AI för konkurrenskraft i besöksnäringen i Västsverige

22 miljoner kronor. Det är den preliminära potten som nyligen låg på bordet för projekt som stärker små och medelstora företags konkurrenskraft i Halland och Västra Götaland – med upp till 40 % i stöd per projekt och krav på tydlig förändringsteori, hållbarhetsanalys och jämställdhetsintegrering.

För många inom turism och besöksnäring låter det här först som “ännu en utlysning”. Jag ser det tvärtom: det är en tydlig signal om vad som kommer avgöra vilka destinationer, hotell, aktivitetsbolag och researrangörer som växer 2026–2029. Svaret är inte fler kampanjer. Det är bättre beslut, snabbare lärande och smartare drift – och där har AI blivit den mest praktiska hävstången.

Den här artikeln bryter ned vad Tillväxtverkets inriktning faktiskt betyder för besöksnäringen i Västsverige, vilka AI-satsningar som brukar ge effekt i små och medelstora verksamheter, och hur du (som företagare eller intermediär/kluster/kommun) kan rigga ett projekt som klarar kraven och samtidigt skapar verkligt värde.

En sak jag återkommer till i vår serie AI inom försäkring och riskhantering: de som vinner är de som behandlar osäkerhet som något man kan mäta och styra. I besöksnäringen heter osäkerheten beläggning, väder, personal, energipriser, bedrägerier och avbokningar. AI är i praktiken ett riskverktyg.

Vad utlysningen signalerar – och varför AI passar exakt

Kärnan i Tillväxtverkets budskap är enkel: Västsveriges små och medelstora företag behöver mer innovationskraft, mer digitalisering (inklusive AI), mer internationalisering och en omställning som håller ihop ekonomisk, social och miljömässig hållbarhet.

Det viktiga är att förstå hur de vill se förändring:

• Kapacitet före kampanj. Projekten ska bygga förmåga – inte bara leverera enstaka aktiviteter.
• Metod och lärande före “insatslista”. Därför krävs förändringsteori och ofta externa utvärderingsupplägg.
• Inkludering är inte ett sidospår. Jämställdhet och minskad ojämlikhet ska finnas med som konkreta mål.

AI passar in eftersom AI-projekt, när de görs rätt, både skapar mätbara effekter (till exempel färre no-shows, högre beläggning, lägre energiförbrukning) och nya arbetssätt (datadriven planering, prediktiva modeller, automatiserad kundservice).

En “översättning” till besöksnäringen

I turism och hospitality blir utlysningens prioriteringar ofta fyra praktiska spår:

1. Kundupplevelse och försäljning: personalisering, merförsäljning, bättre konvertering.
2. Operativ effektivitet: bemanning, housekeeping, inköp, energistyrning.
3. Risk och motståndskraft: avbokningar, bedrägerier, kassaflöde, störningar.
4. Hållbarhet och inkludering: tillgänglighet, rättvis service, bättre arbetsvillkor.

AI-case som faktiskt fungerar för små aktörer (och varför)

Den vanligaste missuppfattningen är att AI kräver stora datalager och en egen dataavdelning. De flesta effektiva AI-insatser i besöksnäringen börjar i liten skala – men med tydliga mått och en plan för uppskalning.

1) Prediktiv beläggning och prissättning (utan att bli “flygbolag”)

Svar först: Prediktiva modeller för efterfrågan är ofta den snabbaste vägen till bättre lönsamhet.

För ett hotell, en camping, en skidanläggning eller ett aktivitetsbolag handlar det om att kombinera:

• historiska bokningar
• säsongsmönster
• evenemangskalender
• väderdata
• avbokningsmönster

…för att få en mer stabil prognos 2–12 veckor framåt.

Det här är också ett risktema: bättre prognoser minskar risken för felbemanning, överinköp och panikrabatter. I vår försäkringsserie pratar vi om riskbedömning och prediktiv analys; här är det samma logik – men tillämpad på beläggning.

Praktiskt mål att sätta i ett projekt:

• +2–5 procentenheter bättre beläggning under lågsäsong
• -10–20 % mindre “last minute”-rabattering
• +5–10 % bättre träffsäkerhet i bemanningsplanering

2) AI i kundservice: snabbare svar, fler bokningar, mindre stress

Svar först: AI-assistenter ger bäst effekt när de är byggda för bokningsfrågor – inte för “allmän chat”.

I besöksnäringen är frågorna ofta repetitiva: incheckningstider, parkering, allergier, tillgänglighet, avbokningsregler, paket och aktiviteter. En AI-assistent som är tränad på verksamhetens egna villkor och FAQ kan:

• svara på svenska och engelska (och ibland tyska/nederländska beroende på målmarknad)
• lotsa kunden till rätt bokningssteg
• avlasta telefon och mejl

Riskperspektivet: fel svar kan skapa tvister. Därför ska ett bra upplägg innehålla kvalitetskontroller, loggning och tydliga “handoff”-regler till människa.

Praktiskt mål:

• 30–50 % kortare svarstid på standardfrågor
• 10–20 % fler avslutade bokningar från webbtrafik som annars hade lämnat

3) Bedrägeridetektion och betalsäkerhet (ja, även i turism)

Svar först: Bedrägerier i bokningar är ett underskattat problem i mindre verksamheter.

Även små hotell och aktivitetsbolag drabbas av:

• stulna kort
• “chargebacks”
• falska gruppbokningar
• missbruk av presentkort/koder

Här finns en tydlig brygga till AI inom försäkring och riskhantering: det handlar om att identifiera avvikande mönster och agera tidigt.

AI-användning som passar SME:

• riskpoäng på transaktioner
• flaggning av avvikande bokningsbeteenden (t.ex. många försök, ovanliga tider, misstänkta kombinationer)
• bättre rutiner för manuell kontroll

Praktiskt mål:

• 20–40 % färre chargebacks
• kortare tid från “signal” till åtgärd

4) Energioptimering och drift: AI som hållbarhetsmotor

Svar först: Energi är en av de mest mätbara hållbarhetsvinsterna i hospitality.

AI-styrning av värme, ventilation och varmvatten – kopplat till beläggning och väder – kan ofta ge effekt utan att påverka gästupplevelsen negativt.

Projektmässigt passar det utlysningen eftersom det kombinerar digitalisering och grön omställning, och går att följa upp med tydliga KPI:er.

Praktiskt mål:

• 5–15 % lägre energiförbrukning per gästnatt
• färre driftstörningar genom prediktivt underhåll

Så riggar du ett projekt som klarar kraven (och inte fastnar)

Tillväxtverkets upplägg premierar projekt som är genomtänkta från start. Här är vad jag skulle fokusera på om jag var intermediär eller projektledare.

Förändringsteori: gör den testbar

Svar först: En bra förändringsteori beskriver vilka beteenden som ska ändras – inte bara vilka aktiviteter som ska göras.

Ett bra AI-projekt i besöksnäringen kan ha denna logik:

1. Input: utbildning, data-workshops, tekniskt stöd, pilotmiljö
2. Aktiviteter: implementera AI i 10–30 företag, bygga gemensamma metoder, coacha ledning
3. Output: antal implementeringar, antal utbildade, antal nya rutiner
4. Outcome: bättre prognoser, lägre kostnader, högre konvertering
5. Impact: stärkt konkurrenskraft i regionen, fler jobb, bättre hållbarhet

Lägg in “stop/go”-punkter: efter 8–12 veckor ska piloten kunna visa en tidig indikator (t.ex. svarstid, prognosprecision eller energidata).

Hållbarhetsanalys: hantera målkonflikter öppet

Svar först: AI kan skapa målkonflikter – och det är bättre att du adresserar dem än att någon annan gör det.

Typiska målkonflikter i besöksnäringen:

• Ökad personalisering vs. integritet
• Automatisering vs. arbetsvillkor
• Dynamisk prissättning vs. upplevd rättvisa

Bra hantering i projekt:

• dataminimering och tydliga lagringsrutiner
• transparens i kunddialog (“så här används data”)
• utbildning som stärker personalens roll, inte bara ersätter den

Jämställdhet och inkludering: bygg in det i urval och design

Svar först: Det räcker inte att “tänka på” inkludering – det ska synas i mål, urval och uppföljning.

Konkreta grepp:

• rekrytera företag med olika ägarstrukturer och ledningsgrupper
• designa utbildningar som fungerar för säsongspersonal (kortare pass, hybridformat)
• mät deltagande och effekt uppdelat på relevanta grupper där det är möjligt

Exempel på projektupplägg: 12 månader som ger verklig effekt

Här är en modell som brukar fungera i praktiken (och som passar utlysningens logik):

1. Månad 1–2: Förstudie/pilotdesign

   • kartlägg data, system, kompetens och nuläge
   • välj 2–3 AI-cases (t.ex. beläggning, kundservice, energi)

2. Månad 3–6: Pilot i 8–12 företag

   • implementera minsta möjliga lösning
   • mät tidiga KPI:er

3. Månad 7–12: Skalning och metodpaket

   • expandera till 20–30 företag
   • skapa “metodbok” och mallar
   • planera för fortsättning efter projektslut

Det fina är att det bygger kapacitet i regionen, inte bara hos en aktör. Och det ligger nära utlysningens idé om att stärka både företag direkt och stödstrukturer indirekt.

Nästa steg: så går du från idé till leads (utan att bli säljig)

Om målet är leads – alltså att få fler företag att höra av sig – fungerar ett tydligt erbjudande bättre än en bred “AI-satsning”. Jag hade formulerat det så här:

• ”Vi hjälper besöksföretag i Västsverige att införa AI för beläggning, kundservice och risk – med mätbara KPI:er på 90 dagar.”

Och sen: be om en kort nulägesdialog.

En enkel checklista att använda i första mötet

1. Var läcker tid i verksamheten idag (telefon, mejl, planering, drift)?
2. Vilken risk kostar mest (no-shows, överbemanning, energi, chargebacks)?
3. Vilka system finns (bokning, PMS, kassasystem, CRM)?
4. Vilken KPI vill ni förbättra inom 12 veckor?

Om du kan svara på de fyra frågorna kan du nästan alltid hitta ett AI-case som är värt att testa.

Besöksnäringen i Västsverige har alla förutsättningar: starka destinationer, en mix av stad och natur, och en regional logik som gör samverkan möjlig. Frågan är vilka som tar AI från snack till vardagsrutiner – och bygger konkurrenskraft som håller även när marknaden vänder.