Forskningsbidrag som formar AI i svensk skola

Det är lätt att tro att AI i skolan mest handlar om nya appar och smarta chatbottar. Men den verkliga hävstången ligger ofta någon annanstans: i praktiknära forskning som testar idéer i klassrum och följer upp vad som faktiskt händer med elevers lärande, lärares arbetsmiljö och skolans likvärdighet.

Den 2025-10-28 kl. 10.10 presenterar Skolforskningsinstitutets direktör Christina Månberg de projekt som beviljas forskningsbidrag för praktiknära skolforskning från årets utlysning. Själva presentationen är en detalj i kalendern – men signalvärdet är stort: svensk skola fortsätter flytta pengar från “vi tror” till “vi vet”. Och för dig som jobbar med AI inom utbildning och EdTech är det här exakt den typen av infrastruktur som gör att AI kan bli mer än ett teknikskifte.

Varför forskningsbidrag spelar större roll än nya verktyg

Forskning finansierad nära praktiken är den snabbaste vägen till AI som håller i verkligheten. När projekt genomförs tillsammans med skolor blir det tydligt vilka problem som är värda att lösa – och vilka som bara ser bra ut i en demo.

Många kommuner och huvudmän har under 2024–2025 lagt mycket tid på att hantera generativ AI: policyer, provformer, fuskdiskussioner, GDPR-frågor. Det är nödvändigt. Men det räcker inte. För att komma vidare behövs designade prövningar där man mäter effekter, gör justeringar och sprider fungerande arbetssätt.

Här gör forskningsbidrag konkret nytta:

• De möjliggör systematisk utvärdering (inte bara “vi upplever”).
• De gör plats för dataarbete som annars aldrig hinns med.
• De bygger broar mellan forskare, lärare och skolledare, så att resultaten går att använda.

AI i skolan blir trovärdig först när den har passerat tre test: fungerar den i klassrummet, förbättrar den lärandet och är den försvarbar juridiskt och etiskt?

Praktiknära skolforskning: där AI antingen blir hjälp eller hinder

Praktiknära skolforskning är bästa miljön för att skilja nytta från brus. Det är också där AI ofta visar sitt mest intressanta värde: inte som “ersättare” av lärare, utan som förstärkare av professionella beslut.

Individanpassat lärande utan att skapa individ-fällor

Individanpassning är ett av de mest sökta begreppen inom EdTech i Sverige: individanpassat lärande, anpassad undervisning, personlig återkoppling. AI kan bidra, men riskerna är välkända:

• Elever kan “fastna” i för låg nivå om modellen tolkar tidiga misstag fel.
• Anpassning kan bli isolering: mindre samtal, mindre gemensamt tänk.
• Transparensen brister: varför får en elev vissa uppgifter?

I en praktiknära forskningsdesign kan man sätta tydliga kontrollpunkter, till exempel:

1. Gemensamma mål och kriterier (lärare äger progressionen).
2. AI används för förslag, men läraren beslutar.
3. Uppföljning på två nivåer: kunskapsresultat och delaktighet/arbetsro.

Det är precis här forskningsbidrag blir en möjliggörare: tid för observationer, analys, och iterativa förbättringar.

Utbildningsanalys som faktiskt går att agera på

Bra utbildningsanalys ska leda till ett beslut på måndag. Annars är det bara rapportering.

Många skolor sitter på data (närvaro, bedömningar, elevhälsa, enkätresultat) men saknar en rimlig kedja från signal till åtgärd. AI kan hjälpa genom att:

• sammanfatta mönster (t.ex. återkommande missuppfattningar i matematik),
• föreslå gruppindelningar eller differentierade uppgifter,
• hitta tidiga varningssignaler (t.ex. kombinationer av frånvaro + sjunkande prestation).

Men om analysen inte prövas praktiknära får man två klassiska problem:

• Falska larm som skapar merarbete.
• Sanna larm som kommer för sent eller inte passar skolans verklighet.

Praktiknära forskning kan bygga “aktionsbara dashboards”: små, tydliga indikatorer som kopplas till definierade insatser och följs upp med samma disciplin som när man följer upp ekonomi.

Så kopplar du årets forskningsbesked till AI och EdTech

När Skolforskningsinstitutet presenterar beviljade projekt 2025-10-28 är det ett tillfälle att läsa mellan raderna. Även om alla projekt inte explicit handlar om AI, är många direkt relevanta för AI-driven skolutveckling.

1) Leta efter problemformuleringen – inte bara metoden

AI-projekt i skolan misslyckas oftare på problemval än på teknik. Om ett beviljat projekt handlar om exempelvis återkoppling, skrivutveckling, studiero, språkstöd eller specialpedagogik kan det vara en perfekt arena för AI-stöd.

Konkreta AI-anknytningar som ofta passar:

• Automatiserad formativ återkoppling (med tydliga rubrics och lärargranskning).
• Språkstöd för flerspråkiga elever (förenkling, begreppskartor, uttalsstöd).
• Planeringsstöd för lärare (lektioner kopplade till centralt innehåll och diagnoser).

2) Fråga efter effektmått som betyder något

Ett AI-stöd ska mätas på det skolan bryr sig om. Inte “antal användare”.

Bra effektmått i praktiknära projekt kan vara:

• skillnad i resultat på gemensamma bedömningsuppgifter,
• andel elever som når delmål i tid,
• minskad lärartid på administrativa moment (mätt i minuter per vecka),
• förbättrad kvalitet i återkoppling (t.ex. fler uppgifts- och processnära kommentarer).

Det viktiga är att måttet går att följa utan att skapa en ny administrativ börda.

3) Bygg in juridik och etik från dag ett

AI i svensk skola måste fungera inom ramen för GDPR, offentlighetsprincipen och starka krav på barns integritet. I praktiknära forskning kan man göra det ordentligt:

• dataminimering (samla bara det man behöver),
• tydlig rollfördelning (personuppgiftsansvarig/biträde),
• rutiner för incidenter,
• dokumenterade riskbedömningar.

Det här är inte “bromsklossar”. Det är det som gör att en lösning kan skalas upp i fler skolor.

En praktisk modell: från forskningsprojekt till fungerande AI-stöd

Om du är skolledare, utvecklingsledare eller EdTech-ansvarig kan du använda forskningsbeskeden som startpunkt för en egen plan. Jag har sett att det fungerar bäst när man håller det enkelt och konsekvent.

Steg 1: Välj en smal användning som frigör tid eller höjer kvalitet

Bra startpunkter där AI ofta ger tydlig nytta:

• formativ återkoppling på korta texter,
• differentierade övningar utifrån diagnos,
• sammanfattningar av elevnära underlag (med människa som kontrollpunkt),
• stöd för lektionsdesign kopplat till mål och bedömning.

Undvik att börja med “en AI-plattform för allt”. Det blir lätt en dyr kompromiss.

Steg 2: Sätt en “human-in-the-loop”-regel

En enkel regel som brukar hålla:

• AI får föreslå. Lärare får godkänna. Elever får förstå varför.

Den sista delen glöms ofta bort. Förklarbarhet är inte bara teknik; det är också pedagogik.

Steg 3: Mät två saker – och ignorera resten

Välj två mätpunkter i pilotfasen:

1. Lärandeeffekt (något ämnesnära och konkret).
2. Arbetsbelastning (tid eller upplevd stress, men följ upp regelbundet).

Om ni inte kan mäta det enkelt, är det inte redo att rullas ut.

Steg 4: Skala via kollegialt lärande

När något fungerar i en klass sker den verkliga vinsten först när fler tar efter. Planera för:

• korta lektionsupplägg som går att kopiera,
• exempel på elevsvar (anonymiserade),
• gemensamma “fallgropar” och hur ni löste dem.

Det är här praktiknära forskning och skolans professionsutveckling möts på riktigt.

Vad du kan göra redan nu (även innan projekten publiceras)

Vänta inte på nästa rapport för att bli redo. Gör de här tre sakerna under vårterminens planering eller i början av nästa arbetsperiod:

1. Inventera era processer: Var i undervisningen tar administration över? Där finns ofta en AI-vinst som inte hotar pedagogiken.
2. Formulera en prövningsfråga: Exempel: “Kan AI-stöd ge bättre återkoppling på argumenterande text utan att öka lärarens efterarbete?”
3. Bestäm datagränser: Vad får lämna skolans miljö? Vad ska alltid anonymiseras? Vem beslutar?

Små förberedelser gör stor skillnad när en möjlighet till samarbete eller pilot dyker upp.

Forskningsbidragen är signalen – nästa steg är ditt

Skolforskningsinstitutets presentation av beviljade projekt är mer än en nyhet. Den visar att svensk skola fortsätter investera i arbetssätt som kan ge robusta, mätbara förbättringar. För AI inom utbildning och EdTech är det här precis rätt riktning: mindre hype, mer prövning.

Om du vill att AI ska stödja individanpassat lärande och bättre utbildningsanalys i din verksamhet, börja där forskningen börjar: i ett tydligt problem, en rimlig pilot och en uppföljning som går att lita på.

Vilken del av undervisningen skulle du vilja testa med AI först – där du både kan mäta effekt och behålla lärarens pedagogiska kontroll?