EU-stöd för AI i besöksnäringen: så bygger ni FoU

Budgeten är 30 miljoner kronor och stödnivån kan vara upp till 50% av projektets totala budget. Ändå missar många turism- och besöksnäringsbolag chansen när finansieringsfönster öppnas – inte för att de saknar idéer, utan för att de beskriver fel typ av projekt.

Det här är extra intressant just nu, 2025-12-21, när många verksamheter i besöksnäringen redan sitter med data från en intensiv höst och planerar inför vinter- och sportloven. Det är exakt i den här planeringsfasen som AI-projekt ofta föds: bättre prognoser, smartare prissättning, mer träffsäker marknadsföring och bättre bemanning.

Samtidigt skriver jag detta inom ramen för vår serie “AI inom läkemedel och bioteknik”. Det kan låta som en märklig kombination – turism och life science – men mekaniken är densamma: FoU som kräver testmiljöer, experiment, tydliga TRL-nivåer och en plan för hur man går från prototyp till drift utan att tumma på kvalitet, etik eller regelverk. Besöksnäringen har mycket att vinna på att låna arbetssätt från bioteknikens mer disciplinerade utvecklingslogik.

Vad stödet faktiskt är – och vad det inte är

Stödet handlar om industriell forskning och experimentell utveckling där företag kan bearbeta verksamhetsspecifika utmaningar genom kunskapsutveckling, test och demonstration. Det är inte en “digitaliseringscheck” för att köpa ett färdigt bokningssystem.

Utlysningen (nu stängd) riktade sig till aktörer i Gävleborg, Dalarna och Värmland som koordinerar projekt där företag deltar som projektpartners och får direkt ekonomiskt stöd för sina FoU-kostnader. Projektet ska utformas enligt EU:s statsstödsregler, GBER artikel 25.

Två tydliga ramar som många missar:

• Ni måste beskriva FoU, inte bara införande. “Vi ska införa en chatbot” är drift. “Vi ska testa vilken kombination av språkmodell + datagrund + dialogdesign som ger mätbart bättre konvertering utan att öka felaktiga svar” är FoU.
• Ni måste kunna placera arbetet på TRL-skalan. Industriell forskning ligger typiskt runt TRL 2–4, experimentell utveckling runt TRL 5–8.

Varför AI i turism passar perfekt i FoU-ramen

AI i besöksnäringen blir värdefullt först när det anpassas till lokala flöden, säsongsvariationer och affärslogik. Och den anpassningen är ofta FoU – särskilt om ni ska testa i verklig driftmiljö.

Här är tre problemtyper som nästan alltid går att formulera som industriell forskning eller experimentell utveckling:

1) Prognoser som faktiskt går att använda i drift

Många bolag sitter på bokningsdata, webbtrafik, väder, eventkalendrar och kampanjhistorik. Men att bygga en prognos som tål verkligheten (sena avbokningar, plötsliga snöbrister, inställda evenemang) kräver testning och validering.

FoU-fråga att formulera:

• Hur mycket bättre kan beläggnings- och intäktsprognoser bli om vi kombinerar interna data med externa signaler (t.ex. evenemang, sökintention, trafikflöden) och hur påverkar det bemanning och inköp?

2) Personalisering utan att skapa integritetsrisker

Personalisering kan öka merförsäljning och kundnöjdhet, men fel upplägg kan skapa problem med samtycke, dataminimering och intern kontroll.

FoU-fråga att formulera:

• Vilken personaliseringsmodell ger mätbar effekt på konvertering när vi begränsar datan till det som är nödvändigt och kan förklaras för verksamheten?

3) Automatisering som inte sänker servicekvaliteten

Att automatisera kundtjänst, bokningsändringar och gästkommunikation är lockande. Men AI som svarar snabbt och fel skadar varumärket.

FoU-fråga att formulera:

• Hur designar vi en “human-in-the-loop”-process där AI hanterar rutinärenden och eskalerar rätt ärenden till personal – och hur mäter vi kvaliteten (t.ex. första-kontakt-lösning, kundnöjdhet, felaktiga svar)?

En bra tumregel: om ni behöver testa i verklig miljö och iterera flera gånger innan ni vågar skala upp, då är ni ofta i rätt FoU-låda.

Så kan ett starkt projektupplägg se ut (som Tillväxtverket brukar gilla)

Ett projekt som håller ihop behöver en tydlig logik: problem → metod → test → mätning → spridning. Här är en struktur jag har sett fungera, inspirerad av hur AI-projekt drivs inom läkemedel och bioteknik.

Förändringsteori (inte fluff – en styrkedel)

Utlysningen kräver att ni använder förändringsteori. Gör det konkret:

• Utmaning: Till exempel svängiga beläggningsnivåer och låg precision i inköp/bemanning.
• Insats: FoU med modellutveckling + testbädd i faktisk drift.
• Prestation: Prototyp, dataplattform, rutiner för kvalitetskontroll.
• Kortsiktig effekt: Bättre beslutsunderlag (mätbart).
• Medellång effekt: Förändrat arbetssätt (bemanning/pris/marknad styrs av prognoser).

Arbetspaket som passar GBER artikel 25

Ett tydligt upplägg kan vara 4–6 arbetspaket:

1. Datainventering och datakvalitet (vad finns, vad saknas, hur säkras spårbarhet)
2. Industriell forskning (modellansats, hypoteser, jämförelser, kritisk analys)
3. Experimentell utveckling (prototyp, pilot i drift, iterativa förbättringar)
4. Test och demonstration (A/B-test, kontrollperioder, stress-test under högsäsong)
5. Implementeringsplan (processer, utbildning, roller, “kill criteria”)
6. Resultatspridning (inom regionens innovationssystem)

Mätning: definiera 5–8 KPI:er innan ni bygger

AI-projekt faller ofta på att man mäter för sent. Sätt mätning tidigt:

• Prognosfel (MAPE/MAE) för beläggning och intäkt
• Konverteringsgrad i bokningsflöde
• Andel ärenden lösta utan mänsklig handläggning (med kvalitetskrav)
• Kundnöjdhet (CSAT/NPS) före/efter
• Personaltimmar sparade och hur de används (service, merförsäljning)
• Energi- eller resursbesparing (koppling till hållbarhet)

Hur stödnivåer och kostnader brukar landa i praktiken

Stödet i utlysningen var utformat så att:

• Ett projekt kan få max 50% EU-stöd av total budget.
• Projektägare/koordinator kan i vissa delar få upp till 100% offentligt stöd för övergripande projektsamordning.
• Deltagande företag kan få 25–70% offentligt stöd beroende på om aktiviteterna räknas som experimentell utveckling eller industriell forskning.

Stödberättigande kostnader för företag omfattar typiskt:

• Personalkostnader (egna forskare/tekniker/utvecklare)
• Externa tjänster (kontraktsforskning, expertkonsulter, patent/tekniskt kunnande)
• Utrustning/instrument (under den tid det används i projektet)
• Resor och logi (när det är nödvändigt för FoU)

Praktiskt råd: budgetera så att ni kan visa varför varje kostnad behövs för FoU, inte bara för “digitalisering”. Handläggare tittar på kostnadseffektivitet och logik.

Vanliga missförstånd som gör att AI-projekt får avslag

Jag ser samma tre misstag om och om igen, oavsett bransch:

1) Projektet är egentligen inköp

Om kärnan är licenser och införande av ett standardverktyg utan FoU-inslag blir det svårt. För att räknas som FoU behöver ni visa vad ni ska utveckla, testa, validera och lära.

2) Otydlig statsstödslogik

GBER artikel 25 kräver tydlighet kring vilka parter som får stöd, för vad och inom vilken FoU-kategori. Om ni blandar aktiviteter utan att dela upp dem per arbetspaket och mottagare blir det rörigt.

3) Inga “kill criteria”

Inom läkemedelsutveckling avslutar man spår som inte håller. Samma disciplin behövs här.

Exempel på kill criteria:

• Om prognosfelet inte förbättras med minst X% efter Y veckor i pilot
• Om felaktiga svar i kunddialog överstiger Z% trots förbättringar
• Om datakvalitet inte når definierad nivå innan modellträning

Det här signalerar mognad, inte osäkerhet.

Koppla AI-projektet till hållbarhet och Agenda 2030 utan att överdriva

Utlysningen kräver integrerad hållbarhet och koppling till Agenda 2030 (t.ex. mål 8, 9 och 12) samt arbete för jämställdhet och minskad ojämlikhet.

I besöksnäringen finns trovärdiga kopplingar:

• Mål 12 (hållbar konsumtion och produktion): bättre beläggningsprognoser kan minska matsvinn, tvätt, energi och onödiga transporter.
• Mål 8 (anständiga arbetsvillkor): bättre planering kan ge stabilare scheman och minska övertidstoppar.
• Mål 9 (innovationer och infrastruktur): testbäddar och demonstrationsmiljöer stärker regionens innovationssystem.

Ett tips: skriv även ut möjliga målkonflikter, t.ex. risk för ökad marknadsföring som driver överbelastning på känsliga platser, och hur ni hanterar det (kapacitetsstyrning, nudging mot lågsäsong, tydliga begränsningar).

Nästa steg: så förbereder ni er (även om just denna utlysning är stängd)

Utlysningen stängde 2025-09-16 och beslut fattas i december 2025. Men arbetssättet är direkt återanvändbart inför kommande regionalfondsutlysningar.

Gör det här i rätt ordning:

1. Sätt problemformuleringen i verksamhetstermer (inte i tekniktermer).
2. Välj FoU-kategori per arbetspaket (industriell forskning vs experimentell utveckling).
3. Kartlägg TRL-nivåer från start till mål.
4. Bygg partnerskap: koordinator + företag som projektpartners + ev. forskningsmiljö/testbädd.
5. Skriv förändringsteorin så att den går att följa och mäta.
6. Planera likviditet: stöd betalas ofta ut i efterskott.

Vill ni använda finansiering som hävstång för AI i besöksnäringen är min tydliga ståndpunkt: bygg projektet som ett FoU-program, inte som ett IT-införande. Det är så ni får både bättre effekt och bättre chans i bedömningen.

När man ser hur AI driver snabbare hypotes-test-cykler i bioteknik är det svårt att inte vilja samma sak i besöksnäringen. Nästa fråga blir därför enkel: vilket kundflöde, vilken prognos eller vilken resursfråga ska ni testa först – och i vilken testmiljö vågar ni bevisa att det fungerar?