AI i primärvården: vad en ny vårdexpert kan ändra

När Vårdföretagarna rekryterar en ny näringspolitisk expert för hälso- och sjukvårdsfrågor är det lätt att avfärda som “personnytt”. Jag tycker man ska se det som en signal.

Den 2025-12-18 presenterades Christoffer Nilsson som ny expert med särskilt ansvar för hälso- och sjukvård på Vårdföretagarna, med start 2026-02-05. I citat lyfter han mer samarbete mellan offentlig och privat sektor som en väg att gynna patienter i hela landet. För oss som jobbar med AI inom läkemedel och bioteknik – och samtidigt följer utvecklingen i vårdcentralernas vardag i serien AI för Svenska Vårdcentraler: Primärvård 4.0 – är det här mer än en personalförändring.

För när samarbete blir den politiska huvudfrågan öppnas också en praktisk fråga: hur får vi data, processer och ansvar att hänga ihop så att AI faktiskt hjälper patienter och personal? Där avgörs de kommande 2–3 åren.

Varför en “näringspolitisk expert” spelar roll för AI

En näringspolitisk expert påverkar spelplanen: upphandling, ersättningsmodeller, regelverk, incitament och dialogen mellan vårdgivare och beslutsfattare. För AI i vården är just de delarna ofta viktigare än själva algoritmen.

AI-projekt i primärvården faller sällan på att modellen är dålig. De faller på att:

• vårdcentralen saknar tid att införa nytt arbetssätt
• data inte kan användas lagligt eller praktiskt
• integrationen i journalsystemet är för dyr eller seg
• ansvaret är otydligt när något går fel
• nyttan inte syns i ersättningen

Om Nilsson får genomslag för ökat samarbete offentlig–privat kan det skapa en mer realistisk väg för AI att komma in i rutinerna: gemensamma piloter, delad risk, tydligare standarder och snabbare spridning.

Min ståndpunkt: AI kräver styrning, inte bara innovation

Most companies get this wrong. Man pratar om “inför AI” som om det handlade om att köpa en licens. I primärvården handlar det om styrning: vem äger processen, vem äger datan, vem ansvarar för beslutet, och vem får nyttan?

När en branschorganisation prioriterar hälso- och sjukvårdsfrågor kan det betyda att fler aktörer börjar driva gemensamma svar på de frågorna. Det är exakt vad Primärvård 4.0 behöver.

AI i vårdcentralens vardag: tre områden där samarbete avgör

AI-nytta i primärvården blir konkret på tre ställen: tidsbokning och flöden, dokumentation och beslutsstöd. Och varje område blir bättre när offentlig och privat vård kan testa, mäta och skala på liknande villkor.

1) Tidsbokning och triage: “rätt patient till rätt nivå”

Det snabbaste sättet att minska trycket i primärvården är inte att jobba fortare, utan att minska felstyrning: patienter som bokar fel typ av besök, söker för sent eller hamnar i onödiga dubbelkontakter.

AI kan här göra tre saker som faktiskt märks i kalendern:

• Symtombaserad försortering som föreslår digital egenvård, sjuksköterskekontakt eller läkarbesök
• Riskmarkering (t.ex. feber + immunosuppression) som triggar snabbare hantering
• Kapacitetsstyrning som matchar ärendet mot rätt kompetens och rätt längd på besöket

Men: försortering blir politiskt känslig om den uppfattas som “vårdbarriär”. Samarbetet mellan offentlig och privat sektor kan hjälpa genom att sätta gemensamma kvalitetsmått och transparenskrav: vad mäter vi, hur ofta följer vi upp, och när ska AI:n inte användas?

2) Journaldokumentation: där tid faktiskt frigörs

Om du vill se AI som personalfråga, titta på journalen.

Generativ AI kan stödja:

• automatiska utkast till anteckningar baserat på samtal och strukturerade datapunkter
• kodningsstöd (ICD/KVÅ) och sammanfattningar till intyg
• patientvänliga eftertexter: “det här kom vi överens om” i tydlig svenska

Det här är ofta den minst glamorösa AI:n – och den mest lönsamma. Inte för att den ersätter kliniskt omdöme, utan för att den minskar den administrativa friktionen som gör att folk slutar.

Här blir samarbete avgörande eftersom nyttan beror på integration i journalsystem, informationssäkerhet och lokala arbetssätt. En branschdriven dialog kan pressa fram bättre villkor: gemensamma krav på leverantörer, standardiserade gränssnitt och rimliga kostnader för integration.

3) Diagnostiskt stöd: starkt värde, högre krav

Diagnostiskt AI-stöd i primärvården kan vara väldigt bra – men bara om det införs med disciplin.

Exempel på fungerande användningsfall:

• hudförändringar: bildstöd som prioriterar vem som ska bedömas snabbt
• labb och vitalparametrar: mönsterigenkänning som flaggar risk för försämring
• läkemedelsgenomgång: AI som hittar interaktioner och duplicering i polyfarmaci

Här möter vi det svåra: ansvar och bias. En privat aktör kan vara snabb i pilot, en offentlig kan ha stor datavolym och uppföljning – men båda behöver gemensamma regler för validering och uppföljning.

Mitt råd: börja med beslutsstöd som är lätt att utvärdera (tydliga utfall, kort feedback-loop). Spara de mest komplexa “AI-diagnoserna” tills ni har mognad i data, process och avvikelsehantering.

Från vårdcentral till bioteknik: varför primärvårdens data är guld

Här kommer kopplingen till kampanjen AI inom läkemedel och bioteknik.

Primärvården sitter på tidiga signaler: första symtom, första behandlingsförsök, följsamhet, biverkningar, komorbiditet och sociala faktorer. När den datan (på rätt sätt) kan struktureras och analyseras händer tre saker som påverkar läkemedels- och biotechbolag direkt:

1. Bättre real-world evidence (RWE): vad händer efter att läkemedlet lämnat kliniska prövningar?
2. Snabbare patientidentifiering till studier: rätt kohort, tidigare i förloppet
3. Mer precis uppföljning av biverkningar och effekt i vardagen

Men det kräver att vården har fungerande dataflöden och governance. Och det är i praktiken en samarbetsfråga: regioner, privata vårdgivare, systemleverantörer och life science behöver ramar som både skyddar patienten och gör data användbar.

AI blir inte “smart” av fler powerpoints. Den blir smart av bättre processer och bättre uppföljning.

Så tar du AI från snack till resultat på en vårdcentral (2026-plan)

Om du leder en vårdcentral – offentlig eller privat – går det att göra detta utan att bränna ut organisationen. Här är ett upplägg jag sett fungera.

Steg 1: Välj ett problem med tydlig kostnad

Bra startproblem är sådant som alla redan stör sig på:

• efterarbete i journal
• återuppringningsköer
• dubbelbesök p.g.a. bristfällig triage
• intyg och administrativa texter

Sätt ett mål i siffror, t.ex. “minska dokumentationstid per besök med 2 minuter” eller “minska andelen felbokningar med 15%”. Det gör uppföljning möjlig.

Steg 2: Gör en riskcheck innan du köper något

Inför en enkel checklista:

• Var hamnar patientdata (lagring, loggning, åtkomst)?
• Är AI:n ett stöd eller tar den beslut?
• Hur hanteras avvikelser och fel?
• Hur utbildas personalen och hur mäts användning?

Det här är inte byråkrati. Det är det som gör att projektet överlever när första incidenten kommer.

Steg 3: Pilot i 6–10 veckor, sedan ett hårt beslut

Piloter som pågår “tills vidare” blir lätt internteater. Kör 6–10 veckor, mät veckovis och bestäm sedan:

• skala
• pausa och justera
• eller lägg ned

Den disciplinen bygger förtroende både hos personal och ledning.

Steg 4: Dela lärdomar över organisationsgränser

Här är en konkret effekt av mer offentlig–privat samarbete: när flera vårdgivare kan dela anonymiserade lärdomar om införande (inte rådata), går mognaden fort.

Det som bör delas är t.ex.:

• vilka arbetsmoment som faktiskt spar tid
• vanliga missförstånd i användningen
• vilka KPI:er som var mest meningsfulla
• utbildningsupplägg som funkar för stafett, vikarier och fasta team

Vanliga frågor jag får om AI i primärvården

“Är AI främst en teknikfråga eller en verksamhetsfråga?”

Verksamhetsfråga. Tekniken är ofta den enklaste delen. Det svåra är arbetsflöden, ansvar och uppföljning.

“Vilket AI-område ger snabbast ROI på vårdcentral?”

Journaldokumentation och patientkommunikation (sammanfattningar, intyg, standardtexter) ger ofta snabbast effekt eftersom det direkt minskar administration.

“Hur kopplar primärvårds-AI till läkemedel och bioteknik?”

Genom real-world data: biverkningar, effekt i vardagen, följsamhet och tidiga symtom. När vårdcentralens data blir mer strukturerad blir den också mer användbar för forskning och uppföljning.

Vad utnämningen på Vårdföretagarna kan betyda redan under 2026

Den konkreta möjligheten med en ny hälso- och sjukvårdsexpert är att AI-frågor kan flyttas från “innovationsprojekt” till systemfrågor: ersättning, standarder, upphandling och krav på leverantörer.

Om Nilsson driver linjen om mer samarbete offentlig–privat finns en praktisk vinst: AI-lösningar kan testas snabbare, jämföras mer rättvist och införas med tydligare ansvar. Det är det som gör att Primärvård 4.0 går från vision till vardag.

Nästa steg för dig som vill ligga före: välj ett arbetsflöde (journal, triage eller uppföljning), sätt ett mätbart mål och kör en pilot innan våren 2026 är slut. Sedan kan du ta diskussionen med ledning och upphandlare på fakta, inte känsla.

Vilken del av vårdcentralens vardag tycker du är mest mogen att standardiseras – så att AI kan bli en trygg medarbetare snarare än ett sidoprojekt?