AI-finansiering: FoU-stöd som lyfter besöksnäringen

Tillväxtverket har nyligen haft en utlysning som många i besöksnäringen borde ha lagt märke till: 30 miljoner kronor för projekt som hjälper företag att ta sig an verksamhetsspecifika FoU-utmaningar – med test, demonstration och tydlig koppling till industriell forskning eller experimentell utveckling. Utlysningen stängde 2025-09-16 och riktade sig till Dalarna, Gävleborg och Värmland, men logiken bakom den är relevant långt utanför geografin.

Det intressanta är inte bara pengarna. Det är modellen: en forskningsorganisation eller innovationsaktör som projektägare/koordinator, och företag som projektpartners som får direkt stöd för FoU-kostnader enligt GBER artikel 25. För turism och besöksnäring – där AI ofta fastnar i ”pilot som aldrig blir drift” – är just den konstruktionen en ovanligt praktisk väg från idé till mätbara resultat.

Och ja, den här texten ligger i vår serie om AI inom läkemedel och bioteknik. Det är medvetet. Jag har sett samma mönster i båda världarna: de som lyckas med AI har (1) tydliga testmiljöer, (2) datadisciplin och (3) en plan för att gå från prototyp till verksamhetsnytta. Besöksnäringen kan låna mycket från hur bioteknik arbetar med experimentdesign, validering och skalning.

Vad utlysningen egentligen säger om AI och innovation

Kärnan i utlysningen är att FoU ska vara verklig – inte ”digitalisering i största allmänhet”. Projekten ska rymmas inom industriell forskning eller experimentell utveckling och gärna innehålla test- och demonstrationsaktiviteter.

Det är exakt där AI-projekt ofta hör hemma:

• Industriell forskning (ungefär TRL 2–4): Ni försöker bevisa om en metod fungerar, till exempel om en prediktionsmodell kan förutse beläggning eller efterfrågan med acceptabel felmarginal.
• Experimentell utveckling (ungefär TRL 5–8): Ni har en fungerande prototyp och behöver göra den robust: integrera med bokningssystem, kvalitetssäkra dataflöden, testa i driftlika miljöer och få den att fungera i verkligheten – med säsongstoppar, avbokningar och personalomsättning.

En bra tumregel: Om ni fortfarande bråkar om vilken data som ens finns – då är ni tidigt. Om ni bråkar om hur modellen ska byggas in i vardagsrutiner – då är ni sent.

Utlysningen trycker också på två återkommande problem i regioners innovationssystem:

1. För lite samverkansforskning mellan akademi/institut och företag.
2. För få testbäddar och demonstrationsmiljöer där lösningar kan provas utan att störa kärnverksamheten.

För besöksnäringen är detta extra relevant eftersom kundupplevelsen är känslig: ni kan inte ”testa lite” på gästerna utan en plan för kvalitet, etik och fallback-lägen.

Så kan besöksnäringen använda FoU-stöd för AI – konkret

Det snabbaste sättet att göra AI lönsamt i turism är att välja problem där datan redan finns och effekten går att mäta i kronor eller tid. Här är tre tydliga spår som brukar fungera bra inom ramen för industriell forskning och/eller experimentell utveckling.

1) Smartare bokningar och intäktsstyrning (revenue management)

Många aktörer sitter på bokningsdata, prisdata, kampanjer, beläggning och säsongsmönster. Ändå görs prissättning och paket ofta manuellt eller med enkla regler.

FoU-frågor som passar väl:

• Prediktera efterfrågan per kanal, datum och segment.
• Optimera pris/paket utifrån mål (beläggning, marginal, gästnöjdhet).
• Minska avbokningskostnader med riskmodeller och smarta villkor.

Mätbara effekter som är lätta att följa upp i en EU-logik:

• högre intäkt per tillgänglig kapacitet (t.ex. rum, platser, bord)
• minskad tid i manuell planering
• färre ”felprissatta” helger och lov

2) Personligare gästupplevelse utan att det blir ”creepy”

AI i kunddialog är mer än en chattbot. Rätt gjort handlar det om beslutsstöd för personal och bättre matchning mellan gäst och erbjudande.

Exempel på FoU-upplägg:

• Semantisk sök och rekommendationer på webb (aktiviteter, paket, evenemang).
• Automatisk kategorisering av gästfeedback (recensioner, enkäter, sociala medier).
• Prediktera servicebehov: vem riskerar att bli missnöjd och varför?

Här blir parallellen till bioteknik tydlig: man validerar hypoteser, testar mot kontrollgrupp och följer upp effekter över tid.

3) Driftoptimering: bemanning, energi och flöden

Om vi pratar vinter 2025 i Sverige så är verkligheten att många företag jagar två saker samtidigt: kostnadskontroll och personalens arbetsmiljö. AI kan bidra om man vågar angripa vardagsprocesserna.

Möjliga FoU-problem:

• Prediktera beläggning och koppla till bemanningsplanering.
• Optimera energiförbrukning (värme, ventilation) utifrån faktisk beläggning.
• Analys av köer och flöden i anläggningar, evenemang eller besöksmål.

Det här är ofta experimentell utveckling: integrationer, realtidsdata och robust drift är hela poängen.

Vem ska äga projektet – och varför det spelar roll

Utlysningens konstruktion föredrar att företagen inte är projektägare. Företag ska delta som projektpartners och få stöd för sina FoU-kostnader, medan projektägaren får stöd för samordning.

Det är en fördel för besöksnäringen, av tre skäl:

1. Mindre administrativ börda på enskilda företag. Många destinationer och SME:er har inte kapacitet att bära projektmaskineriet.
2. Bättre kvalitet i FoU-metod. En koordinator (universitet, institut, kluster, innovationskontor) kan driva förändringsteori, hållbarhetsanalys och utvärdering.
3. Högre sannolikhet att lösningen går att återanvända. En koordinator kan skapa gemensamma datamodeller, testmiljöer och lärande mellan företag.

I praktiken: en destination, ett regionalt innovationsbolag eller ett forskningsinstitut kan vara projektägare, medan hotell, aktivitetsbolag, transport, museer och restauranger är projektpartners med tydliga FoU-behov.

Budget, stödgrader och vad som faktiskt kan finansieras

Grundregeln i utlysningen var max 50 % EU-stöd av projektets totala budget. Det innebär att ni behöver säkra resterande del med offentliga och/eller privata medel.

Samtidigt skiljer det sig mellan roller:

• Projektägare/koordinator: offentligt stöd kan vara upp till 100 % för övergripande projektsamordning.
• Deltagande företag: offentligt stöd kan ligga i spannet 25–70 % beroende på om det är experimentell utveckling eller industriell forskning.

Stödberättigande kostnader hos företag (typiskt AI/FoU):

• Personalkostnader för de som faktiskt jobbar i projektet (analys, utveckling, test).
• Extern sakkunskap (kontraktsforskning, konsultstöd, teknikexpertis).
• Utrustning/instrument under den tid de används.
• Resor/logi om de är nödvändiga för genomförandet.

Det som ofta missas i AI-projekt: dataarbete är arbete. Att rensa, strukturera, annotera och kvalitetssäkra data är ofta 30–60 % av insatsen. Det går att planera som personalkostnad och/eller extern tjänst – men bara om ni formulerar det som FoU-aktivitet kopplad till hypotes/test.

En ansökan som håller: förändringsteori, testlogik och TRL

Om ni vill att en FoU-ansökan för AI ska kännas seriös måste den beskriva hur ni ska testa att idén fungerar. Det är här många faller, både i turism och life science.

Förändringsteori som inte blir powerpoint

En bra förändringsteori för ett AI-projekt i besöksnäringen ska kunna svara på:

• Vilket beslut ska bli bättre (pris, bemanning, rekommendation, kapacitetsplanering)?
• Vilken data används och vilken kvalitet krävs?
• Vilken beteendeförändring krävs i verksamheten?
• Vilka effekter ska synas efter 6, 12 och 24 månader?

Skriv den gärna som en kedja:

1. Aktivitet (t.ex. bygga modell och integrera)
2. Prestation (t.ex. modell i drift, personal utbildad)
3. Kort sikt (t.ex. snabbare beslut, jämnare beläggning)
4. Medellång sikt (t.ex. högre intäkt, bättre arbetsmiljö, lägre energi)

TRL som språk mellan teknik och verksamhet

TRL hjälper er sätta rätt ambitionsnivå:

• TRL 2–4: prototyp i labb/simulerad miljö, fokus på metod och kvalitet.
• TRL 5–8: pilot i realistisk miljö, fokus på drift, integration, skalning.

Den som sätter TRL fel brukar spränga budget eller tidplan. I besöksnäringen är det extra farligt eftersom säsongen inte väntar.

Hållbarhet och jämställdhet: gör det till en del av AI-designen

Utlysningen kräver att projekten integrerar hållbarhet och bidrar till Agenda 2030, samt arbetar med jämställdhet och minskad ojämlikhet.

För AI i turism finns det ett enkelt sätt att göra detta konkret:

• Miljö: optimera energianvändning och minska svinn genom bättre prognoser.
• Socialt: bygg tjänster som fungerar för fler språk, funktionsvariationer och digital vana.
• Ekonomi: öka beläggning i låg säsong genom bättre segmentering och paketering.
• Jämställd innovation: följ upp vilka som gynnas av rekommendationer och prissättning (undvik att datahistorik cementerar snedfördelning).

Jag tycker man ska vara rak här: om ni inte kan beskriva hur modellen undviker att förstärka skevheter, då är ni inte redo för drift.

Vanliga frågor jag får från företag (och raka svar)

“Är det här bara för stora bolag med data scientists?”

Nej. Men ni behöver avsätta tid och ha en partner som kan FoU-metodik. Det är därför koordinatorrollen är så viktig.

“Kan vi söka om vi bara vill köpa en färdig AI-tjänst?”

FoU-stöd handlar inte om att köpa standardmjukvara. Det behöver finnas utveckling, test och lärande – gärna med demonstrationsmiljö.

“Vad är den största risken i AI-projekt för besöksnäringen?”

Att ni underskattar datakvalitet och integrationer. En modell utan stabila dataflöden blir en dyr rapport, inte ett arbetssätt.

Nästa steg: bygg ett projekt som faktiskt går att driva

Poängen med den här typen av FoU-utlysningar är att fler företag ska våga göra sådant som annars inte blir av: ta fram prototyper, testa i realistiska miljöer och skala upp. För besöksnäringen handlar det om att göra AI till en del av affären – inte ett sidospår.

Om jag skulle ge ett enda råd inför nästa möjlighet: starta med två–tre företag och ett smalt problem som kan mätas på 90 dagar, men designa projektet så att fler företag kan ansluta när ni har en fungerande testbädd.

Samma sak som vi ser i AI inom läkemedel och bioteknik gäller här: den som vinner är inte den med mest hype, utan den som kan visa robusta resultat, reproducera dem och sedan skala.

Vad skulle hända med er beläggning, er energiåtgång eller er gästnöjdhet om ni hade en testmiljö där AI-idéer får bevisas – eller förkastas – snabbt och billigt?