AI för kompetenslyft: så vinner Norra Mellansverige

10 miljoner kronor i utlysningsbudget och beslut planerade till december 2025. Det är inte vardagsmat – och det är en tydlig signal: Norra Mellansverige vill att kompetensförsörjning blir något man jobbar med strategiskt, inte ad hoc.

Samtidigt ser jag samma mönster i flera branscher: alla pratar om kompetensbrist, men få kan svara konkret på vilka kompetenser som saknas, varför de saknas och hur man ska minska glappet utan att bränna tid och pengar på fel utbildningar.

Här blir kopplingen till vår serie “AI inom försäkring och riskhantering” oväntat relevant. Försäkringsbranschen har länge byggt konkurrens på riskmodeller, prediktion och datadrivna beslut. Det är exakt samma logik som behövs för kompetensförsörjning i regional utveckling – och med rätt upplägg kan AI bli motorn som gör planeringen skarpare, snabbare och mer träffsäker.

Utlysningen i korthet – och vad den faktiskt kräver

Kärnan är enkel: Tillväxtverket söker projektidéer som får näringslivet att arbeta mer strategiskt med kompetensförsörjning inom och mellan regionens styrkeområden (smart specialisering). Målgruppen är aktörer i det företags- och innovationsfrämjande systemet.

Geografi: Dalarna, Värmland och Gävleborg.

Vem kan söka: juridiska personer (privat- eller offentligrättsliga). Enskilda näringsidkare och privatpersoner kan inte söka.

Finansieringsnivå: maximalt 50 % EU-stöd (Regionalfonden). Resterande del ska vara offentlig och/eller privat medfinansiering.

Tidsfönster:

• Ansökan öppnar: 2025-08-11
• Ansökan stänger: 2025-09-16
• Beslut: 2025-12

Projektlängd: rekommenderat 3 år (förstudier 9 månader). Projekt kan starta tidigast samma dag som ansökan skickas in.

Det som ofta avgör om ansökningar håller är inte ambitionen, utan hantverket: förändringsteori, hållbarhetsanalys, statsstödsbedömning, indikatorer och en budget som går att försvara.

Varför AI passar perfekt i just den här typen av kompetensprojekt

AI är som mest användbart när man har återkommande beslut med osäkerhet: vilka utbildningsinsatser ska prioriteras, vilka målgrupper är mest kritiska, hur påverkar teknikskiften roller och yrken, och vilka samarbeten ger störst effekt?

Det är samma typ av problem som riskhantering i försäkring:

• Man kombinerar historik + signaler i realtid.
• Man prioriterar insatser där effekten är störst.
• Man mäter utfall och justerar modellerna.

En mening jag återkommer till i projekt: Kompetensförsörjning är en riskfråga. Om regionens små och medelstora företag inte hittar rätt kompetens, ökar risken för utebliven tillväxt, sämre innovationsförmåga och lägre attraktivitet som arbetsplats.

AI som “kompetens-underwriting”

I underwriting bedömer man sannolikhet och konsekvens. Översatt till kompetens:

• Sannolikhet: vilka roller riskerar att bli flaskhalsar inom 12–36 månader?
• Konsekvens: vad kostar det i tappad omsättning, försenade projekt, eller minskad produktivitet?

Ett välbyggt kompetensprojekt kan använda AI för att modellera detta – och motivera varför vissa utbildningsspår eller valideringssystem ger störst “riskreducering”.

Så kan smart specialisering + AI bli ett praktiskt arbetssätt

Smart specialisering handlar om att fokusera på regionens styrkeområden och bygga konkurrenskraft genom samverkan mellan näringsliv, akademi, offentlig sektor och civilsamhälle.

AI gör metoden mer konkret på tre sätt:

1) Kompetenskartläggning som inte blir en pärm i hyllan

De flesta kartläggningar blir snabbt gamla. AI kan däremot skapa en levande kompetenskarta genom att kombinera:

• platsannonser och efterfrågade färdigheter
• interna kompetensprofiler (aggregerat/anonymiserat)
• utbildningsutbud och genomströmning
• regionala branschdata och omvärldssignaler

Praktiskt resultat: en dashboard som visar vilka färdigheter som ökar i efterfrågan, vilka som är stabila och vilka som faller.

2) Valideringssystem som går att skala

Utlysningen nämner valideringssystem inom prioriterade styrkeområden. Här kan AI bidra genom:

• automatiserad matchning mellan individens erfarenhet och kompetensramverk
• strukturerade tester som anpassas efter nivå (adaptiva prov)
• snabbare handläggning och bättre kvalitetssäkring

Det här är extra relevant i omställning: människor behöver kunna visa kompetens även när deras tidigare titel inte längre efterfrågas.

3) Plattformar för samverkan som faktiskt används

Utlysningen öppnar för plattformar inom smart specialisering. Jag tycker man ska våga vara konkret: en plattform som inte ger svar på “vem gör vad, för vem och med vilken effekt” dör.

AI kan ge plattformen nytta i vardagen genom:

• rekommendationer av relevanta samarbeten (”ni jobbar med liknande problem”)
• analys av gap mellan utbildning och företagens behov
• automatiserad rapportering på indikatorer och mål

Projektidéer som passar utlysningen – med AI inbyggt från start

Här är fem projektspår som ligger nära utlysningens exempel, men som också är “AI-kompatibla” och lätta att beskriva i en förändringsteori.

1) “Kompetensradar NMS” (genomförandeprojekt)

Mål: ge stödaktörer och kluster en gemensam, uppdaterad bild av kompetensbehov.

Aktiviteter: datainsamling, modellering, workshops, löpande uppdateringar.

Prestationer: kompetenskarta per styrkeområde, kvartalsrapporter.

Kortsiktig effekt: bättre prioriteringar i rådgivning och utbildning.

Medellång effekt: fler företag som arbetar strategiskt med kompetensförsörjning.

2) AI-stödd utbildningsdesign för små och medelstora företag

Mål: korta tiden från behov till utbildningsinsats.

Så: generativa AI-verktyg kan hjälpa till att ta fram kursupplägg, case, övningar och nivåindelning – men alltid med ämnesexperter som kvalitetssäkrar.

Viktig hållning: AI ska minska produktionen av material, inte sänka kraven på innehållet.

3) “Rätt kompetens vid teknikskiften” (förstudie)

Mål: proaktivt hantera strukturomvandlingar.

Leverans: scenarioanalys 12–36 månader och förslag på validerings- och utbildningsspår.

AI-roll: prediktiv analys baserad på tekniktrender, investeringar och efterfrågesignaler.

4) Stödaktörslyft: från rådgivning till datadriven coachning

Utlysningen vill stärka företags- och innovationsstöd kring smart specialisering.

Konkreta utbildningsmoduler för stödaktörer:

• dataetik och GDPR i regionala projekt
• hur man tolkar AI-resultat (så att man inte blir slav under en “score”)
• hur man mäter beteendeförändring hos målgruppen

5) EU-samarbeten: matcha regioner med komplementära styrkor

Utlysningen uppmuntrar samarbete med andra europeiska regioner.

AI-roll: analysera styrkeområden och kompetensgap för att hitta “bästa match” för partnerskap, så att samarbeten inte blir nätverkande för nätverkandets skull.

Det här avgör om ansökan känns trovärdig (och finansieringsbar)

Bedömningen sker i två steg, och kvaliteten i projektet bedöms utifrån kvalitetskriterier. Det betyder att du måste kunna visa både att projektet passar utlysningen och att det kommer ge effekt.

Bygg ansökan runt en skarp förändringsteori

En användbar förändringsteori har tre tydliga delar:

1. Problem i siffror (t.ex. bristyrken, genomförandetider, rekryteringskostnader, bortfall i utbildning)
2. Mekanismer (varför era aktiviteter leder till förändring – inte bara att de “ska göra det”)
3. Mätning (indikatorer, baslinje, målvärden, uppföljningsfrekvens)

En tumregel: om ni inte kan förklara logiken utan powerpoint, är den inte tillräckligt tydlig.

Ta statsstöd och likviditet på allvar

Två klassiska fallgropar:

• Statsstöd: om projektägare/partners bedriver ekonomisk verksamhet påverkar det upplägget.
• Likviditet: stöd betalas ut i efterskott. Projekt som ignorerar kassaflödet får problem, även om idén är bra.

Integrera hållbarhet och Agenda 2030 som designprincip

Utlysningen kräver att ekonomiska, sociala och miljömässiga perspektiv integreras.

Ett praktiskt sätt: definiera minst två mätbara hållbarhetsutfall, till exempel:

• jämställd fördelning i deltagande och utfall
• ökad tillgänglighet (inkl. personer med funktionsnedsättning)
• minskade resor genom digitala utbildningsformat

Vanliga frågor jag får (och raka svar)

Kan företag vara projektägare?

Ja, men utlysningen ser helst att företag medverkar genom deltagande och/eller medfinansiering, inte som projektägare. Administrativa krav och statsstödsregler blir ofta tyngre när företag äger.

Vad menas med att AI kan “förutsäga kompetensbehov”?

Det betyder inte spådomar. Det betyder att man använder data för att göra bättre prognoser än magkänsla, och att man uppdaterar dem löpande när omvärlden förändras.

Hur undviker man att AI blir ett sidospår i projektet?

Gör AI till en del av resultatkedjan: vilka beslut ska bli bättre, hur mäter ni förbättringen och vem äger modellen/processen efter projekttidens slut?

Nästa steg: så går ni från idé till projekt som håller

Norra Mellansverige har ett tidsfönster 2025-08-11 till 2025-09-16 där det går att söka medel för projekt som stärker kompetensförsörjning genom smart specialisering. Min rekommendation är att ni inte börjar i “vilken utbildning ska vi köpa in?”, utan i “vilka beslut ska vi kunna ta bättre om 6 månader?”.

Om ni jobbar i en region, kommun, högskola, klusterorganisation eller innovationsmiljö: skissa på en förändringsteori där AI bidrar till bättre prioritering, snabbare validering och mer träffsäker utbildning. Det är så man bygger en ansökan som känns genomtänkt – och som samtidigt ligger helt rätt i både digital omställning och kompetensmålet.

När kompetens blir datadriven på riktigt uppstår en intressant följdfråga, särskilt för oss som jobbar med AI inom försäkring och riskhantering: vilka nya risker skapar vi när vi börjar styra kompetensbeslut med modeller – och hur designar vi systemen så att de blir rättvisa, begripliga och robusta över tid?