Clara Lin Hawking

Vilka möjligheter och utmaningar ser du som kvinna i en ledande roll inom AI och teknik?

Clara menar att hennes position som kvinnlig ledare inom AI befinner sig i ett landskap som på samma gång är oreserverat spännande och envist motsträvigt. Hon framhåller först den strukturella utmaningen: det faktum att nästan alla grundläggande dataset som göder dagens maskininlärningsmodeller har samlats in, rensats, annoterats och värderats av män, betyder att algoritmernas “världsbild” är färgad av ett manligt livsperspektiv. När modellen sedan avspeglar denna världsbild i sina rekommendationer reproduceras en lång rad bias som kvinnor ständigt stöter på i vardagen, alltifrån triviala designbeslut – telefoner som är för stora för mindre händer, ansiktsigenkänning som felidentifierar mörkare hudtoner – till djupt samhällspåverkande konsekvenser som felaktiga anställnings­rankningar eller skeva kreditbedömningar. Att kliva in som kvinna på den här spelplanen innebär därför, säger hon, att man automatiskt tvingas agera både användare, kritiker och reformator.

Samtidigt ser hon ett enormt “first-mover value” i att det fortfarande finns så många blinda fläckar. Varje nytt perspektiv som adderas till datainsamlingen, varje kritisk fråga som ställs när en modell tränas, varje användar­test där fler än de traditionella testgrupperna bjuds in, öppnar affärs­möjligheter – inte som “nisch­produkter för kvinnor” utan som bättre, mer generella produkter för alla. Hon beskriver hur hon i interna designmöten gång på gång demonstrerar det dolda värde som uppstår när man till exempel justerar storlek, vikt och gränssnitt för att passa olika kroppar eller språkförmågor: produkten blir intuitivt bättre för männen också men hade aldrig blivit byggd om inte en kvinna lagt märke till problemet. Hon pekar på ekvationen “mångfald = riskminimering”: fler perspektiv betyder fler testfall ex-ante och därmed färre PR-kriser och regulatoriska bakslag ex-post. För Clara är alltså möjligheten tätt knuten till ett nytto- och lönsamhetsargument: bolag som anställer och lyssnar på kvinnor skapar robustare modeller, stärker sitt varumärke och når en bredare marknad.

Vad betyder innovation för dig, och hur driver du den i ditt arbete?

Innovation, menar Clara, börjar inte med en briljant idé utan med en strikt etisk självprövning: “har jag rätt att bygga detta – och borde jag?” Hon beskriver sin metod som en triad av safety-in-design, AI governance och ekosystems­tänkande. I praktiken betyder det att hon tidigt samlar representanter för alla berörda grupper – barn, vårdnadshavare, lärare, minoritetsspråkiga, teknik­skeptiker – i workshops där de får spela huvudrollen i hypotetiska användarresor. Ur de diskussionerna destilleras en första uppsättning risk­scenarier som sedan mappas mot aktuella lagrum, främst GDPR, barnrätts­konventionen och på senare tid även utkastet till EU:s AI-förordning. Även affärsmodellen genomlyses: skapar den incitament för övervakning eller beroende, som i sociala medier, eller premierar den ansvarsfull användning?

Hon berättar hur hennes team ofta använder barn som “kanariefåglar i gruvan”: om en app, en algoritm eller ett UI är begripligt för ett barn och skyddat mot manipulation, då ökar sannolikheten att det även är säkert för vuxna. Med samma logik bygger hon verktyg åt skolor. Lärare har, enligt henne, tre centrala hinder: juridisk osäkerhet (“får jag använda ChatGPT med elever?”), rädsla för att tappa kontrollen över lärmomentet och brist på tid att lära sig systemet. Hennes AI governance-ramverk löser alla tre genom att integrera tydliga röd-gröna zoner, exempel­lektioner och automatiserade rapporter som visar eventuella dataläckor. Hon menar att “den största fienden är inte en felpresterande modell utan utebliven adoption” – om lärare aldrig vågar prova, tappar eleverna den framtidskompetens AI innebär. Sann innovation föds alltså när användare känner sig trygga nog att experimentera; governance är gnistan som tänder kreativiteten.

Hur kan vi stödja fler kvinnor att söka sig till och stanna kvar i ledarroller inom tech?

Clara beskriver en trappstegsmodell som sträcker sig från lågstadiet till styrelserummet. Det första steget är identifikation: flickor måste tidigt “se någon som liknar dem” i teknikroller. Hon hyllar initiativ som låter skolklasser åka på studiebesök där de faktiskt placerar en flicka bredvid en kvinnlig programmerare en hel arbetsdag och låter henne mata in kod, trycka på “run” och se resultatet på skärmen. I nästa steg, högstadiet och gymnasiet, talar hon om *peer cohorts* – grupper av tjejer som lär sig programmera tillsammans och stöttar varandra när de stöter på stereotyper eller självtvivel. Hon citerar sin egen erfarenhet: under master­programmet i datavetenskap var hon en av få kvinnor; att hitta en kvinnlig partner var avgörande för att hålla motivationen uppe två år i rad.

Universiteten bör, anser hon, mäta andelen kvinnliga studenter per kurs och erbjuda extra resurser – mentorer, studiecirkelbudgetar, industrikontakt – varje gång andelen faller under en tröskel. Företagen måste på samma sätt publicera könsuppdelad data över befordringar, lön och personal­omsättning och bli belönade av investerare när gapen krymper. Regeringar kan regissera dessa beteenden genom skattelättnader för bolag som når mål, innovationsbidrag öronmärkta för kvinnodrivna AI-startup­er och krav på könsbalanserade paneler i statligt finansierade tech-evenemang. För de kvinnor som redan nått mellanchefsnivå föreslår hon ledarskaps­program med tydliga milestones – “senior manager”, “director”, “C-level” – där varje nivå följs av ett sponsrat nätverk, ett stretch-uppdrag och en extern coach. När alla steg hänger ihop blir karriären en tydlig stig i stället för ett lapptäcke av engångsinsatser.

Vilka framtida trender inom AI tror du kommer att påverka ledarskap och organisationer mest?

Clara ser fem samverkande trender. För det första växer generativa co-piloter fram som standard­­verktyg i varje kunskaps­arbete. Ledaren blir därför inte bara chef utan “AI-dirigent”, ansvarig för att definiera var i processen maskinen får fatta beslut och var mänsklig kreativitet ska ta vid. För det andra förväntar hon sig en explosion av små, domän­specifika modeller som laddas lokalt, vilket ställer nya krav på datasäkerhet och modelldrift inom varje team snarare än i central IT. För det tredje kommer *realtids­analys* av produkt­kommentarer, HR-data och finansiella signaler ge chefer ett digitalt instrumentbräde där de ser mikroföreteelser innan de blir makrokriser; den som saknar data-literacy tappar därför snabbt relevans.

Fjärde trenden är regulatorisk och drivs av EU AI Act. Clara nämner särskilt artikel 9–13 om riskhantering, dokumentation och mänsklig övervakning som nyckelparagrafer som gör kompetensutveckling till en lednings­fråga: varje chef måste kunna läsa en riskrapport och förstå modellerings­tekniker som RAG, RLHF och finetuning. Den femte trenden rör kultur: när triviala uppgifter automatiseras frigörs tid, men bara organisationer med psykologisk trygghet vågar använda den “fria” tiden till radikala experiment och korsfunktionella projekt. Ledarens roll skiftar därför från kontrollant till facilitator som vårdar nyfikenhet, uppmuntrar felsteg och skyddar teamet från kortsiktiga ROI-krav under explorations­fasen.

Vilken roll kan AI spela i att skapa mer mångfald och inkludering i näringslivet?

Clara ser i AI ett dubbelt raster: ett förstoringsglas som blottlägger ojämlikheter och ett verktygs­bälte fylld med korrigerande funktioner. Med algoritmisk genomlysning kan företag låta modeller granska lönestrukturer, befordrings­mönster och rekryteringsannonser och flagga för systematiska snedsteg som mänskliga analytiker ofta missar. Exempelvis skulle en modell kunna simulera hur en viss kravprofil påverkar kandidaturer från kvinnor, äldre eller utrikes födda och föreslå omskrivningar som vidgar urvalet.

Hon understryker ändå att tekniken är neutral tills den konfigureras: om man tränar ett rekryteringssystem på historiska data där en viss grupp konsekvent ratats, kommer modellen reproducera exakt samma skevhet. Hon återvänder därför till resonemanget om Stockholms elevkårer: språkteknologi som bygger på standardsvenska ger bättre resultat för elever i innerstadsskolor än för barn som talar somaliska, persiska eller en svensk dialekt som modellen inte hört tillräckligt av. Lösningen är tvådelad. Först måste man mäta – låta AI själv rapportera var prestanda sjunker. Därefter krävs riktade investeringar: extra datasets, bättre annotation, fler testfall i under­representerade domäner. Här lägger hon ansvaret på ledare och politiker att styra resurser dit där gapet är störst.

När dessa principer omsätts i praktiken kan AI fungera som “talang­utjämnare”, säger hon. Talang som tidigare hindrades av språkbarriärer, neu­rologiska särdrag eller geografisk isolation kan plötsligt nå samma podier som etablerade röster. På sikt ser hon en arbetsmarknad där mångfalden i idéer, kommunikations­stilar och problemlösnings­strategier inte bara tolereras utan systematiskt inkapslas av AI-drivna stödsystem. Det gör organisationer mer motståndskraftiga mot chocker, mer uppfinningsrika på nya marknader och mer attraktiva för nästa generation medarbetare som växer upp med ett självklart krav på inkludering. Clara avrundar med övertygelsen att den teknik som byggs på mångfald blir den som överlever, och den ledare som förstått det får en tydlig konkurrens­fördel i en värld där omställnings­takten i praktiken aldrig saktar in.