AI + cirkulär ekonomi: så maxar ni EU-stödet i Skåne

Industrin står för ungefär en tredjedel av Sveriges energianvändning och växthusgasutsläpp. Det är en siffra som gör det lätt att förstå varför Tillväxtverkets aktuella utlysning om innovationsstöd för cirkulär ekonomi är mer än “ännu ett bidrag”. Det här är pengar riktade till den typ av FoU som faktiskt kan flytta nålen: mindre svinn, smartare resursflöden och produkter som håller längre.

Och här kommer min tydliga ståndpunkt: många projekt missar effekten för att de underskattar dataarbetet. Cirkularitet utan mätning blir ofta fina ord och en svår utvärderingsrapport. Med rätt upplägg blir AI istället det praktiska verktyget som gör att ni kan prioritera rätt experiment, bevisa resultat och skala.

Utlysningen gäller Skåne och Blekinge och stänger 2026-03-03. I den här delen av vår serie AI inom energi och hållbarhet går jag igenom vad stödet faktiskt möjliggör – och hur ni bygger ett projekt där AI driver resurseffektivitet, energisnål drift och förutsägbarhet.

Vad utlysningen innebär – och vad den inte är

Utlysningen handlar om att ge företag möjlighet att ta sig an verksamhetsspecifika utmaningar via kunskapsutveckling, industriell forskning och experimentell utveckling, ofta tillsammans med forskningsorganisationer. Fokus ligger på direkta insatser till företag där företag får stöd för FoU-kostnader enligt EU:s statsstödsregler (GBER artikel 25).

Det viktiga i praktiken:

• Ni söker EU-finansiering för FoU (inte driftstöd).
• Projektägaren är koordinator (ofta en innovationsaktör, kluster, lärosäte eller offentlig aktör) och får stöd för samordning.
• Företag deltar som projektpartners och medfinansierar sin del.
• Max 40 % av projektbudgeten kan komma från Regionalfonden – resterande 60 % är offentlig/privat medfinansiering.
• Rekommenderad projekttid: upp till 3 år och 4 månader (kan diskuteras). Projekten kan pågå längst till 2029-09-30.

Begränsningar som ofta ställer till det:

• Utlysningen kan inte användas för direkta insatser i primärproduktion/jordbruk/fiske/vattenbruk.
• Projekt ska normalt inte vara “branschprojekt”, om det inte ligger i linje med smart specialisering i regionerna.

Snabb realitet: Om ni vill jobba med cirkularitet i livsmedel, industri eller energi i regionen är detta en av de mer relevanta finansieringsspåren – men bara om ni paketerar det som FoU med tydlig resultatkedja.

Därför passar AI så bra i cirkulära FoU-projekt

AI är inte ett “IT-spår” vid sidan av. I cirkulär ekonomi är AI ofta själva metoden som gör att ni kan:

• upptäcka var svinnet uppstår (material, energi, tid)
• förutsäga avvikelser innan de blir kassation
• optimera flöden mellan aktörer (industriell symbios)
• testa scenarier billigare i simulering innan ni bygger i verkligheten

Tre AI-användningar som matchar utlysningens logik

1. Prediktiv resursstyrning

   • Prognoser för materialåtgång, kassation, energitoppar och underhåll.
   • Effekt: mindre svinn och bättre kapacitetsutnyttjande.

2. Datadriven design för cirkularitet

   • AI-stöd i produktutveckling: modulära konstruktioner, materialval, demonterbarhet.
   • Effekt: längre livslängd, högre återbruk, lägre klimatpåverkan per användning.

3. Optimering av lokala värdekedjor

   • Matchning av restströmmar (värme, biobaserade biprodukter, CO₂, spillmaterial).
   • Effekt: industriell symbios och nya intäktsströmmar.

Det här är dessutom i linje med vår serie AI inom energi och hållbarhet: när ni mäter och styr energiförbrukning och resursflöden med AI hamnar ni mitt i korsningen mellan energieffektivisering och cirkularitet.

Så bygger ni ett projekt som klarar “resultatkedjan”

Utlysningen kräver att ni visar hur aktiviteter leder till förmågor och sedan till förändrade beteenden hos målgruppen (företagen). Det är där många projekt tappar tråden.

En enkel modell som brukar fungera i praktiken:

1) Börja i besluten som ska förbättras

AI-projekt blir starka när de kopplas till ett konkret beslut, till exempel:

• När ska vi köra linan för att minimera kassation?
• Vilka returer ska vi renovera vs demontera?
• Vilken energikombination ger lägst kostnad och CO₂ vid varierande efterfrågan?

Formulera 3–5 beslut som är dyra idag (kostnad, energi, svinn) och som ni vill förbättra med FoU.

2) Sätt mätbara mål som går att utvärdera

Sätt KPI:er som både är cirkulära och energirelaterade, exempelvis:

• minskad kassation i kg/vecka
• minskad energianvändning i kWh per producerad enhet
• ökad återvinningsgrad i %
• ökad andel återbrukade komponenter i %

Det gör det också lättare att koppla till resultatindikatorer som ofta används, såsom att företag utvecklar cirkulära produkter, processer och affärsmodeller.

3) Planera test- och demonstrationslogiken

Tillväxtverket vill se att ni faktiskt testar. AI hjälper här eftersom ni kan:

• köra A/B-tester i produktion (kontrollerade förändringar)
• jämföra “AI-stött schema” mot baslinje
• dokumentera modellens träffsäkerhet och driftpåverkan

Ett tydligt upplägg kan se ut så här:

1. Baslinjemätning (4–8 veckor)
2. Datainsamling och datakvalitet (parallellt)
3. Modellutveckling (industriell forskning)
4. Pilot i liten skala (experimentell utveckling)
5. Demo i skarp drift
6. Implementeringsplan och spridning

Exempel: tre projektidéer som passar Skåne/Blekinge

Här är tre realistiska koncept som ofta ligger rätt i både cirkularitet och AI – och som är enkla att motivera som FoU.

AI mot matsvinn i förädlingsledet

Problem: Variation i råvara, efterfrågan och process ger kassation.

FoU: Prediktiva modeller för kvalitet/utfall baserat på processteg, sensorvärden och batchdata.

Test: Pilot på en linje, jämför kassation och energianvändning före/efter.

Cirkulär effekt: Mer blir livsmedel, mindre blir avfall – och biprodukter kan styras till rätt användning.

Industriell symbios med AI-matchning av restströmmar

Problem: Spillvärme och restmaterial finns – men det är svårt att hitta “rätt mottagare” i rätt tid.

FoU: AI-baserad matchning och optimering (volymer, kvalitet, logistik, timing) mellan flera aktörer.

Test: Demo i en lokal värdekedja med 3–6 parter.

Cirkulär effekt: Högre nyttjandegrad av resurser, färre transporter, bättre energibalans.

AI för livslängdsförlängning av produkter (reparation/renovering)

Problem: Många produkter skrotas för tidigt p.g.a. osäker felbild eller dyra diagnoser.

FoU: Diagnostikmodeller (t.ex. bildanalys och felklassificering) som rekommenderar reparation, renovering eller demontering.

Test: Kör modellen på returflöden och mät återbruk/utfall.

Cirkulär effekt: Mer återbruk, mindre nyproduktion och lägre material- och energibehov.

Budget, medfinansiering och kostnader – så tänker ni smart

Utlysningen är tydlig med vad som är stödberättigande hos företag med FoU-behov. Det är bra – men det kräver struktur.

Stödberättigande kostnader som ofta passar AI-projekt

• Personalkostnader för utveckling, test, dataarbete och tekniskt arbete.
• Extern sakkunskap: kontraktsforskning, konsultinsatser, tekniskt kunnande.
• Utrustning: sensorer, mätutrustning, instrument – under den tid de används.
• Resor och logi: när det behövs för FoU-genomförande.

För koordinatorn är stödberättigande kostnader kopplade till samordning, uppföljning, utvärdering och resultatspridning.

Likviditet: den underskattade risken

Stödet betalas normalt ut i efterskott. Det betyder att ett i övrigt bra projekt kan få problem om kassaflödet är svagt.

Praktiskt råd: bygg en plan för

• när kostnader uppstår (månad 1–6 är ofta tyngst)
• vem som ligger ute med vad
• hur ni minimerar “datafördröjning” som annars bränner timmar

Vanliga frågor jag får – och raka svar

Passar ett AI-projekt in under industriell forskning eller experimentell utveckling?

Ja, ofta båda. Industriell forskning handlar om att ta fram ny kunskap och metodik (t.ex. nya modeller eller nya sätt att kombinera datakällor). Experimentell utveckling handlar om att bygga och testa prototyp/pilot i relevant miljö.

Måste vi ha ett lärosäte med?

Inte alltid, men ett starkt forsknings- eller testpartner-upplägg höjer trovärdigheten, särskilt när ni behöver visa FoU-höjd.

Hur kopplar vi till Agenda 2030 utan att det blir fluff?

Koppla till mätning och beteende:

• Mål 12: Visa minskade avfallsflöden och högre återbruk.
• Mål 9: Visa ny process/produkt och förbättrad innovationsförmåga.
• Mål 8: Visa produktivitet, kompetenslyft och nya roller.

Glöm inte att alla projekt ska bidra till Mål 5 (jämställdhet) och Mål 10 (minskad ojämlikhet) – bygg in det i arbetssätt, rekrytering till tester, och hur ni sprider resultat.

Nästa steg: en enkel checklista inför 2026-03-03

Om ni vill använda innovationsstödet för cirkulär ekonomi och samtidigt få AI att bära verklig effekt, gör detta innan ni skriver en enda lång ansökan:

1. Välj 1–2 skarpa problem (svinn, energi, material, returflöden).
2. Formulera mätbara KPI:er och en baslinje.
3. Säkra datatillgång (ägarskap, kvalitet, integritet) – tidigt.
4. Bygg en projektkonstellation som matchar smart specialisering och som visar att ni tar in kompetens ni inte brukar jobba med.
5. Planera test, demo och utvärdering så att resultat går att redovisa.

Jag gillar den här typen av utlysningar eftersom de tvingar fram det som ofta saknas i hållbarhetsprojekt: beviskedjan. AI gör det lättare att bygga den kedjan, men bara om ni börjar i mätning och beslut – inte i teknikval.

Om er organisation sitter på en cirkulär idé men är osäker på hur den ska översättas till ett FoU-upplägg med AI och tydlig resultatkedja: vilka två resursflöden (material/energi) skulle ni vilja kunna förutsäga bättre redan under 2026?