Cirkulär ekonomi i Stockholm: så får du AI-effekt

70 miljoner kronor. Så stor var potten i Tillväxtverkets regionalfondsutlysning för att främja övergången till en cirkulär och resurseffektiv ekonomi i Stockholm, med upp till 40 % medfinansiering. Utlysningen stängde 2025-09-16, men budskapet är långt ifrån “över och klart” – tvärtom. Den visar exakt vilka typer av insatser EU vill se mer av: spårbarhet, resurseffektivitet, nya affärsmodeller och samverkan.

För dig som jobbar med AI i försäkring och riskhantering kan det här låta som en sidofråga. Jag tycker att många tänker fel där. Cirkulär ekonomi är i praktiken ett stort riskprojekt: materialflöden ska mätas, beteenden ska ändras, leverantörsled ska säkras – och allt måste gå att följa upp. Det är precis den typen av problem som AI (och bra data) är byggt för.

Och eftersom den här texten ingår i vår serie om AI inom försäkring och riskhantering tar vi ett grepp som ofta saknas: hur cirkulära satsningar i Stockholm kan kopplas till AI-driven riskbedömning, underwriting, skadeförebyggande arbete och efterlevnad – och dessutom bli konkret relevant för turism- och besöksnäringen.

Varför cirkulär ekonomi är riskhantering i praktiken

Cirkulär ekonomi handlar inte bara om att återvinna mer. Kärnan är att förlänga livslängd, öka återanvändning och minska spill i hela värdekedjan. Det skapar nya risker (och nya möjligheter) som många organisationer underskattar.

Tre riskområden dyker nästan alltid upp när en verksamhet ställer om:

1. Operativ risk: Nya processer (t.ex. återbruk i bygg, nya returflöden) innebär fler beroenden och fler felkällor.
2. Leverantörs- och värdekedjerisk: Cirkularitet kräver tätare samarbete och ofta nya leverantörer, vilket påverkar robusthet och kontinuitet.
3. Regelefterlevnad och rapportering: Spårbarhet, hållbarhetsanalys och uppföljning blir avgörande – särskilt i offentligt finansierade projekt.

Det här är anledningen till att cirkulär ekonomi och AI i riskhantering passar så bra ihop: AI är effektivt när det finns många signaler, många aktörer och löpande beslut.

Kopplingen till turism och besöksnäring

Besöksnäringen sitter på stora resursflöden: energi, vatten, livsmedel, textilier, transporter, renoveringar och avfall. I storstäder som Stockholm blir volymerna tydliga.

När hotell och destinationsbolag ställer om mot mer cirkulära flöden förändras också riskbilden:

• brand- och driftstopp kopplat till nya material och installationer
• kvalitetsrisk i återbrukade komponenter
• livsmedelssäkerhet vid nya logistikupplägg
• ansvarsrisk när fler parter delar på processer

Det är här AI kan bli en praktisk medspelare, inte ett IT-projekt vid sidan av.

Vad EU efterfrågar – och varför digital spårbarhet är nyckeln

Utlysningen från Tillväxtverket var tydlig: digitalisering och spårbarhet är centrala för cirkulära processer. Det är ett klokt fokus, eftersom cirkularitet utan spårbarhet ofta blir en ambition utan styrning.

Om du vill skapa “AI-effekt” i cirkulär ekonomi behöver du ofta börja med tre byggstenar:

• Datastandarder: enhetliga definitioner (vad räknas som återbruk, vad är en “enhet”, hur mäts livslängd?)
• Identitet för material/produkter: serienummer, QR/RFID, digitala produktpass eller interna ID:n
• Händelsedata: när något köps in, används, servas, flyttas, kasseras, returneras

När det sitter kan AI bidra på riktigt.

Exempel: återbruk i bygg och fastighet (och vad försäkringsdata kan bidra med)

Utlysningen lyfte behovet av bättre metoder och material för att minska byggavfall och öka återanvändning. I Stockholmsregionen är fastighet och bygg en tung post – och ofta nära kopplat till hotell, arenor, mötesanläggningar och publik infrastruktur.

Här finns en konkret AI-loop:

1. Spårbarhet av komponenter (dörrar, armatur, ventilationsdelar) via digitala register
2. Prediktiv riskmodell som skattar sannolikhet för fel utifrån ålder, driftmiljö, servicehistorik
3. Underhållsoptimering så att återbrukade delar får rätt serviceintervall
4. Skadeförebyggande: tidiga varningar innan läckage, brandrisk eller driftstopp uppstår

Det intressanta är att försäkringsbranschen ofta har den typ av skade- och incidentdata som kan hjälpa till att kalibrera riskmodeller: vad går sönder, när, och vad kostar det.

AI som motor: från resurseffektivitet till bättre underwriting

AI i försäkring och riskhantering blir snabbt abstrakt om man bara pratar modeller. Här är fem sätt att koppla AI till cirkulär ekonomi så att både hållbarhet och riskstyrning blir mätbar.

1) Prediktiv analys för resurs- och energiförbrukning

Resurseffektivitet var ett huvudspår i utlysningen. I praktiken innebär det att förutse toppar, avvikelser och slöseri.

För en destination eller hotellkedja kan AI användas för att:

• prognostisera beläggning och styra energi/ventilation därefter
• upptäcka vattenläckor genom avvikelseanalys
• optimera inköp för att minska svinn i frukostbuffé och konferens

Riskvinsten: färre driftstörningar och lägre sannolikhet för skador, vilket på sikt påverkar riskpremie och underwriting.

2) Datorseende för sortering, kvalitet och kontroll

Cirkulära flöden faller ofta på kvalitet: är materialet helt, säkert och “rätt” klassat?

Datorseende kan användas för att:

• kvalitetsgranska återbrukade byggdelar
• automatisera avfallssortering i storskaliga anläggningar
• upptäcka felmontering eller slitage (t.ex. i lager/returflöden)

Det här kan minska både ansvarsrisk och brand-/driftrisk.

3) Bedrägeridetektion och missbruk i stöd- och checksystem

Utlysningen pekade på ramprojekt och affärsutvecklingscheckar. Där pengar rör sig uppstår också risk för felaktigheter.

AI kan hjälpa stödaktörer att upptäcka:

• dubletter och onormala mönster i ansökningar
• avvikande kostnadsstrukturer i budgetar
• leverantörskoncentration som kan signalera otillbörliga upplägg

Det är klassisk riskkontroll – samma logik som i försäkringsbolagens bedrägeridetektion, fast applicerad på projektportföljer.

4) Leverantörsrisk och resiliens i värdekedjor

Texten lyfte osäkerhet i global handel och behov av robusta, fossilfria kedjor. Det är högaktuellt även vintern 2025.

AI-stöd i leverantörsrisk handlar ofta om:

• scoring baserat på leveransprecision, incidenter, ekonomiska signaler
• scenarioplanering (”om leverantör X faller bort – vad händer med drift och kostnad?”)
• tidig varning vid ökade ledtider eller kvalitetsavvikelser

För besöksnäringen kan det gälla allt från livsmedel och tvätt till reservdelar och entreprenader.

5) Cirkulär konsumtion som mätbar beteendeförändring

Utlysningen betonade beteendeförändring och kunskapsspridning. Där blir AI användbart när det kopplas till nudging och mätning:

• rekommendationer som styr gäster mot klimatsmarta val (utan att sänka upplevelsen)
• analys av vad som faktiskt ändrar beteende (A/B-testning av budskap och erbjudanden)
• bättre dimensionering av återanvändbara system (muggar, textilier, amenities)

Det här är en ofta förbisedd poäng: hållbarhet utan mätning blir mest kommunikation.

Så bygger du ett projekt som både är cirkulärt och AI-drivet

Tillväxtverket tryckte hårt på förändringsteori, hållbarhetsanalys och resultatkedjor. Det är inte byråkrati för sakens skull – det är en mall för att undvika projekt som “gör aktiviteter” men inte flyttar något.

Här är en praktisk struktur jag har sett fungera i AI- och riskprojekt, och som passar väl för cirkulär ekonomi.

Steg 1: Välj ett skarpt problem (inte en teknik)

Bra problemformuleringar låter så här:

• “Minska byggavfall med 20 % genom återbruk i tre pilotfastigheter.”
• “Halvera kassation av textilier genom spårbarhet och prediktivt underhåll.”
• “Minska plast i restavfall i publik verksamhet med 30 % genom bättre sortering och nudging.”

Då blir AI ett verktyg, inte huvudpersonen.

Steg 2: Bestäm vilka beslut som ska bli bättre

AI är bara värdefullt om det förbättrar beslut, till exempel:

• när ska vi serva, byta eller återbruka?
• vilka leverantörer klarar våra krav på robusthet och klimat?
• vilka åtgärder ger mest riskreduktion per krona?

Koppla besluten till riskindikatorer (incidentfrekvens, driftstopp, avvikelsegrad) och cirkularitetsindikatorer (återbruk, livslängd, spill).

Steg 3: Planera för data, ansvar och likviditet

I regionalfondslogik kommer ersättning ofta i efterskott. Det gör datainsamling och systemarbete extra känsligt.

Min tumregel:

• starta med en förstudie om datakvalitet och processkartläggning
• sätt en enkel “minimimodell” tidigt (t.ex. avvikelsedetektion) så projektet levererar innan allt är perfekt
• säkra vem som äger data, vilka som får använda den, och hur spårbarhet ska fungera över tid

Nästa steg: från utlysning till långsiktigt arbetssätt

Utlysningen i Stockholm är stängd, men den ger en tydlig karta: EU-finansiering prioriterar samverkan, SMF-stöd, digital spårbarhet och resurseffektiva affärsmodeller. För dig i försäkring och riskhantering är det här mer än hållbarhetsretorik – det är en konkret möjlighet att bygga riskmodeller och tjänster som passar den gröna omställningen.

Min ståndpunkt är enkel: organisationer som klarar att mäta cirkularitet på riktigt kommer också att kunna prissätta risk bättre, förebygga skador tidigare och stå stadigare när leverantörsledet skakar.

Vill du ta det här från idé till plan? Börja med att välja ett cirkulärt flöde (bygg, textil, mat, mobilitet), definiera vilka beslut som ska bli bättre med AI – och ställ frågan som ofta avgör allt: vilken data behöver vi för att kunna bevisa effekt, inte bara hoppas på den?