AI för hållbar stadsmobilitet: så vinner turismen

Transporter står för en stor del av utsläppen i städer, och effekterna märks direkt: trängsel, buller, förseningar och ytor som äts upp av biltrafik. Det är inte bara ett klimatproblem – det är ett konkurrensproblem. För besöksnäringen blir varje missad anslutning, varje otydlig vägledning och varje överfull hållplats en del av helhetsintrycket av Sverige.

Samtidigt har vi ett mer konkret skifte på gång än många tror. Tillväxtverket har nyligen haft en utlysning inom målet 2:8 Främja hållbar mobilitet i städerna, kopplat till strategier för hållbar urban utveckling och med EU-medfinansiering upp till 40 %. Utlysningen stängde 2025-10-02, men signalen är tydlig: offentliga aktörer, akademi och näringsliv förväntas testa, visa och skala sådant som faktiskt fungerar – och AI är ett av de mest användbara verktygen vi har.

Den här texten är en del av serien ”AI inom försäkring och riskhantering”. Det kan låta oväntat i en artikel om mobilitet, men kopplingen är stark: när städer optimerar flöden och minskar incidenter sjunker risknivåerna, och när data blir bättre blir både riskbedömning, försäkringslösningar och investeringar mer träffsäkra. För turismens aktörer betyder det stabilare drift, färre avbrott och mer förutsägbara gästresor.

Varför innovativ mobilitet är en turistfråga (inte bara en trafikfråga)

Stadsmobilitet formar turistupplevelsen lika mycket som hotell, museer och restauranger. En resa är inte bara destinationen – det är allt som händer mellan tågstationen och incheckningen, mellan konferenshotellet och middagen, mellan arenan och sista spårvagnen.

För svenska städer som jobbar med hållbar urban utveckling är mobilitet en nyckel för att:

• minska transportrelaterade utsläpp och förbättra luftkvalitet
• frigöra yta från parkering och bilköer till mer attraktiva stadsmiljöer
• öka tillgänglighet för fler (inklusive personer med funktionsnedsättning)
• minska trängsel som annars slår mot handel och evenemang

Här blir AI extra relevant eftersom mobilitet inte är en enskild investering (en cykelbana, ett busskörfält) utan ett system. System behöver styrning. Styrning kräver data. Data kräver analys. Analys i stor skala kräver ofta AI.

Och ja – för besöksnäringen är nyttan väldigt konkret: kortare restider, färre stressmoment, tydligare information, mer robusta flöden under evenemang och högsäsong.

Tre AI-tillämpningar som gör störst skillnad i stadens flöden

AI ger störst effekt när den används för att förutse, prioritera och styra – inte bara för att rapportera i efterhand. Här är tre tillämpningar som jag tycker är mest värda att fokusera på om man vill förbättra både vardagsresor och turistresor.

1) Prediktion av flöden: från ”vi tror” till ”vi vet”

Att kunna förutsäga belastning timme för timme är grunden för smart mobilitet. Med AI kan städer kombinera flera datakällor, till exempel:

• kollektivtrafikens realtidsdata (förseningar, beläggning)
• mobilitetsdata från gång-, cykel- och mikromobilitet
• evenemangskalendrar och arenabeläggning
• vägarbeten och tillfälliga avstängningar

Resultatet blir prognoser som kan användas operativt:

• förstärkning av avgångar vid toppar
• omledning av flöden vid incidenter
• dynamiska rekommendationer i reseplanerare

För turismen är det här kopplat till bokningsoptimering och kapacitetsstyrning. En stad som kan förutse trycket kring en mässa eller sporthelg kan också koordinera hotell, transport, besöksmål och trygghetsresurser.

2) Rutt- och kapacitetsoptimering: bättre beslut i realtid

Optimering handlar inte om att få en buss att gå snabbare – det handlar om att få hela kedjan att fungera. AI kan hjälpa till med:

• bättre omlopp i kollektivtrafik (fordon, förare, depålogik)
• prioritering i trafiksignaler för buss/spårvagn
• dynamisk prissättning och styrning i delade mobilitetstjänster
• planering av urbana mobilitetshubbar (byten, parkering, mikromobilitet)

En praktisk turismvinkel: många internationella gäster har låg tolerans för osäkerhet. Om reskedjan känns ”hoppig” väljer de taxi eller hyrbil. När staden i stället erbjuder tydliga byten, robusta tider och förutsägbarhet blir det enklare att välja hållbart.

3) Säkerhet och riskreducering: där försäkring möter mobilitet

Här möts mobilitet och temat i vår serie. AI kan minska risk genom att upptäcka avvikande mönster och förebygga incidenter. Exempel:

• prediktion av olycksrisk vid korsningar (utifrån historik, väder, flöden)
• detektion av trängselrisk vid hållplatser och eventområden
• optimerad vinterdrift (prioriterade stråk för gång och cykel)

När incidenter minskar påverkas också riskkostnader, ansvar och försäkringsupplägg. För en destinationsaktör eller evenemangsarrangör är det skillnad på “vi hoppas att flödet håller” och “vi har en modell som visar riskzoner och åtgärdsplan per timme”.

En stad som mäter risk i realtid kan också styra bort från risk i realtid.

Så kopplar du mobilitetsprojekt till besöksnäringens behov

En vanlig miss är att mobilitetsprojekt blir interna för kommunen. De ger nytta, men missar chansen att skapa tydligt värde för besökare och näringsliv.

Om du arbetar i kommun, region, transportbolag, destinationsbolag eller som projektpartner: bygg en kravbild som inkluderar turismen. Jag brukar utgå från tre frågor:

Vilken friktion ska bort ur gästresan?

Friktion är små saker som blir stora i mängd:

• otydliga byten
• för många appar och biljettsystem
• trångt vid knutpunkter
• dålig realtidsinfo på andra språk

AI kan bidra genom att samordna information och göra rekommendationer situationsbaserade (”ta spårvagn X nu, hubb Y är överbelastad”).

Vilket flöde ska fungera även under toppar?

Toppar är turismens normal-läge: sport, konserter, julhandel, sommarveckor. Det är också då mobilitetssystemen knakar.

AI-baserade prognoser gör det möjligt att:

• planera förstärkningar tidigare
• styra flöden till alternativa stråk
• koordinera med evenemangets in- och utpassering

Vilken data kan ni dela utan att fastna i juridik?

Många tror att “data” betyder persondata. Ofta räcker det med aggregerade flöden, beläggningsgrader och zoner. Sätt en tydlig datamodell tidigt:

• vad behövs för att modellen ska bli användbar?
• vem äger datan?
• hur anonymiseras och aggregeras den?

Det här minskar risk – både verksamhetsrisk och regelefterlevnadsrisk.

Från utlysning till genomförande: så ser ett starkt projektupplägg ut

Projekt som får effekt har en tydlig förändringsteori, mätbara resultat och en plan för uppskalning. Det ligger helt i linje med hur EU-finansierade mobilitetsprojekt förväntas beskrivas.

Här är ett upplägg jag sett fungera bra (oavsett exakt finansieringsform):

1) Förstudie som inte fastnar i PowerPoint

En bra förstudie gör tre saker på 6–12 månader:

1. Kartlägger nuläge med data (inte bara workshops)
2. Väljer 1–2 användningsfall (t.ex. mobilitetshubb + evenemangsflöden)
3. Definierar mätetal och ansvar

Mätetal som går att följa upp:

• minuter sparade i restid på prioriterade stråk
• minskad trängsel i knutpunkter (maxbeläggning)
• andel resor som sker med hållbara färdmedel
• incidenter per 100 000 resor (riskindikator)

2) Test och demonstration där näringslivet faktiskt kan delta

Tillväxtverkets inriktning har varit tydlig: innovation behöver testas och skalas. Särskilt intressant är upplägg med direkta insatser mot företag.

Konkreta exempel på företagsnära aktiviteter i en turiststad:

• hotellkedjor som delar beläggningsprognoser (aggregerat) för bättre trafikplanering
• restaurang- och besöksmålsklustret som koordinerar leveranser via stadslogistik
• mobilitetsaktörer som testar integrerade biljetter/erbjudanden i samma flöde

3) Uppskalning och drift – redan från dag ett

De flesta projekt är duktiga på pilot. Färre är duktiga på drift. Bestäm tidigt:

• vem betalar efter projektperioden?
• vilken funktion i kommunen/regionen äger modellen och besluten?
• hur upphandlas vidareutveckling utan att låsa in sig?

Här finns en tydlig parallell till AI i riskhantering: modeller som saknar ägarskap blir snabbt hyllvärmare, och då är riskreduktionen noll.

Vanliga frågor (och raka svar) om AI i stadsmobilitet

“Behöver vi stora datamängder för att börja?”

Nej. Börja med det ni redan har: trafikräkningar, tidtabeller, incidentloggar, evenemangsdata. Poängen är att välja ett användningsfall där förbättring kan mätas.

“Är AI bara teknik, eller kräver det beteendeförändring?”

AI utan beteendeförändring ger begränsad effekt. De största utsläppsminskningarna kommer ofta från att minska behovet av resor, flytta resor i tid, eller byta färdsätt. AI kan göra det lättare – men människor måste vilja.

“Hur undviker vi att AI-lösningar slår orättvist?”

Genom att mäta konsekvenser per område och grupp (så långt det går med aggregerad data), sätta mål för jämlik tillgänglighet, och bygga in transparens i beslutslogiken. Det är också ett sätt att minska juridisk och reputationsrisk.

Nästa steg: gör mobilitet till en konkurrensfördel för destinationen

Hållbar stadsmobilitet är inte ett sidospår. Den avgör hur attraktiv en stad känns att besöka, hur tryggt det är att röra sig, och hur lätt det är att välja hållbara alternativ utan att det blir krångligt.

Min ståndpunkt är enkel: stadsrörlighet ska behandlas som en del av destinationens “produkt”, inte som en separat teknisk fråga. AI gör det möjligt att styra flöden mer exakt, men värdet uppstår först när staden, näringslivet och besöksnäringen jobbar efter samma målbild.

Om ni vill ta nästa steg kan ni börja med en kort behovskartläggning: välj en knutpunkt, en högsäsongsperiod och ett riskmått (trängsel, förseningar eller incidenter). Bygg en första prognosmodell, testa åtgärder i liten skala och mät resultatet.

Vad skulle hända med er destination om gästresan blev lika förutsägbar som incheckningen?