AI för hållbar mobilitet i städer – så bygger ni case

Transportrelaterade utsläpp står fortfarande för en stor del av klimatpåverkan i svenska städer – och samtidigt växer kraven på tillgänglighet, trygghet och smidiga resor. Det intressanta just nu är att finansiering för innovativ mobilitet i städer inte bara handlar om att bygga mer infrastruktur. Det handlar om att få hela systemet att fungera bättre.

Och här kommer min tydliga ståndpunkt: det är datan och besluten mellan asfalten som avgör effekten. AI kan göra skillnaden mellan “ännu en app” och en faktisk förändring i hur människor, gods och besökare rör sig.

Tillväxtverket öppnar 2025-08-11 en utlysning med fokus på mål 2:8 Främja hållbar mobilitet i städerna, där projekt ska vara innovativa, bygga på integrerade hållbara mobilitetsplaner och skapa mervärde. För aktörer inom turism och besöksnäring – och för oss som jobbar med AI inom försäkring och riskhantering – är detta mer relevant än många tror. Mobilitet styr nämligen både besöksupplevelsen och riskbilden i staden.

Utlysningen i korthet: vad som faktiskt finansieras

Kärnan är att projekt ska stärka kommuners och offentliga aktörers förmåga att använda ny och befintlig kunskap för att ställa om till hållbar urban mobilitet. Det kan vara policy, regelverk, beteendeförändring, men också test, demonstration och uppskalning.

Några praktiska ramar som påverkar hur ni bör lägga upp ett AI-case:

• Medfinansiering: upp till 40% från Regionalfonden/Fonden för en rättvis omställning. Resterande 60% måste säkras som offentliga/privata medel.
• Total pott: preliminärt 14 miljoner kronor.
• Ansökningsperiod: 2025-08-11 till 2025-10-02.
• Projekttid: kan pågå längst till 2029-09-30.
• Vem kan söka: aktörer som är utpekade i de territoriella strategierna (kommuner/regioner, samt andra aktörer som finns omnämnda och kan visa förankring, ofta via avsiktsförklaring).

Vad utlysningen gillar (och varför det är bra för AI)

Utlysningen trycker hårt på helhetsgrepp: hela mobilitetsspektrumet och hela planeringscykeln. Det gynnar AI eftersom AI är starkt när ni:

• kopplar ihop flera datakällor (trafik, väder, evenemang, kollektivtrafik, parkering, gång/cykel)
• optimerar flöden i realtid
• gör prognoser och scenarier
• personaliserar information och styrning utifrån behov

AI blir alltså inte ett sidospår, utan ett sätt att leverera på kravet om innovation och mervärde.

Varför turism och besöksnäring ska bry sig: mobilitet är upplevelse

Besöksnäringens största friktion är nästan alltid logistik. Det märks extra tydligt runt storhelger, stora evenemang, kryssningsanlöp, sportlov, julmarknader och kongresser. I december 2025 är det här högst konkret: svenska städer hanterar vinterväglag, fler resenärer, och trängsel vid handel och evenemang.

För besökare är “hållbar mobilitet” inte en policyterm. Det är:

• att hitta rätt väg utan stress
• att komma fram i tid
• att känna sig trygg
• att slippa stå i köer (fysiska eller digitala)

AI som gör skillnad för besökare (och invånare)

Här är tre AI-tillämpningar som ofta ger effekt snabbt:

1. Prediktiv trängselstyrning: prognoser för var och när det blir köer (på knutpunkter, hållplatser, parkering, gångstråk).
2. Dynamisk reseplanering: rekommenderade resealternativ som tar hänsyn till tillgänglighet, restid, störningar, väder och preferenser.
3. Flödesoptimerad mikromobilitet: styrning av var delade cyklar/elsparkcyklar bör finnas (och när) för att minska “tomma zoner” och felparkering.

Det fina är att samma system som förbättrar besöksupplevelsen också minskar utsläpp och resursåtgång – vilket matchar utlysningens syfte.

Från “smart stad” till mätbar effekt: så designar ni ett AI-projekt som bedöms starkt

En stark ansökan börjar inte med tekniken. Den börjar med en tydlig förändringsteori och en hållbarhetsanalys. Utlysningen kräver båda, och det är här många AI-projekt tappar fart.

1) Förändringsteori som AI faktiskt kan leverera på

Skriv förändringsteorin så att den går att följa som en kedja:

• Problem: exempelvis hög bilandel till centrala besöksmål, ojämn belastning på kollektivtrafik, ineffektiv citylogistik.
• Orsak: brist på realtidsinformation, svag samordning mellan aktörer, fel incitament, låg trygghetskänsla.
• Insats: AI-stödd planering, nudging i reseplanerare, mobilitetshubbar med datadriven drift, styrning av leveransfönster.
• Output: antal testade åtgärder, antal anslutna datakällor, antal deltagande företag.
• Outcome: minskad bilandel, ökad kollektivandel, kortare kötid, färre tomkörningar.
• Impact: lägre utsläpp, bättre luft, högre tillgänglighet och attraktivitet.

En mening jag brukar använda i projekt som ska bedömas: “AI ska inte vara ett mål; AI ska vara den mekanism som gör en beteendeförändring möjlig i skala.”

2) Resultatkedjor: välj primär målgrupp och var effekten ska synas

Utlysningen lyfter särskilt projekt med direkta insatser till företag (resultatkedja 1). För turism och stadslogistik är det ett guldläge.

Exempel på företag som kan vara relevanta målgrupper:

• hotell och större boendeanläggningar (ankomst/avresa-flöden)
• arenor, eventbolag och konferensanläggningar (toppbelastning)
• besöksmål (museer, parker, handelsområden)
• logistikaktörer och leverantörer (last mile)
• mobilitetsleverantörer (delad mobilitet)

Tips: Välj en primär målgrupp, men bygg samverkan runt den. Bedömningen blir tydligare.

3) Beteendepåverkan + teknik = fungerande mobilitet

Utlysningen betonar beteendepåverkan (mobility management). AI kan göra beteendestöd mer träffsäkert:

• Timing: skicka rekommendationer innan resan, inte när personen redan står på perrongen.
• Segmentering: turister, pendlare, boende, personer med tillgänglighetsbehov har olika trösklar.
• Testbarhet: A/B-test av budskap och incitament (t.ex. “gå 6 minuter till nästa hållplats och spara 9 minuter”).

Det här är också en plats där ni kan koppla till jämställdhetsintegrering och trygghet: trygghetsupplevelse i kollektivtrafik och gångstråk skiljer sig ofta mellan grupper. AI-baserad analys av incidentdata, belysningsnivåer och flöden kan hjälpa er prioritera åtgärder.

Kopplingen till AI inom försäkring och riskhantering: mobilitet ändrar riskprofilen

Den här posten ligger i serien AI inom försäkring och riskhantering, och det är ingen slump. Mobilitet är risk i rörelse. När städer styr om mot delad mobilitet, fler gång- och cykelresor och nya logistikmönster förändras riskerna:

• fler oskyddade trafikanter kan ge fler personskador om inte infrastrukturen och beteenden hänger med
• delade fordon och mikromobilitet skapar nya skadetyper (ansvar, stöld, vandalism)
• extremväder påverkar framkomlighet, olycksrisk och driftstörningar

Så kan AI göra riskhantering praktisk i mobilitetsprojekt

Ett bra upplägg är att väva in risk redan i designen:

• Prediktiv riskmodellering: var och när inträffar olyckor och tillbud? (kombinera historik med väder, ljus, hastigheter, evenemang)
• Scenarioplanering: hur påverkar en ny mobilitetshubb flöden, exponering och incidenter?
• Styrning i realtid: varna för halkrisk på gångstråk, föreslå säkrare rutter, anpassa underhåll.

Här finns också en stark “win” för kommuner: färre incidenter ger lägre samhällskostnader och stärker argumentet för uppskalning.

Tre konkreta projektidéer som matchar utlysningen (och går att mäta)

Ni behöver idéer som kan testas, demonstreras och skalas. Här är tre koncept som ofta passar både utlysningens logik och AI:s styrkor.

1) AI-styrd mobilitetshubb vid besöksintensiva noder

Bygg en mobilitetshubb vid en station, arena eller större besöksmål och använd AI för drift och kapacitetsstyrning.

Mätetal att ta med direkt i ansökan:

• beläggningsgrad för cykelparkering/parkering
• andel ankomster med kollektivtrafik
• genomsnittlig kötid vid topp
• uppskattad CO₂-reduktion via ändrat färdmedelsval

2) Prediktiv stadslogistik för citykärna och hotellkluster

Skapa ett samverkansupplägg där leveranser koordineras med AI (t.ex. leveransfönster, konsolidering, ruttoptimering).

Mätetal:

• minskade tomkörningskilometer
• antal leveranser per stopp
• bullerindex (proxy via tid på dygnet/fordonstyp)
• upplevd framkomlighet i gågator

3) AI-baserad reseplanering för turister med tillgänglighetsbehov

Utveckla en reseplanerare som tar hänsyn till hissar, lutning, vinterunderhåll, gångavstånd, toaletter och trygghet.

Mätetal:

• minskat antal avbrutna resor
• ökad nöjdhet (NPS/CSAT)
• minskade klagomål på tillgänglighet
• fler besök i områden utanför citykärnan (avlastning)

Så ökar ni chansen att få ja: en checklista inför 2025-10-02

En bra ansökan är läsbar även för någon som inte älskar AI. Gör det enkelt att se nyttan.

1. Förankra tidigt med strategiägaren (kommun/region) och säkra avsiktsförklaring om ni inte själva är kommun/region.
2. Beskriv datakällor och datastyrning: vem äger datan, hur delas den, vilka regler gäller?
3. Planera för likviditet: stöd betalas ut i efterskott; ni behöver tåla kassaflödet.
4. Var tydlig om statsstödslogiken om företag gynnas. Välj få “boxar” och håll arbetspaket rena.
5. Sätt mätbara mål (före/efter) och visa hur ni ska utvärdera.
6. Integrera jämställdhet som faktisk designfråga: trygghet, tillgänglighet, delaktighet i testmiljöer.

En ansökan som vinner är ofta den som kan säga: “Här är problemet, här är mekanismen, här är mätetalen, och här är hur vi skalar.”

Nästa steg: från finansiering till fungerande mobilitet

Utlysningen om innovativ mobilitet i städer är en chans att göra det som många pratar om men få genomför: testa i verkligheten, mäta, och sedan skala. För turism och besöksnäring betyder det färre friktionspunkter och en tydligare hållbarhetsprofil. För oss i AI inom försäkring och riskhantering betyder det något annat: bättre beslutsunderlag, färre incidenter och mer robusta stadssystem.

Om ni sitter på en projektidé i en av de utpekade strategierna: börja nu. 2025-10-02 kommer snabbare än man tror när partners ska samlas, data ska beskrivas, och förändringsteorin ska hålla ihop.

Vilken del av stadens mobilitet är ni beredda att optimera först – flödena, beteendena eller riskerna?