Model for Vilde Problemer

Hjælper beslutningstagere navigere i kompleksitet

Model for Vilde Problemer' er en AI-etnografisk metode udviklet af INVI til at kortlægge kollektiv viden fra borgere, praktikere og interessenter om komplekse udfordringer via kvalitative data i skala.

Er du interesseret i et samarbejde - i forskningssammenhæng eller med et konkret projekt? Skriv til os og fortæl os om den forandringsrejse, du er på, eller hvad dit problem og behov er.

Skriv til os

Verdens første model til at måle vildhed

Danmark står over for en række samfundsproblemer, der er erkendte, forsøgt løst, og alligevel forbliver uløste. Klimakrisen. Børn og unges mistrivsel. Manglen på arbejdskraft. Fælles for dem er, at de er komplekse: Der er dyb uenighed om årsager og løsninger, de er svære at afgrænse på tværs af sektorer og administrative niveauer, og de er forbundet med politisk polarisering. Men vi har i samfundet ikke haft et analyseværktøj til systematisk at måle kompleksiteten og følge udviklingen i sådanne vilde problemer. Indtil nu.

Model for Vilde Problemer er skabt til at gøre det muligt at kortlægge og navigere i svære samfundsudfordringer og indviklede problemer. Modellen er verdens første digitale analyseapparat, der kan måle samfundsproblemer på en skala fra tamt til vildt, og løbende omsætte store mængder af kvalitative inputs til empiriske data, der kan bruges direkte ind i politiske og organisatoriske beslutningsrum.

Modellen fungerer som et data-drevet kompas. Ved at kvantificere et problem ud fra variationen i ideer om årsager og løsninger, antallet af involverede sektorer, og graden af konflikt kan vi:

  • Forstå hvorfor nogle problemer er vanskelige at håndtere

  • Sammenligne kompleksiteten af forskellige problemer

  • Følge, hvordan et problems karakter udvikler sig over tid

Vildhed målt på fire dimensioner.

Alle problemer er forskellige, og vi tilpasser altid vores analyser til konteksten. Men når vi skal sammenligne vilde problemer, eller følge udviklingen i et problem over tid, så undersøger vi dem typisk langs fire dimensioner, som vi fra faglitteraturen ved er stærke indikatorer på, hvor komplekst et samfundsproblem er. Vi bruger sprogomdeller og statistiske teknikker til at give et mål fra 0-100 på, hvor vildt et givent problem er, på hver af de fire dimensioner, og kan til sidst slå metrikkerne sammen til ét samlet mål for problemets vildhed.

  • Hvilke årsager peger forskellige aktører på? Er borgere, praktikere og interessenter på tværs af faggrupper, sektorer og demografi enige om, hvorfor problemet består – eller hersker der tvivl og uenighed?

  • Hvilke årsager peger forskellige aktører på? Er borgere, praktikere og interessenter på tværs af faggrupper, sektorer og demografi enige om, hvorfor problemet består – eller hersker der tvivl og uenighed?

  • Hvilke sektorer og politisk-administrative niveauer nævnes som relevante? Og hvor ser vi gensidig versus ensidig forståelse af, hvem der skal samarbejde om at løse problemet?

  • Hvor polariseret er problemet? Hvilke forskelle findes der mellem aktørgrupper i synet på, hvor vigtigt det er at handle – og hvordan taler de om hinanden?

Forskellige typer af udfordringer kalder på forskellige løsninger. At sætte mål på problemerne giver derfor beslutningstagere en klarere idé om, hvordan de skal handle. Tag tre forskellige problemer som eksempel: Kollektiv trafik, mistrivsel og klimaforandringer. Kollektiv trafik er relativt tamt. Vi ved, hvad problemet er, og vi har kendte løsninger. Her kan vi gøre, hvad vi plejer. Mistrivsel er vildere: Årsagerne er omdiskuterede, og løsningsforslagene spreder sig i mange retninger. Det kalder på prøvehandliner og et dybere arbejde med at afdække og blive enige om problemt rødder. Klimaforandringer er endnu vildere, ikke blot fordi det er komplekst, men fordi det er dybt konfliktfyldt og involverer aktører på tværs af mange sektorer og niveauer. Her går ‘business as usual’ ikke. Der er brug for løsninger, der kan samle mange aktører om fælles mål.

Modellen skaber et fælles kompas at navigere efter.

Analyser der låser op for den gordiske knude

Fra kvantitative tendenser til kvalitative nuancer

Målingen af problemers kompleksitet er kun én af modellens anvendelser. I praksis bruger INVI modellen som et AI-etnografisk analyseapparat; en semi-automatiseret metode, der via avancerede sprogmodeller, clustering-teknikker og statistiske beregninger kan strukturere store mængder kvalitative tekster og afdække, hvilke forståelser der går igen på tværs af aktørgrupper, hvilke der er specifikke for bestemte grupper, og hvilke der stikker ud. AI'en håndterer kompleksiteten, INVI’s analytikere fortolker data.

Det er ikke mixed methods, hvor kvantitativt og kvalitativt adskilles og efterfølgende kombineres. Det er en ny slags viden: Kantitative tendenser og kvalitativ dybde fra ét datamateriale, der skaber emergente indsigter. Modsat surveydata, så får vi ikke bare bekræftet det vi allerede antog, men finder ud af, hvad der i folks egne ord er vigtigt for dem. Emergente indsigter, der åbner nye indsigter, og viser hvor etablerede forklaringsmodeller begrænser.

Det åbner for en bred vifte af anvendelser. Fra kortlægning af en organisations strategiske landskab; til at følge, hvordan en reform lander i praksis; til måling af om en indsats reelt flytter perspektiver over tid. Modellen skaber et data-drevet kompas du kan navigere efter, uanset om du står midt i et politisk reguleringsproblem, en organisatorisk forandringsproces eller et konfliktfyldt interessentfelt.

Eksempel på visualisering af data indsamlet for STAR og Beskæftigelsesministeriet i forbindelse med INVI’s undersøgelse af Ungeløftet initiativet. Mere end 2000 kvalitative svar er kortlagt fra over 800 forskellige praktikere for at synliggøre de mange forskellige perspektiver som findes på problemstillingen om Potentialegruppen.

Sådan bruger vi modellen til at skabe forandring

Vi anvender Model for Vilde Problemer i policy- og strategiarbejde på tværs af fire faser.

  • Hvad udgør egentlig problemet? Model for Vilde Problemer hjælper med at overskueliggøre komplekse problemfelter ved at kortlægge, hvordan problemet forstås på tværs af aktørgrupper: hvad definerer det, hvad skaber det, og hvornår opstår det?

    Eksempel: Sammen med Arkitektforeningen og Danske Arkitekter undersøgte vi, hvordan projektkonkurrencen kan gentænkes i relation til den grønne omstilling. Det gjorde vi ved at kortlægge bl.a. bygherrer, udbudsjurister, rådgivere og arkitekters syn på projektkonkurrencen i dens nuværende form. Du kan læse mere om det konkrete projekt her.

  • Hvordan sikrer man, at beslutninger træffes på et oplyst grundlag? Modellen tegner et præcist billede af, hvilke løsninger der lever i den kollektive viden på tværs af et mangfoldigt aktørlandskab – hvad der har bred opbakning, hvad der er fremherskende i bestemte grupper, og hvad der bygger på konkrete erfaringer.

    Eksempel: I 2025 hjalp vi Kræftens Bekæmpelse ifm. udformningen af ny strategi. Ved at indsamle og analysere inputs fra organisationens frivillige, medlemmer, ansatte, patienter og pårørendes, hjalp modellen med at sikre, at strategien var forankret i relevante gruppers syn på Kræftens Bekæmpelses nuværende og fremtidige arbejde. Du kan læse mere om det konkrete projekt her.

  • Hvordan ved man, om en ny politik eller initiativ virker efter hensigten? Vi bruger modellen til at skabe løbende indsigt i, hvordan indsatser opleves i praksis, og til at give borgere og praktikere et direkte talerør til beslutningstagere. Det kan ske fra dag ét af implementeringen eller efter to år, når hverdagen har ændret sig.

    Eksempel: For Ældreministeriet hjælper vi med at undersøge, hvordan implementeringen af Ældrereformen (2025) opleves i alle dele af implementeringskæden – fra statslige til kommunale embedsmænd over fagprofesionelle i ældreplejen til de ældre selv og deres pårørende. For Beskæftigelsesministeriet og Styrelsen for Arbejdsmarked og Rekruttering følger vi, hvordan implementeringen af Ungeløftet (2025) skaber forandringer blandt bl.a. kommunale embedsfolk, sagsbehandlere, pædagoger og de unge selv.

    Du kan se projektet om Ældrereformen her og af Ungeløftet her.

  • Hvordan måler man effekt ud over rigide måltal? Modellen kan bruges som alternativ til eller i samspil med traditionelle KPI'er til at skabe dybere indsigt om indsatsers reelle effekt, og viser for eksempel, hvordan diskursen om et begreb eller synet på et fænomen har ændret sig over tid.

    Eksempel: I samarbejde med Bikubefonden undersøger vi, hvordan aktørlandskabet på anbringelsesområdet ser på fremtiden for unges anbringelse i Danmark. Gennem gentagne målinger af aktørers frustrationer, drømme og samarbejdsperspektiver måler vi, hvordan aktørernes mulighedsrums udvides i takt med Bikubenfondens arbejde med aktørgruppen. Se projektet her.

    I 2026 hjælper vi engelske Henry Smith Foundation med at gentænkte deres tilgang til impactmålinger ved at kortlægge den kvalitative information som grant-holders årligt indrapporterer i ansøgninger og statusrapporter, men som pt. ikke analyseres systematisk. Du kan se projektet her.

Maskinrum

Model for Vilde Problemer er skabt for at løse et velkendt dilemma i demokratisk inddragelse: At man enten kan indsamle data i lille skala med dybde, eller i stor skala med lukkede, forudbestemte kategorier. Med sprogteknologier og compatutionelle værktøjer er det nu muligt at analysere og kategorisere tusindvis af frit formulerede inputs, uden at gå på kompromis med hverken volumen eller dybde. Vi har med Model for Vilde Problemer skabt et værktøj, som vi kan bruge til at behandle kvalitative data i stor skala – både med blik for hvad de gennemgående mønstre, tendenser og gruppevise skel er på kvantitativt niveau, samt med øje for vigtige kvalitative nuancer i data.

Det gør os i stand til at bevæge os frit mellem det store overblik og de enkelte stemmer bag det – og introducere rige, kvalitative data i et politisk system, der ellers er gearet til enten surveys med fastsatte problemdefinitioner eller kvalitative interviews, der i bedste fald behandles som anekdoter.

  • Kernen i modellen er word embeddings – en teknologi, hvor hvert kvalitativt udsagn omsættes til en vektor i et højdimensionelt semantisk rum. Det betyder, at udsagnenes betydning kan måles og sammenlignes matematisk: jo tættere to udsagn ligger i det semantiske rum, jo mere ligner de hinanden i indhold. Via avancerede clustering-teknikker grupperer modellen udsagn med semantisk lighed og identificerer, hvilke forståelser der går igen på tværs af aktørgrupper, hvilke der er specifikke for bestemte grupper, og hvilke der stikker ud. Samtidig med at vi identificerer clusters i data, så bruger vi også embeddingmodellernes til at skabe empiriske mål for, hvor spredte forståelserne af et problem er. Jo mere forskelligartet aktørerne taler om problemet, jo højere en vildhedsscore. Konvergerer de om fælles forståelser, måler vi problemet som mindre vildt.

    AI'en er med andre ord ikke blot infrastruktur, der effektiviserer noget, vi allerede kunne gøre. Den muliggør et analyseværktøj, som slet ikke kunne eksistere før de store sprogmodeller. Men modellen producerer ikke konklusioner – den producerer mønstre. Analysen omsættes altid af INVI’s analytikere, og baserer sig på fagprofessionelle vurderinger og kontekstuel viden om domænefeltet. Ansvaret kan ikke delegeres til en algoritme.

  • Model for Vilde problemer tager kvalitative data som input. Det medfører er lang række anvendelsesmuligheder, hvor det næsten kun er fantasien, der sætter grænser. Vi skelnder typisk mellem kvalitative data som skabes specifikt til et projektog kvalitative data som allerede findes, men som man ikke endnu har udnyttet til systematisk analyse.

    Data som skabes omhandler (som udgangspunkt) kvalitative data som indsamles som led i undersøgelsen. I samarbejde med eksperter og fagfolk udarbejdes et aktørgrundlag og -sammensætning samt et sæt åbne spørgsmål, der danner grundlagt for undersøgelsen. Oftest indsamles data som frie tekstinputs, hvor deltagere ikke er afhængige af præ-definerede, lukkede svarkategorier, men selv kan definere deres svar.

    Hos INVI har vi udviklet vores egen infrastruktur til kvalitativ dataindsamling i stor skala; Involve appen, som gør det nemt, engagerende at indsamle inputs direkte fra folk. Deltagere kan besvare åbne spørgsmål gennem tekst, billeder og lydoptagelser, som automatisk transskriberes, og vi kan bede folk om at annotere egne svar samt reagere på andres inputs, så vi får data med dybde og kontekst.

    Se mere om Involve her.

    Data som findes dækker over alle de digitale kvalitative datakilder, som enten findes offentligt tilgængeligt eller opbevares internt i en organisation. Måske er det interessant at undersøge, hvordan Folketingsdebatten om et bestemt emne har ændret sig over tid? Eller kortlægge udviklingen i videnskabelige forskningsartikler for et særligt fænomen. Det kan også være, at man som fond eller NGO har arkiver af dokumenter såsom ansøgninger, referater, interviews eller taler som man ønsker at undersøge systematisk for at lære noget nyt om dét, som er svært at få svar på med konventionelle datakilder.

1. Input

Vi kortlægger kollektiv viden hos et diverst aktørfelt og tegner mønstre op.

2. Indsigt

Vi omsætter de mønstre og nuancer, som vi ser i data til relevante indsigter.

3. Initiativ

Vi kobler indsigter til konkrete initiativer, der giver ny retning fremad i problem.

Input, Indsigt, Initiativ.

INVI bruger Model for Vilde Problemer til at omdanne kvalitative data fra borgere, praktikere og interessenter til strategisk forankrede indsigter, der skaber nye erkendelser, flytter problemforståelsen og giver fælles retning til handling og konkrete initiativer.

Parret med INVIs ATLAS, en samling kreative policy- og strategiværktøjer, omsætter vi indsigter til konkrete initiativer, tilpasset netop det problem, du står over for. Fra prøvehandlinger og scenarieprocesser til missionsdrevet arbejde og modulær samskabelse. ATLAS matcher de relevante løsningsgreb til det specifikke problem, baseret på hvad kortlægningen har vist om, hvorfor problemet er komplekst.

Udforsk INVI's ATLAS

Udvikling

Forskningssamarbejder

Siden lanceringen i 2024, hvor INVI præsenterede løsningen i Folketinget for Finansministeren, har vi udforsket brug af AI i modellen i relation til udfordringer omkring bias og fairness. Det er vigtigt for INVI at forstå, hvordan AI former vores resultater, så vi kan stille os kritiske overfor vores resultater, og modveje eventuelle skævheder og bias - fra vi indsamler data til vi behandler, analyserer og formidler. Derfor indgår vi aktivt i samarbejder med relevante forskningsmiljøer både inde og udenfor Danmark, deltager i konferencer, og dokumenterer vores metodearbejde i videnskabelige artikler. Det kan du se mere om nedenfor. Læs mere om INVI’s arbejde med etik i relation til ai og udvikling af værktøjer her.

  • ETHOS Lab på ITU

    EthosLab på IT-Universitetet arbejder med feministisk og kritisk teknologiforskning. I samarbejde med EthosLab har INVI over en workshop-serie i fire sessioner inviteret eksterne forskere, praktikere og studerende til at arbejde direkte med vores data og cases og udfordre vores tilgang til etik. Fokus var på bias i data, AI æstetik, visualisering af data og omstilling af etiske principper til operationelle playbooks. Sessionerne hjalp os udfordre vores tilgange for at sikre, at vi ikke udvikler blinde vinkler.

  • Oxford Internet Institute

    OII på Oxford University i England er et af verdens førende forskningsmiljøer inden for internettets sociale og politiske konsekvenser. I samarbejde med OII har vi undersøgt og testet fairness-problematikker i de embedding-modeller, der ligger til grund for INVI’s Model for Vilde Problemer – og vi er ved at publicere resultaterne som peer review-artikel. Samarbejdet har fokuseret på at evaluere med afsæt i INVI’s datasæt, hvor godt over 40 forskellige embeddingmodeller behandler inputs fra forskellige borgergrupper.

  • MIT & Northeastern

    I 2025 deltog INVIs chefanalytiker Sofie Burgos-Thorsen på Information+ ved MIT og Northeastern University i Boston, én af de førende konferencer inden for datavisualisering og informationsdesign. Sofie gav en talk om feministisk datavisualisering, indgik i panelet Visualization and Feminism, modereret af Catherine D'Ignazio fra MIT, og deltog i workshops med andre forskere og praktikere. Besøget bragte state of the art viden hjem til INVI, der informerer, hvordan vi formidler komplekse samfundsproblemer via data.

  • ECHO Lab på DTU

    ECHO Lab på Danmarks Tekniske Universitet arbejder med digital, AI-dreven antropologi og samfundsanalyse. Professor Anders Kristian Munk har været tilknyttet INVI som særlig rådgiver og har samarbejdet med os om at sikre, at vores brug af sprogmodeller er metodisk solid og på forkant med feltet. Samarbejdet har fokuseret på at blive helt skarp på, hvordan de sprogmodeller vi brug behandler data – så vi med troværdighed og gennemsigtighed kan fortolke og kontekstualisere vores analyseresultater.

  • Retorikstudie af AI

    I 2025 indgik INVI i et specialesamarbejde med retorikstuderende Mette Susgaard fra Aarhus Universitet. Med afsæt i kritisk diskursanalyse undersøgte Mette, hvordan kunstig intelligens italesættes i policy-dokumenter og spekulativ fiktion – og hvilke retoriske udfordringer det skaber for en aktør som INVI. Specialet analyserede konkret INVIs kommunikation om Model for Vilde Problemer og bidrog med nye perspektiver på, hvordan vi kommunikerer om ansvarlig brug af AI, så vi bekæmper myter og teknoutopiske framings.

Følgegruppe

Model for Vilde Problemer er oprindeligt udviklet i samarbejde med professor Jacob Hariri (København Universitet) og Anders Kristian Munk (Danmarks Tekniske Universitet) og er kvalitetssikret af en følgegruppe bestående af forskere og topledere fra politik, erhvervsliv og civilsamfund for at sikre relevans og anvendelighed på tværs af sektorer.

  • Jacob Gerner Hariri

    Professor, Political Science, Københavns Universitet

  • Carl-Johan Dalgaard

    Formand for Det Økonomiske Råd
    Professor, Københavns Universitet

  • Nina Smith

    Professor, Institut for Økonomi, Aarhus Universitet

  • Peter Stensgaard Mørch

    Administrerende direktør, PensionDanmark

  • Maj Baltzarsen

    Vicedirektør Tænketanken Brundtland

  • Michael Bang Petersen

    Professor i Statskundskab, AU. Formand for magtudredningen.

  • Kira West

    Direktør i
    Hjem til Alle alliancen

  • Anders Kristian Munk

    Professor i Compatutional Anthropology, DTU

Omtale

Mandag Morgen

“Sigge Winther på vej med ny model til at tackle vilde problemer”.

Læs artiklen her.

Berlingske

“Hans diagnose af dansk politik er blevet nærlæst på Slotsholmen – nu gør regeringen det, han har talt for”.

Læs artiklen her.

Børsen

“Frustreret direktør slog alarm over dyb krise i dansk politik – nu kommer han med sit bud på en løsning”.

Læs artiklen her.

Høring på Borgen

Gense INVIs høring på Christiansborg om Model for Vilde Problemer med Finansministeren.

Se høringen her.

Zetland

“Få danskere tror på, at politikernes forslag kan føres ud i livet. Nu kommer en mulig løsning”.

Læs artiklen her.

Altinget

“Invi svarer tidligere socialchef: Vores model er ikke en tryllestav, der løser vilde problemer”.

Læs artiklen her.

FAQ om modellen

  • 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.

  • 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.

  • Der er intet galt med den eksisterende viden. Tværtimod. Model for Vilde Problemer leverer et supplement til de datakilder, beslutninger normalt træffes på baggrund af – surveys, økonomiske analyser og faste evalueringer. Hvor en survey stiller forudbestemte spørgsmål med lukkede svarkategorier, arbejder modellen med åbne inputs, hvor respondenter formulerer sig med egne ord. Det fanger de perspektiver og nuancer, som lukkede spørgsmål aldrig ville afdække – og giver et mere præcist billede af, hvad der faktisk rører sig i et felt. Forskning og evaluering dokumenterer, hvilke effekter der kom ud af en indsats. Model for Vilde Problemer fortæller dig, hvad folk tænker, oplever og er uenige om – imens forandringen sker.

  • Respondenter udvælges altid i tæt samarbejde med opdragsgiver og fageksperter. Arbejder vi eksempelvis med implementeringen af Ældrereformen, sammensætter vi et implementeringsfællesskab af de aktører, der er tættest på problemet: embedsmænd, ledere, SOSU-assistenter, sygeplejersker, ældre og deres pårørende.

    En nærliggende indvending er, at fagfolk svarer ud fra egne interesser. Vores erfaring er den modsatte: når fagpersoner bliver spurgt om et fagligt spørgsmål, svarer de overvejende ud fra deres konkrete erfaringer med problemet – ikke ud fra ideologi eller fagforeningspositioner. Det bekræfter vores projekter på tværs af dæmoner.

  • Model for Vilde Problemer er opsat på sikker digital infrastruktur, der overholder GDPR, og al data opbevares inden for Europa. De AI-modeller, vi anvender i analysen, træner ikke på de data, vi behandler. Borgernes inputs bruges udelukkende til det formål, de er indsamlet til.

  • Model for Vilde Problemer er udviklet til organisationer, der arbejder med komplekse problemstillinger og har brug for at forstå dem bedre – på tværs af mange stemmer og perspektiver. Det vil typisk sige ministerier, kommuner, fonde, interesseorganisationer og NGO'er. Fælles for dem er, at de står over for beslutninger, der ikke kan træffes på baggrund af tal alene. Modellen kan dog også bruges af forskere og andre med interesse.

  • Modellen er særligt værdifuld, når du sidder med et problem, der er svært at definere præcist, hvor der er mange involverede aktører med forskellige perspektiver, eller hvor tidligere løsninger ikke har virket efter hensigten. Den er oplagt, når du ikke kender alle vinklerne på et spørgsmål og har brug for at blive klogere på, hvad der faktisk rører sig i feltet. Og den er stærk, når fastlåste positioner blandt nøgleaktører kalder på et nyt fælles vidensgrundlag – et neutralt udgangspunkt, alle kan samles om. Endelig kan den bruges til løbende at følge, om en indsats rent faktisk rykker noget over tid.