AI i skolan: 8 forskningsprojekt som formar EdTech

28 ansökningar per projekt i snitt. Det är nivån när 79 ansökningar från 22 lärosäten konkurrerar om åtta beviljade projekt i praktiknära skolforskning. När Skolforskningsinstitutet i oktober 2025 fördelade drygt 35 miljoner kronor över tre år var det därför inte bara en nyhet om finansiering – det var en temperaturmätare på vart svensk skola är på väg.

För oss som jobbar med AI inom utbildning och EdTech är signalen tydlig: Sverige fortsätter flytta fokus från ”spännande piloter” till evidens, samverkan och skalbarhet. Och det är precis där AI passar bäst – inte som ett fristående teknikinköp, utan som ett verktyg som testas i verkliga klassrum, med lärare, elever och tydliga mål.

Den här texten tar avstamp i beskedet om de åtta beviljade projekten och drar ut linjerna: vad satsningen säger om 2026 års behov i skolan, vilka AI- och EdTech-möjligheter som sannolikt växer fram, och hur skolhuvudmän och leverantörer kan förbereda sig redan nu.

Därför är praktiknära forskning extra relevant för AI i skolan

Praktiknära skolforskning är den bästa motvikten mot ”verktygsstress” och snabba trendköp. När forskning sker i samverkan med förskolor och skolor blir resultaten mer användbara – och riskerna lättare att upptäcka i tid.

Skolforskningsinstitutet ställer krav på tydlig förankring och samverkan med verksamheterna, kombinerat med högsta vetenskapliga kvalitet. I AI-sammanhang blir det kravet en sorts kvalitetsfilter. AI-lösningar som funkar i en demo faller ofta på tre praktiska frågor:

• Tid: Läraren har inte tid att mata systemet med data eller administrera nya flöden.
• Tillförlitlighet: Outputen varierar eller är svår att förklara, vilket gör den svår att använda i bedömning och planering.
• Likvärdighet: Vissa elevgrupper gynnas, andra hamnar längre efter – ofta utan att det syns direkt.

Praktiknära forskning är byggd för att fånga just de effekterna i vardagen.

En sak många missar: AI är inte ”en funktion” – det är ett arbetssätt

Jag har märkt att skolor som lyckas med AI inte börjar med verktyget. De börjar med ett konkret undervisningsproblem: låg läshastighet, bristande studiero, återkoppling som tar för lång tid, svårigheter att individualisera i heterogena grupper.

AI blir då en komponent i en didaktisk design: hur undervisning, data, återkoppling och uppföljning hänger ihop.

Vad satsningen (35 miljoner över 3 år) signalerar om EdTech-marknaden 2026

När åtta projekt får dela på drygt 35 miljoner kronor över tre år säger det något om prioriteringen: långsiktiga arbetssätt framför korta kampanjer.

Tre trender sticker ut för EdTech och AI i skolan:

1) Fokus breddas: från grundskola till hela utbildningskedjan

Projekten ska genomföras i förskoleklass, fritidshem, grundskola, gymnasieskolan samt kommunal vuxenutbildning i SFI. Det innebär att AI- och EdTech-lösningar behöver klara fler kontexter:

• I förskoleklass och fritidshem handlar mycket om språk, socialt samspel, struktur och tillgänglighet.
• I gymnasiet växer behovet av ämnesspecifik feedback och progression.
• I SFI blir språkutveckling, motivation och individualisering ofta helt avgörande.

EdTech som är ”byggt för en skolform” får svårare att skala. Plattformar och AI-funktioner som går att konfigurera efter ålder, språk och undervisningsupplägg ligger bättre till.

2) Samverkan blir inköpskrav i praktiken

När forskningsfinansiären trycker på samverkan blir det indirekt en signal till huvudmän: ”Så här vill vi att utveckling ska ske.” Det påverkar hur skolor bedömer leverantörer.

Ett rimligt nästa steg är att fler upphandlingar efterfrågar:

• dokumenterad effekt eller realistisk utvärderingsplan
• stöd för pilot → skala (support, utbildning, förändringsledning)
• tydlighet kring data, integritet och ansvar

3) Behovet av mätbar nytta blir hårdare

AI i skolan har haft några år av hajp. 2026 blir året då fler frågar: ”Vad blev det av det här i elevernas resultat och i lärarens arbetsmiljö?”

Det gynnar lösningar som kan koppla funktion till effekt, till exempel:

• minskad tid för återkoppling per elev
• fler elever som når kunskapskrav i skrivande/läsning
• stabilare närvaro och progression i SFI

Var kan AI göra mest nytta i praktiknära projekt?

AI är som mest användbart när det minskar friktion i lärarens vardag och samtidigt ökar precisionen i stödet till eleven. Utifrån skolformerna som nämns i satsningen finns några tydliga områden där AI ofta passar.

Språk och literacy (inkl. SFI): ”snabb återkoppling, tydlig progression”

I SFI och språkintensiva miljöer är återkoppling den stora flaskhalsen. AI kan stötta genom:

• förslag på formativ feedback på texter (med läraren som beslutsfattare)
• nivåanpassade övningar med tydlig progression
• muntliga övningar med automatiserad transkribering för reflektion

Här är principen enkel: AI ska föreslå – läraren ska avgöra. Då blir kvalitet och likvärdighet hanterbart.

Individualisering i heterogena klasser: ”rätt stöd i rätt tid”

Individanpassat lärande är ett klassiskt EdTech-löfte som ofta faller på tidsbrist. AI kan göra individualisering mer realistisk genom att:

• sammanfatta elevens styrkor/svårigheter från lärarens anteckningar
• föreslå differentierade uppgifter kopplade till samma mål
• skapa alternativa förklaringar (text, steg-för-steg, exempel)

Men det kräver att man definierar vad som ska individualiseras. Annars blir det bara fler resurser i en redan full mappstruktur.

Studiero och undervisningsflöden: ”mindre admin, mer närvaro”

I fritidshem och tidiga skolår kan tekniken göra nytta genom att frigöra tid och skapa struktur:

• snabb dokumentation (med tydliga rutiner för vad som dokumenteras)
• planeringsstöd för aktiviteter som tränar samspel och språk
• enklare kommunikationsflöden till vårdnadshavare (utan att det blir fler kanaler)

Min ståndpunkt: Om AI inte minskar antalet steg i en process ska den inte in.

Så bedömer du om ett AI-initiativ faktiskt är ”praktiknära”

Ett praktiknära AI-projekt känns igen på att det går att beskriva på en whiteboard utan att nämna modellen. Du ser en undervisningssituation, ett problem, en förändring och en uppföljning.

Här är en checklista jag brukar använda när skolor ska avgöra om ett projekt är värt tiden:

1. Problemformulering i klassrumstermer: ”Eleverna fastnar i…”, ”Feedback tar…”, ”Vi hinner inte…”.
2. Tydlig målvariabel: Vad ska bli bättre – och hur märker vi det inom 6–12 veckor?
3. Lärarens kontrollpunkt: Var i flödet tar läraren beslut, och vad är bara förslag?
4. Plan för likvärdighet: Hur följer vi upp effekter för olika elevgrupper (språk, stödbehov, frånvaro)?
5. Data- och integritetsrutin: Vad sparas, vad sparas inte, och vem ansvarar?

En bra tumregel: Om projektet inte går att köra med två lärare och 50 elever utan extra administration kommer det inte hålla i skala.

Från finansierade projekt till fungerande EdTech: så förbereder du organisationen

Den som väntar på ”färdiga forskningsresultat” tappar tempo. Det smarta är att förbereda sina strukturer nu, så att ny kunskap snabbt kan omsättas.

För huvudmän och skolledare: bygg en AI-miniminivå

Målet är inte att alla ska bli experter. Målet är att alla ska ha samma grund.

• Sätt 2–3 gemensamma användningsfall (t.ex. skrivfeedback, planeringsstöd, anpassningar).
• Etablera en rutin för riskbedömning och elevdata.
• Bestäm hur ni följer upp effekt: tid, resultat, upplevelse.

För lärare: standardisera det som går att standardisera

AI blir bättre när uppgiften är tydlig. Lärare sparar tid när de återanvänder bra upplägg.

• Skapa gemensamma mallar för instruktioner och bedömningsmatriser.
• Dokumentera 3–5 exempel på ”så här ser en bra elevtext ut på nivå X”.
• Kom överens om språk: vad menar ni med ”utveckla resonemang” i praktiken?

För EdTech-leverantörer: bygg för utvärdering, inte bara för funktion

Om forskningsnära samverkan blir norm måste produkten tåla granskning.

• Gör det enkelt att exportera anonymiserade resultatmått.
• Visa vad modellen gör och inte gör.
• Stöd lokala policies och rollbaserad åtkomst.

Vad händer nu – och vad bör du hålla koll på under 2026?

Det intressanta med de åtta finansierade projekten är inte bara deras teman, utan att de genomförs i verkliga verksamheter i flera skolformer. Det är så vi får svar på de frågor som avgör AI:s framtid i svensk skola:

• Vilka AI-stöd ger mätbar effekt utan att öka lärarens administrativa börda?
• Hur säkrar man likvärdighet när stödet blir mer individualiserat?
• Vilka kompetenser behöver skolor för att äga sina arbetssätt, inte bara sina licenser?

Sverige investerar nu tydligt i kunskap som går att använda – och det är goda nyheter för alla som vill att AI inom utbildning ska handla om undervisning, inte om trendord.

Om du vill ligga steget före: välj ett undervisningsproblem som gör ont på riktigt, testa smått, följ upp hårt och skala bara det som faktiskt fungerar. Och när de praktiknära resultaten börjar spridas brett under 2026, kommer de skolor som redan byggt sina rutiner att kunna agera snabbast.

Vilket område i din verksamhet skulle vinna mest på ett AI-stöd som sparar tid och höjer kvaliteten – återkoppling, planering eller individualisering?