas anställa personer med olika bakgrund leder det inte automatiskt till mångfald i de team som arbetar ute hos våra kunder. När en person med en avvikande bakgrund hamnar i ett leveransteam där resten av gruppen är homogen – tio mot en – riskerar en oproportionerlig del av ansvaret att hamna på den personen. Det skapar inte ett inkluderande eller blandat team. 

En av våra konsulter var den enda kvinnan i ett team på omkring tolv medarbetare, den enda med sin bakgrund. Hon pekade på blinda fläckar, ställde obekväma frågor och föreslog lösningar. Hennes synpunkter avfärdades, bara för att tas upp månader senare efter att kostsamma misstag identifierats under den ”obligatoriska” valideringsfasen. Huruvida detta skedde för att hon sågs som en utomstående är omöjligt att bevisa. Det som är tydligt är utfallet: en kostsam försening, ett misstag som gick att undvika och en lösning som hela tiden fanns i rummet.

Mångfald som en konkurrensfördel

Men att enbart fokusera på de risker som diversifierade team hjälper till att minska gör att man missar den större bilden. Det verkliga värdet ligger inte i att mångfaldiga team förhindrar dåliga beslut, utan i att de möjliggör bättre beslut. De mest framgångsrika AI-lösningarna är sällan resultatet av bättre teknik i sig. De är resultatet av bättre beslut, formade av team som ifrågasätter antaganden, bidrar med olika perspektiv och förstår ett bredare spektrum av användare och verkliga situationer. Mångfald är en konkurrensfördel eftersom den hjälper team att fatta bättre beslut, bygga bättre AI och i slutändan uppnå bättre resultat.

Inom konsultbranschen är detta särskilt viktigt. Kunder anlitar oss inte bara för att analysera risker eller leverera rekommendationer. De anlitar oss för att fatta bättre beslut, bygga bättre produkter och skapa bättre resultat. Kvaliteten på dessa resultat påverkas direkt av de perspektiv som får vara med och forma dem.

Ingen enskild konsultverksamhet kan på egen hand rekrytera sig ur ett branschövergripande kompetens- och talangproblem. Men varje konsultverksamhet kan välja hur man förhåller sig till det. Antingen betraktas det som någon annans ansvar att lösa, eller som en fråga som påverkar kvaliteten i varje leverans, varje team och varje kunduppdrag.

AI-kvalitetens blinda fläck

AI-system ärver sina skapares perspektiv – och deras blinda fläckar. Ett homogent team som utvecklar en rekryteringsalgoritm kanske inte upptäcker att modellen leder till att vissa kön, regioner eller utbildningsbakgrunder gynnas framför andra. Inte för att någon avsett det, utan för att deras egna erfarenheter och referensramar ser likadana ut. Ett team som aldrig har navigerat sjukvård som icke-engelsktalande kommer inte att förutse hur ett kliniskt beslutsstödsystem fallerar när det uppstår kommunikationsglapp i patientmöten. Och en grupp utan erfarenhet av funktionsnedsättning riskerar att aldrig ens tänka på att testa tillgängligheten i en kundtjänstchatbot.

När detta görs rätt får det motsatt effekt. Team som bygger med DEI som designkrav gör inte bara att dessa kostnader undviks. De levererar också AI som har större genomslag och värde. De ställer andra frågor, utmanar antaganden tidigare och identifierar edge cases innan de blir till fel. De bygger lösningar som fungerar för en bredare uppsättning användare och verkliga situationer. Med andra ord är mångfald inte bara ett skydd mot dåliga utfall, utan en drivkraft för bättre utfall. Och det är en konkurrensfördel.

Många organisationer talar fortfarande om mångfald främst som ett etiskt initiativ. Vi ser det i allt högre grad som en kvalitetsfråga. Frågan är inte bara vem som representeras, utan om teamet har den bredd av perspektiv som krävs för att fatta de bästa möjliga besluten. Det går att införa strukturerade granskningar, men de kommer bara att fånga upp en del av det som teamet har missat. Men man kan inte granska bort de saknade delarna som uppstår när perspektiv saknas: olika identiteter, kön, etniciteter, neurodiversitet, socioekonomiska bakgrunder och karriärvägar.

Man kan inte i efterhand kompensera för att ingen från början sa: ”Vänta, vad händer om…?” Som konsulter bör vi vara de som för in de frågorna i rummet.
Forskning om AI-utvecklingsteam beskriver denna funktion som en ”bias buffer”. I diversifierade team fördelas ansvaret för att fånga upp antaganden över hela gruppen, i stället för att det koncentreras till ett enskilt granskningssteg (de Souza Santos et al., 2025).

Den bufferten finns antingen i teamets sammansättning – eller så finns den inte alls.

Enligt vår erfarenhet är de bästa lösningarna de som ifrågasätts, plockas isär och byggs om. Inte de som var enklast att ta fram. En modell som är 95 procent korrekt för det segment som liknar träningsdatan, men bara 70 procent korrekt för en minoritetsgrupp, är i praktiken inte ändamålsenlig. Det är i det gapet som konsekvenserna uppstår, och det är där ansvaret i slutändan hamnar.

Därför är det här viktigt nu

Och det är i slutändan därför den här diskussionen är viktig. AI-kvalitet mäts inte i hur väl ett system presterar under ideala förhållanden. Den mäts i hur väl det presterar i den verkliga världens komplexitet. De team som har störst chans att lyckas i den miljön är sällan de där alla tänker lika.

Vi inledde den här artikeln på samma sätt som vi inleder de flesta samtal om DEI på Netlight: genom att erkänna det vi ännu inte har löst. Det är en sanning vi valt att inte blunda för.

Samtidigt är AI inte längre någon abstraktion. Det avgör vem som blir anställd, vem som beviljas ett lån, vem som flaggas som en risk, vem som fångas upp av ett medicinskt beslutsstöd och vem som inte gör det. Kostnaden för fel är regelverksböter, rättsprocesser, kunder som tyst försvinner – och skador som ofta slår hårdast mot dem som redan var minst skyddade.

Men att enbart fokusera på kostnaden för misslyckanden underskattar möjligheten. Organisationer som konsekvent bygger pålitliga, robusta och relevanta AI-system kommer att skapa en betydande konkurrensfördel de kommande åren.

Om du levererade ett AI-system åt dina kunder i dag, vilka blinda fläckar skulle teamet ha? Vad skulle du inte se? Vem behöver finnas i rummet innan projektet startar, inte efter att modellen är lanserad?

Frågan är inte om DEI hör hemma i AI-utveckling. Frågan är om organisationer har råd att bygga AI utan den bredd av perspektiv som förbättrar beslutsfattande, stärker resultat och skapar bättre produkter. Det handlar om huruvida man behandlar detta som en designfråga som måste lösas innan modellen släpps, inte efteråt.

Vi fortsätter att göra framsteg. Men vi kommer aldrig att bli klara. I AI-eran är det inte längre bara en intern ambition. Varje system vi hjälper till att bygga är ett litet argument om vem som får inkluderas. Vi föredrar att föra det argumentet väl. För det är inte bara en DEI-ambition, det är en affärsmässig fördel.