Katarina Stensson

Vilken roll tror du AI kan spela för att förbättra offentliga tjänster och samhällets funktioner?

Katarina menar att artificiell intelligens i praktiken kan bli välfärdsstatens nya nervsystem – ett ständigt pågående flöde av analys som hjälper både medborgare och beslutsfattare att fatta klokare, snabbare och mer rättssäkra beslut. Hon pekar först på de uppenbara, men ändå ofta förbisedda vinsterna: AI-drivna kontroller av ekonomiska transaktioner kan på några minuter identifiera oegentligheter som tidigare krävde månader av manuell revision. När algoritmer kors­refererar betalnings­mottagare mot exempelvis Bolagsverkets register avslöjas fakturor som går till bolag utan F-skatt eller till företag som varit avregistrerade i åratal; offentlig ekonomi blir därför mer motståndskraftig mot fusk och slarv.

Men hon stannar inte vid teknisk revision. Hon beskriver hur det offentliga vilar på ett berg av text – tusentals sidor utredningar, remisser, forskningsartiklar, EU-guider och interna PM – som i dag är övermäktigt för enskilda handläggare. AI, säger hon, kan syntetisera denna datamassa till samman­hängande beslutsunderlag som visar helhets­bilder, alternativ, risker och historiska erfarenheter. Resultatet är att komplexa frågor, exempelvis utformningen av en ny lag eller ett större upphandling­savtal, får en mer evidens­baserad förankring.

Hon framhåller att kapaciteten att utnyttja AI-kraften inte bör centraliseras i ett enda ”super­system”. Tvärtom är det enligt henne en styrka om lösningarna växer fram i decentraliserade experiment – i skolor, vårdcentraler, social­tjänster – förutsatt att alla dessa initiativ kan ”prata samma språk” genom gemensamma data­standarder. Därför sätter hon interoperabla API\:er och öppna datamodeller högre än ett storskaligt, monolitiskt gränssnitt. Om man lyckas etablera tydliga, öppna standarder kan varje verksamhet koppla på sina egna exper­ter och iterera fram mikro­lösningar som löser lokala problem men ändå enkelt kan exporteras till en annan kommun eller myndighet.

Vilka är de största utmaningarna när det gäller att införa AI i offentlig sektor?

Katarina ser tre samspelande hinder: ett juridiskt, ett tekniskt och ett kulturellt. Juridiken handlar inte främst om att GDPR eller upphandlings­lagar är dåligt skrivna, utan om att de tolkas olika, vilket föder osäkerhet. Hon menar att dagens situation skapar ett ”innovationsvakuum” där tjänste­personer avstå­r från lovande projekt eftersom de inte får entydig praxis från Integritetsskydds­myndigheten eller andra centrala organ. Därför skulle ett nationellt ”tolkningscenter” kunna avlasta genom att publicera exempel­beslut, mallar och ja/nej-matriser som snabbt visar vilken väg som är lagligt hållbar.

Det tekniska hindret är de massiva, ofta proprietära och ålders­stigna IT-miljöer som driver välfärds­tjänster i dag. Eftersom systemen är upp­handlade i silo efter silo saknar de öppna gränssnitt, och varje försök att införa AI riskerar att fastna i dyra, tids­krävande integrationer. Katarina under­stryker därför att modernisering måste ske gradvis: man river inte allt och bygger nytt, utan inför modulära mikrotjänster som ersätter äldre funktioner bit för bit.

Det kulturella hindret är kanske mest försåtligt. Katarina beskriver hur rädslan att ”göra fel” – juridiskt, medialt eller politiskt – gör att entusiaster tappar modet. Hon anser att regeringen efter AI-kommissionens slutrapport inte har skickat tillräckligt tydliga signaler om riktning och ambition, vilket lämnar tjänstemanna­kåren utan mandat att driva på. Resultatet blir en självförstärkande trög­het: politiker väntar på säkra pilot­resultat innan de formulerar mål, medan projektledarna väntar på politiska mål innan de vågar starta piloter.

Hur kan vi balansera innovation och etik när vi använder AI i offentlig verksamhet?

Katarina framhåller transparens som verktyg nummer ett. Hon beskriver en ideal process där en myndighet som vill prova AI börjar i det lilla, publicerar mål, datakällor, risk­analyser och metodik redan innan första kodraden skrivs, och därefter löpande rapporterar både misslyckanden och fram­gångar. Denna öppenhet blir dubbelt värdefull: den skapar allmän legitimitet (medborgare och media ser vad som pågår) och den gör det möjligt för andra myndigheter att kopiera eller förbättra arbetssättet. Transparensen formar alltså en kollektiv lärande­cykel där etik blir en integrerad del av innovationsprocessen, inte ett bromsblock i slutet.

Hon betonar att en sådan kultur kräver acceptans för ”kontrollerade misslyckanden”: om man bara vågar gå live med projekt som garanterat fungerar perfekt kommer offentlig sektor alltid att ligga steget efter. I stället bör man, säger hon, acceptera osäkerhet i tidiga faser – men kompensera med tydlig risk-klassning, extern revision och tydliga stopp­regler.

Vilken roll tror du AI-styrning och regelverk kommer att spela i framtiden?

Katarina ser regelverk som ett socialt kontrakt snarare än ett polisiärt verktyg. AI Act är i hennes ögon lovande just för att den är risk­baserad: system som påverkar kritisk infrastruktur eller med­borgerliga rättig­heter måste genomgå tuffare kontroll än ett språk­stöd i ett internt HR-system. Hon varnar dock för att flytta fokus från riskbedömning till detalj­styrning. Om lagtexten börjar diktera exakt vilken neuralt nät-arkitektur eller vilket programmerings­språk som är ”tillåtet”, riskerar man att frysa in innovationen.

Ett annat nyckelord är begriplighet. Hon menar att det största felet med många lagar är inte att de är strikta utan att de är skrivna så att bara specialiserade jurister begriper dem. En hand­läggare i en mindre kommun måste kunna läsa ett faktablad och förstå om hennes AI-idé ligger inom eller utanför regel­ramen. Om reglerna inte är mänskligt greppbara kommer de aldrig att ge verklig styrning – de blir bara ytterligare ett skäl att inte göra något.

Hur kan vi skapa en hållbar och transparent AI-användning i offentlig sektor?

Katarina argumenterar för ett systematiskt lärande där tidigare projekt inte bara rapporteras i slutna PDF-er, utan hamnar i ett öppet kunskaps­arkiv med sökbara utvärderingar, käll­kod, data­modeller och tydliga ”do’s and don’ts”. Hon ser redan existerande samarbeten – allt från kommunala digitalisering­s­nätverk till nationella initiativ som AI Sweden – men anser att de saknar mandat och finansiering för att bli verkliga kunskaps-nav.

En hållbar strategi börjar därför enligt henne med att staten formulerar en tydlig narrativ målbild: varför AI är centralt för välfärden, vilka värden som ska skyddas, vilka öppna standarder som är obligatoriska och vilken tidsplan man ser framför sig. Med den visionen på plats kan offentliga aktörer allokera resurser, rekrytera spetskompetens och ställa krav på leverantörer utan att famla i mörker.

Samtidigt måste visionen vara flexibel. Varje kommun har sina egna it-arv, budgetar och demografi, och framgångsrika lösningar i en miljö kräver ofta viss lokalanpassning. Här kommer åter standarder in: om datamodellen och API-kontrakten är gemensamma kan en idé – säg en AI-driven insats­planering för hemtjänsten – relativt enkelt porteras från en större kommun till en mindre, trots olika processer och vårdsystem.

När det gäller de specifika transparens­krav som väntas bli bindande i och med EU\:s AI-förordning medger Katarina att det konkreta genomförandet ännu är oklart. Hon nämner dock några grundläggande principer: tydlig redovisning av vilka datatyper som använts, hur modeller tränats, vilka riskbedömningar som gjorts och vilka åtgärder som vidtagits för att mitigera bias. Hon understryker också att dessa krav bör knytas till risknivåer – annars drunknar låg­risk­projekt i byråkrati och hela idén om snabbare, bättre offentlig service faller på egen administration.

I slutändan återkommer hon till samma kärnidé: hållbarheten i AI-satsningar avgörs inte av en enskild teknisk lösning utan av den lärande­kultur man bygger. Om offentlig sektor klarar att förena öppenhet, standardisering och politisk målmedvetenhet finns enligt Katarina få gränser för hur mycket intelligentare, snabbare och mer jämlik den gemensamma servicen kan bli – men utan dessa tre pelare riskerar allt att stanna vid pilotprojekt och visionära tal.