AI-innovation i Skåne–Blekinge: så får ni FoU-stöd

Tillväxtverket har en saklig, lite krass utgångspunkt i sin senaste utlysning: privat forskning och utveckling i Skåne–Blekinge är för låg – och små och medelstora företags innovationsresultat har backat. Det är inte en “trevlig att ha”-fråga. Det slår direkt mot produktivitet, jobb och regionens konkurrenskraft.

För dig som jobbar med AI inom turism och besöksnäring finns en ovanligt tydlig öppning här. Utlysningen handlar om att företag ska få bearbeta verksamhetsspecifika utmaningar via kunskapsutveckling, test och demonstration – exakt det många AI-satsningar i besöksnäringen behöver för att gå från prototyp till drift.

Och ja: den här texten ligger i vår serie ”AI inom läkemedel och bioteknik”. Det är med flit. Jag har sett att de mest lyckade AI-projekten i turism just nu lånar arbetssätt från life science: hårdare datadisciplin, testbäddar, tydliga effektmått och bättre styrning av risker. Det är samma “FoU-motor”, bara en annan bransch.

Vad innebär innovationsstödet – och varför AI passar ovanligt bra?

Innovationsstödet är byggt för industriell forskning och experimentell utveckling, inte för allmän digitalisering eller löpande drift. Det betyder att ditt projekt måste handla om att utveckla ny kunskap och testa lösningar under kontrollerade former.

Det är här AI blir ett naturligt “hemma-case”. Många AI-lösningar i besöksnäringen kräver:

• datainsamling och datakvalitet (ofta den stora flaskhalsen)
• modellutveckling och validering (fungerar det i verkligheten, inte bara i demo?)
• test- och demonstrationsmiljöer (t.ex. pilot på hotell, destination eller attraktion)
• mätning av effekter (intäkter, beläggning, resursförbrukning, kundnöjdhet)

Utlysningen efterfrågar exakt den typen av upplägg – där företag och forskningsaktörer arbetar ihop och där företagen får incitament att göra saker som annars inte skulle bli av.

En bra tumregel: Om ni kan beskriva projektet i termer av hypotes → experiment → mätbar effekt är ni nära rätt.

Vem kan söka och hur måste projektet byggas?

Projektägaren (koordinatorn) kan vara en juridisk person som främjar innovation och företagande, ett universitet, en forskningsorganisation eller annan aktör. Företag ska delta som projektpartners och det är ett krav att företag med FoU-behov medverkar och medfinansierar sitt deltagande.

Jag tycker det här upplägget är klokt för besöksnäringen. Många turismföretag har inte tid eller likviditet att “äga” ett EU-projekt, men kan vara perfekta som piloter, datapartner och kravställare.

Pengarna: stödnivåer, budgetlogik och vad ni faktiskt får göra

Den stora siffran att hålla koll på är: max 40 % stöd av projektets totala kostnader.

Resterande finansiering (cirka 60 %) behöver komma från offentliga och/eller privata medel. Samtidigt kan stödnivåerna variera för företag beroende på företagsstorlek och FoU-kategori (industriforskning vs experimentell utveckling). För koordinatorns samordning kan offentligt stöd i vissa fall vara upp till 100 %.

Stödberättigande kostnader – så kan en AI-satsning se ut

För företagen är följande kostnadstyper centrala (översatt till AI i besöksnäring):

• Personalkostnader: dataansvarig, analytiker, produktägare, drift/IT-säkerhet som jobbar i projektet.
• Extern sakkunskap/tjänster: kontraktsforskning, modellutveckling, MLOps-stöd, juridik kring data, patent/tekniskt kunnande.
• Instrument/utrustning: t.ex. sensorer i fastigheter, edge-enheter, testmiljöer (i den tid de används i projektet).
• Resor och logi: när det krävs för FoU-genomförandet (t.ex. tester mellan destinationer).

Koordinatorn kan ta kostnader för ledning, uppföljning, utbetalningsunderlag, vidareförmedling av stöd och utvärdering.

En realistisk projektlogik för AI i turism

Det som ofta fäller AI-projekt är att de blir “en app” utan forskning, eller “en forskningsstudie” utan drift. En projektlogik som brukar fungera är:

1. Problemformulering (verksamhetsspecifik): t.ex. no-show, ojämn beläggning, energitoppar, personalplanering, köbildning.
2. Datakontrakt: vilka datakällor, ägarskap, tillstånd, informationssäkerhet.
3. Testbädd: en destination/hotellkedja/attraktion där ni kan köra pilot.
4. Experimentell utveckling: bygga, testa, iterera, dokumentera.
5. Effektmätning: KPI:er och baslinje från dag 1.

Det är också här ni kan låna från bioteknikens sätt att arbeta: protokoll, spårbarhet, tydliga kriterier för “fungerar/inte fungerar”. AI blir mer robust när den behandlas som en FoU-process, inte som “IT-projekt”.

Kopplingen till regionala styrkeområden: så matchar ni smart specialisering

För att passa utlysningen behöver projektet koppla till regionernas smart specialisering/styrkeområden.

I Skåne nämns bland annat Tech, Life Science och hälsa, Smarta hållbara städer, Avancerade material och tillverkningsindustri samt ESS, MAX IV och Science Village.

I Blekinge nämns Smart industri, Tech och arbetssättet Missions (fokus på samhällsutmaningar).

Så gör ni turism relevant i styrkeområdena

Besöksnäring hamnar sällan som en egen rubrik i smart specialisering. Ändå är kopplingen enkel om ni är konkreta:

• Tech: AI för efterfrågeprognoser, dynamisk prissättning, personaloptimering, språkmodeller i kundservice.
• Smarta hållbara städer: flödesstyrning, trängselanalys, mobilitetsdata, hållbar destinationsutveckling.
• Life Science och hälsa: “healthy travel”, tillgänglighet, stressfri logistik, stöd för personer med funktionsnedsättning.
• Missions: formulera projektet som ett tydligt samhällsmål, t.ex. “minska säsongsberoende och öka året-runt-jobb i en destination” eller “halvera matsvinn i hotell- och konferensverksamhet”.

Om ni har svårt att få ihop det: börja i problemet (regional utmaning) och visa hur AI-insatsen är en testbar lösning.

Tre AI-projektidéer som ofta kvalar – med mätbara mål

Här är tre upplägg jag tror har god chans att passa utlysningens logik (FoU, test/demonstration, regional relevans). Siffrorna är exempel på mätbara mål ni kan sätta – poängen är att ni behöver vara specifika.

1) Prognoser och bemanning som faktiskt håller i högsäsong

Kärna: kombinera bokningsdata, evenemangsdata och väder-/mobilitetsmönster för bättre efterfrågeprognoser.

Test: pilot i två typer av verksamheter (t.ex. kustdestination + stadshotell) för att visa generaliserbarhet.

Mål (exempel):

• minska övertidskostnader med 10–15 %
• höja beläggningsprecision i prognoser med 20 %
• korta tid för schemaläggning med 30 %

2) AI mot matsvinn och energitoppar i hotell/restaurang

Kärna: prediktera frukostvolymer och energibehov, och koppla till inköp/produktion och fastighetsdrift.

FoU-del: experimentell utveckling i hur modellen hanterar “stökiga” beteenden (konferenser, gruppbokningar, väderomslag).

Mål (exempel):

• minska matsvinn (kg/övernattning) med 15–25 %
• minska energitoppar (kW) med 10 % utan sämre gästupplevelse

3) Språkmodeller i gästservice – men med kvalitet och styrning

Kärna: en domänanpassad språkmodell (eller modell-orkestrering) för vanliga ärenden: ombokning, tillgänglighet, lokalinfo, klagomål.

FoU-del: kvalitetstester, hallucinationskontroller, policy för känsliga svar, och mätning av serviceutfall.

Mål (exempel):

• öka lösningsgrad i första kontakten med 15 %
• minska svarstid med 50 % under peak
• höja NKI/CSAT med 0,2–0,4 enheter

Krav som ofta missas: statsstöd, hållbarhet och jämställdhet

Här blir jag tydlig: de flesta “bra idéer” faller inte på tekniken, utan på att ansökan blir för vag kring regelverk och analys.

Statsstödslogik (GBER artikel 25)

Utlysningen lutar mot stöd för FoU enligt artikel 25. Praktiskt innebär det att ni måste:

• kunna förklara om era aktiviteter är industriell forskning eller experimentell utveckling
• visa varför kostnaderna är stödberättigande
• bygga en budget som matchar kraven på privat medfinansiering

Ett enkelt sätt att göra rätt från början är att skriva en kort “FoU-mappning”: aktivitet → FoU-kategori → kostnad → mätbar output.

Hållbarhetsanalys och Agenda 2030

Alla projekt ska bidra till mål 5 (jämställdhet) och mål 10 (minskad ojämlikhet), plus minst ett av mål 2, 3, 8, 9, 11 eller 12.

För AI i besöksnäringen kan det betyda:

• Mål 8: bättre produktivitet och mer stabila jobb över säsong
• Mål 11: flödesstyrning som minskar trängsel och gör platser mer inkluderande
• Mål 12: minskat matsvinn och bättre resursplanering

Gör inte misstaget att bara “checka boxar”. Beskriv vilka förändringar som ska ske hos målgruppen (företagen) och hur det påverkar samhällsnivån.

Så förbereder ni en ansökan som känns vuxen (och blir lättare att bevilja)

Tillväxtverket rekommenderar att ni testar en tidig projektidé med rådgivare. Bra. Men ni kan också göra en hel del innan ni ens bokar mötet.

En kort checklista (praktisk, inte byråkratisk)

1. Formulera en förändringsteori på en sida: problem → insats → resultat → effekt.
2. Välj en testbädd tidigt: utan pilotmiljö blir det lätt “PowerPoint-FoU”.
3. Sätt 3–5 KPI:er och definiera mätmetod + baslinje.
4. Gör en datainventering: källor, kvalitet, GDPR, informationssäkerhet, åtkomst.
5. Planera likviditet: stöd betalas ut i efterskott; räkna på kassaflöde.
6. Bygg ett team med två språk: verksamhetens språk + forsknings/AI-språk.

Jag har också märkt att ansökningar blir vassare när man inkluderar en “stop/go”-plan: vad får er att avbryta en modell, byta metod eller skala upp? Det signalerar mognad.

Avslutning: AI-projekt som tål granskning vinner mer än finansiering

Innovationsstödet till företag inom regionala styrkeområden är ett konkret verktyg för att få AI-projekt att hända i Skåne–Blekinge – men bara om ni behandlar dem som riktig FoU: testbart, mätbart och kopplat till regionala prioriteringar.

Det fina är att samma arbetssätt som driver AI i läkemedel och bioteknik (spårbarhet, validering, strikta effektmått) också gör AI i besöksnäringen mer lönsamt och mindre riskfyllt. När ni kan visa att modellen fungerar i en stökig verklighet – då får ni både starkare affär och en ansökan som håller.

Vill ni ta nästa steg? Skissa er förändringsteori, välj en testbädd och gör datainventeringen. Sen är ni redo att diskutera projektidén på riktigt.

Vilken del av er verksamhet skulle ni vilja kunna förutsäga – med samma noggrannhet som life science förutspår effekten av en kandidat i en tidig testfas?