Ett stöd till god AI-implementering på museiområdet

AI och rapporteringen kring fältet förändras snabbt och fylls ofta av motstridig information. Inom flera tillämpningar har forskning ännu inte hunnit genomföras. Därför bygger artikeln på flera typer av källor: nyhetsartiklar, forskning, branschrapporter och fallstudier.

Texten beskriver både möjligheter och risker utifrån dagens kunskapsläge, men avser inte att ge entydiga rekommendationer om huruvida AI bör eller inte bör användas. Istället är den avsedd att ge ett stöd till att fatta välgrundade beslut för den som står inför olika vägval gällande AI inom museiområdet, exempelvis som beställare eller beslutsfattare.

Till varje stycke finns rekommenderade förjupningstexter för dig som vill veta mera. På slutet av artikeln finns en sammanställd lista över frågor att ta hänsyn till inför implementering av AI-tjänster på museiområdet.

Vad är AI – en översiktlig bakgrund

Artificiell intelligens är inget nytt fenomen. Sverige fick sin första AI-professor, Erik Sandewall, redan 1975 vid Linköpings universitet. AI-tekniker har använts i forskningen i många decennier, och i vardagen möter vi dem i allt från sociala medier till e-handel och datorspel.

Det har dock skett en stor utveckling under de senaste åren sedan så kallad “generativ AI” blev tillgängligt i form av framförallt chatbotar och bildgeneratorer. Det har lett till stora investeringar och ett växande intresse bland beslutsfattare och företagsledare.

Rekommenderad fördjupning:

• Artificiell intelligens då och nu (internetmuseum.se)

AI är ett samlingsbegrepp för flera tekniker som ofta överlappar. En central grund är det som kallas maskininlärning. Traditionella digitala system följer fasta regler, men maskininlärning innebär att systemet själv utvecklar sina regler utifrån den data det tränas på.

Det innebär två viktiga saker: resultaten beror alltid på den data systemet tränats på och utdata bygger på sannolikhetsmodeller och mönsterigenkänning.

Genombrottet inom maskininlärning och möjligheten att analysera stora datamängder har fört forskningen in i ett nytt paradigm. Efter millennieskiftet blev beräkningskraften så stor att man kunde gå från att enbart simulera verkligheten till att också förutsäga scenarier och upptäcka anomalier med högre noggrannhet (Choudhary et al, 2023).

Rekommenderad fördjupning:

• Internetkunskap – vad är AI? (internetkunskap.se)
• Hur fungerar generativ AI (uu.se)

Effekterna av AI på organisationer

Väldigt lite är ännu kartlagt om hur museer och andra kulturarvsinstitutioner påverkas av AI. Det är därför av relevans att inledningsvis studera mera övergripande hur organisationer i bred bemärkelse påverkas av AI för att kunna dra slutsatser även inom museiområdet.

De flesta studier om användningen av AI inom organisationer fokuserar på företag snarare än offentlig sektor. Drivkrafterna och förutsättningarna skiljer sig åt, men det finns skäl att anta att många önskade effekter med att tillämpa tekniken kan uppnås oavsett sektor.

AI omges ofta av en polariserad debatt med både stor optimism och skepsis. Därför är det viktigt att ha en överblick för den som förväntas fatta beslut inför att implementera AI i sin organisation. Här följer ett antal områden där effekterna av AI har kartlagts.

AI kan ge kostnadsbesparingar

Det finns flera studier som visar att AI kan ge kostnadsbesparingar. Både forskning och branschrapporter pekar på att AI kan ge tydliga effekter i vissa arbetsflöden. Däremot är besparingar över 10 procent ovanliga, och resultaten varierar kraftigt mellan olika arbetsuppgifter och branscher, vilket både undersökningar från Stanford och McKinsey visar.

De företag som ser störst effekt är också de som investerat mest. McKinseys data visar att över en tredjedel av företagen med högst effekt lägger mer än 20 procent av sin digitala budget på AI. Andra faktorer som har stor påverkan är en tydlig vision och strategi samt ett ledarskap som förstår och driver utvecklingen. Undersökningarna visar också att större organisationer når större effekter.

Rekommenderad fördjupning:

• CFO Outlook for 2026: Tariffs, Hiring, Prices, and AI Impact (richmondfed.org)
• Stanford AI Index (stanford.edu)
• State of AI in 2025 (mckinsey.com)

AI är ännu inte ett effektivt verktyg för att generera ekonomisk tillväxt

En ny studie från MIT Nanda från 2025 visar att trots miljardinvesteringar i generativ AI kan 95 procent av de studerade företagen inte se någon mätbar ekonomisk tillväxt.

Få företag rapporterar förändrade arbetssätt, trots att personliga AI-verktyg som ChatGPT och Copilot används brett. I flera rapporter, bland annat McKinsey 2025, rapporterar cirka 80 procent av företagen att de genomfört piloter och experimenterat med AI. Dock rapporterar färre än 10 procent att de har fullt ut integrerade AI-lösningar.

Det är viktigt att beakta att siffrorna varierar kraftigt, vilket gör det svårt att identifiera en enskild förklaringsfaktor. Dessutom kan vissa effekter vara svåra att mäta i traditionell ekonomisk statistik.

Rekommenderad fördjupning:

• State of AI in business 2025, project NANDA (pdf)

Lättare att lyckas med personlig tillämpning än att generera värde för organisationen

Studier av AI i organisationer visar en tydlig skillnad mellan personlig användning och implementering i arbetsflöden. Personlig användning är enklare att åstadkomma, men det kan vara svårt att visa mätbara effekter på organisationsnivå även om enskilda medarbetare upplever nytta.

• Som individ arbetar du kontinuerligt i en feedbackloop med AI, där du justerar och utvärderar svaren för att nå ditt mål.
• Organisationer behöver ofta mer standardiserade och självständiga processer för att skapa värde. Det är en av de största utmaningarna, eftersom det kräver omfattande förändringsarbete. För individen är nyttan mer omedelbar.
• Flera rapporter pekar också på att dagens AI-tjänster ännu inte når den tillförlitlighet och kvalitet som organisationer förväntar sig.

Rekommenderad fördjupning:

• Disentangling digital transformation: mechanisms of change in institutional logics, 2023 (kb.se)
• The value of robotic process automation: An interview with Professor Leslie Willcocks (mckinsey.com)

Kvalitetsutjämning genom AI

En studie av 540 kundtjänstmedarbetare vid ett större företag visar att mindre erfarna medarbetare ökade både kvalitet och effektivitet med upp till 35 procent när de använde generativ AI i sitt arbete jämfört med kontrollgruppen. För mer erfarna medarbetare var effekten marginell eller obefintlig.

Rekommenderad fördjupning

• Measuring the Productivity Impact of Generative AI, NBER (pdf)

AI‑agenter: potential, tillämpningar och begränsningar

De senaste åren har begreppet ”AI‑agenter” fått stor uppmärksamhet. Kortfattat innebär det att en agent kan agera självständigt och utföra arbetsmoment i flera steg.

Tillämpningarna är fortfarande i ett tidigt skede, men flera tjänster har börjat integrera agentliknande funktioner. Exempel på uppgifter som ofta nämns är resebokningar där tjänsten självständigt jämför alternativ, reserverar resor och genomför köpet.

AI‑agenter syftar till att minska behovet av mänsklig handpåläggning i så många moment som möjligt. Det gör dem attraktiva ur ett effektivitetsperspektiv, men de är tekniskt svåra att bygga och förknippade med flera etiska begränsningar, bland annat kring transparens och ansvar.

Rekommenderad fördjupning:

• The Rise of Agentic AI (mdpi.com)

AI inom museiområdet

AI-tjänster inom museers kunskapsuppdrag kan i huvudsak användas inom fyra områden:

Publika tjänster

Här ingår tjänster som svarar på besökarnas frågor baserat på museets data eller gestaltar historiska skeenden. Exempel på denna typ av tjänster är Ask Mona eller AI-roboten Elsa. AI-genererade bilder har använts bland annat i utställningen Häxor på Historiska museet.

Särskilda överväganden

En central del av ett vetenskapligt arbetssätt är att kunna bedöma hur slutsatser har dragits. Det är svårt att uppnå med generativa AI‑tjänster, ofta beskrivs problematiken som “black box” eller “opaque”. Det innebär att det är svårt att förstå hur modellen har kommit fram till ett svar. Det beror på flera faktorer:

• Träningsdata är okända; stora modeller tränas på enorma datamängder utan full insyn på vilka.
• AI-modellernas kod är ofta upphovsrättsskyddad, vilket gör modellerna omöjliga att granska från insidan.
• Även öppna källkodslösningar är ofta så komplexa att de är svåra att överblicka.
• Dataset i museimiljö är ofta små och kan kräva kontextkunskap som AI saknar för att bli användbara.
• Generativ AI bygger på sannolikhetsmodeller och tenderar att formulera svar även när underlaget är bristfälligt — detta är särskilt problematiskt när datamängden är liten.

För museer finns en risk att sådana begränsningar hamnar i konflikt med krav på kunskapsbaserad och forskningsanknuten verksamhet. Publika AI‑tjänster måste därför övervägas noggrant, särskilt eftersom museer åtnjuter ett högt förtroende i sitt kunskapsuppdrag.

Det pågår arbete för att öka tillförlitligheten i generativa AI‑modeller genom att ge dem bättre kontext. Ett sätt är att använda en teknik som benämns kunskapsgrafer, som beskriver hur relationer ser ut. Exempel på detta är att beskriva hur föremål A skapades av person B på plats C. På så sätt kan man indirekt styra modellens ramar och begränsningar. Denna metod är dock fortfarande ovanlig och experimentell.

Rekommenderad fördjupning:

• You can’t trust an LLM (data.world)
• Science in the age of AI, the Royal Society (pdf)
  
• Förtroende är en del av museernas livsnerv

Interna AI‑tjänster för att strukturera data

Här ingår tjänster som omvandlar osöktbart material till strukturerade och sökbara format. Det kan handla om att tolka handskrivna texter, transkribera inspelat tal eller använda bildigenkänning för att beskriva fotografier i samlingar. Exempel på denna typ av tjänster är Riksarkivets The Swedish Lion I eller Kungliga bibliotekets KB-Whisper.

Särskilda överväganden

Det är viktigt att noggrannt studera hur tjänsterna fungerar eftersom det kan vara svårt att efterleva lagar och policys då samlingsmaterial ofta innehåller personuppgifter eller upphovsrättsskyddat innehåll, ibland även sådant som inte är känt i förväg. Det är svårt att överblicka hur data behandlas i kommersiella AI‑modeller och möjligheterna att radera, avgränsa eller spåra information är begränsade. Detta står ofta i konflikt med både GDPR och upphovsrätt.

Detta kan hanteras genom lokala AI-lösningar som museet har full kontroll över, eller genom tydligt avtalade tekniska miljöer.

Det är också viktigt att samordna arbetet med befintliga system och processer så att det går att dra nytta av tekniken utan att skapa merarbete.

AI‑stöd för datastädning och databerikning

Dessa tjänster förbättrar datakvaliteten genom att identifiera fel, dubletter och inkonsekventa stavningar. De kan också berika data genom att koppla begrepp till strukturerade termlistor eller externa auktoritetsposter. I svensk museikontext finns främst pilotprojekt inom detta område. Vissa funktioner i verktyget OpenRefine ligger nära denna typ av tillämpningar.

Särskilda överväganden

Det finns för- och nackdelar med både manuell och AI-stödd datastädning.

Utmaningar med manuell datastädning:

• Tar lång tid
• Människor gör fel relativt ofta
• Stora datamängder är svåra att överblicka

Utmaningar med AI-städning:

• Bristfällig data ökar risken för felaktiga AI‑beslut.
• Det kan vara komplext att utforma bra arbetsflöden. Kombinationen av mänsklig granskning och automatiserade steg är avgörande för god kvalitet.
• Black‑box‑problematik, det är ofta svårt att förstå varför AI gjort en viss förändring. Arbetsflöden behöver utformas så att spårbarhet och granskningsstöd är tydliga (se avsnitt om publika tjänster).
• System måste utformas så att borttagna eller ändrade dataposter kan granskas manuellt så att data inte tappas bort.
• Personuppgifter och upphovsrättsskyddat material måste hanteras korrekt (se avsnitt om datastrukturering).

Inom detta område är det särskilt viktigt att säkerställa tillräcklig mänsklig kontroll i arbetsprocesserna, ofta beskrivet som ”human in the loop”.

Rekommenderad fördjupning:

• 10 biggest challenges of AI data cleaning (numerous.ai)

AI som stöd i innovation och prototyputveckling

Möjligheterna att genomföra kostnadseffektiva piloter och stärka innovationsarbetet med hjälp av AI är stora. Många generella AI‑tjänster erbjuder stöd inom enklare programmering, webbutveckling och design. Dessa tjänster gör det möjligt att snabbt testa nya sätt att presentera innehåll eller interagera med målgrupper, exempelvis i utställningar eller på webben.

Tidiga studier visar att tidsbesparingen vid byggandet av funktionella prototyper kan vara så stor som 60–80 procent. Dessutom gör tekniken det möjligt för fler personer utan programmeringskompetens att delta i utvecklingsarbetet, vilket gör AI till ett kraftfullt verktyg i museers innovationsarbete.

Särskilda överväganden

AI‑tjänster kan i dag inte generera färdig, effektiv eller säker kod. Det råder också stor osäkerhet kring upphovsrätt, eftersom modellerna är tränade på både öppen och upphovsrättsskyddad kod och bildmaterial.

Därför bör AI‑genererad programvara betraktas som osäker, både funktionellt och ur ett informationssäkerhetsperspektiv. Det är dessutom svårt och tidskrävande att förvalta programvara som till stor del genererats av AI. Sådana lösningar bör isoleras från ordinarie IT‑miljöer och betraktas som tillfälliga pilotprojekt.

Rekommenderad fördjupning:

• Is vibe coding with AI gnarly or reckless (arstechnica.com)
• Vibe Coding: A mixed-methods case study on conversational AI programming and application development, IJSAT (pdf)

Personliga produktivitetsverktyg

Här finns en snabbt växande marknad av både fristående AI‑verktyg och AI‑funktioner som byggts in i befintliga program, exempelvis bildredigering eller ordbehandling. För museer är utbudet av sektorsspecifika AI‑produkter fortfarande begränsat, medan generella kontorsverktyg växer snabbt och används i alla branscher.

Särskilda överväganden

Effekterna varierar kraftigt mellan olika arbetsuppgifter; vissa visar tydliga vinster medan andra inte gör det. Det finns också betydande inslag av ”skugg‑IT”, det vill säga där medarbetare använder AI‑verktyg som inte ingår i organisationens IT‑miljö.

Detta ökar risken att personuppgifter eller annat känsligt material hanteras på ett sätt som strider mot interna regler eller lagstiftning. Därför behövs tydliga policys, riktlinjer och kompetensstöd så att medarbetare förstår hur generativ AI får användas — även om organisationen inte tillhandahåller några verktyg.

För museer i offentlig regi tillkommer också behovet av att tydliggöra när AI‑genererat eller AI‑bearbetat material utgör en offentlig handling. Avsnitt 3.2 i Rättsliga förutsättningarna för AI på länsstyrelserna ger värdefull vägledning.

Rekommenderad fördjupning:

• I asked an AI to fix my docs and all I got was this lousy Python script (ubuntu.com)

Generella utmaningar med AI

Oavsett vilken tillämpning av AI som önskas så finns det ett antal utmaningar som är bra att känna till och ha en strategi för att hantera. De är ofta generella för alla tillämpningar oavsett sektor, men det kan finnas särskilda perspektiv som är specifika för kulturarvet.

Bias – problem relaterat till representation och mångfald

Eftersom AI tränas på befintligt material och bygger på sannolikhetsmodeller tenderar resultaten att få en slagsida mot det vanligaste i träningsdatan. Det leder till olika typer av snedvridningar. Ett exempel är att bildmodeller ofta misslyckas med ovanliga motiv, som en brud som bär en brudgum över tröskeln, eller att etniska stereotyper förstärks.

Eftersom bias är svårt att eliminera tekniskt blir arbetssätt och ”human in the loop” centrala för att motverka felaktiga eller partiska resultat.

Rekommenderad fördjupning:

• Abeba Birhane – Hate scaling and racial dehumanization: the real risks from large scale AI models (youtube.com)

Etiska perspektiv specifika för kulturarvet

Kulturarvssamlingar innehåller ofta material som ger uttryck för en annan världsbild. Det kan bland annat röra sig om rasistiska eller könsstereotypa skildringar. Många föremålssamlingar bär också med sig koloniala perspektiv.

När en AI bearbetar detta material kan riskerna för att befintliga perspektiv förstärks vara omfattande. Det gör arbetet både med granskning av automatiserade processer samt urval och beskrivning av samlingarna (metadata) inför AI-bearbetning extra viktig.

Rekommenderad fördjupning:

• AI, Cultural Heritage, and Bias (mdpi.com)

Behovet av användbar data

All AI‑användning bygger på tillgång till bra data. Ju tydligare data är anpassad till verksamhetens behov, desto bättre fungerar AI. Det kräver ett strukturerat arbete som ofta benämns som “Data Governance”, det vill säga hur man organiserar, kvalitetssäkrar och styr data.

I museer utgörs datan ofta av den digitala samlingsinformationen. För att kunna använda AI på ett effektivt och rättssäkert sätt behöver organisationen bland annat säkerställa:

• Tillgång till datamängderna.
  Går de att exportera i öppna och maskinläsbara format?
• Klassificering av data.
  Vad är öppet, vad är upphovsrättsskyddat och vad innehåller personuppgifter?
• Kännedom om datakvalitet.
  Vilka delar är kompletta, osäkra eller ojämna, och hur påverkar det AI‑bearbetning?
• Uppdatering och versionering.
  Om informationen förändras i verksamheten behöver även AI‑modeller och datastrukturer hållas aktuella.

Tillgången till högkvalitativ data är också en central fråga inom EU både ur ett demokratiskt och konkurrensmässigt perspektiv. Genom gemensamma satsningar som de europeiska dataområdena vill man skapa bättre möjligheter att dela och återanvända data mellan aktörer. Inom kulturarvssektorn sker detta bland annat genom satsningar på European Data Space for Cultural Heritage.

Rekommenderad fördjupning:

• European Data Space for Cultural Heritage (dataspace-culturalheritage.eu)

Miljö och klimatpåverkan

AI är en resurskrävande teknik med betydande klimat- och miljöpåverkan. Det beror dels på att både träning och drift av modeller kräver stora mängder energi och kylkapacitet, dels på att AI‑datacenter ofta byggts snabbt och ibland drivs med temporära, gasdrivna elverk.

Flera forskningsöversikter såsom AI Index, Stanford University, se framförallt avsnitt 1.4, UNEP och IEA, visar att den totala miljöpåverkan är betydande och varierar kraftigt beroende på teknikval.

En hållbar AI‑användning påverkas av flera faktorer:

• Omfattning av användning.
  AI‑baserade sökningar i föremålsdatabaser kan vara värdefulla men bör användas som komplement snarare än ersättning för traditionella sökningar för att undvika onödig resursförbrukning.
• Valet av AI-modell påverkar. Energiåtgången per fråga ställd till tjänsten varierar stort mellan olika modeller. Välj en modell som är anpassad till behovet, inte nödvändigtvis den mest avancerade. Inom museiområdet är dataset ofta små vilket kan möjliggöra att använda sig av mindre och resurssnålare AI-modeller.
• Leverantörer skiljer sig avsevärt åt
  Det kan vara stor skillnad i klimatpåverkan, energimix och hållbarhetsarbete. Många produkter bygger dessutom på tjänster från stora teknikföretag, vilket gör det viktigt att granska hela kedjan.

Rekommenderad fördjupning:

• AI has an environmental problem. Here´s what the world can do about that (unep.org)
• Colossus podcast (searchengine.show)

Ekonomisk osäkerhet

AI‑marknaden domineras i dag av ett fåtal stora aktörer, där utvecklingen till stor del finansieras genom riskkapital. Många fristående produkter bygger dessutom på de större teknikbolagen.

Vissa marknadsanalyser, bland annat från OECD, pekar på att den kommersiella AI‑sektorn prätglas av ekonomisk osäkerhet och risker för monopol. Flera av de dominerande företagen har ännu inte nått lönsamhet och är högt belånade vilket bland annat utgör en risk för kraftiga prishöjningar.

För museiorganisationer innebär detta några särskilda överväganden:

• Ta höjd för prishöjningar.
  Priserna på AI-tjänster kan öka kraftigt då marknaden är ny. Detta är särskilt viktigt att ta hänsyn till i verksamhetskritiska system.
  
• Skapa gemensamma upphandlingar.
  Samordnad efterfrågan ger bättre förhandlingsläge gentemot leverantörer.
• Se över alternativen.
  Om intern kompetens finns, överväg ifall öppna källkodslösningar eller lokalt driftade AI-modeller kan täcka behoven. Det minskar beroendet till yttre faktorer.
• Följ utvecklingen av gemensamma tjänster.
  Framförallt för offentlig sektor finns stöd att få från bland annat EU, exempelvis Linköpings Universitet och RISE:s MIMER och från myndigheter (Försäkringskassans AI-verkstad med flera).

Rekommenderad fördjupning:

• Why everybody is losing money on AI (wheresyoured.at)
• Computer Swedens nyhetsbrev 7 november 2025 (computersweden.se)

Avslutande sammanfattning och reflektion

Det finns många anledningar till att ta de senaste årens intresse för AI på allvar och undersöka vilka möjligheter tekniken kan ge till ett museums verksamhet. Det är dock viktigt att känna till att branschen är ny och förändras snabbt samt att det finns många komplexa fallgropar.

Genom att närma sig området strategiskt med tydliga mål och analyser samt bedöma risktoleransen i verksamheten finns goda möjligheter med att tillämpa AI. De största vinsterna kommer ofta när tekniken ses som en del av verksamhetsutvecklingen, inte som ett fristående tekniskt projekt.

För att lyckas krävs dialog, kompetensutveckling och en gemensam förståelse för hur AI ska användas. Med en tydlig vision och rätt förberedelser kan museer både effektivisera sitt arbete och stärka både sin kunskapsförmedling, höja kvaliteten på samlingsinformationen samt effektivisera sina interna processer.