Vi er gået fra 8,5 mio. ord i lovgivningen i 1989 til 35,2 mio. ord i lovgivningen i 2024. Alt imens er samfundsproblemerne blevet viklet mere ind i hinanden. Vi formulerer masser af politik, men ofte udebliver forandringerne.

En undersøgelse, vi har foretaget viser, at kun 14% af danskerne mener, at alt den politik der vedtages, rent faktisk også kan implementeres. Udviklingen bekræftes også fra mange mennesker bag magtens mure.

Og flere og flere praktikere, som implementerer lovgivning, er trætte af hurtige reformer og snuptagsløsninger – og deres motivation, viser forskningen, er helt afgørende for om lovgivningen kommer ud og lever.

Stigende kompleksitet, vilde problemer og manglende motivation, kalder på hjælp til at reducere kompleksitet, gøre indhug på problemerne og at praktikerne genvinder deres motivation.

Det er altså på baggrund af indsigter fra forskning, survey-data, rapporter, erfaringer og behov at INVI introducerer vores Model for Vilde Problemer.

En model, der forsøger at hjælpe folkestyret til at navigere i kompleksitet. En model, som ønsker at binde beslutningstagere og vælgere tættere sammen i implementeringen af politik.

Model for Vilde Problemer baserer sig på AI og statistiske værktøjer, der opsuger vurderinger fra alle de praktikere, som i de forreste linjer af implementeringen prøver at tackle de vilde problemer.

Praktikernes erfaringer giver modellen greb om de komplekse problemer, som er diffuse og flygtige, og giver dem et klart udtryk, som alle kan forholde sig til.

Det gør den ved hjælp af text-as-data-metoder, hvor den tager kvalitative indtryk og omsætter til kvantitative udtryk.

Modellen kan derfor ibrugtages på mange måder – kun fantasien sætter grænser.

Vi bruger et maritimt billede til at illustrere de fire mest oplagte anvendelser af modellen:

Videnshav

Give adgang til de før ukendte farvande, altså de erfaringer og indsigter fra praktikerne om, hvordan det er at føre politik ude mellem mennesker og virkelighed. Modellen kan indhente disse indsigter løbende og derfor give et mere dynamisk beslutningsgrundlag til at tackle vilde problemer.

Kompas

Modellen har fire verdenshjørner at navigere i problemets grad af kompleksitet, og derfor kan skitsere problemet op efter følgende dimensioner: årsager, løsninger, skala og konflikt. Med kompasset kan vi også se hvordan problemet adskiller sig fra andre og give det en værdi fra 0 (tamt) til 100 (vildt) som angiver dets grad af kompleksitet ­– altså hvor vildt problemet er.  

Navigation

Med et videnshav af praktikere og et kompas at styre efter er det nu lettere at navigere gennem kompleksitet – fra start til slut i en beslutningsproces.

Der er mange muligheder for navigation, her er fire oplagte:

Udviklingsfase: Frembringe unikke indsigter blandt dem, der skal håndtere de vilde problemer i praksis – hvem mener hvad, og hvordan betragter de problemets særtræk: Her kan der udvaskes forskelle og ligheder, som måske vil overraske os i forståelsen af problemet. Vi bliver med andre ord både klogere på selve problemet og de folk, der omkranser det.

Policy-formuleringsfase: Identifikation af hypoteser, der kan testes. Her kan vi få et overblik over, hvilke løsninger der faktisk svømmer rundt ude i virkeligheden – netop nu. Vi bliver klogere ved at se, hvor mange hypoteser på løsninger der er til eksempelvis unges mistrivsel. Her taler vi ofte kun om et par mulige løsninger, især skærmfri skole, men modellen viser, at der er mange flere. Samtidig kan vi her afdække, hvor stor opbakning der er til hver af løsningerne – og om der er nogle løsningstyper, vi tidligere har overset.

Implementeringsfase: Sammenkæde afgørende aktører og alliancer, der er nødvendige for at gennemføre de valgte typer af løsninger. I dag kan det være svært at afgøre, hvilke aktører der skal ombord i implementeringen. Ofte ender vi med ”Tordenskjolds soldater”. Model for Vilde Problemer sikrer, at vi har blik for størstedelen af aktørerne – og kan identificere, om der er afgørende aktører, som sidder med en bremse eller motor, der kan forværre eller styrke implementeringen. Og som beslutningstagere derfor skal adressere.

Feedback-fase: Modellen skaber løbende ’loops’ fra fronten, der gør det muligt helt tæt at følge implementeringen af indsatser. På den måde bliver vi klogere undervejs og afdækker, om der er behov for at tilpasse. Modellen giver altså et kontinuerligt billede af, hvordan praktikerne – der er i gang med at gennemføre (lov)ændringer på skoler, plejehjem, hospitaler, virksomheder eller et helt femte sted – ændrer forståelser og handlinger over tid. I dag skal beslutningstagere ofte vente år på at få en effektmåling eller evaluering, der udsiger en dom. Model for Vilde Problemer erstatter dog ikke den eksisterende viden og forskning, men er et dynamisk supplement.

Atlas

Over tid, når modellen bliver skarpere, er det nemlig muligt at matche særlige typer af vilde problemer med særlige typer af policy-værktøjer: Har klimakrisen brug for klimapartnerskaber? Har trivselskrisen brug for en trivselskommission? Og har beskæftigelsesindsatsen brug for en skattereform? Med et Atlas kan vi komme tættere på at anbefale en vej gennem kompleksitet.

Det korte svar er: Nej.

Den berømte britiske statistiker George E. P. Box har frit oversat sagt følgende:

”Alle modeller er forkerte, men nogle af dem er brugbare.”

Sådan er det naturligvis også for Model for Vilde Problemer. Den vil aldrig præcist kunne afdække et problems kompleksitet og anvise den helt præcise kurs for at løse det. Alligevel står det klart allerede i modellens testfase, at dialogen med mulige brugere af den i ministerier, kommuner og organisationer ser den som meget brugbar.

Vi hører imidlertid følgende fire spørgsmål, når folk møder modellen første gang. Her er svarene på dem:

1) Hvordan kan modellen være klogere end fageksperter

Modellen er langtfra klogere end eksperter – eller praktikere for den sags skyld. Men den samler eksisterende viden, og gør det løbende, så der er et friskt billede fra frontlinjen. Fageksperter kan så bruge modellen som et redskab, ligesom en læge kan få modeldata over, hvilke operationer eller indgreb, som folk, der er tætteste på problemet, anser for relevante, når de står over for et kompliceret sygdomsbillede. Model for Vilde Problemer er altså i sit udgangspunkt deskriptiv, men kan over tid blive præskriptiv.

2) Hvad er der galt med den viden, der allerede findes?

Der er intet galt med den eksisterende viden. Tværtimod. Modellen leverer snarere et supplement, som ofte vil være mere dynamisk end de data-kilder, der normalt træffes beslutninger ud fra, såsom rapporter, forskning eller evalueringer. Model for Vilde Problemer er således stærkest til at levere ‘snap-shots’ om, hvad der sker lige nu i implementeringen, mens forskning og evaluering kan afspille hele ‘filmen’ ved at dokumentere hvilke effekter, der rent faktisk kom ud af indsatserne.

3) Hvordan sikrer I kvalitetsdata

Respondenter udvælges i tæt samarbejde med opdragsgiver og fageksperter. Lad os kigge på et eksempel. Er temaet overvægt blandt børn, så kunne de relevante respondenter være et ‘implementerings-community’ bestående af skolelærere, pædagoger, læger, civilsamfund eller embedsmænd i kommuner. Man kunne indvende, at data-kvaliteten kommer i fare – for vil disse mennesker ikke blot svare ud fra deres egne snævre interesser? Vores oplevelse er omvendt, at når man spørger fagpersoner i felten om et fagligt spørgsmål, så svarer de mestendels ud fra deres faglighed. Og dermed ikke ud fra, hvad de mener ideologisk, eller hvad deres fagforening måtte sige. Respondenterne svarer - som vi kan vurdere det baseret på flere test-kørsler - ud fra de erfaringer, de har med problemet. Lige nu og her. Når det er sagt, så er vi hele tiden på jagt efter at forbedre data og fjerne støj i data. Den øvelse stopper aldrig.

4) Kan vi træffe beslutninger baseret på AI?

At modellen er AI-baseret, betyder kort sagt, at den er i stand til at opsamle store mængder af data og behandle det på nye måder. I dette tilfælde kommer data ofte fra praktikere tæt på et problem. Når vi anvender AI, sidder der eksempelvis ingen mennesker og udskriver interviews og indholdskoder. Til gengæld har vi lavet en model med en kode, som er skarp i at se sammenhænge mellem praktikernes udsagn og så pulje disse udsagn i vidensklynger og se, hvordan de forandrer sig over tid. Modellen bliver hele tiden bedre, men allerede nu ser den mønstre på tværs, som i flere tilfælde formentlig ville tage lang tid for fageksperter at fritskrabe.

Det er afgørende at slå fast, at modellen ikke træffer beslutninger. Derimod beskriver den situationer. Og med tiden vil den foreslå – i et Atlas – hvilke samarbejder, organisationsformer eller værktøjer, som skønnes anvendelige baseret på forskning og erfaringer fra praksis. Dermed foreslår modellen eksempelvis ikke, om skatten skal sættes op eller ned. I det lys er det op til politikere, fageksperter og organisationsfolk at handle på baggrund af de indsigter, som modellen bringer frem.

Modellen vil udvikle sig løbende, når den kommer igennem flere kørsler og AI-drevne processer. Men allerede nu står det klart, at der er mange potentialer i horisonten.

Borgerne er naturligvis centrale for den videre udvikling. Lige nu fokuserer modellen på praktikerne, men hvad med brugerne som ofte skal ændre adfærd eller opnå goder på baggrund af nye initiativer? I den næste udvikling af Model for Vilde Problemer vil vi også ’føde’ modellen med brugernes løbende oplevelse.

Beslutningstagerne er også vitale for at modellen anvendes. Der er potentialer i at koble modellen endnu mere op på implementering af lovgivning for at følge udviklingen tæt og justere kursen i mødet med virkelighedens kompleksitet. Man vil eksempelvis kunne ’fodre’ modellen med eksisterende forskning, ekspertviden eller lovgivninger. Det vil gøre modellen endnu mere robust, hvis den skal fungere som løbende sparringspartner for beslutningstagere.

Samlet set er mulighederne mangfoldige. Det vigtige er blot, at vi er kritiske over for, hvilke data-kilder der anvendes. Ikke alle kilder har kvalitet nok, eller er uafhængige nok til at informere beslutninger.