AI mot olagliga läkemedel: så stryps flödet

Det är lätt att tro att olagliga läkemedel mest handlar om ”skumma piller” i ett hörn av internet. Men bilden som växer fram i Sverige 2025 är betydligt mer obehaglig: en störtflod av icke godkända och ofta förfalskade läkemedel som marknadsförs lika friktionsfritt som skor eller hörlurar.

I Läkemedelspodden beskriver Läkemedelsverkets utredare Martin Burman hur handeln har ändrat karaktär sedan 2012: från tvivelaktiga hälsopåståenden i gråzonen till organiserad läkemedelskriminalitet som säljer obesitasläkemedel, potensmedel, dopingpreparat, narkotikaklassade läkemedel och melanotan. Burmans poäng är rak: konsumenterna är ofta offer, inte gärningspersoner.

Här kommer min tydliga ståndpunkt: om vi vill göra ”störtfloden” till en stril räcker inte informationskampanjer och punktinsatser. Vi behöver tekniska system som kan jobba i samma tempo som annonserna, bottarna och betalflödena. Det är precis där AI inom läkemedel och bioteknik kan spela en praktisk roll – inte i en avlägsen framtid, utan i lösningar som går att bygga och införa stegvis.

Varför olagliga läkemedel 2025 är en annan typ av hot

Hotet är inte bara att produkterna är ”otillåtna”. Hotet är att de ofta är fel läkemedel, fel dos eller fel innehåll – och att de säljs med en trovärdighet som gör att människor faktiskt använder dem.

I podden lyfts exempel där konsekvenserna blir akuta: en person som hamnar på sjukhus med hjärtinfarkt efter ett potensmedel med för hög koncentration, och fall där förfalskade injektionspennor för viktminskning har visat sig innehålla insulin i stället för semaglutid. Det är en särskilt giftig kombination av två saker:

• Hög efterfrågan (viktnedgång, potens, ”snabb effekt”).
• Hög trovärdighet i förpackning och marknadsföring, särskilt via sociala medier och marknadsplatser.

Det som gör 2025 extra knepigt är att marknadsföringen är datadriven även på den kriminella sidan. De testar budskap, kreativa format och målgrupper. De bygger social proof. De flyttar domäner och konton snabbt. Och de är duktiga på att efterlikna språk, logotyper och design.

AI kan stoppa mer än man tror – om man väljer rätt strider

AI kommer inte ”utrota” olagliga läkemedel. Däremot kan AI göra något väldigt konkret: öka upptäckten, korta tiden från annons till åtgärd och göra det dyrare att bedriva handeln.

Det handlar om samma logik som Burman beskriver: många skruvar som måste dras åt. AI är inte en enda stor skruv – det är en verktygslåda.

1) AI för att hitta annonser och säljflöden i realtid

Den snabbaste vinsten är att använda AI för att identifiera olaglig marknadsföring där den faktiskt sker: i flöden, stories, kommentarsfält, grupper och på online-marknadsplatser.

Praktiskt innebär det ofta:

• NLP (språkmodeller) som känner igen mönster i text: slang, kodord, stavningsvarianter, “diskreta leveranser”, “utan recept”, ”EU-lager”, ”originalpenna”.
• Datorseende som känner igen bilder på förpackningar, injektionspennor, blisterkartor – även när logotyper är suddiga eller vinklade.
• Multimodal AI som kopplar ihop text + bild + pris + leveranslöften + konto-historik och ger en riskpoäng.

Det viktiga är inte att modellen är perfekt. Det viktiga är att den prioriterar rätt 200 ärenden av 20 000 signaler så att myndigheter, plattformar och betalaktörer kan agera snabbare.

2) AI som skiljer godkänt nätapotek från fejk

Burman lyfter utbildning och information som en central ”skruv”. Jag håller med – men dagens informationsläge är ojämnt. Många vet att man ska ”vara försiktig”, men få kan snabbt avgöra om en sajt är ett godkänt nätapotek eller en kopia.

AI kan här bli konsumentens snabba skyddsnät:

• Browser-tillägg eller mobilfunktioner som analyserar webbplatsmönster (domänålder, språkfel, checkout-flöde, kontaktuppgifter, avsaknad av korrekt apoteksidentifiering) och varnar.
• Phishing-liknande detektion för ”apotekskloner” där layouten imiterar kända varumärken.
• Säkerhetsklassning baserad på historik: plötsliga domänbyten, återanvända produktbilder, återkommande betalningsmönster.

Det här är en AI-tillämpning som passar Sverige väl: hög digital mognad, starkt apotekssystem och en publik som gärna gör ”självservice” om den är enkel.

3) AI som kopplar ihop fragmenten: nätverk, logistik och pengar

Organiserad läkemedelskriminalitet lämnar spår: konton, telefonnummer, paketmönster, betalmetoder, leveranslöften, återkommande språkbruk och samma bildbank som dyker upp på nya sajter.

Med AI-baserad nätverksanalys går det att:

• Identifiera kluster av konton och sajter som sannolikt hör ihop.
• Hitta ”hubbar” i kedjan där en åtgärd ger stor effekt (betalningsförmedlare, annonskonton, logistikupplägg).
• Prioritera de aktörer som orsakar mest skada, i stället för att jaga enskilda småannonser.

Det här är också en nyckel för att få det Burman efterlyser att fungera i praktiken: om straffsatser och prioritering hos polis och åklagare ska ge effekt behöver man starkare ärendepaket med tydligare samband, inte bara en skärmdump.

Från ”varning för fejk” till kvalitetssäkring i hela kedjan

Det räcker inte att hitta en annons. Den svåra delen är att bevisa, stoppa och förebygga – och samtidigt skydda lagliga aktörer och patienters integritet.

AI för riskbaserad provtagning och laboratorieprioritering

Läkemedelskontroll är dyrt. Provtagning och analys tar tid. AI kan hjälpa till att styra resurser:

• Vilka produkter bör analyseras först?
• Vilka säljkanaler ger störst sannolikhet för förfalskning?
• Finns tidiga signaler om att en viss produktkategori (t.ex. obesitasläkemedel) plötsligt ändrar mönster i innehåll, pris eller förpackning?

Det här liknar hur bioteknikbolag använder data för att prioritera experiment. Skillnaden är att ”experimentet” här är tillsyn och provtagning – med samma krav på spårbarhet och dokumentation.

AI och spårbarhet: serialiseringens nästa steg

Många tänker att serialisering löser problemet. Men förfalskare anpassar sig. AI kan stärka spårbarhet genom att kombinera serialiseringsdata med:

• Avvikande distributionsmönster
• Returflöden och reklamationer
• Användarsignaler (t.ex. rapporterade biverkningar kopplade till misstänkta inköp)

När man korsar datakällor blir det svårare för förfalskningar att ”smälta in”.

Vanliga följdfrågor (och raka svar)

Hjälper hårdare straff verkligen?

Ja, i praktiken kan det göra stor skillnad om det leder till att brotten prioriteras och att fler verktyg kan användas. Men straff utan upptäckt är bara teori. Därför bör straffskärpning gå hand i hand med bättre digital upptäckt och beviskedjor.

Är det olagligt att köpa läkemedel på nätet?

Många som köper tror att de bara gör ett ”dumt val”, inte något kriminellt. Regelverket beror på produkt (särskilt om den är narkotikaklassad) och omständigheter. Men ur ett patientsäkerhetsperspektiv är den viktigare poängen Burman lyfter: du kan vara offer även när du själv klickar på köp.

Kommer AI att skapa integritetsproblem?

Det kan den, om man bygger fel. Därför ska AI-lösningar för läkemedelssäkerhet designas med:

• Dataminimering (samla inte in mer än nödvändigt)
• Tydlig åtkomstkontroll
• Loggning och revision
• Modeller som prioriterar riskobjekt (annonser/konton) snarare än individer

Så kan företag inom läkemedel och bioteknik bidra – konkret

Det här är inte bara en myndighetsfråga. För svenska bolag inom läkemedel och biotech är olagliga läkemedel ett direkt hot mot patientförtroende, varumärke och folkhälsa.

Här är fem praktiska spår där jag sett att det går att komma igång utan att bygga ett ”månsystem”:

1. Varumärkesövervakning med AI: upptäck tidigt när produktnamn, bilder och förpackningar används i olagliga annonser.
2. Incidentpipeline: standardisera hur signaler triageras, sparas och lämnas vidare (bevis, metadata, tidslinje).
3. Samarbete med plattformar: dela ”fingeravtryck” (hashar av bilder, textmönster, återkommande claims) för snabbare nedtagning.
4. Kundnära skydd: bygg enkla verifieringsflöden i patientkommunikation (”så känner du igen säkra kanaler”).
5. Data för kvalitet: koppla ihop reklamationer, avvikelsehantering och pharmacovigilance med misstänkta försäljningssignaler.

Det här ligger helt i linje med temat i serien AI inom läkemedel och bioteknik: samma metoder som optimerar kliniska studier och R&D kan också göra marknaden säkrare.

Nästa steg: från störtflod till stril

Martin Burman sätter ord på något många känner men få beskriver så tydligt: olagliga läkemedel är inte ett sidoproblem. Det är en växande, organiserad marknad där människor skadas för att de tror att de gör ett rimligt köp.

Min slutsats är enkel: AI är inte ett framtidsprojekt här – det är en kapacitetsfråga. Antingen matchar vi tempot i digital marknadsföring med digital tillsyn, eller så fortsätter flödet att växa.

Om du jobbar i läkemedelssektorn, bioteknik eller på en plattform som hanterar annonser och betalningar: vilka två ”skruvar” kan ni dra åt redan under Q1 2026 för att göra det dyrare och svårare att sälja olagliga läkemedel till svenska konsumenter?