Samtycke & integritet: grunden för AI i skolan

Det mest underskattade AI-beslutet i skolan 2026 handlar inte om vilken chattbot ni ska välja. Det handlar om samtycke.

För när en kommun eller friskolekoncern vill använda AI för individanpassat lärande, uppföljning och stödinsatser är det nästan alltid data som står i centrum: inloggningar, klick, progression, texter, inspelningar, diagnoser och ibland även känsliga uppgifter. Och utan ett tydligt, begripligt och respektfullt samtyckesupplägg blir resultatet det som många redan känner igen: stoppade pilotprojekt, nervösa jurister, lärare som tappar förtroende – och elever som blir försökskaniner utan att någon riktigt kan förklara varför.

Skolforskningsinstitutets nyhetsbrev nr 72 (publicerat 2025-09-25) lyfter bland annat deras forskningssammanställning om undervisning med elever med IF samt kommande konferens för förskolan. Det är lätt att tänka att “nyhetsbrev” är kommunikation och “cookies” är teknik. Jag ser det tvärtom: hur vi hanterar samtycke och integritet är en del av skolans kvalitetsarbete – särskilt när AI och EdTech blir mer vardag.

Snippet att citera: Om ni vill ha AI som skapar nytta i undervisningen behöver ni först integritet som skapar förtroende.

Varför cookie-samtycke plötsligt angår skolledningen

Cookie-samtycke är inte en detalj längst ner på en webbplats – det är en indikator på hur moget en organisation hanterar data. Samma tänk följer med in i lärplattformar, appar, provverktyg, närvarosystem och AI-stöd.

När en webbplats (som i RSS-underlaget) beskriver kategorier som nödvändiga, funktionella, analys och annonsering gör den två saker som skolor behöver bli bättre på även i EdTech:

1. Den visar vad som är “måste” vs “bra att ha”.
2. Den gör dataanvändning synlig och valbar.

I praktiken är det här samma logik som skiljer en ansvarsfull AI-lösning från en som skapar risk:

• Nödvändigt: säkra inloggningar, sessionshantering, åtkomstkontroll
• Funktionellt: spara elevens språkval, tillgänglighetsinställningar, hjälpmedel
• Analys: användningsstatistik för att förbättra undervisningsflöden och minska friktion
• “Marknadsföring”: ofta irrelevant i skolkontext – och om det ändå finns, kräver det extra skärpa

En konkret parallell: från webb-cookies till lärdata

Många skolhuvudmän accepterar (ibland omedvetet) analysverktyg och spårning på webbplatsen, men blir mycket mer försiktiga när samma typ av data uppstår i en lärmiljö. Det är rimligt – lärdata kan vara mer integritetskänslig än webbdata.

Men grundfrågan är densamma:

• Vilken data samlar vi?
• Varför?
• Vem kan se den?
• Hur länge sparas den?
• Vad händer om eleven eller vårdnadshavare säger nej?

När ni kan svara på detta i klartext blir AI-initiativ inte bara möjliga, utan stabila.

AI i utbildning: personalisering kräver gränser

AI-baserad personalisering fungerar först när ni bestämt vilka gränser som aldrig ska korsas. Det kan låta bakvänt, men det är så ni får både nytta och legitimitet.

I svensk skolkontext 2025–2026 är det extra aktuellt av tre skäl:

• Ökad AI-användning i klassrummet (både av elever och lärare) kräver tydliga ramar för data och upphov.
• Skärpt medvetenhet om dataskydd hos huvudmän, elevhälsa och vårdnadshavare.
• Högre krav på likvärdighet: olika skolor får inte ha helt olika integritetspraxis för samma typ av verktyg.

“Men vi behöver ju data för att förbättra undervisningen”

Ja. Och här blir det praktiskt: ni behöver nästan alltid mindre data än ni tror.

Ett bra arbetssätt är att skilja på:

• Pedagogisk data (nära undervisning): lärarens anteckningar, formativa bedömningar, elevens texter
• Systemdata (drift och säkerhet): inloggningsloggar, sessions-ID, felsökning
• Utvecklingsdata (förbättring): aggregerad statistik som visar var elever fastnar i en modul

AI-projekt blir ofta kontroversiella när utvecklingsdata börjar likna pedagogisk data – eller när systemdata används för mer än drift.

Snippet att citera: AI i skolan ska vara datadriven, men aldrig datablind.

Exempel: individanpassning utan att spåra allt

Anta att ni vill ha AI-stöd som rekommenderar övningar i matematik.

• Bra: använda elevens resultat på uppgifter i verktyget och ge nästa steg.
• Riskabelt: kombinera det med beteendedata från andra tjänster (t.ex. webbhistorik, externa konton) “för att bli mer träffsäkert”.

Det första går ofta att motivera och förklara. Det andra blir snabbt svårförsvarat – och skapar en “övervakningskänsla” som dödar både motivation och förtroende.

Etisk EdTech i praktiken: så bygger ni förtroende

Förtroende kommer inte av en policy-text – det kommer av att användaren märker att ni menar allvar. RSS-sidan visar ett tydligt cookie-ramverk där man kan acceptera, avvisa och anpassa. Den typen av valbarhet är en bra modell även för skolans digitala ekosystem.

Tre principer som faktiskt fungerar

1. Valbarhet som standard
   • Ge tydliga val för olika datanivåer (minimi, förbättring, utökad funktion).
   • Gör det möjligt att säga nej utan att allt går sönder.

1. Begripligt språk

   • Skriv som ni pratar med vårdnadshavare på utvecklingssamtalet.
   • Undvik “juridiska dimridåer” som ingen orkar läsa.

2. Spårbar ansvarskedja

   • Vem äger frågan på skolan?
   • Vem svarar när en vårdnadshavare hör av sig?
   • Vem kan stänga av ett verktyg om något går fel?

Samtycke är en process, inte en ruta

RSS-inlägget påminner också om att man kan ändra sitt samtycke i efterhand via länk i nyhetsbrevet eller genom att kontakta organisationen. Det är en detalj som många missar.

I skolan innebär det här i praktiken:

• Samtycke ska kunna tas tillbaka utan repressalier.
• Det ska finnas ett alternativt arbetssätt för elever som inte deltar.
• Ändringar ska slå igenom i system: annars är samtycke bara teater.

Från webbstatistik till skolutveckling: analys utan övertramp

Analysdata kan hjälpa er fatta bättre beslut om undervisningens stödstrukturer – om ni aggregerar och anonymiserar rätt.

På webben tittar man ofta på mätetal som besök, avvisningsfrekvens och trafikkällor. Översatt till EdTech kan motsvarigheter vara:

• hur många elever som slutför en modul
• var flest elever fastnar
• vilka instruktioner som leder till färre missförstånd
• hur lång tid som går mellan introduktion och självständigt arbete

Det här kan ge verklig effekt i klassrummet.

Praktisk modell: “3 nivåer av analys”

1. Nivå 1 – anonym driftanalys

   • Målet: stabilitet och tillgänglighet.
   • Data: felkoder, laddtider, systemprestanda.

2. Nivå 2 – aggregerad läranalys

   • Målet: förbättra lärresurser.
   • Data: sammanställda mönster per klass eller årskurs, inte per individ.

3. Nivå 3 – individnära analys

   • Målet: stödinsatser och anpassningar.
   • Kräver: tydliga pedagogiska skäl, starka skydd, transparens och ofta särskild rättslig grund.

Många problem uppstår när man hoppar direkt till nivå 3 för att “AI:n vill ha mer data”. Gör inte det. Börja med nivå 1–2 och bygg upp tillit.

Särskilt viktigt: integritet när elever behöver mer stöd

Nyhetsbrevet nämner forskningssammanställningen om undervisning med elever med IF. Det är en bra påminnelse om en sak: de elever som kan få mest nytta av anpassningar är ofta också de som är mest sårbara för felaktig databehandling.

AI-stöd kan hjälpa med exempelvis:

• tydligare instruktioner på flera nivåer
• extra repetition med variation
• alternativt uttryck (tal-till-text, text-till-tal)

Men när stöd kopplas till diagnoser, elevhälsodata eller särskilda anpassningar blir integritetskraven högre – och kommunikationen måste vara ännu mer respektfull.

Här har jag sett att det som fungerar bäst är att vara övertydlig:

• vilka funktioner som är påslagna
• om något skickas till en extern tjänst
• hur man stänger av

Det är inte att “krångla”. Det är att visa att eleven inte är en datapunkt.

Så kommer ni igång: en 30-dagars plan för skola/huvudman

Ni kan höja integritetsnivån snabbt utan att pausa digitaliseringen. Här är ett upplägg som funkar i praktiken.

Dag 1–10: Kartläggning som inte blir en skrivbordsövning

• Lista alla digitala verktyg som elever använder varje vecka.
• Markera vilka som har AI-funktioner (även “dolda”, som automatisk rättning eller rekommendationer).
• Notera vilken data som går in och ut: text, ljud, beteende, resultat.

Dag 11–20: Samtyckesdesign och kommunikation

• Skapa tre tydliga datalägen (minimi / förbättring / utökat stöd).
• Skriv en A4 med “så funkar data i våra digitala verktyg” för vårdnadshavare.
• Bestäm rutinen för återkallat samtycke och alternativ undervisning.

Dag 21–30: Styrning och uppföljning

• Utse en ansvarig per skolenhet som kan svara på frågor.
• Sätt upp en kvartalsvis kontroll: nya verktyg, ändrade villkor, incidenter.
• Gör en enkel elevdialog: vad känns tryggt och otryggt?

Snippet att citera: Integritet i EdTech är inte en juridisk bilaga – det är en ledningsfråga.

Nästa steg i serien “AI inom utbildning och EdTech”

När vi pratar om AI i utbildning fastnar diskussionen ofta i funktioner: “Kan den rätta prov?”, “Kan den skriva uppgifter?”, “Kan den ge feedback?”. Det är fel start. Den rätta starten är: Vilket förtroende har vi byggt för att använda tekniken?

Om ni vill arbeta mer strukturerat med AI i skolan under 2026 är min rekommendation att börja med samtycke, dataminimering och tydliga roller. När den grunden sitter blir det mycket lättare att välja verktyg, utvärdera leverantörer och faktiskt få ut effekten i klassrummet.

Och här är frågan jag tycker att varje skolledningsgrupp ska ta med sig till nästa möte: Vilken del av vår AI- och EdTech-satsning skulle falla direkt om en elev eller vårdnadshavare bad oss förklara datahanteringen på två minuter?