AI på Mittbanan: fossilfri järnväg som driver turism

6 568 161 kr finns att söka för att skala upp redan pågående projekt som ska göra Mittbanan (Sundsvall–Storlien) till en fossilfri transportkorridor. Det låter som klassisk infrastruktur – mötesspår, plankorsningar, terminaler. Men för mig är det här egentligen en dataplatta: när kapacitet och punktlighet förbättras blir det plötsligt meningsfullt att använda AI för att styra flöden, planera underhåll och skapa bättre resenärsupplevelser.

Det är också här den här texten passar in i vår serie ”AI inom försäkring och riskhantering”. Försäkringslogiken (riskmodeller, prediktion, scenarier, skadeförebyggande arbete) är samma logik som behövs för robust transport i glesbygd – särskilt när klimatmål, kapacitetsbrist och sårbarhet i systemet ska hanteras samtidigt.

En tydlig tumregel: Om ni investerar i järnväg utan att investera i data och analys, lämnar ni effekt på bordet.

Utlysningen i korthet – vad som faktiskt går att göra

Det centrala svaret: Utlysningen ger möjlighet att söka utökad finansiering för aktiviteter som redan är beviljade i ett pågående projekt, men där ni behöver skala upp volym, räckvidd eller ambition.

Fakta att ha koll på:

• Max EU-stöd att fördela: 6 568 161 kr
• Medfinansieringsgrad: högst 40% från Regionalfonden (resten 60% offentlig/privat)
• Vem kan söka: endast redan pågående projekt inom specifikt mål 3.1
• Ansökningsfönster: 2025-08-11 till 2025-09-16
• Projekttid: kan pågå längst till 2029-09-30
• Ansökningssätt: ändringsbegäran via kompletteringsfunktionen i Min ansökan

Och ja – ni behöver ha kontakt/avstämning med projektrådgivare innan ni skickar in ändringsansökan.

Det långsiktiga målet är tydligt: mer gods på tåg, större arbetsmarknadsregioner och minskade koldioxidutsläpp. Men här kommer den praktiska frågan som många missar:

Hur bevisar vi att en uppskalning skapar effekt – och inte bara fler aktiviteter?

Det är exakt här AI och riskhantering blir ett konkret verktyg.

Varför Mittbanan är extra intressant för AI (och för turismen)

Det raka svaret: Gles struktur gör varje störning dyrare – och varje förbättring mer värdefull.

Mittbanan binder ihop Mellersta Norrland med Botniska korridoren och vidare mot Europa, och med Norge via Meråkerbanan mot Trondheim. För besöksnäringen betyder det att tillgänglighet inte bara handlar om “en biljett” utan om ett fungerande system: byten, information, stationer, sista-milen-anslutning och förutsägbarhet.

Tre transportproblem som AI är bra på

1. Efterfrågan varierar kraftigt (säsong, evenemang, väder, helger).
2. Kapacitet är en flaskhals (mötesspår, tåglägen, terminaler).
3. Störningar sprider sig (en försening påverkar anslutningar, bemanning och kundnöjdhet).

AI är inte magi, men den är riktigt bra på mönster i stora datamängder: tidtabeller, historiska förseningar, beläggning, väderdata, evenemangskalendrar och sensordata från infrastruktur.

För turismen blir resultatet konkret:

• bättre punktlighet och färre missade byten
• mer träffsäker resenärsinformation
• kapacitet där den behövs när den behövs

Från “bygg” till “styr”: AI-lagret ovanpå infrastruktursatsningen

Den tydligaste poängen: När ni ändå investerar i järnväg och noder – bygg in förmågan att mäta, förutse och optimera.

Utlysningen pekar på insatser som mötesspår, plankorsningar, terminalkapacitet, stationer/hållplatser, resenärsinformation och bättre byten mellan trafikslag. Alla de delarna går att förstärka med AI på tre nivåer.

1) Prediktion av resenärsflöden (för tåg, hållplatser och evenemang)

En enkel men effektiv modell: kombinera historisk beläggning med variabler som skollov, helger, större evenemang, väder och prisnivåer. Målet är att kunna svara på:

• vilka avgångar riskerar överbeläggning?
• var uppstår köer på stationer?
• när behöver vi extra kapacitet i anslutande trafik?

I praktiken kan detta ge bättre dimensionering av service på stationer, bättre planering av anslutningar och mer realistiska löften till resenärer.

2) Optimering av trafik och kapacitet (särskilt i glesa stråk)

När mötesspår blir fler och längre och plankorsningar minskar, ökar handlingsutrymmet. AI kan då hjälpa till med:

• robustare planering av tåglägen
• bättre prioritering vid störningar (vilket tåg ska gå först – och varför?)
• simulering av scenarier innan förändringar införs

Här är kopplingen till riskhantering tydlig: ni vill minimera “svansrisker” – de sällsynta men dyra händelserna som slår sönder hela dagens trafik.

3) Prediktivt underhåll (minska fel innan de händer)

När infrastrukturen instrumenteras (sensorer, tillståndsdata, felrapporter) kan AI hitta avvikande mönster som föregår fel.

Effekten är ofta större än man tror, eftersom:

• akuta fel är dyra
• akutinsatser skapar följdförseningar
• förseningar skadar förtroendet och sänker resandet

Och här möter vi försäkringsperspektivet igen: skadeförebyggande arbete är nästan alltid billigare än att reglera skadan.

Fyrstegsprincipen + AI: så gör ni det smart och “ansökningsbart”

Den praktiska rekommendationen: Använd fyrstegsprincipen som struktur för er AI-plan – det gör den enklare att bedöma och följa upp.

1. Tänk om: AI för beteendepåverkan och efterfrågestyrning.
   • Exempel: målgruppsanpassade rekommendationer (res på tider med lägre belastning), bättre realtidsinfo och belöningsmodeller.
2. Optimera: AI för bättre nyttjande av befintlig kapacitet.
   • Exempel: prediktion av förseningar och proaktiv omplanering.
3. Bygg om: Data som beslutsunderlag för var små ombyggnader ger störst effekt.
   • Exempel: simulering som visar vilken mötesspårs-längd som ger mest robusthet.
4. Bygg nytt: AI-stött beslutsfattande vid större investeringar.
   • Exempel: scenarioanalys för klimatpåverkan, godsflöden och resande.

Vill ni sticka ut i en ändringsbegäran? Visa att ni har en röd tråd från åtgärd → data → modell → beslut → uppföljning.

Så knyter ni transportdata till AI inom riskhantering (och försäkring)

Det korta svaret: Transportprojekt som använder AI behöver samma disciplin som försäkringsprojekt – governance, datakvalitet och mätbara riskreduktioner.

Här är en modell jag ofta återkommer till:

“Riskkedjan” som styrmodell

• Riskkälla: kapacitetsbrist, väder, tekniska fel, mänskliga misstag
• Händelse: försening, inställd avgång, olycka, trängsel
• Konsekvens: missade byten, sämre arbetsmarknadsintegration, tappad turismintäkt
• Motåtgärd: investering + process + AI-stöd
• Mått: punktlighet, beläggning, CO₂ per personkm, incidentfrekvens

Försäkringsbranschen jobbar så här dagligen, men många infrastruktursatsningar saknar tydliga mått för riskreduktion. Sätter ni dem tidigt blir det enklare att argumentera för uppskalning.

Exempel på indikatorer som går att följa upp

• Kortare restider på Mittbanan (median och 90-percentil, inte bara snitt)
• Andel resor/gods som flyttas till järnväg
• Förseningar per 10 000 tågkm
• Andel “rätt information i rätt tid” i resenärsflödet (mätt via app/skyltloggar)
• Tillgänglighet: andel stationer med barriärfri access och fungerande byten

När ni kombinerar detta med AI får ni dessutom en möjlighet: ni kan visa ledande indikatorer (predikterad risk) – inte bara släpande (vad som redan gick fel).

Ansökningschecklista: så förbereder ni en uppskalning som håller

Den direkta rekommendationen: Lägg mer tid på förändringsteori och hållbarhetsanalys än på snygga formuleringar. Det är där kvaliteten sitter.

Här är en praktisk checklista anpassad för ändringsbegäran och för AI-inslag:

1. Förändringsteori i en sida
   • Problem → insats → mekanism → effekt → indikatorer
2. Hållbarhetsanalys med målkonflikter
   • Exempel: ökad turtäthet kan öka energianvändning men minska bilresor
3. Data- och AI-plan
   • vilka datakällor, vem äger dem, hur hanteras personuppgifter, hur mäts modellkvalitet
4. Budgetlogik som går att granska
   • varför kostar detta, vad är alternativet, vad händer om vi inte gör det
5. Likviditetsplan
   • utbetalning sker i efterskott; planera intern finansiering
6. Inkludering i praktiken
   • hur ni når underrepresenterade grupper, samiska aktörer och en bredd av företag

Ett tips från riskhanteringsvärlden: skriv ner tre “topprisker” för projektet (t.ex. dataåtkomst, kompetens, integration i drift) och lägg in åtgärder. Det signalerar mognad.

Vad det här betyder för besöksnäringen 2026–2029

Den klara poängen: Fossilfri transportkorridor utan en digital kundresa ger bara halva nyttan. För turism är friktionen i resan ofta det som avgör om folk väljer tåg eller bil.

När Mittbanan blir mer robust öppnas möjligheter som regioner med gles befolkning ofta saknar:

• paketerade tågbaserade resor där anslutningar faktiskt håller
• mer förutsägbara säsongsflöden (som underlättar bemanning för hotell och aktiviteter)
• bättre tillgänglighet till natur- och kulturmål utan ökad biltrafik

Och för näringslivet i regionen: bättre logistik och större arbetsmarknadsregioner är inte “mjuka” effekter. De påverkar rekrytering, investeringar och etableringar.

Nästa steg: gör Mittbanan till en lärande korridor

Om ni redan driver ett projekt inom specifikt mål 3.1 är den här utlysningen en chans att skala upp det som fungerar. Min tydliga ståndpunkt är att uppskalning utan en plan för mätning, prediktion och optimering riskerar att bli dyrt utan att ge maximal effekt.

Vill ni att infrastrukturen ska bära turismen långsiktigt, bygg den som en lärande korridor: samla data, testa förbättringar snabbt, följ upp hårt och använd AI för att ta bort variationen som stör resenärer och godsflöden.

Frågan jag hade ställt i styrgruppen redan i dag: Vilken beslutsprocess vill vi ha 2029 – en som reagerar på problem, eller en som förutser dem?