AI i hållbar stadsutveckling: så får ni EU-stöd 2025

Den som tror att stadsutveckling bara handlar om asfalt, detaljplaner och bygglov missar halva bilden. När städer vill bli smartare och mer hållbara är det ofta förmågan att samarbeta och testa nytt som avgör om en idé blir en faktisk förbättring.

Det är exakt där Tillväxtverkets utlysning ”Bidra till innovativa lösningsstrukturer i städer” träffar rätt: stöd för projekt som bygger stödstrukturer (plattformar, nätverk, processer) och test- och demonstrationsmiljöer (fysisk eller virtuell infrastruktur) – med fokus på forskning och innovation. Utlysningen stängde 2025-10-02, men den är fortfarande högintressant som mall remindern: det är den här typen av projektlogik som återkommer i EU-finansierade satsningar.

Och ja: AI är ofta den mest konkreta genvägen från “strategi på papper” till “mätbar effekt i stadens tjänster”. I den här artikeln kopplar jag ihop utlysningens upplägg med praktiska AI-projekt – särskilt sådana som stärker turism och besöksnäring – och drar paralleller till hur vi inom vår serie AI inom läkemedel och bioteknik brukar tänka kring testmiljöer, data och styrning.

Vad utlysningen egentligen premierar (och varför det spelar roll)

Utlysningen är byggd för att finansiera genomförande av prioriterade strategier för hållbar urban utveckling, med tydligt fokus på specifikt mål 1:1 Stärk forskning och innovation. I praktiken innebär det att projektet måste visa att ni:

• driver samverkan mellan offentlig sektor, akademi/forskningscentrum och företag
• skapar förutsättningar för att testa och utveckla nya lösningar i demonstrationsmiljö
• stärker forsknings- och innovationskapacitet (inte bara “digitaliserar lite”)

Stödnivån är tydlig och ganska stram:

• Max 40 % av total budget i EU-stöd
• Förstudier: max 40 % och max 840 000 kr i EU-stöd
• Projekten kan pågå som längst till 2029-09-30 (förstudier max 12 månader)

Det här är en signal: ni behöver både en seriös medfinansiering och en plan som håller i flera år. För AI-projekt är det i grunden positivt – de som lyckas är nästan alltid de som tar höjd för dataarbete, drift och utvärdering, inte bara en snabb pilot.

Varför AI passar så bra i “lösningsstrukturer” – och inte bara som en app

AI-projekt faller ofta på samma sak: man bygger en tjänst innan man byggt strukturen runt den. Utlysningen sätter strukturen i centrum, och det är mer realistiskt.

Resultatkedja 2: Utveckla stödstrukturer (AI behöver detta först)

Här premieras saker som nätverk, innovationsplattformar, metodutveckling och tekniköverföring från forskning till näringsliv. För AI betyder det exempelvis:

• Datadelning och datastyrning mellan kommun, destinationsbolag, evenemangsarrangörer och företag
• gemensamma spelregler för privacy-by-design, informationssäkerhet och ansvar
• en “produktväg” från idé → pilot → upphandling → drift

Det är ungefär samma pågående kulturförändring som vi ser i AI inom life science: bioteknikbolag kan inte träna modeller utan biobanker, dataplattformar och tydliga etiska processer. Staden är på många sätt en “biobank” av mobilitetsdata, besöksflöden, energidata och servicebehov.

Resultatkedja 3: Bygga miljö/infrastruktur (där AI kan testas på riktigt)

I den här kedjan handlar det om verktyg och utrustning för FoU, eller testmiljöer. För stads- och turismnära AI är det ofta:

• sensorer och IoT (flöden, luftkvalitet, buller, parkering)
• digital tvilling (modell av stadens flöden)
• plattform för realtidsdata och API:er
• “sandlådor” för att prova algoritmer utan att riskera integritet eller driftstörningar

Det som ofta gör eller fäller ett projekt är att ni kan visa vem som använder infrastrukturen och hur företag deltar aktivt i gemensamma FoU-insatser.

Tre AI-spår som passar turism och besöksnäring i städer

Svenska städer går in i 2026 med en tydlig press från tre håll: klimatomställning, trygghet/tillgänglighet och resurseffektivitet. Turismen sitter mitt i detta – särskilt under event, helger och högsäsong.

Här är tre spår som matchar utlysningens logik och som brukar vara relativt lätta att beskriva i en förändringsteori.

1) Prognoser och flödesstyrning: från trängsel till bättre upplevelse

Direkt effekt: bättre styrning av besöksflöden, mindre trängsel, bättre nyttjande av kollektivtrafik och offentliga ytor.

Praktiskt upplägg:

• samla data från evenemangskalendrar, bokningsmönster, mobilitetsdata, väder och kollektivtrafik
• använd AI för korttidsprognoser (timmar/dagar) och säsongsprognoser (veckor/månader)
• testa styrning: skyltning, rekommendationer i turistappar, dynamisk bemanning, riktad kollektivtrafikinfo

Det här är “kliniska prövningar” fast för stadsmiljö: ni behöver kontroll, uppföljning och tydliga effektmått (exempelvis kötid, beläggning, NPS, utsläpp per besök).

2) AI-baserad turistplattform: mer relevant service, mindre friktion

Direkt effekt: bättre kundupplevelse och ökad konvertering till lokala erbjudanden.

En AI-baserad turistplattform behöver inte vara en ny app. Den kan vara en gemensam motor som:

• personaliserar rekommendationer (kultur, mat, familjeaktiviteter, tillgänglighet)
• föreslår hållbara rutter (gång/cykel/kollektivtrafik)
• ger realtidsinfo om trängsel, öppettider, köer och alternativ

Det viktiga i en EU-logik är att ni beskriver plattformen som stödstruktur och knyter den till ett ekosystem av företag och offentliga aktörer.

3) Smarta boknings- och kapacitetslösningar: optimera utan att stressa sönder staden

Direkt effekt: jämnare beläggning, lägre toppar, bättre intäkter per resurs.

AI kan hjälpa till med:

• kapacitetsplanering för besöksmål och museer
• dynamiska tidsfönster och rekommenderade besökstider
• optimering av städ, säkerhet, värdskap och öppethållande

Det här kopplar tydligt till “produktiva städer”: högre produktivitet kräver både teknik och beteendeförändring.

Så designar ni ett projekt som Tillväxtverket faktiskt kan godkänna

Det räcker inte att ha en bra idé. Ni behöver en projektstruktur som passar EU:s sätt att bedöma risk, nytta och genomförandeförmåga.

Bygg projektet runt en förändringsteori (inte runt teknikval)

En bra förändringsteori för AI i stad/turism brukar ha tre nivåer:

1. Aktiviteter: datainsamling, samverkansprocess, testmiljö, prototyp, pilot
2. Förmågor/beteenden: aktörer delar data, använder prognoser i planering, anpassar service
3. Effekter: mindre trängsel, bättre tillgänglighet, lägre utsläpp, bättre upplevelse

Om ni börjar med “vi ska köpa en plattform” tappar ni ofta både resultatkedja och trovärdighet.

Planera för statsstödslogik tidigt (särskilt om företag deltar)

När företag gynnas måste ni förhålla er till statsstödsregler. I praktiken behöver ni:

• avgränsa vilka aktiviteter som är FoU, vilka som är kluster/innovationsmiljö och vilka som är allmänna främjandeinsatser
• budgetera tydligt (EU gillar tydlighet mer än kreativitet här)
• undvika att “blanda allt” i samma arbetspaket

Min erfarenhet: projekt som tidigt bestämmer en enkel statsstödsmodell blir snabbare att handlägga och lättare att driva.

Gör jämställdhet och hållbarhet till designkrav – inte en bilaga

Utlysningen kräver särskilda insatser för jämställdhet och en hållbarhetsanalys. För AI-projekt finns det ett enkelt, konkret sätt:

• mät och följ upp att tjänsterna fungerar lika bra för olika grupper
• säkerställ att rekommendationssystem inte förstärker snedfördelning (t.ex. vilka besöksmål som får synlighet)
• bygg tillgänglighet från start (språk, kognitiv belastning, funktionsnedsättning)

Det här är samma tänk som i medicinsk AI: en modell som fungerar bra på en grupp men dåligt på en annan är inte “klar”, den är risk.

Exempel på projektupplägg (som går att kopiera rakt av)

Här är ett upplägg som brukar fungera som stomme i ansökningar med AI-fokus:

Arbetspaket 1: Stödstruktur och datagovernance

• samverkansplattform (kommun–akademi–näringsliv)
• dataavtal, informationsklassning, API-principer
• plan för drift efter projektets slut

Arbetspaket 2: Test- och demonstrationsmiljö

• teknisk miljö (moln/on-prem), loggning, behörigheter
• syntetisk data eller anonymiseringspipeline
• testplan och utvärderingsdesign

Arbetspaket 3: Två piloter med tydliga KPI:er

• pilot A: flödesprognoser vid events
• pilot B: AI-rekommendationer för hållbara rutter

KPI-exempel som är lätta att följa:

• minskning av toppbelastning (procent)
• kortare kötid (minuter)
• andel besök som styrs till lågtrafik-tider (procent)
• förbättring i gästnöjdhet (NPS/enkät)

Arbetspaket 4: Spridning och skalning

• upphandlingsunderlag och referensarkitektur
• utbildning för verksamhet (inte bara IT)
• plan för regional/nationell spridning

Nästa steg för er som vill skapa leads: gör en “ansökningsbar” AI-idé

Om ni säljer eller bygger AI-lösningar för städer, turism eller offentliga aktörer är en sak extra tydlig inför 2026: det är inte brist på idéer – det är brist på ansökningsbara projekt med rätt parter och rätt kedja från test till effekt.

Jag brukar rekommendera att börja med en 90-minuters workshop där ni landar tre beslut:

1. Vilken resultatkedja är primär? (stödstruktur eller infrastruktur)
2. Vilka data behövs första 100 dagarna? (och vem äger dem)
3. Vilken effekt ska gå att mäta inom 6–12 månader?

Om ni kan svara på det, har ni i praktiken en projektkärna som går att paketera för kommande utlysningar och som samtidigt fungerar kommersiellt.

Städer som får ordning på AI-styrning nu kommer ha ett rejält försprång när nästa våg av finansieringsmöjligheter öppnar. Frågan är inte om AI kommer in i stadsutveckling och besöksnäring – frågan är vilka som bygger strukturen som gör att AI faktiskt går att använda och lita på.