AI i offentlig sektor

Den tekniska utvecklingen av AI inleddes under mitten av 1900-talet och har sedan dess både haft perioder av framsteg som skapat optimism, och av stagnation, som minskat intresset och investeringarna i tekniken. De senaste årens framsteg har möjliggjorts av ökad datorkraft, större datamängder och utvecklingen av metoder för avancerad maskininlärning. Med data och sannolikhetsberäkningar kan tekniken utföra en del uppgifter som tidigare har krävt mänsklig intelligens. Det finns olika typer av AI, men en av de mest centrala på senare år är s k djupinlärning med hjälp av neurala nätverk. Sedan ett genombrott ca år 2012 har neurala nätverk legat till grund för flera av de viktigaste framstegen inom AI, inklusive generativ AI – den senaste generationens AI som har förmåga att skapa nytt innehåll i form av exempelvis text eller bilder.

Den ekonomiska betydelsen av tekniken kommer från att AI ofta anses vara en allmänt tillämpbar teknik, en General Purpose Technology (GPT) (Eloundou m fl 2024). GPT:er kan tillämpas inom många olika områden och har stor potential att vidareutvecklas, främja nya innovationer samt öka produktivitet och tillväxt (Bresnahan och Trajtenberg 1995; Helpman 2003).

Offentlig sektor producerar tjänster som är centrala för ekonomisk tillväxt, trygghet och levnadsstandard. Några av dessa är försvar, utbildning, sjukvård, äldreomsorg och socialt skydd. År 2022 motsvarade de offentliga utgifterna drygt 48 procent av Sveriges BNP, där 2023 enbart hälso- och sjukvården motsvarade nästan 11 procent av BNP (OECD 2024).

Samtidigt står offentlig sektor inför utmaningar med bl a en åldrande befolkning, kompetensbrist och låg produktivitetstillväxt. Det finns därför en förhoppning både i Sverige och utomlands att AI här skulle kunna vara en möjlighet för att hantera dessa utmaningar genom att automatisera, effektivisera och främja innovation inom olika sektorer (Slottner m fl 2024; Starmer 2025). Historiskt har det dock ofta tagit tid för tekniska innovationer att verkligen komma i användning och få effekt, även om det förefaller gå snabbare över tiden (Comin och Hobijn 2010; Lodefalk 2024; Engberg m fl 2024a).

AI används redan i dag i offentlig sektor. Dels handlar det om algoritmer i befintlig teknik, dels (och det vi fokuserar på) tillämpning och anpassning för specifika verksamheter. Enligt statistik från SCB använde 27 procent av offentliga organisationer AI under 2021, vilket är en ökning med drygt fyra procentenheter från 2019 (SCB 2023). I en undersökning från 2023 av akademikerförbundet Akavia visas på liknande sätt att mellan 20–30 procent av medlemmarna och organisationerna verksamma i offentlig sektor använde AI (Akavia 2023). Även i jobbannonser från Arbetsförmedlingens hemsida Platsbanken syns en ökning i offentliga arbetsgivares efterfrågan på AI relaterade kompetenser på senare år (Lodefalk m fl 2025a). Efterfrågan på AI-kompetens är betydligt mer vanligt förekommande bland statliga arbetsgivare, jämfört med regioner eller kommuner.

När det gäller de olika sektorerna inom offentlig sektor använde omkring två tredjedelar av organisationerna inom statlig sektor tekniken, medan användningen är mindre vanlig inom regioner och kommuner, där omkring en fjärdedel av organisationerna använde tekniken (SCB 2023). I statlig sektor används AI främst för administrativa och analytiska uppgifter som datahantering och beslutsstöd (Statskontoret 2024; Lodefalk m fl 2025b).

I denna artikel undersöker vi dels genom scenarioanalyser de potentiella förändringarna i produktivitet och arbetskraftsbehov som kan uppstå till följd av AI-utvecklingen fram till 2044, dels utmaningar med AI i offentlig sektor.¹ Scenarierna analyserar utvecklingen av AI i stort och inkluderar både tidigare typer av AI och nya, såsom generativ AI. Gemensamt för alla scenarier är användningen av exponeringsmåttet DAIOE, som mäter hur olika yrken exponeras för tekniken (Engberg m fl 2024a). Prognoserna för efterfrågan på arbetskraft inom olika yrkesgrupper är baserade på SCB:s prognoser.

Resultaten från scenarioanalyserna tyder på att det finns en betydande potential i att utveckla och använda AI i offentlig sektor för att öka produktiviteten och hantera framtida arbetskraftsbehov.² I basscenariot, utan vidare användning av AI, beräknas produktiviteten öka med fyra procent och arbetskraftsbehovet med 15 procent fram till 2044. I nästa scenario, det konservativa scenariot, med en gradvis ökande användning av tekniken, blir produktivitetsökningen något större och arbetskraftsbehovet minskar jämfört med baslinjen men är fortfarande stort. Om AI däremot fortsätter att utvecklas och användas i offentlig sektor, kan effekterna bli mer betydande. Vidare, i huvudscenariot skulle produktiviteten öka med 11 procentenheter jämfört med baslinjen. Arbetskraftsbehovet i offentlig sektor som helhet förväntas öka något jämfört med nuvarande nivåer (2024), men betydligt mindre än utan AI, dvs i förhållande till baslinjen. I det optimistiska scenariot förväntas ännu större produktivitetsökningar och, genom framsteg inom robotik, även för yrkesgrupper med fysiska arbetsuppgifter.

För att tydligt avgränsa analysen till AI:s enskilda effekt bortser vi från andra faktorer som kan påverka offentlig sektor. Scenarioanalyserna är därför menade att fungera som ett underlag för diskussioner om möjligheter och effekter av AI-användning inom offentlig sektor.

Liksom med all teknik finns det begränsningar med AI som är viktiga att beakta och utmaningar med dess införande, inte minst i den offentliga sektorn med dess högtställda krav på exempelvis skydd för känsliga data, ickediskriminering och ansvarsutkrävande.

1. Möjliga produktivitets- och arbetskraftsbehovseffekter

Utvecklingen och användningen av AI kan påverka produktivitet och arbetskraftsbehov i offentlig sektor på flera sätt. I detta avsnitt presenterar vi teorier om de potentiella effekterna på produktiviteten och vilka konsekvenser dessa effekter kan ha för arbetskraftsbehovet.

Den uppgiftsbaserade arbetsmarknadsmodellen

Den uppgiftsbaserade arbetsmarknadsmodellen kan användas för att analysera potentiella effekter av teknik (Autor m fl 2003; Acemoglu och Autor 2011). Modellen antar att produktion sker genom att kombinera olika arbetsuppgifter som utförs av kapital eller arbetskraft och fördelningen mellan dessa beror på deras komparativa fördelar. Utifrån den uppgiftsbaserade arbetsmarknadsmodellen har Acemoglu och Restrepo (2019) vidare analyserat hur teknik förändrar innehållet i produktionen och efterfrågan på mänsklig arbetskraft, där tre huvudsakliga effekter används för att undersöka de potentiella effekterna. Vi applicerar detta på AI-området:

1. Undanträngningseffekten uppstår där AI kan automatisera arbetsuppgifter, vilket minskar behovet av mänsklig arbetskraft.
2. Återinförandeeffekten handlar om hur användning av AI kan ge upphov till nya arbetsuppgifter. I likhet med hur industrialiseringen gav upphov till nya arbetsuppgifter kopplade till att arbeta med och sköta maskiner, kan AI ge upphov till nya arbetsuppgifter som exempelvis övervakning av AI-system.
3. Produktivitetseffekten, där ökad produktivitet per anställd – på grund av antingen ersättnings- eller återinförandeeffekten – leder till en ökad efterfrågan på arbetskraft.

Till dessa tre huvudsakliga effekter lägger vi till en fjärde:

4. Kompletteringseffekten, där AI kompletterar de anställda i kvarvarande arbetsuppgifter, vilket gör att de anställda blir mer produktiva (Bessen m fl 2022). AI kan också användas för att utföra arbetsuppgifter som tidigare inte var möjliga.

Hur AI påverkar arbetskraftsbehovet kan alltså tänkas bero på storleken av dessa fyra effekter.³ Även om tekniken kan vara kostsam att införa, kan det ändå vara ekonomiskt lönsamt att ersätta anställda med AI. Det innebär dock inte nödvändigtvis att verksamheten som helhet blir mer effektiv. Om AI främst automatiserar arbete, utan en betydande produktivitetsökning, kommer den inte heller bidra till att öka produktiviteten i ekonomin eller till den gemensamma välfärden. I sådana fall handlar AI, utan någon större produktivitetseffekt men en tydlig undanträngningseffekt, främst om att minska arbetskraftsanvändningen något och öka användningen av kapital.

En grundläggande ekonomisk teori är den om avtagande marginalnytta, vilket innebär att arbetskraft och kapital ger allt mindre nytta ju mer de används. Därför leder AI inte alltid till lika stora vinster när tekniken införs eller används i större utsträckning eller för komplexa uppgifter. Samtidigt kan AI förbättras om fler använder den, eftersom mer data kan förbättra dess funktion.

Slutligen finns det åtminstone i vissa verksamheter gränser för möjligheten att öka produktiviteten med AI, inte minst inom offentlig sektor. Inom skolan kan läraren effektivisera en viss del av arbetet med AI men läraren behöver sannolikt vara närvarande i klassrummet under ett antal lektionstimmar. Det finns med andra ord en minsta möjlig arbetsinsats där människan behövs. Detta begränsar möjligheten att effektivisera med hjälp av AI.

Den empiriska litteraturen

De effekter som AI har haft på arbetsmarknaden har hittills inte inneburit några större undanträngningseffekter. De små effekterna kan bero på att tekniken ännu inte har använts i omfattande utsträckning för att ge större resultat. En annan möjlig förklaring är att de negativa effekterna, som undanträngning av arbetskraft, har motverkats av andra positiva effekter. Ett exempel på detta är en återinförandeffekt, där AI leder till nya arbetstillfällen eller möjligheter som delvis kompenserar för undanträngningseffekter (Engberg m fl 2024b; Autor m fl 2024). När det gäller produktivitetseffekterna visar flera experimentella studier att generativ AI kan bidra till betydande produktivitetsökningar för enskilda arbetsuppgifter (t ex Brynjolfsson m fl 2023; Dell’Acqua m fl 2023; Noy och Zhang 2023). Däremot visar studier på företagsnivå att även om företag som använder AI ofta blir mer produktiva, är produktivitetsökningen betydligt lägre än i de experimentella studierna (t ex Alderucci m fl 2020; Gidehag 2023).

2. Simuleringar för framtida effekter av AI

Med simuleringar av fyra olika scenarier fram till 2044 undersöks i vilka sektorer i offentlig sektor där AI har störst potential att påverka produktivitet och arbetskraftsbehov. Hur AI utvecklas, både generellt och inom specifika områden, skiljer sig åt mellan scenarierna, med gradvis ökade effekter från scenario 1 till 4. Simuleringarna utgår från data om nuvarande sysselsättning, förväntade förändringar i arbetskraftsbehov, AI:s förmågor i dag, förenklade antaganden om utvecklingen av AI och forskningsbaserade bedömningar om ny tekniks effekter på produktiviteten.

Exponering för AI i olika yrken

En metod för att analysera hur AI har påverkat, och kan komma att påverka, produktivitet och arbetskraftsbehov i offentlig sektor för olika yrken och yrkesgrupper är att använda ett mått över deras exponering för tekniken (Felten m fl 2018; Engberg m fl 2024a).

Exponeringsmåttet Dynamic Artificial Intelligence Occupational Exposure (DAIOE) utgår från utvecklingen av AI inom olika områden, hur tillämpbara dessa områden är för olika mänskliga förmågor och hur viktiga dessa förmågor är inom olika yrken (Engberg m fl 2024a). För att uppskatta hur AI används över lag inkluderas både generativ AI och andra relaterade AI-områden. En hög exponering innebär att AI sannolikt kan användas en del inom yrket. Måttet säger dock inget om på huruvida AI kommer att ersätta, komplettera eller förändra yrket. Och för att utvecklingen av tekniken ska få effekter krävs det faktisk användning. Därför bör resultaten från analysen med exponeringsmåttet tolkas med viss försiktighet. Vi tillämpar DAIOE-måttet för offentlig sektor med hjälp av registerdata från SCB (för detaljer, se den underliggande studien och rapporten).

Figur 1 visar exponeringen för de tio vanligaste yrkena i offentlig sektor enligt exponeringsmåttet DAIOE. Några yrken med hög exponering kräver fördjupad högskoleutbildning, men inte alla. Yrken med kognitiva och administrativa arbetsuppgifter har störst AI-exponering. Figuren visar att planerare och utredare är särskilt exponerade medan undersköterskor däremot är mindre exponerade, då AI:s förmågor är begränsade på det fysiska och sociala området (Engberg m fl 2024a).

Figur 1. AI-exponering för de tio vanligaste yrkena i offentlig sektor 2023

Källa: Lodefalk m fl (2025a).

I figur 2 visar vi den procentuella andelen sysselsatta för olika politikområden och nivåer av AI-exponering. Drygt 70 procent av de sysselsatta, sett till offentlig sektor som helhet, är medelhögt eller högt exponerade för AI.

Figur 2. Sysselsättningsandelar per politikområde och nivåer av exponering för AI, där percentil 0–25 är lågexponerat, 25–75 är medelexponerat och 75–100 är högexponerat

Källa: Lodefalk m fl (2025a).

Scenarioanalyserna

Scenarioanalyserna syftar till att undersöka hur AI kan komma att påverka offentlig sektor och är menade att användas som diskussionsunderlag kring relativa förändringar i arbetskraftsbehov och produktivitet.

För att försöka isolera AI:s potentiella påverkan utgår vi från antagandet att den enda förändringen är utvecklingen och införandet av AI inom offentlig sektor. Analysen bortser från samband med övriga delar av ekonomin som kan bidra till att underlätta eller försvåra användningen av AI. Dessa inkluderar påverkan från privat sektor, demografiska förändringar, politiska reformer, geopolitiska händelser och kostnader. Dessa faktorer, även om de är viktiga, beaktas inte i scenarioanalyserna. Analysen bygger vidare på förenklade antaganden om att tillgänglig teknik sprids och används, samt att arbetsinnehållet i olika yrken inte skiljer sig nämnvärt åt mellan geografiska områden.

Vi går nu över till våra scenarier. Gemensamt för dem är att utvecklingen av AI och teknikens tillämplighet i offentlig sektor mäts med olika varianter av tillämplighetsmåttet DAIOE (Engberg m fl 2024a). Hur AI sedan utvecklas framöver, generellt och på olika områden, skiljer sig åt mellan scenarierna, med successivt ökade effekter från scenario 1 till 4. Scenarierna kan kortfattat beskrivas som följer:

• Scenario 1 – Baslinjen: AI får ingen ytterligare effekt. Produktiviteten växer med 0,2 procent per år för alla yrken inom offentlig sektor.
• Scenario 2 – Konservativt: AI höjer produktiviteten med som mest tio procent för det mest exponerade yrket. Höjningen tar 20 år att slå igenom. Produktivitetsförändringarna följer en S-kurva, där produktiviteten ökar som snabbast i mitten av tidsperioden.
• Scenario 3 – Medel: Betydande produktivitetshöjningar med AI och dessa sker på tio års sikt, detta med upp till 15 procent för det mest exponerade yrket. Tonvikten är på yrkens exponering för generativ AI, vilken bygger på språkmodellering och bildgenerering. En minst lika stor ”andra våg” av produktivitetsvinster tillkommer på 20 års sikt, baserat på generell AI-exponering. Mer produktiv FoU med hjälp av AI antas leda till permanent högre produktivitetstillväxt för alla yrken, men särskilt för mer AI-exponerade.
• Scenario 4 – Optimistiskt: Ännu större produktivitetshöjningar sker för mer AI-exponerade yrken på tio och 20 års sikt, samt ännu större höjning av den permanenta produktivitetstillväxttakten. Dessutom tillkommer, på 20 års sikt, betydande produktivitetshöjningar för robotikexponerade yrken, när AI tillämpas inom robotik.

I varje scenario undersöker vi resultaten per huvudmannasektor, funktionell delsektor och totalt samt för de 20 vanligaste yrkena i offentlig sektor. Resultaten består av förändrat arbetskraftsbehov och produktivitet till 2044, jämfört med 2024.⁴

I figur 3 och 4 visar vi våra huvudresultat för produktiviteten respektive arbetskraftsbehovet. En övergripande slutsats är att de olika scenarierna innebär markanta skillnader för hur produktivitet och arbetskraftsbehov utvecklas i offentlig sektor.

Figur 3. Simulerad produktivitetstrend i offentlig sektor som helhet för de olika scenarierna

Källa: Lodefalk m fl (2025a).

Figur 4. Simulerat arbetskraftsbehov i offentlig sektor som helhet för de olika scenarierna

Källa: Lodefalk m fl (2025a).

Utfall i scenario 1 – Bas: I detta scenario, som fungerar som basscenario, antas användningen av AI inte förändras under de kommande 20 åren. Produktiviteten ökar här med 0,2 procent per år vilket innebär en total ökning på omkring fyra procent fram till 2044. Arbetskraftsbehovet ökar med omkring 15 procent i offentlig sektor som helhet.

Det ökade arbetskraftsbehovet blir särskilt tydligt för yrken inom vård- och omsorgssektorn och förväntas öka med 25–30 procent fram till 2044, även efter att produktivitetsökningen på omkring fyra procent har beaktats. Behovet av fler undersköterskor är en följd av en åldrande befolkning, vilket, som tidigare nämnts, är en av de stora utmaningarna för offentlig sektor framöver.

Utfall i scenario 2 – Konservativt: I detta konservativa scenario antas en gradvis ökad användning av AI i offentlig sektor. Produktiviteten ökar med omkring två procentenheter, medan arbetskraftsbehovet minskar något jämfört med baslinjen. Detta innebär dock fortfarande en nästan 13-procentig ökning jämfört med nuvarande (2024) nivåer.

Flera tjänstemannayrken, både med och utan högskoleutbildning, och som har hög exponering för AI enligt DAIOE, får särskilt stora produktivitetsökningar. Detta gäller exempelvis för planerare och utredare, kontorspersonal och civilingenjörer vars produktivitet ökar med sju–nio procent jämfört med baslinjen. Inom kommunal sektor är grundskollärare bland de yrken som påverkas mest med en produktivitetsökning på omkring fyra procentenheter jämfört med baslinjen.

Utfall i scenario 3 – Huvudscenario: I detta huvudscenario antas en mer omfattande användning av AI. Produktiviteten ökar här med 11 procentenheter jämfört med baslinjen, vilket motsvarar en årlig ökning på omkring 0,7 procent fram till 2044 i offentlig sektor som helhet. Här framträder även effekterna av en långsiktig ökning av tillväxttakten, som en följd av teknikens påverkan på forskning och utveckling. När det gäller arbetskraftsbehovet i offentlig sektor som helhet skulle det öka något jämfört med nuvarande nivåer (2024), men betydligt mindre än utan AI, dvs jämfört med baslinjen 2044. Inom statlig sektor visar resultaten dock hur arbetskraftsbehovet minskar något vilket skulle kunna bidra till att hantera utmaningar med arbetskraftsbehov och kompetensförsörjning.

Utfall i scenario 4 – Optimistiskt: Det mest optimistiska scenariot antar en större användning av AI med en utveckling inte bara för yrken exponerade mot generativ AI utan även inom andra områden som robotik. Detta scenario är inte extremt men förutsätter att AI tillämpas där det är möjligt och att användningen förändrar hur verksamheter bedrivs. Här får AI en betydligt större effekt på både produktivitet och tillväxt, med en produktivitetsökning på nästan 24 procentenheter jämfört med baslinjen. Detta motsvarar en årlig tillväxt på över 1,2 procent – en kraftig ökning jämfört med baslinjen. Arbetskraftsbehovet minskar med omkring sex procentenheter jämfört med nuvarande nivåer (2024) och med omkring tio procentenheter jämfört med baslinjen 2044.

Trots att produktivitetsökningarna fortfarande är som störst för tjänstemannayrken innebär utvecklingen inom robotik att produktiviteten även ökar inom andra yrken, särskilt inom kommunal sektor och för yrken som innehåller fysiskt arbete. Exempelvis ökar produktiviteten för undersköterskor med 11 procentenheter jämfört med baslinjen, efter att endast ha påverkats marginellt i de tidigare scenarierna.

Figur 5 visar på tydliga skillnader i produktivitet över tidsperioden mellan de olika scenarierna och delsektorerna. De största produktivitetsökningarna förväntas inom statlig sektor, men samtidigt finns det skillnader inom de olika delsektorerna. Exempelvis kan vissa organisationer inom kommunal sektor ha högre produktivitet och mindre arbetskraftsbehov än andra. Därför kan det inte uteslutas att skillnader mellan olika organisationer inom samma sektor kan öka med en vidare användning av AI.

Figur 5. Fördelning av organisationers förändringar i produktivitet per delsektor och scenario

Anm: De fem vertikala linjerna i varje figur representerar följande percentiler i fördelningen: 0, 25, 50, 75 och 100. Uteliggare markeras med punkt. Källa: Lodefalk m fl (2025a).

Även om olika organisationer har liknande uppdrag kan de ha olika förutsättningar beroende på prioriteringar, resurser och rekryteringsmöjligheter. Dessa faktorer kan påverka vilka yrken som finns inom olika offentliga organisationer och kan delvis även förklara skillnaderna i effekter av AI mellan de olika delsektorerna.

Jämförelse mellan de olika scenarierna

Scenarioanalyserna visar att en fortsatt utveckling och användning av AI kan medföra betydande fördelar för offentlig sektor. Även i ett konservativt scenario, där användningen sker mer gradvis, förväntas produktivitetsökningar och en viss minskning av arbetskraftsbehovet jämfört med baslinjen. Detta bidrar till att minska den annars 20 procentiga ökningen av arbetskraftsbehovet, som visas i figur 4, där en av linjerna representerar ”ingen produktivitetsökning”. I detta scenario kan möjligheterna att hantera utmaningar i offentlig sektor framstå som relativt små, men även dessa produktivitetsökningar kan ha en betydande inverkan på lång sikt. I huvudscenariot bidrar användningen av AI till en markant skillnad, där produktivitetsutvecklingen mellan år 2024 och 2044 skulle kunna öka från omkring fyra procent till en ökning på 15 procent över hela tidsperioden. Däremot, i det mest optimistiska scenariot förväntas en kraftig produktivitetsökning och arbetskraftsbehovet i offentlig sektor som helhet skulle minska både jämfört med nuvarande nivåer (2024) och med baslinjen 2044.

3. Utmaningar

Resultaten från scenarioanalyserna indikerar att en vidare användning av AI har stor potential att stärka och framtidssäkra offentlig sektor. Samtidigt finns det flera utmaningar kring AI där faktorer som teknikens utveckling, utbildning och kunskap, regelverk, kostnader samt digitalisering alla påverkar hur enkelt och effektivt offentlig sektor kan införa och använda tekniken. I följande avsnitt sammanfattar vi resultaten från vår litteraturöversikt i Lodefalk m fl (2025b).

AI:s begränsningar

AI har fortfarande svårt att hantera komplexa och icke-rutinartade uppgifter. Dess brist på ”gott omdöme” gör att den kan fokusera på oviktiga detaljer, vilket kan leda till felaktiga slutsatser. Detta problem är dessutom svårare att hantera på grund av systemens bristande transparens då AI ofta inte kan förklara hur den kommit fram till ett förslag.

Vid kritiska beslut som kräver omdöme, som inom medicin, försvar eller juridik, kommer människan fortsatt att behövas, medan AI snarare kan fungera som ett beslutsstöd. Trots detta finns det en osäkerhet om vem som har ansvaret för det slutliga beslutet (White och Lidskog 2021).

Utbildning och kunskap

Det krävs även kunskap om hur tekniken kan användas och införas. Om verksamheter i offentlig sektor ska använda tekniken behöver de anställda först och främst ha kunskap om hur de ska använda den. Flera undersökningar visar att en stor andel av de anställda i offentlig sektor upplever att de saknar tillräcklig kunskap om AI-verktyg eller digitala verktyg i allmänhet. Enligt en av Akavias medlemsundersökningar för anställda i offentlig sektor uppgav två tredjedelar att de har låg eller ganska låg kunskap om AI, medan endast sex procent uppgav att de har en hög kunskapsnivå på området (Akavia 2024).

Förutom att anställda inom offentlig sektor behöver grundkunskaper krävs även fortbildning som ständigt uppdateras och anpassas i takt med att tekniken utvecklas. Det behövs också AI-specialister med kunskap om tekniken och hur dess användning kan förenas med specifika arbetsuppgifter inom olika verksamheter.

Regelverk

Utvecklingen av AI påverkas också av hur verksamheter i offentlig sektor är organiserade (Nyberg m fl 2021). Verksamheter styrs av olika regler, med allt från grundlagar till regleringsbrev, förordningar och direktiv som både kan underlätta och försvåra användningen av AI. Användningen av tekniken måste uppfylla svensk lagstiftnings krav om legalitet och transparens. Vidare handlar det om dataskydd och personlig integritet som i dataskyddsförordningen (GDPR) samt en hel del ny lagstiftning om AI och data. Ett exempel är en ny EU-förordning som syftar till att säkerställa säkra AI-system som både skyddar mänskliga rättigheter och stödjer utvecklingen av AI.

En av de största utmaningarna är otydliga och ofta bristfälliga regelverk kring användningen av AI och data. Detta kan försvåra användningen av tekniken i offentlig sektor och innebär att potentiella möjligheter med AI går förlorade.

Gott ledarskap kommer troligtvis vara mycket viktigt för att införa och utnyttja tekniken. För att AI ska kunna bidra med produktivitetsvinster krävs långsiktiga investeringar, inte bara i själva tekniken, utan också i förändrade arbetssätt, organisationsformer och kompetensutveckling.

Kostnader

Som tidigare nämnts finns en hel del kostnader associerade med en vidare användning av AI i offentlig sektor. Dessa kostnader finns både för själva tekniken och för dess tillämpning i specifika arbetsuppgifter inom olika verksamheter. Vissa typer av AI, som generativ AI, kan tillämpas relativt billigt. Verktyg som ChatGPT är tillgängliga för alla med en dator och tillgång till internet (Dell’Acqua m fl 2023), medan andra typer av AI kan vara mycket kostsamma. I verksamheter med stort behov och, åtminstone på kort sikt, begränsade resurser finns det avvägningar att göra mellan att hantera nuvarande behov och investera i olika typer av AI-system för att förbättra verksamheten på lång sikt (Ekman och Ellegård 2023).

En annan utmaning är att det kan vara svårt att förutsäga dessa kostnader då det finns stora skillnader mellan olika delsektorer. Verksamheternas möjlighet att investera i AI-system beror alltså både på vilken typ av AI som ska införas och på organisationens storlek (Digg 2023). Mindre verksamheter kan ha svårt att genomföra stora investeringar i avancerad AI-teknik, eftersom de initiala kostnaderna kan överstiga de potentiella vinsterna i produktivitet. Dessutom skiljer sig utmaningarna med att införa och använda AI avsevärt beroende på arbetsinnehållet i olika typer av verksamheter. Inom exempelvis hälso- och sjukvården kan felaktiga beslut få livsavgörande konsekvenser, medan i mer förvaltande verksamheter innebär fel beslut oftast inte en direkt skada.

Exempel på initiativ för att hantera dessa utmaningar och underlätta digitalisering, inklusive AI-användning, är digitala kommunsamarbeten och regionala satsningar kring datalager (Leffler 2023; Lindsten 2024). Det behövs även nationella resurser för att stödja dessa initiativ.

Digitalisering

AI utgår från tidigare digitalisering och är en del av den bredare digitala omställningen. För att AI ska kunna användas krävs tillgång till digitala, tillförlitliga och strukturerade data. Sverige, som redan är relativt digitaliserat när det gäller internetanvändning och högkvalitativa dataregister, har goda förutsättningar för en effektiv användning av AI i offentlig sektor jämfört med många andra EU-länder. Om dataregister kan delas kan de användas för träning av AI-system som exempelvis kan användas för diagnostik, textanalys av journaler och patientmöten samt kvalificerade analyser för att matcha arbetssökande med yrken.

Men även om Sveriges digitalisering är hög när det gäller allmän användning ligger landet efter inom mer avancerade områden som digital infrastruktur och digitala färdigheter. Eftersom AI är en avancerad digital teknik är detta en av de större utmaningarna för offentlig sektor (AI-kommissionen 2024).

4. Sammanfattning

Mycket tyder på att AI har potential att effektivisera offentlig sektor genom att minska kompetensbrist och arbetskraftsbehov. Samtidigt finns det olika uppfattningar kring hur tekniken kommer att utvecklas framöver. Vissa menar att tekniken kan utvecklas till en allmän intelligens eller t o m en ”superintelligens”, medan andra betraktar AI som ett kraftfullt verktyg för specifika arbetsuppgifter (Bostrom 2014; Larson 2021).

Scenarioanalyserna i vår studie visar att även i ett konservativt scenario, med måttliga produktivitetsökningar, kan de långsiktiga effekterna bli betydande. I huvudscenariot ökar både produktiviteten och den långsiktiga tillväxttakten. Arbetskraftsbehovet minskar inom statlig sektor, medan det i offentlig sektor som helhet bara ökar något jämfört med nivåerna år 2024. Detta sker dock i betydligt lägre utsträckning än utan AI, dvs jämfört med baslinjen 2044.

De potentiella effekterna av tekniken, både positiva och negativa, understryker behovet av scenarioanalyser för att offentlig sektor ska kunna följa teknikens utveckling, utvärdera dess effekter och planera för olika risker och möjliga utfall (NASEM 2024; Korinek 2023).

Negativa effekter, som ökade skillnader i välfärdstjänster mellan delsektorer eller för yrkesgrupper där hela eller delar av arbetet automatiseras, kan motverkas genom ett ökat fokus på arbetsmarknadspolitiska insatser och satsningar på kompetensutveckling. Med en förvaltningsgemensam infrastruktur och Sveriges högkvalitativa dataregister har offentlig sektor goda förutsättningar för en effektiv användning av AI. För att realisera detta krävs det ett strategiskt och långsiktigt ledarskap för AI överlag och i offentlig sektor.