AI i skolan: 8 nya projekt som kan forma EdTech 2026

Skolforskningsinstitutet beviljade 2025 åtta projekt medel för praktiknära skolforskning – drygt 35 miljoner kronor över tre år. Det är lätt att läsa en sån nyhet och tänka “bra för forskningen”. Men här finns en mer konkret poäng: den här typen av finansiering är ett av de få ställen där AI i utbildning kan bli något annat än en upphandling, en pilot eller ett verktyg som ”råkar finnas”. Den kan bli prövad, förbättrad och förankrad i klassrummets verklighet.

Jag tycker att många organisationer gör ett misstag när de pratar om AI i skolan som en teknikfråga. Det är det inte. Det är en undervisningsfråga, en likvärdighetsfråga och en kvalitetsfråga. Och det är precis där praktiknära forskning kan göra skillnad – i förskoleklass, fritidshem, grundskola, gymnasiet och till och med kommunal vuxenutbildning/SFI, vilket är de skolformer som de finansierade projekten ska genomföras i.

Nyheten i sig är kort: 79 ansökningar från 22 lärosäten, åtta projekt får bidrag, och Skolforskningsinstitutet betonar krav på samverkan med skolor och hög vetenskaplig kvalitet. Det viktiga för oss som jobbar med AI och EdTech är vad det här säger om riktningen: Sverige vill att innovation i skolan ska vara styrd av problem i undervisningen, inte av produktkataloger.

Vad betyder 35 miljoner till praktiknära forskning för AI och EdTech?

Det betyder att skolan får fler ”testbäddar” där AI-lösningar kan utvärderas på riktigt. Inte bara om de fungerar tekniskt, utan om de förbättrar lärande, minskar arbetsbelastning eller ökar likvärdighet.

Praktiknära forskning skiljer sig från många EdTech-piloter på ett tydligt sätt: den utgår från lärarnas och elevernas vardag och bygger ofta på långsiktig samverkan mellan skola och lärosäte. När Skolforskningsinstitutet ställer krav på både förankring och högsta vetenskapliga kvalitet sätter det en standard som AI-projekt i skolan faktiskt behöver.

Tre konkreta effekter för AI i utbildning:

1. Problemformuleringen blir skarpare. AI-projekt som börjar med “vi har en modell” tenderar att sluta i “vi letar användning”. Praktiknära forskning börjar tvärtom med ett didaktiskt problem.
2. Utvärderingen blir trovärdigare. Fler AI-verktyg borde mätas mot undervisningsmål, inte mot “användningstid” eller NPS.
3. Implementering kan byggas in från start. Samverkan med skolor gör att organisatoriska frågor (schema, stödstrukturer, kompetens, styrning) hanteras tidigt.

Det här passar extra väl in i vår serie ”AI inom utbildning och EdTech”: det flyttar fokus från “vilken app?” till “vilken undervisning – och vilka effekter?”

Var kan AI dyka upp i projekten – även när det inte står “AI” i titeln?

AI i skolan syns ofta som funktion, inte som rubrik. Många projekt kommer sannolikt handla om undervisningsmetoder, bedömning, språk- och kunskapsutveckling, eller stödstrukturer – och ändå ha direkt koppling till AI-drivna arbetssätt.

Här är tre typiska områden där AI och EdTech naturligt blir relevanta i praktiknära forskning:

Individanpassat lärande utan att tappa didaktiken

AI används ofta för att “anpassa”. Men i skolan måste anpassningen vara didaktiskt motiverad: Vad är det vi anpassar – tempo, svårighetsgrad, förklaringsmodell, uppgiftstyp? Och vilka elever gynnas eller missgynnas?

När praktiknära projekt genomförs i flera skolformer kan man testa anpassning i olika kontexter:

• Förskoleklass: språk, tidig matematik, fonologisk medvetenhet – med extra fokus på interaktion och lekfullt lärande.
• Grundskola/gymnasium: stöd för skrivande, problemlösning, laborationer, begreppsutveckling.
• Komvux/SFI: extra intressant, eftersom variationen i bakgrund, studieteknik och tid i Sverige ofta är stor.

Bra AI i utbildning är inte “personligt flöde”. Det är rätt stöd vid rätt tid – och läraren behöver kunna se och styra det.

Formativ bedömning som faktiskt sparar tid

Lärare drunknar inte i brist på data. De drunknar i fragmenterad data. AI kan hjälpa med återkoppling, analys av elevtexter, identifiering av missuppfattningar och förslag på nästa steg.

Men här är min tydliga ståndpunkt: AI som ger feedback måste kunna granskas. Annars riskerar vi “automatiserad otydlighet”. Praktiknära forskning kan bidra med:

• tydliga kriterier för när AI-feedback är hjälpsam och när den stör
• arbetssätt för lärargranskning av AI-genererade kommentarer
• rutiner för att undvika att elever “optimerar för AI” i stället för för lärande

Språk- och kunskapsutveckling med digitala stöd

Särskilt i SFI och språkstödjande undervisning finns en stor potential för AI: uttal, ordförråd, läsförståelse, dialogträning och stöttning av skrivande.

Samtidigt finns en risk: om AI ersätter mänsklig interaktion får vi sämre resultat. De mest lovande uppläggen brukar kombinera:

• AI som förberedelse (t.ex. struktur, ordlistor, övningar)
• lärarledd undervisning som kärna
• AI som återkoppling efteråt, med tydliga ramar

Det är precis sån pedagogisk design som praktiknära projekt kan pröva och dokumentera.

Så blir forskning till nytta: vad skolledare och lärare bör kräva av AI-projekt

Den snabbaste vägen till sämre EdTech-beslut är att hoppa över kravspecen. Och då menar jag inte tekniska krav, utan pedagogiska och organisatoriska.

Här är en checklista jag har sett fungera när skolor ska följa eller delta i projekt som rör AI i undervisningen:

1) Definiera effekten innan verktyget

Skriv ner 1–2 mätbara mål som är kopplade till undervisningen. Exempel:

• “Elever i årskurs 7 ska öka andelen korrekta resonemang i problemlösning från X till Y.”
• “Lärarna ska minska tiden för återkoppling på elevtexter med 30 minuter per vecka utan sämre kvalitet.”

Det här gör utvärderingen ärlig. AI som inte kan kopplas till effekt är mest brus.

2) Bestäm vad som aldrig får automatiseras

AI i skolan behöver gränser. Exempel på saker som ofta bör vara “människa först”:

• slutbetyg och avgörande bedömningar
• känsliga samtal och sociala insatser
• beslut som rör särskilt stöd utan professionell prövning

3) Gör datan begriplig och legitim

Om ett AI-stöd bygger på elevdata måste ni kunna svara på tre frågor utan att blinka:

• Vilken data används?
• Vem har tillgång?
• Hur länge sparas den?

Även när allt är lagligt kan det bli fel om kommunikationen är otydlig. Särskilt i december, när många skolor gör uppföljningar och planerar vårterminens digitala arbetssätt, brukar integritetsfrågor komma upp igen.

4) Säkra kompetensen – men gör det praktiskt

Kompetensutveckling misslyckas när den blir generell. Den lyckas när den sitter ihop med undervisningsdesign.

En rimlig miniminivå i ett AI-projekt är:

• 45–60 minuter om risker och möjligheter (hallucinationer, bias, källkritik)
• 60–90 minuter om praktiska lektionsupplägg
• en enkel rutin för kollegial återkoppling varannan vecka

“People also ask”: vanliga frågor om praktiknära AI-forskning i skolan

Hur kan ett forskningsprojekt påverka EdTech-marknaden i Sverige?

Genom att skapa kravbilder som upphandlare och skolhuvudmän faktiskt kan använda. När forskningen visar vilken typ av funktion som ger effekt (och under vilka villkor) blir det svårare att sälja “allt-i-ett-lösningar” utan evidens.

Kommer alla åtta projekt handla om AI?

Nej, och det är poängen. AI är ofta ett medel. De mest värdefulla resultaten kan komma från projekt som handlar om undervisningsmetoder, bedömning eller lärmiljö – där AI kan vara en del av verktygslådan.

Vad är viktigast för att AI ska fungera i klassrummet?

Tydliga ramar. Elever behöver veta när AI är tillåtet, hur det ska redovisas, och hur läraren bedömer arbetet. Utan ramar blir AI en genväg för vissa och en spärr för andra.

Så kan EdTech-aktörer samarbeta utan att ta över

Bra samverkan betyder att produkten anpassar sig till undervisningen – inte tvärtom. För EdTech-bolag (och kommunala utvecklingsteam) som vill bidra till praktiknära forskning är tre principer avgörande:

• Bygg för transparens: loggar, förklaringsbara rekommendationer och export av underlag.
• Acceptera att “nej” är ett resultat: om effekten uteblir är det värdefullt, men då måste ni våga mäta.
• Stöd lärarens beslutsfattande: AI ska föreslå, inte bestämma.

Det här är också där leads naturligt uppstår: skolor som vill göra rätt behöver partners som kan översätta AI till didaktik, juridik och implementering.

Det som händer 2026–2028 avgör om AI blir nytta eller brus

Åtta finansierade projekt förändrar inte svensk skola över en natt. Men de kan sätta en ny norm för hur AI och EdTech ska införas: med tydliga mål, robust utvärdering och respekt för läraryrket.

Om du arbetar som skolledare, utvecklingsledare eller ansvarar för digitalisering är det här ett bra läge att växla upp. När forskningsprojekt väl rullar finns ofta möjlighet att lära av upplägg, mätmetoder och implementeringsstrategier – och använda det i egna satsningar redan nästa termin.

Den mest intressanta frågan inför 2026 är inte “vilken AI-tjänst ska vi välja?”. Det är: vilka undervisningsproblem ska vi lösa – och hur ser vi till att lösningen håller i längden?