TechSverige släpper en rapport om nutiden och framtiden för AI i Sverige. Du kan ta del av hela rapporten i sin helhet här.
Bakgrund
I mars 2024 arrangerade TechSverige tre rundabordssamtal om Sveriges roll i den pågående AI-utvecklingen. Dessa samtal samlade ledande experter och viktiga intressenter för att diskutera tre perspektiv: AI-utveckling, AI-användning och AI-ekosystemet i Sverige. Varje samtal hade ett fokus på att undersöka Sveriges strategiska position för att bygga konkurrenskraft inom AI samt de behov detta medför. Samtalen genomfördes enligt Chatham House Rule, vilket innebär att informationen kan delas, men inga uttalanden tillskrivs enskilda deltagare.
Denna rapport sammanfattar de tre rundabordssamtalen. Om en aspekt endast behandlades i ett samtal eller om en grupp avvek från de andra, rapporteras detta explicit. I övrigt ger rapporten en övergripande sammanfattning av de frågor som diskuterades och en bred konsensus om Sveriges möjligheter och utmaningar inom AI-utvecklingen. Varken rapporten eller samtalen ger en komplett bild av allt som händer inom området, men de identifierar viktiga frågor att arbeta vidare med.
Samtalen leddes av Joakim Wernberg, forskningsledare vid Entreprenörskapsforum och lektor i Teknik och samhälle vid Lunds universitet. Deltagarförteckningen finns i slutet av rapporten.
Sammanfattning
En gemensam insikt från samtalen är behovet av starkt ledarskap för att driva och samordna AI-arbetet både inom organisationer och på nationell nivå. Det betonas att AI inte bör reduceras till en fråga för IT-avdelningen, utan integreras i bredare politiska och ekonomiska strategier.
Sveriges Strategiska Fördelar
Sverige har två betydande strategiska fördelar inom AI-ekonomin: tillgång till högkvalitativ data och förmågan att utveckla lokala och specialiserade AI-tillämpningar. Den övergripande AI-utvecklingen har drivits av tre faktorer: beräkningskapacitet, data och algoritmer. Med nuvarande tekniska begränsningar är det viktigt att fokusera på kvalitativ data och effektiva modeller som kräver mindre datamängd och beräkningskapacitet.
Betydelsen av Data
Data anses vara viktigare än själva AI-modellerna. Sveriges offentliga register och offentlighetsprincipen utgör en strategisk resurs, särskilt inom vård, skola och omsorg. Lokala, högkvalitativa datamängder kan även användas för att skapa syntetiska datamängder för AI-träning. Ett hinder är dock tolkningen av dataskyddsregler som GDPR, och Sveriges långsamma framsteg med öppna data indikerar ytterligare utmaningar.
Konkurrens genom Specialiserade Tillämpningar
Svenska företag kan konkurrera genom att utveckla lokala och specialiserade AI-tillämpningar som bygger på större modeller. Dessa tillämpningar kan skalas upp och nå en bredare marknad, liknande hur appar utnyttjar smartphone-teknologi.
Digital Omställning i Offentlig Sektor
Den offentliga sektorn har varit långsammare i sin digitala omställning jämfört med resten av ekonomin och andra länder. Juridisk och teknisk fragmentering mellan offentliga verksamheter är ett betydande hinder. Harmonisering av regelverk och bättre interoperabilitet är nödvändiga för att främja AI-användning.
Kompetensbehov
Rapporten identifierar tre typer av kompetensbehov: användare, regeltolkare och byggare. Användarkompetenser och juridisk kompetens för att hantera AI-regelverk är särskilt viktiga. Praktisk teknisk kompetens är också avgörande för att implementera och finjustera AI-system.
Inledning
AI-utvecklingen befinner sig i en avgörande fas där teknisk innovation, användning och reglering av tekniken förändras samtidigt i snabb takt. Denna dynamik skapar möjligheter för företagsledare, myndighetschefer och politiska beslutsfattare att identifiera strategiska resurser och stärka konkurrenskraften i den framväxande AI-ekonomin. Samtidigt beror resultatet på hur dessa tre områden—teknisk utveckling, användning av tekniken och dess reglering—samverkar. Utvecklingen inom ett av dessa områden påverkar sannolikt de andra två, vilket understryker vikten av en integrerad strategi.
Sammanfattning
Samtliga rundabordssamtal betonade behovet av ledarskap för att driva och samordna AI-arbetet, både inom enskilda organisationer och från regeringen. AI och digitalisering får inte reduceras till IT-avdelningens ansvar. Istället behövs bättre politik som utnyttjar AI inom alla områden.
Sverige har två potentiella strategiska fördelar inom AI-ekonomin: tillgången till högkvalitativa data och förmågan att utveckla lokala eller specialiserade AI-tillämpningar. Utvecklingen inom AI har varit beroende av tre faktorer: beräkningskapacitet, data och algoritmer. Nu tycks framstegen nå en kulmen, vilket ökar incitamenten att bygga AI-modeller som kräver mindre data och beräkningskapacitet.
Data är viktigare än AI-modeller. Offentliga register och offentlighetsprincipen är strategiska resurser för Sverige, särskilt inom vård, skola och omsorg. Hinder som GDPR och bristen på öppna data hindrar dock potentialen. Svenska företag kan konkurrera med lokala eller specialiserade AI-tillämpningar som bygger vidare på stora modeller. Dessa tillämpningar kan vara skalbara och nå en större målgrupp, likt appar som använder smartphones kapacitet.
Den offentliga sektorns digitala omställning har varit långsammare än övriga ekonomin och jämfört med andra länder. Juridisk och teknisk fragmentering mellan offentliga verksamheter hindrar interoperabilitet och datadelning. Att främja experimenterande med ny teknik i offentlig sektor är viktigt.
Rundabordssamtalen identifierade tre kompetensbehov: användare, regeltolkare och byggare. Bristen på tekniska användarkompetenser och juridisk kompetens är större än bristen på teknisk spetskompetens. Förutom spetskompetens behövs hantverksmässig kompetens för att implementera och finjustera AI-system, till exempel genom teknisk industrigymnasieutbildning.
Användarkompetens är avgörande och sträcker sig över hela ekonomin. Behovet av datahanteringskompetens (data literacy) är centralt. Juridisk kompetens behövs för att möjliggöra AI-användning. Problemen med öppna data och GDPR i offentlig sektor visar behovet av harmoniserad regeltolkning och resurser för att sänka juridiska trösklar. Många företag, särskilt små och medelstora, saknar juridisk kompetens för att använda AI-teknik. Ökande regelverk kan bli ett betydande hinder för AI-utvecklingen.
Sverige har potential att utveckla ett starkt inhemskt AI-ekosystem, men det finns en outnyttjad potential i samarbeten utanför landets gränser på nordisk eller nordisk-baltisk nivå.
Tekniken
Under de senaste två decennierna har utvecklingen inom maskininlärning, särskilt djupinlärning, gjort stora framsteg och blivit en drivkraft inom AI. Nyligen har stora AI-modeller, speciellt språkmodeller som ChatGPT, fått stor uppmärksamhet globalt och påverkat både politiker, företagsledare och allmänheten.
Det är dock viktigt att förstå att AI är ett brett begrepp. Många AI-teknologier är mer specialiserade och mindre synliga än generativ AI, men deras ekonomiska påverkan är betydande. AI-konceptet har funnits sedan 1950-talet, och många äldre tekniker fungerar liknande dagens AI genom att använda data för att justera sitt beteende, exempelvis reglerteknik och optimering som utvecklades under tidigt 1900-tal.
Trots detta finns det viktiga skillnader med dagens AI-tekniker. En central skillnad är att moderna AI-modeller, som ChatGPT, genererar svar på ett sätt som inte ens deras skapare kan förklara i detalj. Denna “svarta låda”-problematik ställer höga krav på användarnas förståelse för både AI
kapacitet och begränsningar. AI
förmåga att upptäcka statistiska mönster som människor inte kan förutsäga har stor potential för tillväxt och välstånd, exemplifierat av DeepMinds modell för att förutsäga proteinveckning.
Att förstå AI
inverkan på ekonomi och samhälle kräver att man specificerar vilken teknik man studerar för att undvika felaktiga jämförelser. Studier om arbetsautomation på grund av AI påverkas ofta av vilken AI-teknik som var aktuell vid studietillfället. Vi behöver empiriska studier och teoretiska diskussioner för att förstå hur AI
unika förmåga att utföra analytiskt arbete kommer att påverka samhället på sikt.
AI är i grunden mjukvara (som kan integreras med hårdvara och robotik) och en del av den bredare digitaliseringen av samhället. Detta medför en stor potential för innovation, tillväxt och välstånd. Men organisationer och samhällen som inte anpassar sig till denna digitala omställning riskerar att missa AI-teknikens fulla potential, både nu och i framtiden.
Användningen
På ytan kan det verka som att ChatGPT plötsligt dök upp, men utvecklingen av stora språkmodeller har pågått länge. Det som var nytt med ChatGPT var det användarvänliga gränssnittet som gjorde tekniken tillgänglig för alla. Eftersom det är en mjukvarubaserad och datadriven tjänst som sprids via internet till redan befintliga datorer och mobiler, kunde den snabbt integreras i ekonomi och samhälle.
När ny teknik som generativa AI-verktyg distribueras via befintliga enheter blir tekniken tillgänglig för fler och användningen sprids från gräsrotsnivå uppåt, inte bara genom beslut från högre nivåer. Den ökade tillgängligheten skapar möjligheter för fler organisationer att experimentera med tekniken, men innebär också utmaningar.
Historien visar att teknikinvesteringar i sig inte automatiskt leder till ökad produktivitet. Det krävs att arbetssätt, organisation och ibland affärsmodeller anpassas för att utnyttja tekniken fullt ut. Statistiken som mäter digitaliseringen fokuserar ofta på teknikinvesteringar, vilket inte ger en fullständig bild. Investeringar i teknik är kända kostnader, medan organisatoriska anpassningar och innovationer ofta underskattas.
Det är en utmaning när anställda får tillgång till nya AI-verktyg via sina mobiltelefoner samtidigt som deras arbetsplatser behöver investera i datadriven innovation och kompetensutveckling. Det handlar om att integrera AI-verktyg i arbetssätt och processer inom organisationer och enligt rådande regelverk.
AI kan komplettera mänskligt arbete, men hur denna arbetsdelning ska se ut är inte självklart. Studier visar att läkare som använder AI för att bedöma röntgenbilder kan påverkas av sina förväntningar på AI
Med generativ AI och språkmodeller finns risken att människor överskattar tekniken eftersom det kan kännas som att maskinen tänker som en människa.
Generellt är större företag snabbare på att ta till sig ny teknik än småföretag, men teknikdrivna startups är ofta snabbare på att dra nytta av ny teknik än stora etablerade företag. Detta mönster gäller även för digitaliseringen. Stora företag med över 250 anställda har kommit längre i sin digitala omställning än små och medelstora företag och var tidiga med att investera i AI. SCB
mätningar från 2019 till 2021 visar att användningen av AI ökade mest bland medelstora företag med 50–249 anställda.
AI-verktyg som levereras som molntjänster eller via digitala plattformar är mer tillgängliga för små och medelstora företag eftersom de inte kräver stora investeringar i egen hårdvara. Samtidigt utvecklas tekniken snabbt och konkurrensen om den kompetens som behövs för att utnyttja AI-verktyg och hantera data är hård. Mindre företag tenderar att vänta tills tekniken är standardiserad och risken för misslyckande är lägre, delvis på grund av deras mindre ekonomiska marginaler.
Inom offentlig sektor är utmaningarna annorlunda, eftersom verksamheten styrs mer av regler och lagar. När digitaliseringsstatistik började inkludera offentliga digitala tjänster, sjönk Sveriges placering i internationella rankningar. Det beror delvis på att det krävs stora organisatoriska investeringar för att erbjuda effektiva och rättssäkra offentliga tjänster.
Två lärdomar från digitaliseringsarbetet kan tillämpas på AI-utvecklingen: För det första bör AI integreras i befintliga politikområden som arbetsmarknad, socialtjänst och utbildning, istället för att behandlas som ett separat politikområde. För det andra måste nya regelverk tolkas och tillämpas konsekvent mellan olika myndigheter. GDPR har resulterat i varierande tolkningar, vilket är kostsamt och svårt för mindre kommuner att hantera.
Det är viktigt att komma ihåg att AI inte automatiskt förbättrar allt. Historikern Nina Wormbs beskrev 2010 det “digitala imperativet” – tron att allt blir bättre om det är digitalt. Denna insikt bör beaktas när vi navigerar framtida AI-teknik. AI är ett verktyg för att uppnå andra mål inom organisationer och samhället, inte ett mål i sig självt.
Politik och AI-reglering
Inom politiken sker mycket utveckling, men att reglera AI är utmanande eftersom AI är ett brett begrepp som innefattar både ny och äldre teknik. EU har antagit en AI-förordning som ska implementeras i alla medlemsländer. Parallellt pågår arbete inom OECD och FN för att etablera AI-relaterade regelverk som också kommer att påverka Sverige. Dessa regelverk är horisontella, utformade för att täcka alla användningsområden för AI, även om EU
AI-förordning delar in vissa tillämpningsområden i olika risknivåer som regleras separat. Detta innebär att utöver implementeringen måste regelverken integreras med befintliga branschspecifika regler.
AI-förordningen och liknande regelverk är inte teknikneutrala, vilket skapar tolkningsfrågor och risk för skeva incitament i ekonomin. Att förordningen är antagen innebär inte att arbetet med att etablera ett effektivt regelverk är över, utan snarare att det bara har börjat.
Nationellt har Sverige tillsatt en AI-kommission och har en Produktivitetskommission som kommer att undersöka hur Sverige och svenska företag kan dra nytta av digitaliseringen och AI-utvecklingen för att stärka konkurrenskraften. Dessutom uppdateras Sveriges nationella digitaliseringsstrategi under 2024.
Den politiska ansatsen handlar om att både reglera och främja AI-utveckling. Regelverk kan förhindra oönskade fenomen och skapa pålitliga spelregler som främjar omställning, innovation och entreprenörskap. Diskussionen om ansvarsfull och etisk AI-användning har dominerat samhällsdebatten, men det är också viktigt att lyfta fram teknikens potentiella värden. Många länder utvecklar sina egna AI-strategier för att inte hamna på efterkälken. Frågan är vad vi har lärt oss av digitaliseringen hittills och hur vi kan undvika att upprepa gamla misstag samtidigt som vi utnyttjar nya AI-lösningar för att påskynda den digitala omställningen.
Vägen Framåt
Den snabba utvecklingen inom AI-teknik, dess användning och politik påverkar alla dessa områden ömsesidigt. Detta skapar stora möjligheter att påverka utvecklingen, men det är också en utmaning att träffa rätt mål i en föränderlig miljö. Därför är det viktigt att ha ödmjukhet inför prognoser, framtida kompetensbehov och användningsområden för AI. Flexibilitet kan vara viktigare än detaljerad planering, samtidigt som marknaden behöver stabila spelregler trots en osäker framtid.
TechSverige har genom rundabordssamtal med experter från olika sektorer främjat kunskapsutbyte och dialog för att diskutera Sveriges strategiska position inom AI. Dessa samtal syftar inte till att ge definitiva svar, utan att formulera bättre frågor för framtida arbete. Jag tackar TechSverige och alla deltagare för deras insatser. Förhoppningsvis markerar dessa diskussioner början på ett bredare utbyte kring AI-utvecklingen.
Med vänliga hälsningar,
Joakim Wernberg
Forskningsledare vid Entreprenörskapsforum, lektor i Teknik och samhälle vid Lunds universitet samt forskargruppschef för Socioekonomiska teknikstudier (SoeTech)
1. Ledarskap med AI som medel
Ledarskap som en katalysator
Behovet av starkt ledarskap för att driva och samordna AI-arbetet, både inom organisationer och på politisk nivå, framhölls i alla rundabordssamtal. Erfarenheter från tidigare digitalisering har visat att fokus ofta lagts för mycket på tekniken, vilket försenat omställningen. AI-tekniken är tillgänglig för alla med internet, vilket skapar både möjligheter och behov inom många olika områden. Ledarskap handlar inte om att ha alla svaren, utan om att fungera som en katalysator för AI-arbetet över hela samhället. Förutom starkt ledarskap lyfte deltagarna fram vikten av goda exempel, ambassadörer och betydelsefulla reformer för att främja AI-användning. Frågan är om det finns en “hem-PC-reform” för AI.
AI som Katalysator
Det finns en bred enighet om att Sverige måste agera för att stärka sin position i den snabba AI-utvecklingen, men det råder inte samma enighet om varför detta är viktigt och hur det ska genomföras. Det krävs politiskt ledarskap inom AI-området, men fokus bör ligga på hur tekniken kan användas för att skapa värde inom andra politikområden snarare än på tekniken i sig. Ledarskapet måste förstå AI
potential och begränsningar samt prioritera resurser för att testa, lära och implementera AI inom olika verksamheter och politikområden. AI-politik får inte bli isolerad som tidigare IT- och digitaliseringspolitik ofta har blivit.
AI är inget självändamål
AI-ledarskap måste förankras på flera nivåer, upp till regeringsnivå. Viktiga frågor att besvara är vilket samhälle vi vill bygga och hur AI kan bidra till att förverkliga den visionen. Exempelvis kan en nationell datainfrastruktur och strategi för datadriven innovation bidra till att lösa vårdkrisen, utveckla utbildningen eller främja svensk export. Sverige behöver inte en separat AI-politik, utan bättre politik med hjälp av AI inom alla områden. Varje tekniksatsning bör förankras i konkreta förväntningar om hur den kan bidra till en bättre värld. En väg framåt kan vara att fokusera politiska satsningar på specifika områden eller funktioner som informations- och cybersäkerhet, och att integrera AI som en naturlig del av alla politikområden.
En hem-pc-reform för AI?
Hem-pc-reformen blev en symbol för den tidiga datoriseringen i Sverige, vilket ledde till att många hushåll fick datorer som barn och ungdomar använde för att spela spel, lära sig programmera och praktiskt använda tekniken. Den generationen växte upp med tekniska färdigheter som senare bidrog till innovation och entreprenörskap. Detta resultat var dock inte den ursprungliga avsikten med reformen.
Under rundabordssamtalen diskuterades vad som skulle kunna motsvara hem-pc-reformen för AI. Om målet är att öka tillgången till AI-teknik, kan stora språkmodeller och tjänster som Chat GPT ses som en lösning. Dessa modeller har inte utvecklats över en natt, men Chat GPT introducerade ett användarvänligt gränssnitt som snabbt spred tekniken. AI är mer än generativa AI-verktyg, och när människor experimenterar med dessa lär de sig gradvis mer om tekniken.
För kompetenshöjande insatser finns initiativ som AI Competence for Sweden och kurser som Elements of AI som tillgängliggör ämnet på ett enkelt sätt. Till skillnad från hem-pc-reformen är kompetensbehoven inom AI inte lika homogena över hela befolkningen. En utmaning med AI är att tillämpningarna ofta är som “svarta lådor”, vilket innebär att man inte kan förutsäga deras output utan måste förstå deras begränsningar för att använda dem effektivt.
Ett annat perspektiv är att det kanske inte finns en direkt motsvarighet till hem-pc-reformen för AI. Istället för att fokusera på AI som ett eget mål, bör AI användas som ett medel för att uppnå andra mål. Detta innebär att AI inte bör isoleras som ett separat politikområde utan integreras i alla politikområden för att främja innovation och tillväxt.
2. Sveriges konkurrenskraft och strategiska fördelar i AI-ekonomin
Att hitta sin plats i framväxande värdekedjor
Nya värdekedjor kring AI, särskilt generativ AI driven av stora språkmodeller (LLM), håller på att ta form. Hur dessa kedjor kommer att se ut är fortfarande oklart. OpenAI skapar en egen appbutik för sina språkmodeller medan Meta har öppnat sin språkmodell och företag som Google och Microsoft integrerar språkmodeller i sina produktportföljer. Generativ AI utgör bara en del av den bredare AI-tekniken som används i ekonomin.
Utvecklingen inom AI har drivits av tre faktorer: beräkningskapacitet, data och algoritmer. De senaste 20 åren har utvecklingen främst berott på ökad tillgång till träningsdata och beräkningskapacitet, men nu närmar vi oss en punkt där beräkningskapacitet och dess energiåtgång blir nya flaskhalsar. Detta skapar incitament för utvecklare att skapa AI-modeller som använder mindre men mer högkvalitativ data och/eller kräver mindre beräkningskapacitet.
För svenska innovatörer, entreprenörer och företag finns två viktiga aspekter för att inta en strategisk position i dessa nya värdekedjor. För det första är AI-värdekedjor datadrivna, och för det andra ligger mycket av värdeskapandet i lokalt anpassade eller specialiserade tillämpningar. Därför kan Sveriges konkurrensfördelar finnas både i att hantera data som resurs och i att utveckla lokala och specialiserade AI-tillämpningar.
Detta kapitel behandlar frågor kring data som resurs, utveckling av lokala och specialiserade AI-tillämpningar, och ekosystemet kring de aktörer som utvecklar AI-teknik och nya tillämpningar i Sverige.
Data är viktigare än AI-modeller
Data spelar en större roll än AI-modeller i många sammanhang. AI är beroende av tekniska och institutionella strukturer för att hantera, dela och använda data effektivt. Även när AI-modeller används för specifika tjänster behöver de ofta data från användarna. Det är vanligare att AI fungerar som en datadriven tjänst som involverar flera parter, vilket minskar enskilda organisationers autonomi men skapar mer sammanflätade ekonomiska relationer, liknande digitala plattformar och molntjänster.
Det är viktigt att ha goda förutsättningar för att samla in data och upprätthålla dataflöden både inom och utanför Sverige för att maximera nyttan av AI-tillämpningar. Internetdata som används för att träna stora AI-modeller är ofta av låg kvalitet och förväntas bli sämre med tiden på grund av maskinöversättningar och andra fel. Det kan leda till en ökad efterfrågan på små men högkvalitativa datamängder för specifika tillämpningar.
Lokala och specialiserade datamängder kan användas för att skapa syntetiska datamängder för AI-träning. Det är inte längre självklart att datavolym eller beräkningskapacitet kommer att driva AI-utvecklingen framåt. Istället kan beräkningseffektiva AI-verktyg som bygger på mindre men mer kvalitativ data bli viktigare.
Politisk reglering som inte kan tydligt definiera AI-teknik skapar osäkerhet på marknaden och kan leda till skeva incitament. Genom att fokusera mer på data som resurs snarare än specifik AI-teknik kan politiska initiativ bli mer teknikneutrala och främja en mångfald av tekniska lösningar.
Tillgång till högkvalitativa data är en betydande strategisk fördel för Sverige. Sveriges omfattande offentliga register och offentlighetsprincipen ger möjligheter att tillhandahålla högkvalitativa datamängder inom områden som vård, skola och omsorg. Men Sverige har halkat efter i digitaliseringen av offentlig sektor och tillgängliggörandet av öppna data, vilket behöver åtgärdas för att realisera den potentiella konkurrensfördelen. Andra länder har nu kommit ikapp eller gått förbi Sverige i dessa avseenden.
Betydelsen av Lokala och Specialiserade AI-Tillämpningar
Alla grupper betonade vikten av lokala eller specialiserade AI-tillämpningar, särskilt för generativ AI. Dessa tillämpningar innebär att mer generella AI-verktyg anpassas till lokala förhållanden eller vidareutvecklas för mycket specifika användningsområden. Det ekonomiska värdet av AI kommer troligen att kräva lokala anpassningar och specifika datamängder för att uppfylla kvalitetskraven. Dessa tillämpningar förekommer ofta i korta värdekedjor med få aktörer, där mycket av värdet ligger i själva anpassningsarbetet.
Gruppen som fokuserade på utvecklingsfrågor noterade att många företag som vill använda AI internt kommer att behöva utveckla anpassningar av generella tillämpningar för att passa lokala behov. Därför kan det vara strategiskt att fokusera på att utveckla lokala och specialiserade AI-tillämpningar för att öka både utbudet och användningen av AI-baserade tjänster och produkter.
Specialiserade tillämpningar kan ha smalare användningsområden men är ofta skalbara och kan nå en bredare publik. Detta liknar utvecklingen av appar och mjukvaruprogram som utnyttjar smartphones generella kapacitet för att leverera specifika tjänster. Tillgången till högkvalitativa data inom specifika områden är en viktig resurs för sådant utvecklingsarbete.
Svenska företag kan konkurrera med stora teknikföretag genom att skapa lokala eller specialiserade tillämpningar som bygger på stora AI-modeller. Detta liknar hur Google, Amazon, Meta och Apple sänkte trösklarna för nya uppstartsföretag att utveckla och skala upp digitala tjänster. Studier visar att innovation i ekonomin blivit mer mjukvaruberoende, delvis på grund av tillgången till tekniska byggstenar. Men regleringen av data och digitala marknader kan utgöra en flaskhals för framtida entreprenörer och innovatörer.
Anpassade AI-Lösningar och Ekosystem för AI
Båda grupperna som fokuserade på AI-användning och AI-ekosystem betonade behovet av att utveckla möjligheter för testning och experimentering utöver de nuvarande regulatoriska sandlådorna. Specifikt lyftes behovet av att experimentera inom befintliga värde- och leveranskedjor samt genom samarbete mellan små och stora företag, eller mellan offentliga beställare och privata leverantörer. Detta behov uppstår delvis på grund av att många praktiska tillämpningar initialt måste anpassas till lokala förhållanden snarare än att testas i en standardiserad form som senare kan tillämpas brett. Dessutom skiljer sig behoven åt mellan exempelvis teknikdrivna uppstartsföretag, befintliga småföretag och stora företag.
I gruppen som fokuserade på AI-användning underströks vikten av att möjliggöra för små och medelstora företag att tidigt experimentera med och implementera AI-verktyg i sina verksamheter. Digitaliseringens historia visar att omställningstakten har varit ojämn, där mindre företag ofta uppvisar låg digital mognad i fråga om teknikinvesteringar och förändrade arbetssätt. Detta beror bland annat på deras små marginaler, begränsade resurser och höga trösklar för att dra nytta av ny teknik tidigt. Samtidigt är gruppen små och medelstora företag mycket heterogen, vilket innefattar både innovationsdrivna uppstartsföretag och etablerade småföretag.
Det är troligt att vi kommer att se samma mönster med ojämn omställning för AI-verktyg. Om målet är att främja AI-användning bland dessa företag, kommer deras behov att variera kraftigt, och det finns ingen universell “AI-lyft” som fungerar för alla. Därför behövs generella åtgärder (horisontella, snarare än vertikala teknikspecifika eller branschspecifika åtgärder) som sänker trösklarna och gör det enklare för mindre företag att experimentera med en bred variation av ny teknik för olika ändamål. Om sådana åtgärder är framgångsrika, kan de främja både ett ökat utbud av avancerade AI-tillämpningar och en växande efterfrågan på dessa tillämpningar.
3. Digitalisering och AI i offentlig sektor
Start i uppförsbacke eller en chans att komma ikapp?
Hur den offentliga sektorn anpassar sig till och drar nytta av AI och digitalisering är avgörande för Sveriges ställning inom AI-utveckling, samt för landets konkurrenskraft, tillväxt och välstånd. Det handlar både om att effektivisera offentliga tjänster och att fungera som kravställare och beställare av ny teknik och innovation.
Erfarenheterna hittills visar att omställningen har gått betydligt långsammare inom den offentliga sektorn jämfört med resten av ekonomin. Sverige har fallit i internationella jämförelser och ligger nu under genomsnittet i OECD
Digital Government Index. Denna eftersläpning beror delvis på den striktare regleringen inom offentlig verksamhet, vilket försvårar experimenterande med ny teknik och förändrade arbetssätt. Trots att Sverige hade en ledande position i digitaliseringens tidiga skede, har detta försprång minskat kraftigt.
Frågan är om svenska myndigheter, regioner och kommuner börjar i motvind på grund av den långsamma digitaliseringstakten, eller om detta är en möjlighet att komma ikapp. Rundabordssamtalen har framförallt belyst externa perspektiv på digitaliseringen i offentlig sektor, med fokus på de problem som uppstår i relation till offentliga verksamheter och tjänster.
Teknisk och juridisk fragmentering
Det finns viktiga lärdomar från hur offentlig sektor, särskilt regioner och kommuner, hanterar och implementerar GDPR. Tolkningarna varierar kraftigt, vilket leder till inkonsekvent datahantering och kravställning. Inom en och samma kommun kan det finnas olika tolkningar av GDPR. Denna fragmentering speglar det välkända tekniska problemet med inkompatibla IT-system inom samma offentliga enhet.
Det är opraktiskt och ineffektivt att varje offentlig organisation självständigt tolkar regelverk för digitala tjänster och datahantering. Detta behov förstärks ytterligare med nya regelverk på horisonten, vilket gör att en centraliserad, harmoniserad regeltolkning och rådgivning inom offentlig sektor är nödvändig. En sådan funktion skulle effektivisera offentliga verksamheter, främja erfarenhetsutbyte och underlätta interaktion med privata aktörer.
Ökad interoperabilitet och harmonisering av teknisk datahantering inom offentliga verksamheter är också avgörande för att främja datadelning och datadriven innovation. Trots att det är ett känt problem, betonas i rundabordssamtalen att det är svårt att lösa. It-infrastrukturen varierar mellan och inom offentliga verksamheter. Ett förslag är att införa gemensamma datastandarder ovanpå befintlig infrastruktur, inspirerat av Estlands digitala plattformsarkitektur X-roads och Government Cloud. Detta skulle förhindra att offentliga verksamheter skapar egna, icke-kompatibla AI-system.
En annan aspekt är svårigheten att upprätthålla beställarkompetens inom offentliga verksamheter. Beställare har expertkunskap om sin egen verksamhet, men det är svårt att kvalitetssäkra externa leverantörer tekniskt och juridiskt. Denna problematik förvärras med nya regelverk på AI- och dataområdet. Ett förslag är att införa en gemensam funktion för att certifiera leverantörer, vilket skulle stärka beställarkompetensen, öka tilliten och underlätta för små och medelstora företag att leverera till offentliga verksamheter, utan att öka marknadens trösklar.
Enklare att experimentera
För att främja experimentering med ny teknik i offentliga verksamheter måste det bli enklare och mer motiverat. Förutom att hantera regelverk, tekniska system och beställarkompetens, krävs interna incitament för att testa ny teknik, lära sig och stegvis anpassa verksamheten. Det behövs kompetens och mandat för förändringsarbete på flera nivåer. Sveriges Kommuner och Regioner (SKR) kan fungera som en centralpunkt för att främja lärande och spridning av goda exempel.
Ofta finns en rädsla för misstag inom offentlig sektor, vilket hämmar innovation. Det måste bli accepterat att göra små misstag tidigt för att undvika större problem senare. Ett exempel är konflikten mellan Stockholms stad och Öppna skolplattformen. Även om åsikterna i det specifika fallet varierar, är det klart att parternas intressen borde ha varit förenliga från början. Detta fall belyser vikten av samarbete och lärande av misstag.
4. Kompetensbehov och kompetensförsörjning
Byggare, användare och regeltolkare
AI-teknik kan underlätta eller automatisera delar av analytiskt arbete, vilket förändrar hur arbete organiseras både på arbetsplatser och i samhället. Diskussionen om AI
påverkan har utvecklats från att fokusera på vilka jobb som försvinner eller skapas, till att belysa hur alla typer av arbete kommer att förändras. Detta kräver omfattande kompetensutveckling för att kunna använda ny teknik och anpassa sig till nya arbetssätt.
I rundabordssamtalen identifierades tre kompetensområden: användare, regeltolkare och byggare. Deltagarna betonade att tekniska användarkompetenser och juridisk kompetens för att hantera data och AI-regelverk är mer kritiska än teknisk spetskompetens. Detta speglas i uttrycket “AI tar inte ditt jobb, men en person som kan använda AI kanske gör det.” Organisatoriska investeringar och innovationer är avgörande för att realisera produktivitetsvinster från ny teknik, snarare än teknikinvesteringar i sig.
Det behövs teknisk kompetens, men debatten om att det behövs fler universitetsutbildade ingenjörer måste nyanseras. Det som efterfrågas är praktisk teknisk kompetens för att implementera och anpassa AI-lösningar, vilket inte alltid kräver universitetsutbildning.
Diskussionen om teknisk spetskompetens, användarkompetens och juridisk kompetens utvecklas ytterligare i följande avsnitt.
Teknisk spetskompetens
Den allmänna samhällsdebatten har starkt betonat behovet av teknisk expertis och civilingenjörer med kunskap om AI. I alla tre grupper framkom dock att behovet av universitetsutbildad teknisk spetskompetens är viktigt men inte tillräckligt, och att debatten behöver nyanseras.
En vanlig missuppfattning är att teknisk spetskompetens enbart handlar om fler år på universitet. I verkligheten efterfrågas praktisk teknisk kompetens, vilket innebär förmågan att implementera och finjustera system baserade på befintlig AI-teknik. Denna kompetens, kallad “byggare”, ligger någonstans mellan en “promptingenjör” och en masterexamen i datavetenskap. Exempelvis har tekniska industrigymnasieutbildningar visat sig vara bra på att förmedla denna praktiska tekniska kompetens.
Denna typ av praktisk kompetens behövs också för att kunna utnyttja den forskarkompetens som redan finns inom AI-området i Sverige. Ett återkommande exempel i diskussionerna är Wallenberg Autonomous Systems and Software Program (WASP), som kommer att producera en disputerad forskare per vecka under sin resterande projekttid. För att dessa forskare och avancerade utvecklare ska kunna bidra effektivt, vare sig genom att implementera befintliga lösningar i företag eller starta nya företag, behövs fler med byggarkompetens.
Det finns fortfarande ett behov av teknisk spetskompetens på universitetsnivå. Diskussionerna visade dock att behovet av teknisk spetskompetens är betydligt mindre än behovet av användarkompetens och juridisk kompetens just nu. Behovet av teknisk spetskompetens kan inte heller tillgodoses enbart genom att utbilda fler ingenjörer på universitet. Det behövs praktisk och hantverksmässig byggarkompetens kopplat till digitalisering och AI.
En annan viktig punkt som lyftes i gruppen som fokuserade på AI-utveckling är att behovet av teknisk spetskompetens minskar över tid i takt med att tekniken mognar och blir mer tillgänglig som standardiserade produkter och tjänster. Chat GPT
användarvänliga gränssnitt har gjort avancerad AI-teknik tillgänglig för fler personer. Detta innebär också att AI-användandet i ökande grad kommer in i organisationer via deras anställda.
Användarkompetens och juridisk kompetens
Än viktigare än teknisk kompetens är den kunskap som gör det möjligt för experter inom andra områden att använda AI-teknik i sitt arbete. Behovet av sådan användarkompetens är stort och sträcker sig över hela ekonomin, vilket gör det betydligt viktigare än behovet av teknisk spetskompetens. Erfarenheterna hittills visar att användarkompetenser ofta har underskattats. En grupp betonade vikten av att utbildningar för exempelvis lärare och läkare inkluderar AI-teknik, så att studenterna lär sig använda verktygen praktiskt och blir bekväma med tekniken innan de börjar arbeta. Detta står i kontrast till hur digitalisering hanterats i grundskolan, där lärarnas användarkompetens ofta har utvecklats reaktivt snarare än proaktivt. En annan grupp betonade att forskare inom andra områden än datavetenskap också behöver lära sig använda AI-verktyg för att effektivisera sin forskning. Alla grupper poängterade vikten av att högskole- och universitetsstudenter enkelt kan anpassa sina utbildningar för att till exempel en journaliststudent ska kunna läsa en kurs i AI och en ingenjörsstudent en kurs i journalistik. Båda kompetenserna är viktiga.
En central del av användarkompetensen är att förstå och kunna hantera data som resurs (data literacy), vilket ofta är viktigare än själva AI-modellerna. Behovet av användarkompetens är stort inom offentlig sektor, dels på grund av de reglerade arbetssätten, dels för att offentlig sektor är en viktig beställare av AI.
Det finns också ett stort behov av juridisk kompetens för att möjliggöra användningen av AI. Offentlig sektor har visat att det finns stora utmaningar med tolkningen av GDPR och andra regelverk. Många företag, särskilt mindre, saknar den juridiska kompetensen för att säkerställa hur de kan använda AI. Alla grupper lyfte behovet av en central myndighet som kan minska juridisk osäkerhet genom att informera brett, fungera som en kunskapsresurs, ta fram standardiserade underlag och ge rådgivning i enskilda fall.
I diskussionerna om AI i grund- och gymnasieskolan konstaterades att det finns två huvudskäl till att inkludera AI i utbildningen: att lära elever att använda tekniken och att förstå dess påverkan på samhället. Att göra AI till ett eget ämne är inte nödvändigt, utan tekniken bör integreras i befintliga ämnen. Inom STEM-ämnen kan AI-verktyg underlätta lärandet, medan teknikens samhällspåverkan kan behandlas i samhällskunskap och liknande ämnen.
Avslutningsvis
Vi står inför en omvandling som kan jämföras med internetrevolutionen på 1990-talet eller elektricitetens framväxt. I detta sammanhang är det viktigt att vara ödmjuk inför vår begränsade kunskap om framtiden, även på kort och medellång sikt. Därför behövs dialog och lyhördhet, som dessa rundabordssamtal representerar. Anpassningsförmåga är viktigare än långsiktig planering.
De åsikter som lyfts fram här speglar en pågående process. Rapporten är inte ett slutgiltigt svar utan en ögonblicksbild som fungerar som en tillfällig kompass. Vi måste fortsätta dialogen och skapa möjligheter för fler att experimentera med och dra nytta av AI-utvecklingen.
Deltagare
Rundabordssamtalen om AI:s utveckling, användning och ekosystem hölls i Stockholm den 6–8 mars 2024. Deltagarna inkluderade ledande experter från olika sektorer:
– Daniel Akenine, Microsoft Sverige
– Håkan Andersson, IBM Sverige
– Hannes Berggren, Amazon Web Services
– Björn Blomqvist, Axfood AB
– Catharina Borgenstierna, Archibalds Adventures AB
– Janne Elvelid, Meta
– Anna Essén, Handelshögskolan i Stockholm
– Mikael Haglund, IBM
– Johan Harvard, Silo AI/Combient Mix
– Ulf Hertin, Health Invest
– Helena Hånell McKelvey, Amazon
– Hanifeh Khayyeri, RISE AB
– Jens Larsson, Avanto Care
– Mikael Ljungblom, AI Sweden
– Martin Nygren, PA Consulting
– Tomas Ohlson, Einride
– Fredrik Olsson, Gavagai
– Maria Ramstedt, Ericsson
– Olivia Rekman, Nordiska Ministerrådet
– Andrea Risberg, Accenture
– Shiva Sander Tavallaey, ABB Sverige
– Erik Sandström, Doktor.se
– Karl Sjöborg, Hopsworks
– Anna Sööder, Schibsted
– Nicklas Tibblin, Atlas Copco
– Jannike Tillå, Internetstiftelsen
– Rebecka Ångström, Ericsson Research
– David Österlindh, Nexer Insight AB
– Sara Övreby, Google
Ytterligare läsning
Här är några utvalda studier och artiklar som belyser AI och dess tillämpningar, med en fokus på svenska företag och organisationer:
- Agarwal et al. (2023): Kombinerar mänsklig expertis med AI inom radiologi. Läs mer
- Andersson et al. (2021): Utforskar mjukvaruutveckling och innovation i svenska företag. Läs mer
- Batty (2017): Omdefinierar stora och små data i stadsplanering. Läs mer
- Bommasani et al. (2021): Möjligheter och risker med grundläggande AI-modeller. Läs mer
- Brynjolfsson & Hitt (2003): Datorkraftens påverkan på produktivitet. Läs mer
- Chen et al. (2022): Effekterna av GDPR på företags prestanda globalt. Läs mer
- OECD (2024): Resultat från OECD Digital Government Index. Läs mer
- The Economist (2014): En specialrapport om tech-startups. Läs mer
- Ledendal et al. (2018): Vidareutnyttjande, sekretess och dataskydd i det digitala samhället.
- Legg & Hutter (2007): En samling definitioner av intelligens.
- Lipsey et al. (2005): Ekonomiska transformationer och långsiktig tillväxt.
- Lundblad et al. (2013): En introduktion till att arbeta med öppna data. Läs mer
- Manyika & Spence (2023): AI potential att vända produktivitetsnedgången. Läs mer
- McCorduck (2004): Historien och framtiden för AI. Läs mer
- SCB (2023): AI-användning i svenska företag och offentlig sektor. Läs mer
- Thompson et al. (2024): Maskinöversättningens omfattning på webben. Läs mer
- Tillväxtanalys (2022): Förutsättningar, möjligheter och hinder för AI-användning i företag. Läs mer
- Varadi & Velankar (2023): Effekten av AlphaFold Protein Structure Database på livsvetenskaperna. Läs mer
- Varian (2018): AIpåverkan på ekonomi och industriell organisation. Läs mer
- Wernberg (2020): Digital omställning bland små och medelstora företag efter pandemin. Läs mer
- Wernberg & Andersson (2022): Digital spetskompetens i näringsliv och offentlig sektor. Läs mer
- Wernberg (2023a): Hur datadrivna tjänster förändrar ekonomin. Läs mer
- Wernberg (2023b): Vad menas med AI och varför är det viktigt? Läs mer
- Wormbs (2010): Det digitala imperativet. Läs mer
Källor
- Digitaleurope (2023), Europe 2030: A Digital Powerhouse. Läs mer
- Digitaleurope (2024), The Single Market Love Story. 10 digital actions to save the 30-year marriage. Läs mer
- ERT (2023), European Round Table for Industry, pressmeddelande 23 maj 2023, Business confidence stabilises, but Europe’s competitiveness is on the decline. Läs mer
- Europeiska kommissionen (2022), Index för digital ekonomi och digitalt samhälle (Desi) 2022 Sverige. Läs mer
- Europeiska kommissionen (2023), Long-term competitiveness of the EU: looking beyond 2030, COM(2023) 168 final. Läs mer
- Europeiska kommissionen (2024), White Paper. How to master Europe’s digital infrastructure needs?, COM(2024) 81 final. Läs mer
- Exponential Roadmap (2020), Scaling 36 solutions to Halve emissions by 2030, version 1.5.1, Falk, Johan et al, Future Earth. Sweden. Läs mer
- McKinsey Global Institute (2022), Securing Europe’s competitiveness: addressing its technology gap. Läs mer
- Meyers, Zach (2024), Helping Europe’s digital economy take off: An agenda for the next Commission, Centre for European Reform. Läs mer
- OECD (2024), 2023 OECD Digital Government Index, OECD Public Governance Policy Papers. Läs mer
- TechSverige (2023), Svenska techbranschen 2023. Läs mer