Empirisk analys

Skatteverket och Försäkringskassan har investerat i olika AI-projekt som används/kommer användas på olika sätt. De AI-projekt som presenteras i det empiriska materialet är verksamma i olika delar av myndigheterna, Skatteverkets AI-projekt används både i deras interna och externa verksamhet medan Försäkringskassans AI-projekt kommer att användas i deras interna verksamhet.

Motiven till myndigheternas AI-investeringar handlar om att skapa verksamhetsnytta på olika sätt samt att uppnå organisationsledningens krav på ökad automatisering. Vidare är effektivitet och produktivitet nyckelord inom båda myndigheterna samt att lättare hantera onödig manuell hantering och att därmed reducera arbetsbelastningen på berörda medarbetare, främst handläggare och kundtjänstmedarbetare. Inom Försäkringskassan var AI-initiativet också viktigt för vidare utveckling framöver inom andra verksamhetsdelar, vilket var en anledning till att en förstudie genomfördes, i hopp om att förstudien ska kunna användas som underlag för vidare implementering framöver. Skatteverket ansåg även att en reducering av svarstiden för kunderna var ett av de viktigaste motiven, vilket de tror att de har lyckats uppnå.

I samband med AI-investeringarna identifierades också ett antal risker som behöver uppmärksammas och hanteras i den mån det var möjligt. Den gemensamma risken som båda myndigheterna har uppmärksammat under senare skede är osäkerheten som pandemin Covid-19 medför där, till exempel, fördelningen av e-post i Skatteverket påverkas och tidsaspekten och resursfrågan blir viktig inom Försäkringskassan som står inför implementation av SKOSA. Ser vi däremot till riskerna under investeringsprocesserna skiljer de sig en del mellan myndigheterna. Skatteverket identifierade risken med att tekniken var beroende av teamet på avancerad dataanalys och att det kunde medföra att teamet till slut inte hade tid att utveckla nya idéer och tekniker utan endast skulle behöva förvalta och underhålla de befintliga AI-projekten. Skatteverket hade inte möjlighet att upprätta utförliga kalkyler, utan endast uppenbara kostnader kunde uppskattas. Kalkyler över nyttor beräknades endast i form av intäkter i ett av AI-projekten, men uteblev helt i resterande AI-projekt. Avseende Skatteverkets externa chattbot var en av riskerna upphandlingen av en molnbaserad platstjänst, som innebar att personliga frågor och uppgifter inte kunde lämnas på ett säkert sätt. Gällande Försäkringskassan var en av de identifierade riskerna belastningen på hälso- sjukvården, där relationen redan är påfrestad, men som skulle kunna komma att bli än mer påverkad om en AI bedömde att sjukvårdens

utlåtanden inte var tillräckliga eller korrekta. Vidare var en ytterligare risk att handläggarna och AI:n skulle ha olika rekommendationer till beslut. I en sådan situation finns ingen bestämmelse över vilken bedömning som ska vara korrekt, vilket kan komma att påverka handläggarnas arbetssituation. Sedan identifierades även riskerna som införandet av ny teknik ofta medför i och med att det är svårt att beräkna och uppskatta de för- och nackdelar som det medför.

Investeringsprocesserna skiljer sig också mellan det externa och de interna projekten, men också myndigheterna emellan. Det externa chattbot-projektet initierades i samband med att innovationsteamet tilldelades en summa på 10 miljoner som vidare beslutades skulle spenderas på en chattbot gentemot myndighetens kunder. Därefter påbörjades en upphandling där myndigheten undersökte vad marknaden hade att erbjuda utefter de krav som ställdes och vidare togs beslut om att använda en leverantör och en konsultfirma. Inga kalkyler upprättades, det säkerställdes endast att summan ej skulle överstiga given budget vid upphandling.

De interna AI-investeringarna skiljer sig också åt, mycket eftersom projekten är olika stora i omfattning. Till Skatteverkets interna AI-projekt användes endast anslag som finansiering medan Försäkringskassan var medvetna om att de var tvungna att lånefinansiera ett eventuellt genomförande, vilket innebär ett större krav på att ta fram noggrant underlag till ledningen för att de skulle kunna begära lån via Riksgälden. Skatteverkets team inom avancerad dataanalys identifierade själva processer som kunde utvecklas med AI, alternativt att verksamhetssidan presenterade önskade processer för utveckling. Anledningen till att Skatteverket inte finansierade sina AI-investeringar via lån beror på att de inköpta hårdvaran inte har varit en betydande kostnad, utan den största kostnaden har varit resurser, vilket inte direkt kan härröras till anläggningstillgången.

Skatteverkets investeringsprocess för de interna AI-projekten initierades i samband med att teamet för avancerad dataanalys upprättades som vidare identifierade vilka avdelningar och aktiviteter där en teknik som AI skulle vara användbar. Enkla kalkyler upprättades sedan och beslutsunderlag togs fram och presenterades för generaldirektören som gav teamet befogenhet att utveckla och implementera AI-projekten. Processen var betydligt mer invecklad och långdragen inom Försäkringskassan. Efter att en analys gjorts där resultatet visade vilka områden i myndigheten där ett AI-initiativ var nödvändigt togs idén om SKOSA

upp. Vidare upprättades en investeringskalkyl och annat beslutsunderlag i form av vad projektet skulle kunna generera som sedan framfördes till ledningen som tog beslut om att en förstudie skulle påbörjas. Fem månader senare var förstudien färdigställd och påvisade betydande potentiella fördelar. Därmed togs en investeringskalkyl och annat beslutsunderlag fram igen, men som denna gången avsåg genomförandet av projektet. Beslutsunderlaget godkändes och projektet är nu under implementeringsfas.

5. Analys

För att kunna besvara frågeställningarna och syftet analyseras här det empiriska materialet med det teoretiska materialet för att vidare ta fram intressanta perspektiv och diskussioner. Analyskapitlet är indelat i motiv till att investera i AI, risker, investeringsprocessen och en analys över IT- och AI-investeringar.

5.1 Motiv till att investera i AI

Enligt Chowdhury och Sadek (2012) kan AI skapa effektivitet genom att automatisera processer och underlätta snabbare beslutsfattande, vilket också är ett av Skatteverkets främsta motiv till att investera i AI. Det fanns flera olika anledningar till att effektivisering var nödvändigt på Skatteverket, varav hög arbetsbelastning och ineffektiva arbetsmetoder var två av dem som gick hand i hand. Myndigheten mottog stora mängder e-post varje dag och de behövde granska alla domar om skilsmässa och vårdnad från Tingsrätten för att kunna hålla registren uppdaterade. För att reducera den höga arbetsbelastningen behövde Skatteverket säkerställa att mer effektiva arbetsmetoder implementerades och att onödig manuell hantering minimerades i den utsträckning som var möjlig, vilket en investering i AI inom olika områden kunde bidra till. Det faktum att Skatteverket identifierat ineffektivitet inom verksamheten innebar att myndigheten var tvungna att komma på en lösning på problemet i och med att det finns krav inom statsförvaltningen att eftersträva effektivitet (ESV, 2018) och att respektive myndighet ansvarar för att verksamheten bedrivs enligt dessa krav enligt myndighetsförordningens 3 § (SFS 2007:515).

Bughin et al., (2017) förklarar att ett sätt som AI kan skapa värde på är genom ökad produktivitet i och med att en sådan teknik kan bedriva verksamhet under hela dygnet oberoende av sömn och raster. Mer effektiva arbetsinsatser kan vidare leda till produktivitetshöjningar i en verksamhet (Modell & Grönlund, 2006). Produktivitet var ett betydande motiv till varför Försäkringskassan valde att investera i AI. I myndighetens inriktning för 2017-2021 var ökad produktivitet ett mål som verksamheten strävade mot och tillsammans med det ställde myndighetens generaldirektör krav på ökad produktivitet och automatiseringsgrad vilket vidare ställde ökade krav på att myndigheten behövde införa ny teknik i organisationen. Efter att en analys över vilka verksamhetsområden som var lämpliga att automatisera ytterligare upprättats framgick det att ökning av produktivitet främst skulle

uppnås genom att rationalisera arbetsinsatser som konsumerar tid från handläggningen vilket var något AI kunde bidra till att underlätta.

Utifrån det empiriska materialet går det att urskilja att Skatteverket är mer fokuserade på ökad effektivitet medan Försäkringskassan är med inriktade på ökad produktivitet, vilket till stor utsträckning kan bero på deras formulerade tyngdpunkter och strategier. Vi kan däremot inte säga att Försäkringskassan inte är intresserade av effektivitet eller att Skatteverket inte bryr sig om produktivitet, utan de två begreppen går hand i hand. En AI-investering innebär många gånger att onödig manuell hantering minimeras och att arbetsuppgifter och processer ofta blir snabbare och därmed effektiviseras. Genom att effektivisera en process med onödig manuell hantering på, exempelvis, ett högt belastat kundcenter, innebär det att AI:n kompletterar den mänskliga arbetskraften vilket gör att medarbetarna kan fokusera på andra uppgifter och få mer gjort och därmed alltså nå produktivitetsförbättringar. En anledning till varför Skatteverket är mer effektivitetsinriktade än Försäkringskassan kan därmed bero på att deras AI-projekt handlar om att underlätta just ineffektiva arbetsuppgifter medan Försäkringskassans AI-projekt SKOSA handlar mer om att ta fram korrekta analyser och beslutsunderlag, vilket medför kompletterande arbetskraft till en komplex situation som medför att medarbetarna har tid över till annat arbete, alternativt att färre medarbetare krävs framöver.

Båda myndigheterna nämner också att ett motiv till att investera i AI var ökad rättssäkerhet, vilket kan kopplas till Chowdhury och Sadeks (2012) teori om AI och tillförlitlighet. Tillförlitlighet skapas genom att AI:n kan lära sig av fram- och motgångar samt att lärandet baseras på en stor mängd historisk data (Chowdhury & Sadeks, 2012). Skatteverket har främst sett tillförlitligheten i teknologin som ett motiv för att utveckla riskhanteringen, vilket kan utveckla urvalsprocessen och basera lärdomar från historisk och nyinkommen data för att utveckla urvalet och vidare kunna ta fram allt fler bristfälliga deklarationer. En ökad träffsäkerhet där AI:n tar fram fler bristfälliga deklarationer kan således resultera i att fler bedrägerier stoppas och att myndigheten betalar ut färre felaktiga skatteavdrag. På Försäkringskassan var rättssäkerhet ett motiv baserat på att den komplexa handläggningen av att analysera läkarutlåtanden och att handläggare många gånger gjorde olika bedömningar på liknande underlag, vilket en kognitiv dataanalysförmåga skulle kunna minimera.

Det främsta motivet till Skatteverkets investering i chattboten Skatti handlade om att avlasta kundcentret och reducera svarstiden för kunderna, även inom detta initiativ handlade det alltså om att effektivisera. Ytterligare en anledning till varför en sådan investering är användbar är regeringens mål om att myndigheterna ska eftersträva att bli 24-timmarsmyndigheter för att alltid kunna vara tillgängliga och tillmötesgående oberoende av kontorstider och geografisk belägenhet (Larsson, Andersson & Gandy, 2004). Genom att investera i en chattbot som är tillgänglig för medborgare och företag dygnet runt lever Skatteverket upp till kravet på att vara en 24-timmarsmyndighet när det avser besvarande av enkla frågor om, bland annat, deklaration och folkbokföring.

Ytterligare något som skulle kunna ses som ett motiv till att investera i en chattbot, men som Skatteverket inte själva identifierat som ett motiv för sin investering, är Chowdhury och Sadeks (2012) teori om att AI kan skapa varaktighet. Varaktighet innebär att kunskapen inte går förlorad om en individ eller grupp inte längre är tillgänglig i organisationen. I och med att chattboten inte kommer kunna säga upp sig, samt att all information finns sparad i en molntjänst, kommer informationen alltid finns att tillgå i verksamheten även om till exempel en AI-tränare som Jens Granat byts ut. Att tillgå en sådan säkerhet av varaktig informationstillgång är ett bra motiv för att kunna hantera problem eller beslutsscenarier som uppstår även långt in i framtiden (Chowdhury & Sadek, 2012).

Ett motiv som Försäkringskassan hade för att genomföra sitt AI-projekt, som inte benämns som ett motiv enligt teorin, handlade om att skapa verksamhetsnytta i form av att projektet skulle ses som ett innovationsprojekt som ska användas i andra verksamhetsområden, alternativt som underlag för att ta fram andra AI-lösningar i framtiden. Att utforma ett organisationsspecifikt underlag till framtida AI-investeringar kan vidare vara ett motiv till att hantera Benaroch (2015) projektspecifika risk med komplexa projekt, eftersom ett betydande förarbete redan finns att tillgå.

Det finns flera olika motiv till att investera i en teknik som AI, likt ovan presenterat. Båda myndigheterna har identifierat liknande motiv till varför deras AI-investeringar var nödvändiga varav effektivitet, produktivitet, rättssäkerhet och att avlasta hårt belastade avdelningar var motiv som båda identifierade. Dessa motiv skiljer sig däremot beroende på respektive AI-investering och dess konkreta användningsområden som således anpassades till respektive myndigheters verksamhet och behov. Anledningen till att vissa motiv är lika

medan andra skiljer sig, som vår identifiering av chattboten Skattis varaktighet och Försäkringskassans syn på projektet som ett innovationsprojekt för ytterligare verksamhetsnytta, beror på myndigheternas befintliga situation, skillnader mellan AI-projekt och organisationernas övergripande mål och uppdrag. För att en investering ska vara framgångsrik krävs det, likt Persson och Nilsson (2001) förespråkar, att investeringen är i linje med verksamhetens strategi. Ljung och Högberg (2007) menar på att långsiktiga investeringar utgör grunden för att en organisation på lång sikt att utveckla sina verksamhet. Därför krävs det att investeringens påverkan på omgivningen identifieras och anpassas till organisationens befintliga situation för att förändringarna ska kunna tillvaratas på bästa sätt (Ljung & Högberg, 2007). Eftersom myndigheterna bedriver olika verksamheter och eftersträvar olika mål och strategier, innebär det således att motiven kommer skilja sig åt. Däremot kan vi se att Skatteverkets varaktighet även kan anpassas till Försäkringskassan i samband med att AI:ns kunskap är bevarad och varaktigt kvar i myndigheten oavsett om handläggarna byts ut under årens gång. Likande Försäkringskassans motiv om verksamhetsnytta i form av att se projektets förstudie som underlag till framtida investeringar, kan även Skatteverkets implementerade AI-projekt användas som underlag inför kommande investeringar där identifierade misslyckanden och framgångar kan underlätta framöver. Även om myndigheter kommer identifiera olika motiv utifrån deras situationer och strategier, kan motiv även sättas in i flera olika kontexter, det handlar om vart myndighetens fokus och strategier ligger.

5.2 Risk

Att anta en AI-investering medför risker som behöver identifieras, både avseende investeringar och AI-tekniken i sig. Benaroch (2015) presenterar fyra teorier om vilka risker som kan uppstå till följd av en investering, varav de flesta är relaterbara till Skatteverkets och Försäkringskassans AI-investeringar. Den monetära risken, som handlar om att organisationen inte har råd med investeringen, till exempel på grund av att de förväntade investeringskostnaderna inte förblir i linje med den beräknade budgeten (Benaroch, 2015) kan återspeglas i båda myndigheterna. Skatteverket har inte kunnat göra noggranna kalkyler över kostnader och nytta, de har endast tagit fram självklara kostnader och intäkter och utelämnat de osäkra posterna, vilket har medfört att utfallet blev fem miljoner dyrare än beräknat gällande de interna AI-projekten. Det är däremot ingen stor kostnad och därför inget som identifierats som en betydande risk inom myndigheten. Att nyttan endast kunnat

beräknas i fördelning av e-post är också besvärligt i och med att det kan medföra att investeringsfördelarna är mindre än de förväntade kostnaderna, vilket därmed kan innebära att investeringen är onödig (Benaroch, 2015). I Försäkringskassan har de gjort tydliga investeringskalkyler över kostnader men också nyttor, vilket har medfört att investeringen har antagits. Mikael Billinger förklarade däremot att projektet har fått betydligt högre kostnader och tagit längre tid än vad som planerades från början. Men trots detta har inte heller Försäkringskassan påverkats speciellt mycket av den monetära risken. Utifrån denna information skulle en slutsats kunna dras gällande att det inte spelar någon roll om utförliga kalkyler faktiskt genomförs, eftersom även Försäkringskassans förväntade kalkyler inte stämde helt. Däremot är det svårt att jämföra myndigheternas AI-projekt eftersom Försäkringskassans SKOSA-projekt är mer omfattande än Skatteverkets AI-projekt.

Benarochs (2015) projektrisk handlar istället om projektets storlek och komplexitet och om befintliga IT-medarbetare inte innehar tillräcklig kompetens och erfarenhet, alternativt att organisationens IT-infrastruktur är bristfällig, vilket kan kopplas till flera av myndigheternas risker. Försäkringskassan ser en risk med att deras SKOSA-projekt inte kommer ända in i mål, vilket bland annat beror på projektets komplexitet och hur det kommer att påverka organisationen. En annan risk med projektet är de personella förändringarna och att stor del av personalen kan komma att behöva kompetensutbildas för att förstå och arbeta med SKOSA. Vad gäller Skatteverkets projektrisk kan ombildningen av arbetsteamet i avancerad dataanalys kopplas till bristfällig kompetens som behöver omformas eller vidareutbildas samt risken med teamets kompetensberoende. Eftersom det avancerade dataanalys-teamet förvaltar alla AI-projekt kan det komma att innebära att det inte finns tid över till nyskapande. För att veta om organisationen klarar av kostnaderna av en betydande kompetensutveckling efter implementerad AI, bör en sådan kostnad ingå i investeringskalkylen som ingår i beslutsunderlaget, vilket är viktigt, enligt Persson och Nilsson (2001), för att hantera de ekonomiskt mätbara konsekvenserna av investeringen.

Försäkringskassan har identifierat en risk avseende användandet av ny teknik, vilket kan resultera i att det inte kommer fungera som tänkt eller i förväntad omfattning och därmed misslyckas effekthemtagning. Detta är en risk i enlighet med Benarochs (2015) funktionalitetsrisk som handlar om att ett projekt kan misslyckas med att inse de förväntade fördelarna även om det är uppbyggt utifrån önskade specifikationer, på grund av att kraven är fel från början (Benaroch, 2015). Försäkringskassan har däremot arbetat med att hantera

denna risk genom att utföra noggranna analyser om vart i organisationen en AI-lösning är lämplig, varför och vad den ska resultera i. Efter det genomfördes också en utförlig förstudierapport för att undersöka hur tekniken ska användas och hur det kommer påverka organisationen.

Det finns också en del risker att identifiera avseende AI-teknologi varav en av dem är tillförlitligheten i datans opartiskhet och kvalitet (Băjenescu, 2018). Motsägelsefullt till Chowdhury och Sadek (2012) teori om att tillförlitlighet är ett motiv till att investera i AI. I och med att alla AI-projekt, både interna och externa i båda myndigheterna, baserar sina svar/resultat på historisk data minimerar de bristen av tillförlitlighet. Den historiska datan är information och dokument som finns i betydande mängder och som är samma information som den mänskliga personalen använder vid sina utlåtanden: fördelning av e-post baseras på mängder av tidigare e-e-post som personalen tagit emot, fördelningen av Tingsrättens domar baseras på historiska dokument från Tingsrätten, riskvärderingen tar fram urval baserat på historiska deklarationer, chattboten baseras på konversationshistorik från kundtjänstmedarbetare som AI-tränarna har skrivit och SKOSA baseras på historiska läkarutlåtanden som handläggarna annars manuellt analyserar. Med detta som underlag kan vi därför anta att myndigheterna har hanterat denna risk och att deras AI-projekt inte bör anses vara av bristfällig tillförlitlighet utan snarare fungera som motiv till att anta en AI-investering, likt Chowdhury och Sadeks (2012) teori.

Myndigheterna verkar inom den statliga förvaltningen vilket innebär att de inte vill tappa trovärdigheten gentemot medborgarna och företag. Båda myndigheterna har även rättssäkerhet som ett av sina fokusområden, vilket ger tro om att myndigheterna inte går in i situationer som kan äventyra detta. Det finns teorier om att AI kan bli utsatt för cyberattacker och ge vilseledande resultat vilket kan komma att påverka organisationens rykte, om till exempel hackare stjäl personuppgifter eller konfidentiell information (Băjenescu, 2018). Vi kan se en viss risk med Skatteverkets chattbot som använder en amerikansk moltjänstbaserad plattform för att spara konversationshistoriken. Denna molntjänst kan inte ta emot och hantera personuppgifter på ett lagligt sätt och därför kan chattboten inte besvara personliga frågor eller ta emot, till exempel, personnummer. Vad händer om medborgare och företag ändå skriver sina personuppgifter? Om sådan