Varför företag bör följa ett värdebaserat tillvägagångssätt för AI-styrning

I september 2025 samlades alla medlemsstater i Förenta nationerna för första gången för att diskutera internationell AI-styrning; många var representerade igen i februari på Delhis AI Impact Summit. Evenemanget ledde till lanseringen av två nya organ med fokus på AI-styrning; men det var, som bäst, en symbolisk framgång.

FN:s nya mekanismer var utformade för att säkra konsensus: de undviker omstridda områden som militära användningar av AI, och saknar tydliga källor till finansiering och tvångsmedel. Detta borde inte komma som en överraskning för erfarna observatörer. Idag saknar FN förmågan att agera snabbt eller säkerställa universell efterlevnad av sina beslut, vilket gör det till en svår plattform för att åstadkomma verkliga förändringar.

Detta passar ett etablerat mönster. Trots år av spridda försök att bygga konsensus kring AI-regler, har det inte funnits några betydande internationella avtal, vilket har skapat ett tomrum där enskilda länder och block har tvingats utveckla sina egna regler. Men den effektiva styrningen av AI är avgörande om vi vill se den antagen i stor utsträckning, lita på den och använda den på sätt som ger varaktiga sociala och ekonomiska fördelar.

Gör det bästa av situationen

För globala företag som bygger och driver AI-system är bristen på gemensamma, överenskomna styrningsmekanismer problematisk. De vill distribuera AI-system över hela världen, men inga två jurisdiktioner följer samma uppsättning regler. Så de tvingas istället skapa ett generiskt styrningsramverk runt sitt system, sedan bygga om det från grunden i varje land där de opererar för att säkerställa att det följer lokala lagar och regler. Detta tillvägagångssätt skapar en enorm mängd extra arbete, gör AI-initiativ dyrare och mer benägna att försenas, och försvagar de globala företagens förmåga att förverkliga ekonomiska skalfördelar och dela effektiva verktyg med användare överallt.

Det finns dock ett alternativ. För företag som vill förenkla sitt tillvägagångssätt kan det bästa alternativet vara att bygga ett AI-styrningsramverk som tar hänsyn till gemensamma etiska principer över dessa olika regioner, och säkerställer att de uppfyller höga standarder överallt när det gäller att skydda enskilda personers frihet, integritet och säkerhet. Denna teknik representerar ett kraftfullt sätt för AI-företag att öka allmänhetens förtroende för deras teknik, att stärka sin kundbas och att utnyttja AI:s potentiella fördelar för samhället.

Sex nyckelvärden för AI-styrning

För alla organisationer som är intresserade av att anta ett värdebaserat tillvägagångssätt för AI-styrning föreslår jag att de använder de sex nyckelvärden som vi följer: ansvar, förklarbarhet, transparens, rättvisa, säkerhet och ifrågasättbarhet.

Vi valde dessa värden eftersom de täcker alla viktiga områden i AI-systemets livscykel och eftersom de redan har kodifierats i olika internationella och nationella standarder som rör AI, såsom Internationella standardiseringsorganisationens ISO/IEC 42001 och Artificiell intelligens-handbok för den brittiska regeringen.

För att börja med ansvar innebär att veta vem som är ansvarig för vad vid varje stadium i AI-livscykeln. Utan tydligt ägandeskap kan viktiga kontroller utelämnas eftersom ingen individ eller grupp har det slutliga ansvaret. Organisationer bör utse seniora, namngivna ägare – såsom deras chefs AI-officer – till AI-system och viktiga skeden och använda en riskbaserad styrningsmodell, som tillämpar samma granskning av tredjepartsverktyg som av de som utvecklats internt. Detta innebär att förstå leverantörsvillkor, begränsningar och ansvar precis som väl som de förstår sina egna system.

Organisationen för ekonomiskt samarbete och utveckling (OECD) fångar detta väl i sin vägledning för att främja ansvar i AI, som rekommenderar att organisationer skapar “mekanismer för att införliva AI-riskhanteringsprocessen i den bredare organisatoriska styrningen, och främjar en kultur av riskhantering både inom organisationer och i hela AI-värdekedjan.”

Nästa är förklarbarhet. Organisationer bör kunna visa hur ett AI-system fattar ett beslut. Det kräver mekanismer för att dokumentera och spåra beslutsfattande, tillsammans med tydliga register över systemdesign, utbildningsdata och beslutsprocesser. Tillsammans medger detta att team förstår informationslinjen från ett systems ursprung till distribution.

Rättvisa fokuserar på att säkerställa att AI-system producerar rättvisa resultat och inte replikerar eller förstärker befintliga fördomar. Utan medvetna kontroller kan system orsaka skada genom att leverera sneda resultat – ett särskilt problem i högimpaktområden som rekrytering, hälsovård och straffrätt. För att mildra detta bör organisationer implementera biasdetekteringsåtgärder, granska utdata regelbundet över relevanta grupper och utforma styrningsramverk som kan hantera lokala icke-diskrimineringskrav. I praktiken innebär detta att bygga system som uppfyller den högsta juridiska standarden de sannolikt kommer att möta, inklusive skyldigheter enligt lagar som Storbritanniens jämställdhetslag 2010 och EU:s stadga om grundläggande rättigheter.

Transparens handlar om att ge tydlighet för både användare och tillsynsmyndigheter. Människor bör förstå när AI används, vilken roll det spelar i beslutsfattandet och vilka data som ligger till grund för det. En praktisk utgångspunkt är att standardisera dokumentation över AI-system, stödd av interna verktyg som modellkort: korta dokument som tillhandahålls med maskinlärningsmodeller som förklarar sammanhanget i vilket modellerna är avsedda att användas, information om prestandautvärderingsförfaranden och annan relevant information. Utan transparens kan användare inte ifrågasätta orättvisa resultat, tillsynsmyndigheter kan inte ingripa effektivt och skadliga effekter kan svepas under mattan.

Säkerhet handlar om att skydda AI-system från obehörig åtkomst, manipulation eller oavsiktligt beteende. Om säkerheten är svag kan AI-system utsätta organisationer, användare och deras data för risk, och utsätta dem för ekonomisk och ryktesmässig skada. Organisationer bör definiera prestanda- och noggrannhetsgränser, testa system under realistiska förhållanden och införliva röd-lagstestning för att identifiera sårbarheter.

Slutligen säkerställer ifrågasättbarhet att människor har en tydlig och tillgänglig möjlighet att utmana eller överklaga AI-styrd beslutsfattning. Utan det har berörda användare ingen möjlighet till återkoppling och problem kan aldrig bli synliga eller lösta. Organisationer bör tillhandahålla rapporteringskanaler vid användningstillfället, utse seniora ägare för att hantera klagomål och säkerställa att system kan pausas, granskas eller uppdateras vid behov.

Vilka är fördelarna med ett värdebaserat ramverk?

Det finns två kraftfulla skäl till att anta detta värdebaserade tillvägagångssätt för AI-styrning. Först, eftersom de som bygger och distribuerar AI-system har ett etiskt ansvar gentemot de människor och organisationer som påverkas av dem; och, för det andra, eftersom detta är ett mer effektivt sätt att förverkliga AI:s utlovade fördelar i praktiken.

Användare av AI-system, både företag och privatpersoner, har ett outtalat förtroende för skaparna att inte missbruka personuppgifter eller utsätta dem för onödiga risker. När organisationer bryter mot detta förtroende blir det mycket svårt för dem att behålla dessa användare. Slutligen, om människor inte litar på AI-system eller kan se de tydliga fördelarna de erbjuder, kommer de inte att gå med på deras införande. Detta kommer att orsaka mer social och ekonomisk splittring, och vi kommer att missa många av de möjligheter som denna teknik erbjuder.

Å andra sidan kan företag som tillämpar ett värdebaserat ramverk överallt – inklusive i regioner med mer avslappnad styrning – visa för kunder, investerare och tillsynsmyndigheter att de håller sig till en högre standard än grundläggande efterlevnad kräver. Det bygger förtroende, engagemang och, slutligen, affärssuccés.

Stark AI-styrning är en värdeskapare, inte en efterlevnadskostnad. Den möjliggör för företag att introducera nya produkter på marknaden snabbare, minska sin riskexponering och skala sina lösningar över flera marknader med tillförlitlighet.

McKinseys rapport “AI:s tillstånd” fann att “en VD:s tillsyn av AI-styrning… är ett element som mest korrelerar med högre självrapporterad bottenlinjeffekt från en organisations generiska AI-användning,” vilket understryker de kommersiella fördelarna med ett sådant tillvägagångssätt. I den mening som byggnad av starka etiska ramverk i AI-system representerar upplyst självintresse.

Förbi allt detta, dock, är det helt enkelt rätt sak att göra. Vi har byggt vår globala etiska AI-policy runt samma princip: att avancerad teknik måste tjäna människor och samhället, inte tvärtom. Detta speglar den bredare visionen av Samhälle 5.0: en människocentrerad modell för innovation som syftar till att kombinera ekonomisk framsteg med lösningen av sociala utmaningar.

Om framväxande tekniker som AI ska främja ett lyckligare, mer harmoniskt samhälle, måste de byggas på starka etiska grunder. Det börjar med att fokusera inte bara på de standarder som organisationer måste uppfylla, utan också de standarder de vill uppnå.