AI-färdigheter i besöksnäringen: så bygger ni kapacitet

59 miljoner kronor. Det är ungefär vad som fanns att söka i EU-finansiering för att bygga kapacitet och ekosystem kopplade till smart specialisering i Jämtland Härjedalen och Västernorrland. Och även om den specifika utlysningen stängde 2025-09-16 säger den något viktigt om läget just nu: regioner och aktörer i Mellersta Norrland prioriterar färdigheter och styrning – inte bara fler “projekt”.

För dig som jobbar i turism och besöksnäring (destinationer, kommuner, utvecklingsbolag, kluster, utbildningsaktörer och närliggande företag) är det här extra relevant. AI är redan på väg in i gästresan, marknadsföringen, schemaläggningen och kunddialogen. Men de flesta satsningar fastnar av en enkel anledning: kompetensen och arbetssätten hänger inte med.

Den här artikeln kopplar ihop Tillväxtverkets logik kring smart specialisering och färdighetsutveckling med det vi ser i vår serie om AI inom logistik och supply chain. För i besöksnäringen är logistiken ofta osynlig – men den avgör upplevelsen: köer, leveranser, städflöden, bemanning, transporter och kapacitet i realtid.

Smart specialisering: därför är “styrning” viktigare än en ny AI-bot

Smart specialisering (S3) handlar i praktiken om att fokusera regionala resurser på styrkeområden och bygga samverkan som faktiskt flyttar positioner. I utlysningen låg tyngdpunkten inte på att köpa teknik, utan på att:

• bygga kapacitet (kompetens, metoder, processer)
• skapa relevanta ekosystem (aktörer som jobbar ihop över gränser)
• stärka god styrning av S3 (hur man prioriterar, följer upp och skalar)

Översatt till AI i besöksnäringen: det räcker inte med att “införa ChatGPT”. Ni behöver en förmåga att välja rätt problem, skapa rätt dataflöden och mäta effekt.

En mening jag ofta återkommer till:

AI blir först värdefull när den kopplas till ett flöde som någon äger, följer upp och förbättrar.

Det är exakt där många destinationer och besöksföretag tappar fart: ingen äger helheten mellan data, drift och affär.

Kopplingen till AI inom logistik och supply chain

I supply chain pratar man om planering, prognoser, kapacitetsutnyttjande och störningshantering. I besöksnäringen är samma sak bara paketerat annorlunda:

• efterfrågeprognoser = beläggning, besökstryck, eventtoppar
• lager/leveranser = hotell- och restauranglogistik, inköp, matsvinn
• ruttoptimering = transporter, shuttle, turistbussar, personalresor
• kapacitetsplanering = bemanning, städ, incheckning, liftköer

AI-färdigheter behöver därför byggas där verksamheten faktiskt blöder tid och pengar: i flödena.

Vilka AI-färdigheter saknas oftast i besöksnäringen?

Den tydligaste bristen är inte “programmering”. Den är organisatorisk: hur man jobbar när beslut ska baseras på data och modeller.

Här är de mest praktiska färdigheterna jag ser att aktörer behöver utveckla – och som passar perfekt i förstudier, ekosystemprojekt och stödstrukturer:

1) Problemformulering som går att automatisera

AI-projekt misslyckas ofta redan i första mötet. Frågan blir för fluffig: “Hur kan vi använda AI?”

Byt till en problemformulering som går att driva i drift:

• “Hur minskar vi kötid i reception med 20% under fredagar 15:00–18:00?”
• “Hur förbättrar vi bemanningsplaneringen så att övertid sjunker 10% i högsäsong?”
• “Hur prognostiserar vi dagsbesökare för att dimensionera parkering, toaletter och lokaltrafik?”

Det är sådana problem som både AI och traditionell operations management kan lösa – och där nyttan går att räkna hem.

2) Datamognad: vad finns, vad saknas, vad är “bra nog”?

Besöksnäringen sitter på mer data än man tror, men den är splittrad:

• bokningssystem
• kassasystem
• webb/annonser
• sensorer och passersystem
• städ- och fastighetssystem
• evenemangsdata
• väder- och trafikdata

Färdigheten är att kunna göra en datainventering och bestämma:

• vilka datapunkter som behövs för just det flödet
• hur man skapar tillförlitliga definitioner (t.ex. “besök”, “beläggning”, “no-show”)
• hur man jobbar med datakvalitet utan att fastna i perfektionism

3) AI i drift: roller, ansvar och uppföljning

AI i besöksnäringen blir snabbt “en pilot”. Sedan rinner den ut i sanden.

Etablera i stället en enkel driftsmodell:

• en processägare (verksamhet)
• en dataägare (IT/data)
• en beslutsägare (chef med mandat)
• en uppföljningsrutin (veckovis/månadsvis) med tydliga KPI:er

Det här är “god styrning” översatt till vardag.

4) Inköp och juridik: AI utan att fastna i rädsla

AI påverkar personuppgifter, transparens och ibland arbetsrätt. Samtidigt går det att jobba praktiskt:

• välj use case med låg integritetsrisk först (prognoser, resursplanering)
• skapa mallar för riskbedömning och databehandling
• sätt tydliga krav i upphandling: datalagring, loggning, åtkomst, modelltransparens

Den här kompetensen är extra viktig för offentliga aktörer och samverkansprojekt.

Så kan ett “smart specialiseringsprojekt” se ut för AI i turism

Utlysningen pekade ut två resultatkedjor som är användbara som mall även när man planerar andra insatser: direkta insatser till företag och utveckling av stödstrukturer.

RK1: Direkta insatser till företag – AI som stärker konkurrenskraft

Här är tre konkreta projektspår som passar besöksnäringen och knyter an till AI inom logistik och supply chain:

1. Efterfrågeprognoser för destinationer

   • kombinerar bokningsdata, eventkalender, trafik och väder
   • output: prognoser per dag/vecka och rekommenderad kapacitet

2. Bemannings- och städoptimering i högsäsong

   • prediktion av check-in/out-toppar
   • smart schemaläggning med tydliga service-nivåer

3. Matsvinn och inköp i hotell/restaurang

   • prognoser för frukostbelastning och portionsplanering
   • kopplar till inköpslogistik, lager och leveransfönster

Poängen: AI blir ett verktyg för att få kontroll på flöden, kostnader och kvalitet.

RK2: Utveckling av stödstrukturer – bygg det som gör att fler lyckas

Det här är den del många underskattar, men som ger störst långsiktig effekt.

Exempel på stödstrukturer för AI i besöksnäringen:

• regionala testbäddar där kommun, destination och företag kan prova samma dataformat och samma metoder
• gemensamma utbildningsspår för projektledning, datastyrning och upphandling
• mötesplatser över länsgränser där man matchar behov med forsknings- och utbildningsaktörer
• analysfunktion som löpande identifierar flaskhalsar: dataluckor, kompetensbrister, hinder i regelverk

Det är så man skapar skalbarhet: inte genom fler separata piloter, utan genom gemensamma byggstenar.

Steg-för-steg: förstudie som faktiskt leder till AI i produktion

Många förstudier blir fina rapporter. En bra förstudie slutar med en plan som går att genomföra på 90 dagar.

Här är ett upplägg jag tycker fungerar, särskilt i samverkansmiljöer:

1. Välj ett flöde med tydlig ägare Exempel: städflöde på boendeanläggningar, eller kapacitetsstyrning för ett besöksmål.

2. Sätt tre mätetal innan ni bygger något Exempel:

   • minuter kötid
   • procent övertid
   • matsvinn i kg/vecka

3. Gör datainventering på 2 veckor Lista system, exportmöjligheter, datakvalitet, samt vad som saknas.

4. Skissa beslutslogik (inte bara modell) Vem gör vad när prognosen säger X? Vilken åtgärd triggas?

5. Planera pilot i drift, inte i powerpoint

   • vem utbildas
   • hur support sker
   • hur ni följer upp varje vecka

6. Säkra medfinansiering och likviditet tidigt EU-projekt betalas ofta ut i efterskott. Likviditetsplanering avgör om ni orkar hela vägen.

Den här modellen passar också väl in i supply chain-tänket: mät, planera, kör, justera.

Vanliga frågor (som beslutsfattare alltid ställer)

“Behöver vi data scientists för att jobba med AI?”

Nej, inte som första steg. Ni behöver processägare som kan formulera problem och en praktisk datafunktion som kan få ut data och kvalitetssäkra.

“Är AI mest för stora aktörer?”

Nej. Små aktörer vinner ofta snabbare på AI i planering och prognoser, eftersom marginalerna är små och schemaläggning/inköp är känsligt.

“Vad är det viktigaste att göra 2026?”

Bygg en gemensam kapacitet i regionen: standarder, metoder, utbildning och testmiljöer. Det gör att nästa utlysning, nästa samverkansprojekt och nästa upphandling går dubbelt så fort.

Nästa steg: bygg färdigheter som syns i gästupplevelsen

Besöksnäringen pratar gärna om digitalisering i termer av marknad och bokning. Jag tycker det är för smalt. Den stora effekten kommer när AI används för det som faktiskt skapar upplevelse: rätt bemanning, rätt kapacitet, mindre väntan och bättre leveranser.

Smart specialisering är ett bra ramverk här, eftersom det tvingar fram fokus: vad är regionens styrka, vilka ekosystem behöver vi, och hur styr vi satsningarna så att de håller över tid?

Om ni vill ta nästa steg: börja inte med en stor AI-vision. Börja med ett flöde, tre mätetal och en förstudie som mynnar ut i drift. Vilket flöde i er destination skulle ge mest effekt redan nästa högsäsong?