När skolforskning får pengar: så blir AI nytta i klassrum

Den 2025-10-28 kl. 10:10 presenterar Skolforskningsinstitutets direktör Christina Månberg vilka projekt som beviljas forskningsbidrag för praktiknära skolforskning. För många låter det som en administrativ punkt i kalendern. Jag tycker tvärtom: det här är ett av de mest konkreta tillfällena på året då svensk skola bestämmer vad som faktiskt ska testas, mätas och förbättras – i verkliga klassrum, inte i powerpoint.

Och här kommer min take: om vi menar allvar med AI inom utbildning så är just den här typen av finansierad, praktiknära forskning den saknade länken. AI i skolan faller ofta i två diken: antingen blir det en snabb app-implementering utan pedagogisk idé, eller så blir det en lång diskussion om risker utan att något prövas. Forskningsbidrag som driver riktiga projekt kan bli bron mellan ambition och effekt.

Det här inlägget sätter nyheten i ett större sammanhang: vad praktiknära skolforskning betyder för EdTech, hur AI kan stötta både forskare och lärare, och hur skolhuvudmän kan göra bättre val när “AI-lösningar” knackar på dörren.

Varför praktiknära skolforskning är bästa startpunkten för AI i skolan

Praktiknära skolforskning är den snabbaste vägen till evidens som går att använda. Poängen är enkel: forskning görs tillsammans med skolor, i undervisningen, med frågor som kommer ur vardagen.

Det här spelar extra stor roll i december 2025, när många skolor står i planering för vårterminen och budgetrundor – och när AI-verktyg fortsätter spridas snabbare än skolans styrning hinner med. Om skolan ska undvika att AI blir ett “projekt vid sidan av”, behöver satsningar kopplas till:

• undervisningsdesign (vad gör läraren och eleven annorlunda?)
• mätbara elevutfall (vad förbättras, för vilka elever?)
• likvärdighet (vem gynnas, vem riskerar att hamna efter?)
• arbetsmiljö (minskar AI faktiskt lärarens belastning?)

En tydlig sak jag sett fungera: när forskningsprojekt från start formulerar vilket beslut resultaten ska stödja. Inte bara “öka motivation”, utan exempelvis: “Ska vi införa adaptiva läsövningar i åk 4–6, och i så fall hur ofta och för vilka elever?”

Myten som ställer till det: ”AI räcker om vi bara har data”

AI i utbildning blir ofta för teknikdrivet. Men undervisning är inte en dataprocess; den är en social praktik. Bra AI-lösningar uppstår när pedagogiken styr tekniken, inte tvärtom.

Praktiknära forskning är ett skydd mot det. Den tvingar fram frågor som:

• När blir återkoppling hjälpsam och när blir den brus?
• Hur påverkas klassrumsdialogen om AI föreslår nästa uppgift?
• Vad händer med elever som redan har låg tilltro till sin förmåga?

Så kan AI optimera forskningsprojekten som får bidrag

AI kan göra forskningsprojekten bättre genom att korta vägen från datainsamling till beslut. Det betyder inte att AI “gör forskningen” – men den kan ta bort friktion.

Här är tre områden där jag tycker AI bör användas mer offensivt i praktiknära skolforskning.

1) Datainsamling som inte äter upp lärartid

En klassisk utmaning i skolnära studier är att mätning kostar energi. Här kan AI hjälpa till med:

• Automatisk transkribering av klassrumsdialog (med tydliga rutiner för samtycke och lagring)
• Strukturerad kodning av elevtexter (t.ex. argumentation, begreppsanvändning)
• Snabb sammanställning av enkätfrågor med öppna svar

Det viktiga är att forskningsdesignen bestämmer vad som ska analyseras. AI får gärna sortera, men kriterierna måste vara mänskligt definierade.

2) Analys som går att förklara för lärare och rektorer

Skolans största problem är inte brist på data – det är brist på tolkningsbara resultat.

AI kan stödja genom att generera:

• tydliga beskrivningar av mönster (”I gruppen med låg förkunskap ökade andelen korrekta resonemang från X till Y”)
• visualiseringar som knyter an till undervisningsbeslut (inte bara forskningsmått)
• jämförelser mellan klasser och tidpunkter utan att peka ut individer

En tumregel: om rektor inte kan återberätta resultatet på 30 sekunder, kommer det inte förändra undervisningen.

3) Snabbare iteration: från ”pilot” till ”rutin”

Många projekt fastnar i pilotstadiet. AI kan hjälpa forsknings- och skolteam att iterera snabbare via:

• planeringsstöd: skapa lektionsvarianter och materialsatser utifrån en gemensam mall
• formativ återkoppling: sammanfatta observationer efter lektioner och föreslå förbättringar
• spårbarhet: logga förändringar i undervisningsupplägg och koppla dem till elevresultat

Det här är egentligen “produktutvecklingstänk” applicerat på undervisning. Och ja – det kan kännas ovant i skolan. Men det är så man får kvalitet över tid.

Från forskningsbidrag till EdTech: så byggs intelligenta lösningar med kvalitet

Forskningsbidrag är ofta startkapitalet för nästa generations EdTech – men bara om resultaten paketeras så att skolor kan använda dem.

Det är här jag tycker många aktörer (både forskare och leverantörer) tappar bollen: man visar att något fungerade i en specifik kontext, men gör det svårt att reproducera.

En praktisk modell: “3 lager” för AI-driven undervisning

För att en AI-lösning ska bli mer än en testmiljö behöver den tre lager:

1. Didaktiskt lager: tydliga undervisningsprinciper (t.ex. explicit undervisning, scaffolding, återkoppling)
2. Datamässigt lager: vilka datapunkter behövs, och vilka behövs inte?
3. Operativt lager: hur införs det i schema, arbetslag och uppföljning?

När praktiknära projekt får bidrag finns en chans att bygga alla tre lagren parallellt, istället för att “slänga över” resultaten till en leverantör i efterhand.

Exempel: adaptivt stöd utan att sänka kravnivån

Ett vanligt missförstånd om individanpassning med AI är att elever automatiskt får “enklare” uppgifter. Bra adaptivitet gör något annat: den håller målet konstant och varierar vägen.

Konkreta sätt som AI-stöd kan se ut i undervisning (utan att bli en ersättare för läraren):

• föreslå extra exempel för elever som fastnar på samma begrepp
• ge alternativa representationer (text, bild, tabell) i matematik och NO
• erbjuda korta diagnoser som hjälper läraren att gruppera smartare nästa lektion

Det som alltid måste vara tydligt: vem tar beslutet? I skolan ska svaret nästan alltid vara “läraren och eleven”. AI föreslår, människor väljer.

Checklista för skolledare: så tar du hem AI-värdet av forskningen

Skolledare och huvudmän får bäst effekt när de beställer tydliga resultat och säker implementering. Om du vill att finansierade forskningsinsatser faktiskt ska påverka undervisningen under 2026, använd den här checklistan i samtal med projektteam, forskare eller EdTech-partners.

7 frågor att ställa tidigt (innan verktyg väljs)

1. Vilket undervisningsproblem löser vi – i en specifik årskurs och ett ämne?
2. Vilket elevutfall mäter vi, och efter hur lång tid? (t.ex. 8 veckor, en termin)
3. Vilken extra tid krävs av lärarna per vecka? (minuter, inte “lite”)
4. Hur säkrar vi likvärdighet? (t.ex. stöd till elever med NPF, flerspråkiga elever)
5. Vilken data samlas in, var lagras den, och vem har åtkomst?
6. Vad är den minsta förändringen som kan ge effekt? (undvik “stor lansering”)
7. Hur blir det här en rutin i arbetslaget när projektet är slut?

Mätning som skolan faktiskt kan leva med

Jag föredrar mått som är:

• nära undervisningen (resultat på delprov, elevtexter, observationer)
• frekventa (varannan vecka hellre än en gång per termin)
• kombinerade (kvantitativt + kvalitativt)

När AI används i mätningen: dokumentera alltid hur modellen instruerats och vilka felkällor som finns. Annars går det inte att lita på resultaten.

Det som händer 2025-10-28 är en signal – inte bara en presentation

När projekt som beviljas forskningsbidrag presenteras är det i praktiken en prioriteringslista för framtidens skola. Det påverkar vilka metoder som blir norm, vilka EdTech-produkter som får fäste, och vilka AI-satsningar som får evidens att stå på.

Samtidigt: AI i skolan blir bara bra om vi kräver mer än “smarta funktioner”. Vi behöver samma sak som skolforskningen alltid försökt ge oss – tydliga, prövade arbetssätt. Skillnaden nu är att AI kan göra spridningen snabbare och anpassningen mer träffsäker.

Om du jobbar med skolutveckling, EdTech eller forskningssamverkan: använd 2026 till att bygga en pipeline från praktiknära forskning till skalbar implementering. Det är där leads, partnerskap och verklig effekt uppstår.

En mening att bära med sig: AI i utbildning blir värdefull först när den går att koppla till ett konkret undervisningsbeslut.

Vilken del av skolans vardag vill du att nästa våg av praktiknära forskning ska förbättra – bedömning, planering, differentiering eller återkoppling?