Jeg er i gang med at læse The Decision Stack af Martin Eriksson, medstifter af Mind the Product. Bogen udkom i år og bygger på en model, han har talt om siden 2021: en organisations beslutninger hænger sammen i en stak, fra visionen øverst til de små valg, et team træffer en tirsdag eftermiddag.
Eriksson starter et befriende sted. De fleste organisationer, han arbejder med, har bunker af idéer, skriver han. Problemet er, at lagene lever hver for sig. Visionen hænger på en plakat, strategien ligger i et slidedeck, som ingen åbner, og OKR’erne bor i et tredje værktøj.
Det er den samme forbindelse, der knækker, når en organisation tager AI i brug. Så mens jeg læser, har jeg stillet mig selv et praktisk spørgsmål: hvad kan AI gøre på hvert lag af stakken?
Principperne ligger nederst. I den første udgave af modellen stod de som lag nummer to, men i bogen og på bogens hjemmeside er de fundamentet, fordi de gør det muligt at træffe beslutninger ude i kanten af organisationen, uden at nogen skal spørge om lov.
Eksperimenter hører til under opportunities, og Eriksson bruger den samme tankegang om strategien: den er en hypotese, som skal testes “as quickly, cheaply, and low-risk as possible”.
Under hvert lag er der en prompt, som du kan fylde med jeres egen tekst og kopiere. Det, du skriver, bliver i din browser.
Hvad Eriksson selv siger om AI
På bogens hjemmeside har Eriksson i løbet af 2026 skrevet en række indlæg om AI og agenter. Hans pointe er, at AI forstærker det, der allerede er der. “The agent executes perfectly. It just executes the wrong things.” En flåde af agenter, der arbejder ud fra uklare instruktioner, skalerer uklarheden i maskinfart.
Hans råd er at få stakken ærlig, før man skalerer den. Han beskriver også, hvordan de organisationer, der gør det godt, stiller spørgsmålet: de spørger, hvordan AI kan understøtte deres strategi, i stedet for at spørge, hvad deres AI-strategi er.
Han har en tjekliste, som kører et AI-initiativ gennem alle fem lag. Skriv et initiativ, I overvejer, så står det i spørgsmålene.
- VisionTjener det her, hvor vi skal hen?
- StrategiPasser det her til de valg, vi har truffet om, hvor vi spiller, og hvordan vi vinder?
- ObjectivesFlytter det her det, der er vigtigt lige nu?
- OpportunitiesLøser det her det rigtige problem?
- PrincipperNår det her står over for et dilemma, ved det så, hvilken vej det skal hælde?
Tjeklisten bruges til at vurdere et AI-initiativ. På hvert lag kan AI også hjælpe med selve beslutningerne.
Én regel for alle fem lag
Teresa Torres har skrevet om, hvordan hun bruger AI til at analysere kundeinterviews. Hun syntetiserer selv først, og så kører hun de samme interviews gennem Claude og ChatGPT og sammenligner. Begrundelsen er enkel: “When we lose our synthesis skill, we also lose the ability to evaluate the quality of AI synthesis.”
Den regel gælder for hele stakken. Det er den samme tanke, som ligger bag at bede om fem versioner, når man designer med AI: det første udkast er et udgangspunkt.
Skriv udkastet selv. Brug AI til at finde hullerne i det.
Det er også sådan, man kommer uden om modellernes tendens til at give brugeren ret. Spørger I, om strategien er god, får I et ja. Spørger I, hvor den falder fra hinanden, får I noget, I kan bruge.
1. Vision og mission: test, om visionen kan styre en beslutning
En vision skal kunne bruges. Hvis den aldrig har fået nogen til at sige nej til noget, er den en plakat.
Giv AI jeres vision og mission sammen med fem beslutninger, I har truffet det seneste halve år. Tag dem, der faktisk kostede noget: en kunde, I sagde nej til, en feature, I droppede, en ansættelse.
Her er vores vision og mission. Her er fem beslutninger, vi har truffet i år. Hvilke af dem ville visionen have ført os til, og hvilke ville den have stoppet? Hvis den ikke kan skelne mellem dem, så sig det.
Svaret fortæller jer, om visionen er skrevet konkret nok til at gøre en forskel. Selve visionen skrives af dem, der skal stå inde for den, og den skal kunne siges højt uden at man skammer sig lidt.
2. Strategi: find de valg, I ikke har truffet
Eriksson definerer strategi som “a coherent set of choices about what we’re going to do to achieve our vision”. Han låner Roger Martin og A.G. Lafleys to spørgsmål: hvor spiller vi, og hvordan vinder vi? Og han tilføjer: “Real strategy requires trade-offs.”
Strategien er det lag, der oftest mangler. Eriksson har en øvelse til at finde ud af det: sæt fem ledere i et rum, lad dem hver især skrive virksomhedens strategi ned, og læs svarene højt.
Her er AI en god hjælp. Saml de fem svar, og bed om en sammenligning.
Her er fem lederes bud på vores strategi, skrevet hver for sig. Hvor er de enige? Hvor siger de noget forskelligt uden at lægge mærke til det? Hvilke valg om hvor vi spiller og hvordan vi vinder mangler helt?
Den næste test er Richard Rumelts. I Good Strategy Bad Strategy beskriver han dårlig strategi som mål forklædt som strategi og fine ord uden valg bag. Giv AI jeres strategi og bed den markere hver sætning, der er et mål, et ønske eller fyld, og hver sætning, der er et reelt fravalg. Mange strategier består kun af den første slags.
Til sidst kan I bede AI skrive den strategi, jeres stærkeste konkurrent ville vælge, hvis de gjorde det modsatte af jer. Det er en hurtig måde at se, om jeres valg overhovedet er valg. Vil I se, hvad konkurrenterne faktisk gør, kan I også lade en agent onboarde hos dem. Jeg har tidligere skrevet om, hvordan jeg bruger Cowork til at udfordre min egen produktstrategi.
3. Objectives: spor hvert mål tilbage til et valg
Objectives oversætter strategien til det, der betyder noget i dette kvartal. Eriksson skriver, at de skal beskrive “outcomes, not outputs”. Det gælder også det, I beder AI om, som jeg skrev om i Hvad hvis din AI forstod dit outcome i stedet for dit output? Han skriver også, at OKR’er er ét format blandt flere: “You don’t have to use OKRs, though if you do, it’s worth getting them right.”
AI kan skrive OKR’er. OKR-rådgiveren Sara Lobkovich konstaterer tørt, at modellerne skriver lærebogs-OKR’er, som følger alle de gode råd. Det svære ligger et andet sted: at få et team til at tænke i effekt i stedet for aktivitet, og at kende deres kapacitet og modenhed. Det kan en model ikke se fra sin plads i chatvinduet.
Brug derfor AI til at kontrollere sammenhængen.
Her er vores strategi, og her er vores OKR'er for kvartalet. Hvilket strategisk valg tjener hvert objective? Hvilke key results måler noget, vi leverer, og hvilke måler en ændring hos kunden? Hvilke objectives kan ikke spores tilbage til strategien?
Et objective, der ikke kan spores tilbage, er det, Eriksson kalder afkobling. Det er også her, de fleste OKR-forløb går galt.
4. Opportunities og løsninger: syntetisér selv først, byg så for at lære
På dette lag henviser Eriksson til Teresa Torres’ opportunity solution tree: hver opportunity åbner for flere mulige løsninger, og man skal ikke nøjes med den første.
AI hjælper med to ting her: analysen af kundeinterviews og prototypen.
I analysen af kundeinterviews advarer Torres mod den mest udbredte fejl, som er at springe et trin over: “They synthesize across their interviews before they’ve synthesized each interview separately.” Tag ét interview ad gangen. Skriv selv de vigtigste opportunities ned. Bed så AI om det samme, og se, hvad I hver især har overset.
Her er et kundeinterview og de opportunities, jeg selv har fundet i det. Hvilke har jeg overset, og hvilke har jeg læst mere ind i, end kunden faktisk sagde? Citér interviewet for hvert punkt.
Når alle interviews er gjort sådan, kan I samle på tværs.
Prototypen tager nu en eftermiddag at bygge, så en kunde kan klikke i den. Det er fristende at bygge hele løsningen og vise den frem. Jeg har skrevet om den fristelse i Hurtigere udvikling. Hurtigere heste. Brug hellere prototypen til at teste den ene antagelse, der vælter løsningen, hvis den er forkert. Bed AI om at liste antagelserne bag løsningen og rangere dem efter, hvor slemt det er, hvis de ikke holder. Byg kun det, der tester den øverste.
Eriksson bruger den samme tankegang om strategien. Den er også en hypotese, og den kan også testes billigt, før I bruger et år på den.
5. Principper: skriv dem, så en agent kan bruge dem
Principperne er det lag, der oftest mangler helt, skriver Eriksson. De afgør, hvad man vælger, når to gode ting står i vejen for hinanden. Et format, han bruger, er “even over”: jobsøgende even over rekrutterende virksomheder, som jobportalen Monster formulerede det. Eller selvbetjening even over personlig support.
Prøv selv. Skriv to ting, I begge gerne vil have, og sæt den ene over den anden.
Principperne er også det, en agent har mest brug for. En agent, der skal tage en opgave fra ende til anden, står over for de samme dilemmaer som et team, og den har ingen at spørge. Eriksson stiller spørgsmålet direkte: ved agenten, hvilken vej den skal hælde?
Jeg har selv prøvet det på dette site. Instruktionsfilen, som Claude arbejder ud fra, er fuld af principper: sitet har tre flader og ingen fjerde, gul bruges kun som markering og aldrig som flade, og en ny engelsk side bygges hellere slet ikke end halvt. Hver regel står der, fordi noget gik galt første gang. Når de står skrevet, holder de. Når de kun findes i mit hoved, gætter modellen.
Principper kan testes på samme måde.
Her er vores principper. Her er en konkret situation fra sidste uge, hvor to hensyn stod over for hinanden. Hvad ville du vælge ud fra principperne alene, og hvilket princip afgjorde det?
Lander AI et andet sted end jer, er princippet for vagt. Omskriv det, indtil det giver samme svar som de mennesker, der skrev det. Så kan en ny kollega og en agent også bruge det.
Det hænger sammen med det, jeg skrev i Fra inspiration til agentisk produktorganisation: den fælles kontekst er det, der løfter en organisation fra 200 enkeltpersoner med hver sit abonnement til én måde at arbejde på. Principperne er en stor del af den kontekst. Resten af den er beskrevet i playbooken om AI-produktledelse.
Faren: at springe tænkningen over
Der er en reel risiko ved alt det her. BCG spurgte i juni 70 topledere om AI og kompetencer. Næsten ni ud af ti pegede på, at folk stoler på AI’s output uden at stressteste det. Den kompetence, lederne så som mest udsat, var dømmekraft og beslutningstagning. Det er et lille studie af, hvad ledere oplever, og BCG sælger selv rådgivning om emnet. Men det matcher Torres’ pointe: den, der ikke længere laver arbejdet selv, kan heller ikke se, når AI laver det dårligt.
Decision Stack er i sin kerne en række valg, som mennesker skal træffe og stå inde for. AI kan gøre valgene skarpere ved at finde modsigelser, huller og fravalg, man ikke fik truffet. Den kan ikke træffe dem.
Brug den tid, AI giver tilbage
Eriksson har et indlæg om, hvad ledere bør bruge den tid på, som AI frigør. Hans svar er vedligeholdelse: opdatere stakken, når forretningen ændrer sig, og gå den igennem i jeres en-til-en-samtaler. Ellers går tiden med at producere mere af det forkerte, hurtigere.
Hvis I vil i gang, så start med øvelsen med de fem ledere. Den tager en time, og AI kan læse svarene igennem på et par minutter. Det, der mangler i sammenligningen, er det lag, I skal arbejde på først.
Bogen er The Decision Stack af Martin Eriksson. Jeg vender tilbage, når jeg er færdig med den.