CMO-graf - så hänger plumbing, ramverk och utfall ihop

Strategilabbet är en realist-CMO-evaluator i Pawson & Tilleys mening: kontextuella förutsättningar aktiverar mekanismer som producerar utfall. Den här grafen visar hur 20 plumbing-targets (vänster) modulerar 8 teoretiska ramverk (mitten) som i sin tur avgör vilken av 6 utfallsklasser (höger) en strategi-session hamnar i. Klicka eller hovera över en nod för att framhäva relationerna.

Hovera eller klicka på en nod för att se detaljer.

Vad grafen visar

9 plumbing-targets - P1 till P9 - är de strukturella parametrar Strategilabbet plumbar genom auto_run och monte_carlo. Varje target är operationaliserad i koden, kalibrerad mot empirisk anchor (Mitchell & Grandage 2026 för completion-rate, Tillitsdelegationen för bureaucracy_mode, etc), och verifierad via en eller flera kalibreringschecks.

6 teoretiska ramverk är de Strategilabbet vilar mot: Meadows 1999 (12 leverage points), Granovetter 1973 + Centola 2018 (weak/strong ties + complex contagion), Burt 1992 (structural holes), Pawson & Tilley 1997 (CMO-modellen), Moore 1995 (Strategic Triangle), och Mintzberg 1978 (deliberate vs emergent). Varje plumbing-target ankrar i minst ett ramverk; några i flera.

6 utfallsklasser är det realistiska utfallsspektrum strategiarbete producerar - från REALISERAD till AVBRUTEN. Klassificeringen följer Mitchell & Grandage 2026 + Mintzberg 1978 + Brunsson 1989. Kalibreringssviten verifierar att varje klass är aktiv och representerad i fördelningen (ingen degenererar).

Varför en CMO-graf

Pawson & Tilley (1997) argumenterar för att utvärdering ska fokusera på realist statements i formen “i kontext C aktiverar mekanism M utfall O”. Strategilabbet är arrangerat så att varje kombination av kontext (P4-P6), mekanismer (P1, P2, P3, P8) och longitudinell ramverk (P7) kan sweepas systematiskt och ger fördelningar över de 6 utfallsklasserna. Cirka 10⁸ konfigurationer är teoretiskt möjliga; kalibreringssviten täcker de empiriskt viktigaste regimerna.

Replikering

Hela rummet är reproducerbart från seed: samma monte_carlo(..., base_seed=42) ger samma fördelning. Calibration-suite med 22 checks (python -m app.scenarios.calibration) körs som regression-skydd vid varje kodändring.