AI-projekt i turism: så bygger ni innovationskapacitet

250 miljoner kronor. Så stor är potten som nyligen varit sökbar för att stärka innovationskapaciteten i Mellersta Norrland – med fokus på Jämtland och Västernorrland – och den säger något viktigt: nu förväntas regioner och aktörer gå från snack om innovation till praktisk verkstad. För besöksnäringen är det här extra intressant, eftersom AI inte bara handlar om kundservice och marknadsföring, utan också om energi, hållbarhet och resurseffektiv drift.

Jag har sett många turist- och destinationsprojekt fastna i “pilotfällan”: man testar en chatbot, gör en app eller kör en kampanj – och sedan rinner allt ut i sanden när projektmedlen tar slut. Den här typen av finansiering pekar åt ett annat håll. Den efterfrågar kapacitet, inte bara enstaka aktiviteter. Det betyder: samverkan, testmiljöer, kunskapsöverföring, och strukturer som gör att små och medelstora företag faktiskt kan ställa om.

Det här inlägget visar hur ni i turism och besöksnäring kan använda logiken i utlysningen (innovation, smart specialisering, test- och pilotmiljöer, förändringsteori och hållbarhetsanalys) för att bygga AI-initiativ som håller – särskilt initiativ som stärker energieffektivisering, minskad klimatpåverkan och bättre gästupplevelser.

Varför AI i besöksnäringen hänger ihop med energi och hållbarhet

AI ger störst effekt i besöksnäringen när den kopplas till driftens verkliga flaskhalsar: energi, personal, beläggning, logistik, inköp och servicekvalitet.

I vår serie “AI inom energi och hållbarhet” återkommer ett mönster: data + styrning + beteendeförändring slår “ännu ett digitalt verktyg”. Besöksnäringen är en perfekt arena för detta, eftersom efterfrågan varierar kraftigt över säsong och dygn. Det gör att smart planering och prediktion direkt påverkar både ekonomi och utsläpp.

Tre konkreta kopplingar där AI ofta betalar sig snabbt:

• Energiprognoser kopplade till beläggning (värme, ventilation, laddning, varmvatten)
• Dynamisk kapacitetsplanering (städ, frukost, transporter, öppettider)
• Minskad matsvinn och smartare inköp (prognoser på gästflöden och menyer)

Poängen: AI i turism är inte bara “digitalisering”. Det är hållbarhetsarbete med bättre beslutsunderlag.

Utlysningens kärna – och varför den passar AI-projekt i turism

Utlysningen (nu stängd, sista dag 2025-09-16) handlade om att stärka innovationskapaciteten i Mellersta Norrland, bland annat genom att:

• förbättra små och medelstora företags innovationsförmåga
• bygga nätverk för kunskapsöverföring
• skapa miljöer för teknisk utveckling, test och pilot
• stötta produktiva investeringar som skapar jobb

Det mest relevanta för AI inom besöksnäring är att man efterfrågade:

1. Kunskapshöjande och främjande insatser (inte bara teknikinköp)
2. Samverkan mellan företag och akademi (extra viktigt i glesa regioner)
3. Testmiljöer och utrustning (fysiska och/eller organisatoriska)

Det här passar AI-projekt eftersom AI sällan är en “plug-and-play”-produkt. Den kräver dataåtkomst, processförändring, kompetens och uppföljning.

Vem som kan driva – och hur turism ändå kan vara med

I utlysningen var stödmottagare typiskt:

• offentliga aktörer
• universitet/högskolor och forsknings-/utbildningsaktörer
• företagsfrämjande organisationer
• ekonomiska föreningar

Enskilda företag kunde normalt inte stå som huvudmottagare, men kunde ingå som målgrupp/partner och få indirekt stöd.

För besöksnäringen är det ofta en styrka. Hotell, aktivitetsbolag och destinationsbolag kan samverka med kommun, region, lärosäte eller klusterorganisation och få en satsning som:

• skalar bort risk för det enskilda företaget
• bygger kompetens gemensamt
• gör att fler företag kan dra nytta av samma data, metoder och testmiljö

Tre AI-projektidéer som matchar kraven (och ger faktiska effekter)

Här är tre upplägg som brukar fungera i praktiken, och som ligger nära logiken i innovationsutlysningar: de bygger kapacitet, ger mätbara effekter och går att sprida.

1) “AI för energismart boende” – från känsla till styrning

Svar först: Bygg en regional testmiljö där boendeanläggningar kan testa AI-styrning av värme, ventilation och varmvatten baserat på beläggning och väderdata.

Vad det kan innehålla:

• datainsamling från fastighetssystem (BMS), elmätare, bokningssystem
• modeller som prognostiserar belastning per dygn/vecka
• rekommendationer eller automatisk styrning för att sänka toppeffekt och energiförbrukning
• metodstöd: hur man beräknar effekt, besparing och komfortpåverkan

Varför det funkar i gles region: många anläggningar är små och saknar egen energiexpertis. En gemensam testmiljö gör att fler kan delta.

Mätbara indikatorer (exempel):

• antal företag som inför energistyrning
• kWh minskning per gästnatt
• minskad toppeffekt (kW) under högsäsong

2) “Efterfrågeprognoser för hållbar destination” – kapacitet utan kaos

Svar först: Samla destinationsdata (bokningar, evenemang, väglag, tåg/buss, väder, besöksräkning) och bygg prognoser som hjälper aktörer dimensionera service och transporter.

Resultat i praktiken:

• bättre planering av bemanning och öppettider
• färre tomkörningar och bättre samlastning
• styrning bort från trängsel genom smart kommunikation

Det här är också ett AI-projekt som ofta ger snabb effekt utan att vara “deep tech”. Målet är en robust beslutsfunktion som destinationsbolag och kommun kan använda över tid.

3) “AI-coach för små turismföretag” – kompetens som faktiskt fastnar

Svar först: Skapa en stödstruktur där företag får coachning, mallar och verktyg för att införa AI på ett säkert sätt – med fokus på drift, hållbarhet och intäkter.

Bra innehåll i en sådan satsning:

• workshops om datakvalitet, GDPR, informationssäkerhet
• “use case-bibliotek” för besöksnäringen (energi, svinn, prissättning, service)
• gemensamma inköps-/upphandlingsstöd för AI-verktyg
• uppföljningsmodell för att visa effekt (inte bara aktivitet)

Det här matchar särskilt resultatkedjan “utveckling av stödstrukturer”.

Så skriver ni en ansökan som inte faller på klassiska misstag

De flesta ansökningar får problem av tre skäl: otydliga effekter, för svag finansieringsplan eller för mycket fokus på teknik och för lite på beteende och struktur.

Bygg med förändringsteori – på riktigt

Svar först: En bra förändringsteori beskriver kedjan aktivitet → prestation → kortsiktig effekt → beteendeförändring → långsiktig effekt.

Exempel (förenklat) för “AI för energismart boende”:

1. Aktivitet: installera mätning + koppla dataflöden + utbilda drift
2. Prestation: X anläggningar har fungerande dashboards och prognoser
3. Kortsiktig effekt: driftteam förstår när och varför energi toppar
4. Beteendeförändring: nya rutiner för styrning och uppföljning
5. Långsiktig effekt: lägre energikostnad per gästnatt och minskade utsläpp

Det här är också ett sätt att göra projektet “AI-tåligt”: även om en modell byts ut, lever strukturen kvar.

Gör hållbarhetsanalysen konkret (och våga prata målkonflikter)

Svar först: Visa hur ni hanterar ekologisk, social och ekonomisk hållbarhet samtidigt.

Ett exempel på målkonflikt i turism: högre beläggning kan ge bättre ekonomi men mer belastning på lokalsamhälle och natur. AI kan hjälpa genom att:

• sprida besök över tid och plats
• styra transporter och kapacitet
• minska energi, svinn och utsläpp per besökare

När ni beskriver detta framstår projektet som mer moget än “vi ska använda AI för hållbarhet”.

Planera för medfinansiering och likviditet tidigt

Svar först: Om stödnivån är max 40% behöver ni en trovärdig plan för resterande 60% och en plan för att klara utbetalning i efterskott.

I besöksnäringen kan en smart kombination vara:

• offentlig medfinansiering (kommun/region)
• in-kind (tid, lokaler, dataåtkomst) från företag
• privat finansiering via branschorganisation eller ekonomisk förening

Och ja: statsstödsreglerna påverkar upplägget. Förankra det tidigt så ni inte måste rita om allt i slutet.

Vanliga frågor jag får från turismaktörer (och raka svar)

“Vi är ett litet företag – kan vi ändå få nytta av den här typen av finansiering?”

Ja. Det mest realistiska är att ni ingår som partner/målgrupp i ett projekt som drivs av en offentlig aktör, ett lärosäte eller en främjandeorganisation. Vinsten för er är testmiljö, coachning och metoder som ni annars inte har budget för.

“Måste vi bygga en fysisk testmiljö?”

Nej, men en “miljö” kan vara både fysisk och organisatorisk: datahub, gemensamma mätpaket, pilotanläggningar, utbildningsspår och en struktur för uppföljning. Det viktiga är att den går att återanvända och skala.

“Vilken AI ger mest hållbarhetseffekt snabbast?”

I turism ser jag oftast snabbast effekt i:

• energistyrning kopplad till beläggning
• prognoser för bemanning och matsvinn
• optimering av transporter/logistik

Det är mindre glamoröst än generativa AI-demonstrationer, men betydligt mer lönsamt.

Nästa steg: bygg ert AI-case så att det blir ett ‘ja’

Finansiering för innovationskapacitet premierar projekt som stärker fler än en aktör och som gör att regionen står stadigare när nästa säsong, nästa energitopp eller nästa kostnadschock kommer. Det är exakt där AI inom energi och hållbarhet hör hemma i besöksnäringen.

Om ni vill agera snabbt inför kommande utlysningar: börja med en “projektkärna” på 2–4 aktörer (destination + kommun/region + lärosäte/innovationsmiljö + 5–10 företag). Formulera 1–2 tydliga användningsfall, sätt indikatorer som går att mäta varje kvartal, och bygg en förändringsteori som beskriver beteendeförändringen ni vill åstadkomma.

Vilket av era största hållbarhetsproblem i driften skulle ni vilja kunna förutsäga med rimlig träffsäkerhet redan om tre månader – beläggning, energi, svinn eller transporter?