AI i skolan: Så gör forskningsbidrag EdTech mer träffsäkert

79 ansökningar. 22 lärosäten. Och till slut åtta projekt som delar på drygt 35 miljoner kronor över tre år. När Skolforskningsinstitutet (2025-10-28) beviljar bidrag till praktiknära skolforskning är det lätt att tänka “bra för akademin”. Jag tycker tvärtom: det här är direkt relevant för alla som bygger, köper eller leder EdTech och AI i skolan.

För om AI ska göra nytta i utbildning måste den bottna i verklig undervisning. Inte i en demoversion av skolan. Och just därför spelar praktiknära forskning en så stor roll: den pressar fram svar på frågor som varken en leverantörspitch eller en enskild entusiastlärare kan lösa själv.

Det här inlägget knyter ihop Skolforskningsinstitutets nya beslut med en större trend i serien “AI inom utbildning och EdTech”: Sverige håller på att bli mer krävande. Mindre “testa en app”, mer “visa att det fungerar – och för vem”.

Varför 35 miljoner till praktiknära skolforskning angår EdTech

Kort sagt: pengar till praktiknära forskning bygger den kunskapsgrund som gör AI-lösningar mätbara, upphandlingsbara och pedagogiskt försvarbara.

Skolforskningsinstitutets forskningsprofil ställer två tuffa krav samtidigt: tydlig samverkan med förskolor/skolor och hög vetenskaplig kvalitet. Den kombinationen är precis vad EdTech-branschen ofta saknar i praktiken. Många verktyg testas i liten skala, men utan design som svarar på de frågor som rektorer, huvudmän och lärare faktiskt behöver få svar på:

• Ger det effekt på lärande, inte bara aktivitet?
• Vilka elever gynnas, vilka missgynnas?
• Vad krävs av läraren och organisationen för att få effekt?
• Hur påverkas likvärdighet, arbetsmiljö och bedömning?

När forskning finansieras i förskoleklass, fritidshem, grundskola, gymnasium och kommunal vuxenutbildning/SFI blir resultatet extra värdefullt. AI i utbildning kan inte bara optimeras för “genomsnittseleven i årskurs 7”. Den måste fungera i hela systemet.

En obekväm sanning: AI blir snabbt en kvalitetsfråga, inte en teknikfråga

Jag ser allt oftare samma mönster i skolor: man köper in verktyg som tekniskt sett funkar – men man saknar implementeringslogiken. Det är där praktiknära forskning kan göra skillnad.

EdTech som vinner 2026–2027 kommer inte främst vara den med flest funktioner. Den kommer vara den som passar in i skolans vardag, följer styrdokument, och har tydliga stödstrukturer för lärare.

Vad “praktiknära” betyder för AI i undervisningen

Praktiknära forskning är undervisningsnära forskning med konsekvens: det handlar om att studera verkliga lektionsupplägg, elevgrupper, ämnen, bedömningssituationer och skolorganisation.

Det får tre direkta effekter för AI i skolan:

1. Bättre problemformuleringar

   • AI-projekt som börjar med “vi ska använda en språkmodell” slutar ofta med lösningar som inte matchar klassrummets behov.
   • Praktiknära ansatser börjar med friktionen: återkoppling, bedömning, stöttning, språkutveckling, planering, motivation, närvaro.

2. Tydligare villkor för effekt

   • Fungerar det bara när en eldsjäl driver det? Då är det inte skalbart.
   • Fungerar det bara för elever med stark studieteknik? Då riskerar det likvärdigheten.

3. Mätbarhet som går att använda

   • En skola behöver inte 200 sidor metod. Den behöver veta: vad gör vi på måndag, och vad ska vi följa upp om sex veckor?

Exempel: Personalisering som faktiskt håller i svensk skolkultur

“Personalisering” är ett av de mest överanvända orden i AI inom utbildning. I praktiken behöver personalisering ofta betyda:

• rätt stöd vid rätt tid (inte bara fler uppgifter)
• lagom kognitiv belastning (inte fler flikar)
• tydliga mål och kriterier kopplade till kursplan

Praktiknära forskning kan ringa in vilka personliga anpassningar som gör skillnad i Sverige, där elevinflytande, likvärdighet och lärarens professionella omdöme är centralt.

Så kan de nya projekten påverka AI och EdTech (även utan att handla om AI)

Poängen: även om ett projekt inte har AI som huvudtema kan resultaten bli “råvara” för smartare digitala verktyg.

De åtta finansierade projekten (2025) spänner över flera skolformer. Det ger EdTech en chans att bygga lösningar som är kompatibla med olika kontexter – och att sluta behandla skolan som en enda marknad.

Förskoleklass och fritidshem: Data med låg friktion

I tidiga åldrar och i fritidshemmet funkar inte “sitt still och klicka”. AI-stöd här måste vara:

• integrerat i aktivitet (språk, rörelse, samspel)
• enkelt att dokumentera utan att ta tid från relationer
• tydligt kopplat till utvecklingsmål

Här tror jag mer på AI som lärarstöd (planering, observation, dokumentation) än på AI som elevsystem.

Grundskola och gymnasium: Bedömning och återkoppling under kontroll

Det stora AI-sugröret i många skolor just nu är text: idéer, utkast, resonemang, källhantering. Men det skapar nya problem:

• Hur undervisar vi om skrivande när elever kan generera text?
• Hur säkrar vi rättvisa bedömningar?
• Hur ger vi återkoppling som leder till förbättring, inte bara snyggare formulering?

Praktiknära forskning är rätt miljö för att testa didaktiska upplägg som kan kombineras med AI, till exempel:

• återkoppling i flera steg (elevens plan → utkast → revision)
• muntliga förklaringar som kompletterar text
• kamratrespons med tydliga kriterier

Vuxenutbildning och SFI: Språkstöd där vinsten kan bli enorm

Om jag får välja en plats där AI kan göra mycket nytta snabbt är det SFI och vuxenutbildning. Variation i bakgrund, studievana och språk är stor. Där kan AI bidra med:

• individanpassade dialogövningar
• uttalsträning och lyssningsstöd
• snabbare formativ återkoppling

Men bara om undervisningsdesignen är tydlig. Annars blir det “mer övning” utan progression. Forskning som sker i verkliga SFI-grupper kan visa vad som krävs för att få effekt – och vad som bara blir brus.

Från forskningsresultat till fungerande produkt: en konkret checklista

Nyckeln är översättning. Forskning blir inte automatiskt EdTech-nytta. Här är ett arbetssätt jag tycker fler skolhuvudmän och leverantörer borde använda.

1) Formulera “effekt” som skolan känner igen

Byt ut diffusa mål (“öka engagemang”) mot skolnära mål:

• ökad läsförståelse mätt med gemensamma bedömningsunderlag
• fler elever som når kunskapskrav i problemlösning
• minskad lärartid på administration per vecka
• förbättrad närvaro i vissa kurser

2) Kräv implementeringsdetaljer, inte bara funktioner

När ett verktyg ska upphandlas eller införas, be om:

• minsta fungerande lektionsupplägg (30–60 min)
• roller: vad gör lärare, elev, specialpedagog?
• tidsåtgång för förberedelse och uppföljning
• hur verktyget stödjer extra anpassningar

3) Sätt en “AI-policy i miniformat” för pilotprojekt

Du behöver inte en bok. Du behöver tydlighet:

• när är AI tillåtet i elevproduktion?
• hur ska elever redovisa arbetsprocess?
• hur skyddas personuppgifter?
• hur hanteras bias och felaktigheter?

4) Följ upp efter 6–8 veckor, inte efter ett läsår

Det är lätt att vänta för länge. Gör uppföljning tidigt:

• Vad använder vi faktiskt?
• Vilka elever hamnar utanför?
• Vilken del sparar tid – och vilken skapar merjobb?

Vanliga frågor jag får (och raka svar)

“Måste ett AI-verktyg vara forskningsbaserat för att vara bra?”

Nej. Men om det ska skalas i en kommun måste det tåla granskning. Forskning ger språk, metoder och mått som gör granskningen möjlig.

“Kan forskning hinna med AI-utvecklingen?”

Ja, om forskningen fokuserar på undervisningsprinciper och arbetsprocesser, inte på enskilda plattformar som byts ut varje termin.

“Vad ska vi göra nu som rektor eller huvudman?”

Gör två saker parallellt: bygg kompetens för att ställa bättre krav i upphandling, och skapa pilotskolor där ni testar med tydliga mål och uppföljning.

Det här är vad Sverige bygger just nu – och vad EdTech bör göra

Att åtta projekt får drygt 35 miljoner kronor är inte bara en nyhet i ett flöde. Det är ett tecken på att Sverige vill ha fler beviskedjor: från klassrum till resultat, från behov till metod, från metod till verktyg.

För EdTech och AI i skolan betyder det en tydlig riktning: verktyg som kan visa hur de stödjer undervisning, likvärdighet och lärarens arbete kommer få enklare väg in. Verktyg som mest lovar “smidighet” kommer få det tuffare.

Om du arbetar med AI inom utbildning – som skolledare, utvecklare eller beslutsfattare – är nästa steg att välja en fråga som är värd att mäta och förbättra redan under vårterminen 2026. Vilken del av undervisningen skulle bli mest mänsklig om AI tog hand om det mest mekaniska?