AI-samverkan: Så bygger ni projekt som får EU-stöd

47 miljoner kronor. Så stor var potten i Tillväxtverkets utlysning för samverkan och digital omställning som stängde 2025-10-02. Det kan låta som “ännu en” finansieringsmöjlighet som redan passerat — men det intressanta här är inte datumet. Det är mallen.

För utlysningen visar exakt hur staten och EU vill att Sverige ska jobba med digitalisering, data och AI: fler parter, fler regioner, tydligare resultatkedjor, och konkret stöd till små och medelstora företag. Och om du jobbar med AI inom turism och besöksnäring (eller vill dit) så är det här ett av de tydligaste exemplen på vad som faktiskt premieras.

Jag har sett många AI-idéer falla på en enkel sak: man bygger en lösning, men man bygger inte ett projekt. Ett projekt är en kedja av aktiviteter, partners, finansiering, effekter och uppföljning som hänger ihop. Den här artikeln går igenom hur du tar en AI-satsning (till exempel i besöksnäringen) och formar den så att den matchar logiken i den här typen av EU-finansiering — och samtidigt skapar verklig affärsnytta.

Varför den här typen av utlysning passar AI-projekt (även i turism)

Den korta förklaringen: EU och Tillväxtverket finansierar inte “teknik för teknikens skull”, utan samverkansinsatser som stärker innovationssystemet och direkta insatser som höjer företags förmåga. AI råkar vara perfekt för båda.

Utlysningen låg under mål 1.1 i Nationella regionalfondsprogrammet: att stärka forskning och innovation. I praktiken innebär det att projekt som kopplar ihop kompetenser, data och testmiljöer över regiongränserna ligger rätt.

För turism och besöksnäring blir det extra relevant eftersom branschen ofta har:

• många små och medelstora företag
• säsongsvariationer och kapacitetsproblem
• fragmenterad data (bokning, gästflöden, kundtjänst, recensioner, betalningar)
• stora möjligheter till AI-stöd i både drift och kundupplevelse

Samtidigt finns en tydlig bro till vår temaserie ”AI inom försäkring och riskhantering”. Det kan låta som en annan värld, men mekaniken är densamma: AI ger bäst effekt när den byggs kring dataflöden, ansvar, modellrisk och mätbara resultat. Ett turismprojekt som vill finansieras behöver ofta beskriva risker, datastyrning och effekter lika tydligt som ett försäkringsbolag gör i underwriting eller skadehantering.

Myten som sinkar många ansökningar

Många tror att finansiering handlar om att presentera en “stark lösning”. I de här utlysningarna handlar det mer om att visa att ni kan:

1. samverka över organisatoriska och regionala gränser
2. leverera stöd som faktiskt stärker företagens förmåga
3. mäta beteendeförändring och resultat (inte bara genomförda aktiviteter)

Kraven som styr projektformen: partners, regioner och resultatkedjor

Om du vill bygga ett projekt som passar den här logiken behöver du designa för tre saker: partnerskap, geografi och resultatkedja.

Partnerskap: fler parter än du tror (och det är poängen)

I utlysningen kunde stödmottagare vara offentliga aktörer, universitet/högskolor, forskningsaktörer och företagsfrämjande organisationer. Företag kunde delta som projektparter.

Den praktiska lärdomen: ett AI-projekt blir starkare om någon äger “företagsnyttan” och någon äger “metod/teknik”.

Ett bra upplägg i besöksnäringen kan vara:

• en regional aktör (t.ex. destinationsbolag, kommun/region) som kan mobilisera företag
• en innovationsmiljö/kluster som kan driva samverkan och skalning
• en akademisk part som säkrar metod, dataetik, utvärdering
• 10–30 små och medelstora företag som testbädd och kravställare

Geografi: minst två NUTS 2-områden och minst tre innovationsmiljöer

Det här kravet (minst tre regionalt prioriterade innovationsmiljöer i minst två NUTS 2-områden) är inte “administration”. Det är en signal om vad man vill åstadkomma: spridning av innovation och gemensamt resursutnyttjande.

För turism är det en öppning att koppla ihop exempelvis:

• en storstadsdestination med hög digital mognad
• en fjälldestination med stark säsong och kapacitetsutmaningar
• en skärgårdsdestination med logistik- och hållbarhetsfokus

AI-modeller för efterfrågeprognoser, prissättning, personalplanering och flödesstyrning blir bättre när de tränas och testas i olika kontexter — och det är exakt den typen av “överförbarhet” som finansieringslogiken gillar.

Resultatkedjor: välj vad som är primärt

Utlysningen pekade ut två relevanta resultatkedjor:

1. Direkta insatser till företag (effekt i företaget)
2. Utveckling av stödstrukturer (effekt i systemet runt företagen)

Många projekt försöker göra allt och blir otydliga. Jag föredrar att man väljer en primär och låter den andra bli sekundär.

• Om ni vill få fart på AI-användning i hotell, aktivitetsbolag och restauranger: välj Direkta insatser till företag.
• Om ni vill bygga en gemensam AI-hubb, testmiljö, metodpaket och kompetenskarta: välj Utveckling av stödstrukturer.

Så ser ett finansieringsbart AI-projekt i besöksnäringen ut

En ansökan blir vass när den svarar på tre frågor: vilket problem, vilken aktivitet, vilken mätbar effekt.

Exempelprojekt: “AI för gästflöden och kapacitetsrisk”

Problem: Överturism vissa veckor och underturism andra, vilket ger lägre lönsamhet, stressad personal och sämre gästupplevelse.

AI-insats: Prediktiva modeller som kombinerar bokningsdata, evenemangskalendrar, väderhistorik, mobilitetsdata och recensioner för att prognostisera flöden och föreslå åtgärder.

Aktiviteter (som passar utlysningens logik):

• test- och demonstrationsaktiviteter i 15 SME (hotell, museum, transport, aktivitetsbolag)
• gemensamma workshops mellan forskare och företag för att formulera “verksamhetsspecifika utmaningar”
• metodstöd kring datadelning, anonymisering, modellrisk och uppföljning
• byggande av en stödstruktur: en regional “AI-coachfunktion” som kan skalas

Mätbara resultat:

• antal företag som tar AI i drift (inte bara “deltar”)
• förbättrad prognosprecision (t.ex. MAPE före/efter)
• minskat antal akutbemannade pass / minskad övertid
• ökade intäkter per tillgänglig kapacitet under toppveckor utan att sänka NPS

Här finns en tydlig parallell till AI i riskhantering: ni modellerar osäkerhet, ni styr mot risk (kapacitetsrisk), och ni måste kunna förklara hur modellen påverkar beslut.

Tre AI-spår som brukar vara lättast att motivera

1. Kundservice och bokning med AI

   • automatiserad flerspråkig support
   • förbättrad konvertering i bokningsflöden
   • smarta rekommendationer av upplevelser

2. Operativ effektivitet (personal, inköp, energi)

   • prognoser för bemanning och lager
   • AI-stöd för schemaläggning
   • optimering av energianvändning i fastigheter

3. Bedrägeri, avbokningar och betalningsrisk

   • identifiering av misstänkta bokningsmönster
   • prediktion av no-show
   • riskbaserade betalningsvillkor

Det tredje spåret är extra intressant i den här temaserien, eftersom det ligger nära försäkringens kärna: bedrägeridetektion, riskklassning och prediktiv analys.

Budget och finansiering: 40 % i stöd betyder att ni måste vara byggbara

I utlysningen var maxstödet 40 % av total projektbudget, med 60 % offentlig och/eller privat medfinansiering. För många projekt är det här den verkliga flaskhalsen.

Så gör ni det hanterbart:

• Bryt ner projektet i arbetspaket där vissa delar kan medfinansieras av offentliga aktörer (samordning, metodstöd, utbildning).
• Låt företag bidra med tid och egna kostnader kopplade till piloter (där det är möjligt och rimligt).
• Designa för kostnadseffektivitet: återanvänd dataflöden, gemensamma verktyg, gemensam utvärdering.

En viktig detalj i utlysningen var att övergripande projektsamordning i vissa fall kunde finansieras upp till 100 % (beroende på upplägg). Det är en signal om att staten förstår att samverkan kostar — men ni måste kunna särskilja den delen tydligt i budget och plan.

Statsstödsboxar: välj tidigt, annars spricker logiken

Utlysningen tillät flera “statsstödsboxar”, bland annat:

• de minimis (försumbart stöd)
• information/kunskapsöverföring av allmänt intresse
• systemutvecklande samverkan
• FoU-stöd som gynnar företag

Det här låter torrt, men det påverkar allt: vilka kostnader som är stödberättigande, hur ni redovisar, och hur ni beskriver nyttan per företag.

Min tydliga ståndpunkt: Bestäm er för 1–2 boxar och bygg projektet runt dem. För många boxar skapar en ansökan som är svår att granska och ännu svårare att genomföra.

Ett typiskt upplägg för AI i turism kan vara:

• systemutvecklande samverkan för att bygga metoder, nätverk, gemensam datastyrning
• FoU-stöd för piloter där företag testar, demonstrerar och utvärderar lösningar

Förändringsteori + hållbarhetsanalys: gör dem till en styrmodell, inte bilagor

I utlysningen var förändringsteori ett krav, liksom hållbarhetsanalys (inklusive jämställdhetsintegrering).

Om du vill sticka ut: använd dem som projektets styrning.

En enkel förändringsteori som funkar för AI-projekt

• Om SME får tillgång till data, AI-kompetens och testmiljöer
• så kan de bygga och införa AI-stöd i vardagsprocesser
• vilket leder till högre produktivitet, bättre kundupplevelse och lägre operativ risk

Koppla sedan varje arbetspaket till en mätbar förmåga, till exempel:

• “förmåga att arbeta datadrivet” (mätt via införda KPI:er, datakvalitet, beslutsrutiner)
• “förmåga att bedöma AI-risk” (mätt via dokumenterade modelltester, incidentrutiner)

Det här är exakt samma tänk som växer fram i försäkringens AI-styrning: modellriskhantering, spårbarhet och ansvar.

Jämställdhet och inkludering: bygg in det i själva AI-designen

Det räcker inte att ha en separat aktivitet. Gör det praktiskt:

• säkra att pilotföretagen har blandade ägar- och ledningsprofiler
• mät om AI-stödet påverkar arbetsmiljö och schemaläggning olika för kvinnor och män
• se över språk, tillgänglighet och bias i kundnära AI (särskilt chat och rekommendationer)

Nästa steg: så förbereder ni en ansökan som håller hela vägen

Även om just den här utlysningen är stängd ger den en tydlig kravbild som återkommer i nya utlysningar. Om du vill göra er redo under vintern 2025 och in i 2026, gör det här i ordning:

1. Samla ett partnerskap på papper (roller, ansvar, medfinansiering).
2. Välj primär resultatkedja och skriv 5–8 mätbara resultat.
3. Skissa arbetspaket: pilot, metod, stödstruktur, utvärdering, samordning.
4. Bestäm statsstödslogik tidigt och håll den konsekvent.
5. Bygg en liten testpilot först (4–6 veckor) så att ni kan visa verkliga datapunkter.

En bra ansökan låter som en plan ni redan är halvvägs genom — inte som en önskelista.

Där AI-projekt vinner just nu: risk, robusthet och drift

AI-projekt i turism har tidigare sålts in med “personalisering” och “smartare marknadsföring”. Det funkar fortfarande, men jag tycker att de starkaste projekten 2026–2029 kommer handla mer om robusthet:

• att hantera kapacitetsrisk och säsongsrisk
• att minska kostnadsrisk (energi, bemanning, inköp)
• att upptäcka bedrägeri och betalningsrisk

Det är här turismbranschen närmar sig försäkringslogiken: bättre data, bättre prediktioner, bättre beslut — och tydligare ansvar.

Om nästa utlysning öppnar i samma anda som den som stängde 2025-10-02 kommer frågan inte vara om ni “har en AI-idé”. Frågan blir om ni kan visa samverkan, mätbara effekter och en genomförandeplan som håller även när pilotfasen blir vardag.

Vilket av era AI-case i besöksnäringen skulle bli starkast om ni kopplade på en andra region och en forskningspartner redan i januari?