Artificiell Intelligens

Artificiell Intelligens

– Skatteverkets & Försäkringskassans investeringsprocess

Magisteruppsats

Författare:

Linn Duàn & Lisa Strömvall Handledare: Eva Wittbom Examinator: Elin Funck Termin: VT20

Ämne: Controller Nivå: Avancerad Kurskod: 4FE18E

Förord

Ett stort tack till de intervjupersoner från Skatteverket och Försäkringskassan som har ställt upp och besvarat våra frågor samt delat med sig av användbara dokument som gjorde det möjligt för oss att genomföra studien och besvara våra frågeställningar. Vi vill även tacka vår handledare Eva Wittbom som har varit till stor hjälp och alltid ställt upp med långa handledarsamtal samt intressanta idéer och tankar när vi behövt det. Till sist riktar vi också ett tack till vår examinator Elin Funck och alla opponenter under arbetets gång som har gett oss konstruktiv kritik och bidragit med nya infallsvinklar, vilket har hjälpt oss på vägen mot ett slutgiltig uppsats.

________________________ ________________________

Linn Duàn Lisa Strömvall

Sammanfattning

Magisteruppsats, Civilekonomprogrammet - controller, Ekonomihögskolan vid Linnéuniversitetet i Växjö, VT20, 4FE18E.

Titel: Artificiell Intelligens – Skatteverkets och Försäkringskassans investeringsprocess Författare: Linn Duàn och Lisa Strömvall

Examinator: Elin Funck Handledare: Eva Wittbom

Inledning & Problematisering: Artificiell intelligens (AI) uppkom redan på 1950-talet men det har först under tidiga 2000-talet kommit att bli ett aktuellt ämne på grund av att organisationerna har mognat beträffande de organisatoriska lösningarna som medför att en teknologi som AI kan utnyttjas. Åsikterna om AI är splittrade, vissa förutspår enorma ekonomiska och sociala fördelar medan andra är rädda att tekniken kan komma att ta över och konkurrera ut människan i takt med dess utveckling till superintelligens. Regeringar världen behöver ta ansvar och hantera farhågorna som finns utan att begränsa utvecklingen.

Sveriges potential att använda AI är god och en utformad nationell strategi lyder att Sverige ska vara ledande i att ta tillvara möjligheterna med användandet av AI. Om statliga myndigheter agerar förebilder och investerar i AI kan det komma att driva vidare investeringar inom alla delar av samhället, vilket krävs för att den nationella strategin ska uppnås.

Syfte: Syftet med denna studie är att ta fram ny kunskap om myndigheters investeringsprocess för AI, vilka motiven bakom en sådan investering är samt vilka risker som identifieras. Arbetet ska bidra till forskning om AI-investeringar för att vägleda andra organisationer i deras investeringsprocesser för AI.

Metod: Studien omfattar en kvalitativ flerfallsstudie med myndigheterna Skatteverket och Försäkringskassan som fallunderlag. Det teoretiska materialet är hämtat från vetenskaplig litteratur och avser teorier om AI, motiv till att investera i AI, investeringsteori och risker.

Den empiriska datainsamlingen gjordes genom semistrukturerade intervjuer, som hållits med relevanta personer inom myndigheterna, samt av interna dokument och offentliga myndighetspublikationer.

Slutsats: Studien bidrar till ny forskning om AI-investeringar där motiv, risker och investeringsprocessen för AI påvisas. Motiven inför en AI-investering är effektivitet, produktivitet, ökad tillförlitlighet, varaktighet samt skapandet av framtida organisationsspecifika underlag. Däremot måste motiven sättas i organisationers specifika kontext för att vara i linje med den övergripande strategin. De risker som bör beaktas är den monetära risken, projektrisken, funktionalitetsrisken, tillförlitligheten och vilseledande resultat, ökat hot för cyberattacker, om investeringen ger den optimala lösningen, omvärldsfaktorer, bristfällig utvecklingspotential och påverkan på samarbetspartners. En del risker går inte att förutspå, till exempel omvärldsfaktorer, vilket medför att verksamheten bör ha en säkerhet för att kunna hantera sådana risker. Riskerna bör identifieras, hanteras och ställas i relation till motiven. AI-investeringsprocessen skiljer sig organisationer emellan beroende på varifrån ett sådant initiativ uppstår samt projektets omfattning, vilket främst påverkar investeringsprocessens initieringsfas och planeringsfas. Studien visar på likheter mellan IT-investeringar och AI-investeringar vilket kan bero på att organisationer är fast i gamla IT-investeringsmönster. Resultatet kan därför användas som kompletterande forskning till den befintliga IT-forskningen för att vara mer anpassad till just AI.

Nyckelord: Artificiell intelligens, AI, investeringsprocess, IT-investering, motiv, risk.

Abstract

Master thesis, Program of Master of Business Administration and Economics – controller.

School of Business and Economics at Linnaeus University in Växjö, Sweden. Spring 2020, 4FE18E.

Title: Artificial Intelligence – Skatteverkets and Försäkringskassans investment process Authors: Linn Duàn och Lisa Strömvall

Examiner: Elin Funck Advisor: Eva Wittbom

Introduction & Problematizing: Artificial intelligence (AI) emerged as early as the 1950s, but it has become a current topic in the early 2100st century because organizations have matured in terms of the organizational solutions that allow technologies such as AI to be utilized. Opinions on AI are fragmented, some predict enormous economic and social benefits, while others fear that technology may take over and out-compete humans as it evolves into super-intelligence. Governments around the world need to take responsibility and deal with the concerns that exist without limiting the developments. Sweden's potential to use AI is good and a well-designed national strategy states that Sweden should be a leader in using AI. If authorities act as role models and invest in AI, it may drive further investments in all parts of society, which is required for the national strategy to be achieved.

Purpose: The purpose of this study is to contribute with new knowledge about what an authority's investment process for AI looks like, what the motives behind such investment appear to be and what risks are identified. The work will contribute to research on AI investments to guide other organizations in their investment processes for AI.

Method: The study consists of a qualitative multi-case study with the Swedish authorities Skatteverket and Försäkringskassan. The theoretical material is taken from scientific literature and relates to theories of AI, motives for investing in AI, investment theory and risks. The empirical data collection was done through semi-structured interviews, held with relevant persons within the authorities, as well as internal documents and public authority publications.

Conclusion: The study contributes to new research on AI investments where motives, risks and the investment process for AI are presented. The motives for an AI investment are efficiency, productivity, increased reliability, durability and the creation of future organization-specific documentation. However, the motives must be put in the specific context of organizations in order to be in line with the strategy. The risks that should be taken into account are monetary risk, project risk, functionality risk, reliability and misleading results, increased threat of cyberattacks, if the investment provides the optimal solution, external factors, inadequate development potential and influence on partners. Some risks are not foreseeable, such as external factors, which means that the business should have a security in order to manage such risks. The risks should be identified, managed and related to the motives. The AI investment process differs between organizations depending on where such an initiative originates and the scope of the project, which mainly affects the initiation phase and planning phase of the investment process. The study presents similarities between IT investments and AI investments, which may be because organizations are stuck in old IT investment patterns. The result can therefore be used as complementary research to existing IT research to be more adapted to AI.

Key words: Artificial intelligence, AI, investment process, IT investment, motive, risk.

Innehållsförteckning

1. Inledning ___________________________________________________________ 1 1.1 Problematisering __________________________________________________ 3 1.2 Frågeställningar __________________________________________________ 5 1.3 Syfte ___________________________________________________________ 5 1.4 Disposition ______________________________________________________ 5 2. Metod ______________________________________________________________ 7 2.1 Flerfallsstudie ____________________________________________________ 7 2.2.1 Fallunderlag ____________________________________________________ 7 2.2 Teoretisk materialinsamling _________________________________________ 8 2.3 Empirisk datainsamling ____________________________________________ 9 2.3.1 Semistrukturerade intervjuer ________________________________________ 9 2.3.2 Dokument ______________________________________________________ 12 2.4 Analys av data __________________________________________________ 13 2.5 Kvalitetskriterier _________________________________________________ 15 2.6 Etik ___________________________________________________________ 17 2.7 Sammanfattning av metod _________________________________________ 19 3. Teori ______________________________________________________________ 20 3.1 Artificiell Intelligens______________________________________________ 20 3.2 Motiv till att investera i AI _________________________________________ 21 3.3 Investeringsteori _________________________________________________ 23 3.3.1 IT-investering___________________________________________________ 23 3.3.2 Investeringsprocessen ____________________________________________ 25 3.4 Risk ___________________________________________________________ 29 3.5 Konceptuell modell_______________________________________________ 30 4. Empiri ____________________________________________________________ 32 4.1 Statliga myndigheter ______________________________________________ 32 4.2 Skatteverket ____________________________________________________ 34 4.2.1 Artificiell Intelligens _____________________________________________ 35 4.2.2 Motiv bakom AI-investeringarna ____________________________________ 37 4.2.3 Investeringsprocesserna __________________________________________ 39 4.2.4 Risker _________________________________________________________ 42 4.3 Försäkringskassan ________________________________________________ 44 4.3.1 Artificiell Intelligens _____________________________________________ 44 4.3.2 Motiv bakom AI-investeringen______________________________________ 46 4.3.3 Investeringsprocessen ____________________________________________ 48 4.3.4 Risker _________________________________________________________ 52 4.4 Empirisk analys _________________________________________________ 54 5. Analys ____________________________________________________________ 58 5.1 Motiv till att investera i AI _________________________________________ 58

5.3 Investeringsprocessen _____________________________________________ 66 5.3.1 Initieringsfasen _________________________________________________ 66 5.3.2 Planeringsfasen _________________________________________________ 67 5.3.3 Beslutsfasen ____________________________________________________ 70 5.3.4 AI-investeringsprocessens utformning _______________________________ 71 5.4 IT-investeringar vs. AI-investeringar _________________________________ 72 6. Slutsats ____________________________________________________________ 76 7. Förslag till framtida studier __________________________________________ 79 Referenser _____________________________________________________________ 80 Intervjuguide 1 ________________________________________________________ 89 Intervjuguide 2 ________________________________________________________ 91 Intervjuguide 3 ________________________________________________________ 92 Figurförteckning

Figur 1.1 - Uppsatsens disposition _____________________________________5 Figur 2.1 - Sammanfattning av metod __________________________________19 Figur 3.1 - Tre faser för investeringsprocessen ___________________________26 Figur 3.2 - Konceptuell modell för uppsatsens analys ______________________31 Figur 4.1 - Myndigheternas budgetprocess ______________________________33 Figur 4.2 - Övergripande projektplan för förstudien _______________________49 Tabellförteckning

Tabell 2.1 - Sammanställning av intervjupersoner ________________________11 Tabell 2.2 - Sammanställning av interna dokument _______________________13 Tabell 4.1 - Förväntade effekter utifrån lösningsförslaget __________________50 Tabell 4.2 - Sammanfattning av empiriskt material _______________________ 54

1. Inledning

Inledningsvis presenteras Artificiell Intelligens (AI), dess möjligheter, utmaningar, hur regeringen och den offentliga sektorn kan dra nytta av tekniken och varför det är viktigt att investera i AI. Vidare formas uppsatsens problematisering där det praktiska och teoretiska problemet beskrivs, för att vidare mynna ut i uppsatsens frågeställningar och syfte.

Forskningen om Artificiell Intelligens (AI) uppkom i mitten av 1950-talet och har sedan dess kantats av både eufori och besvikelser (Lauterbach & Bonime-Blanc, 2016). Det finns ingen entydig definition av AI, utan den varierar med tiden i samband med att teknologin1

utvecklas (Nationalencyklopedin, 2020), vilket betyder att AI:n har förändrats och utvecklats betydligt sedan dess begynnelse på 1950-talet. AI brukar antas vara den del av datavetenskap som fokuserar på maskininlärning och möjliggör att mjukvara kan lösa problem likt den mänskliga intelligensen (Lauterbach & Bonime-Blanc, 2016). Anledningen till att forskare förklarar AI:s betydelse och inverkan som skiftande, likt en berg-och- dalbana, beror på att AI som andra tekniker, kräver anpassade affärsmodeller (Lauterbach

& Bonime-Blanc, 2016). Många organisationer idag, till följd av en lång utvecklingsprocess, har mognat beträffande de stödjande organisatoriska lösningarna som nu anses vara tillräckligt utvecklade för att hantera och använda de fördelar som de teknologiska systemen erbjuder på ett djupare plan (Lindvall, 2017).

Enligt en rapport från Accenture (2016), kan AI-tekniken fördubbla den globala ekonomiska tillväxten till år 2035. Vidare framgår det även av rapporten att AI förutspås kunna öka produktiviteten med 40 procent i samband med samarbetet mellan människa och maskin.

För att tillväxt- och produktivitetstakten ska kunna tillvaratas är det viktigt att organisationer börjar förbereda verksamheten och medarbetarna för nästa generations arbetskraft för att på ett optimalt sätt kunna integrera mänsklig intelligens med artificiell. För att möjliggöra detta krävs det att ledningen i organisationer undersöker och utvärderar de olika investeringsalternativ som finns avseende AI (Accenture, 2016).

Vi står inför en AI-revolution som kommer att påverka både ekonomin och samhället, vilket skapar betydande möjligheter, men också utmaningar. Några tror att AI kommer att

1 Teknologi är vetenskapen om teknik (SAOL, 2015) medan teknik är det praktiska

konkurrera ut den mänskliga arbetskraften och till slut vara överlägsen människans tankeförmåga i samband med att teknologin utvecklas till superintelligens (Pueyo, 2018).

För att minimera skadorna av AI förespråkar vissa forskare att regeringar världen över, tillsammans med individers självständiga initiativ, bör agera för att motverka denna form av värsta möjliga scenario (Harari, 2017).

Regeringar kan välja att medvetet bromsa automatiseringstakten för att minska de drastiska förändringar som AI kommer att generera, men det kommer förmodligen både vara omöjligt och oönskat att förhindra den tekniska utvecklingen i och med att de potentiella fördelarna med AI därmed kommer att gå förlorade. Istället för att bromsa automatiseringstakten bör regeringar tillgodose den potential som finns och skapa goda förutsättningar och nya jobbmöjligheter för att samhället ska utvecklas samt uppmuntra organisationer och näringslivet att satsa på den nya tekniken (Harari, 2017).

Att införa AI i den svenska offentliga förvaltningen anses ge betydande ekonomiska fördelar då potentialen av AI beräknas uppgå till 140 miljarder kronor årligen, vilket motsvarar sex procent av dagens totala offentliga utgifter. Av denna summa tillfaller 106 miljarder kronor offentlig verksamhet, i form av produktivitetshöjningar, ökade intäkter och en reducering av kostnader. AI förväntas bland annat bidra till samhällsutmaningar genom en effektivare offentlig förvaltning genom ökad automatisering. För att kunna införa AI i betydande skala och tillvarata teknikens många fördelar krävs det att investeringar i AI-lösningar genomförs och att organisationer vågar ta initiativ till att investera i tekniken (DIGG, 2019).

Det finns ingen tidigare forskning som endast avser AI-investeringar. För att därför komma så nära som möjligt kan vi istället se till forskning om IT-investeringar som är betydligt mer studerat. En IT-investering innebär införandet av ett nytt IT-stöd alternativt utveckling av ett befintligt IT-stöd. För att statliga myndigheter ska kunna ge god service till medborgare och företag, vilket är alla myndigheters uppgift på ett eller annat sätt, samt för att kunna effektivisera sin verksamhet krävs det att myndigheter använder modern informations- och kommunikationsteknik. Riksdagen och regeringen kräver att myndigheterna anpassar sig och hänger med i IT-utvecklingen men också att myndigheternas IT-investeringar ska syfta till att öka servicegraden för medborgare och företag, effektivisera förvaltningen och/eller stärka en viktigt samhällsfunktion (Riksrevisionen, 2009).

1.1 Problematisering

För att undersöka Sveriges position avseende AI gav regeringen ett uppdrag, år 2017, till Sveriges innovationsmyndighet Vinnova. Uppdraget innebar att myndigheten skulle genomföra en kartläggning och analys avseende hur det svenska näringslivet, offentlig sektor och det svenska samhället använder sig av AI. Syftet med rapporten var att kartlägga Sveriges potential vid användning av AI inom näringslivet och offentlig sektor, Sveriges utveckling inom AI-området i nuläget samt att kartlägga AI-kompetens för näringsliv och offentlig sektor (Vinnova, 2018).

Av rapporten framgick att förutsättningarna och potentialen för tillämpning av AI är god i Sverige och rankas som tvåa, efter Finland, inom Europas 28 medlemsländer (Vinnova, 2018). Detta beror på att Sverige, bland annat, har en god digitaliseringsmognad som underlättar implementering av ny teknik (DIGG, 2019). Rapporten påvisar också att de statliga myndigheterna själva anser att de inte har kommit speciellt långt inom AI-arbetet.

Av de 171 tillfrågade myndigheterna har endast sex procent inlett ett AI-projekt och 53 procent har inte påbörjat någonting inom området. Vidare förklaras att svenska myndigheter anses mer splittrade när det kommer till vilken grad AI kan påverka deras verksamhet till det bättre, jämfört med kommuner och landsting (Vinnova, 2018). För att säkerställa en långsiktig utveckling av AI:s ekosystem samt ett horisontellt samarbete i Sverige har Vinnova sedan början av år 2020 antagit sig ett långsiktigt åtagande avseende AI-innovation, genom att finansiera fler AI-initiativ med 100 miljoner kronor under perioden 2020-2024 (AI, 2020).

Rapporten från Vinnova (2018) och rapporten från DIGG, Myndigheten för digital förvaltning, om att främja den offentliga förvaltningens förmåga att använda AI (DIGG, 2019) påvisar båda att Sverige har stora ambitioner när det kommer till AI. Däremot har Sverige inte kommit speciellt långt i relation till andra länder med att faktiskt införa AI i verksamheter. Sveriges nationella inriktning för AI lyder: “Sverige ska vara ledande i att ta tillvara möjligheterna som användning av AI kan ge, med syftet att stärka både den svenska välfärden och den svenska konkurrenskraften” (DIGG, 2019, s. 2). Om statliga myndigheter gör investeringar i AI-projekt, som sedan på ett framgångsrikt sätt används och utnyttjas, kan det komma att driva vidare AI-investeringar inom andra delar av samhället och näringslivet (DIGG, 2019).

Den tidigare forskningen inom AI handlar främst om AI-revolutionen och hur AI kan användas och implementeras för att generera ekonomisk tillväxt och produktivitetshöjningar, samt vilka utmaningar teknologin står inför (Accenture, 2016:

Lauterbach & Bonime-Blanc, 2016; Makridakis, 2017; Vinnova, 2018). Det finns även mer specifika infallsvinklar i den tidigare forskningen avseende AI: hur tillämpningen ser ut i bankverksamheten (Alexandersson, Andersson & Lein, 2019), hur AI hjälper den svenska vården (Algoz & Mussa, 2018), AI inom e-handel (Andersson, 2019), AI inom kreativa processer (Arwén & Rydman, 2019) och HR i den artificiella intelligensens tid (Adolfsson

& Johansson, 2018). Det finns också tidigare forskning och statistik avseende investeringar i myndigheter respektive näringslivet (Pettersson, 2014, Vinnova, 2018), däremot finns det ingen forskning rörande investeringsprocessen för AI.

En av anledningarna till att det inte finns någon specifik forskning om AI- investeringsprocessen kan bero på att företag inte vill att utomstående ska ha insyn i deras investeringar och på vilket sätt de använder AI, i och med att det är ett konkurrenskraftigt verktyg (Lauterbach & Bonime-Blanc, 2016). Eftersom myndigheter behöver förhålla sig till offentlighetsprincipen1 (Regeringskansliet, 2019b) är det mindre komplicerat att få mer djupgående information om deras investeringar än ett företags. Detta, tillsammans med att statliga myndigheters AI-initiativ kan driva satsning inom andra verksamhetsområden, har resulterat i att studien kommer behandla AI-investeringar inom just statliga myndigheter.

För att arbeta i linje med Sveriges nationella AI-inriktning om att vara ledande på att ta tillvara möjligheterna som användning av AI kan ge, krävs det ytterligare investeringar inom alla organisationsformer (DIGG, 2019). Eftersom AI-satsningar inom statliga myndigheter kan driva vidare satsningar, är det intressant att studera hur statliga myndigheter har gått tillväga inför införandet av sina AI-projekt. Genom att studera myndigheters investeringsprocesser för AI kan vi bidra till forskning om AI-investeringar som kan underlätta för andra myndigheter, och även företag, som vill ha insyn i hur en sådan process ser ut och fungerar. Det är också intressant att studera myndigheternas motiv bakom

1I tryckfrihetsförordningen finns bestämmelser som bland annat handlar om rätten att ta del av allmänna handlingar. Myndigheter är skyldiga att registrera och lämna ut allmänna handlingar med vissa undantag för sekretess (Regeringskansliet, 2019b).

respektive investering samt de risker som de stod inför, eftersom åsikterna om AI är delade (Pueyo, 2018, Harari, 2017). Sådan kompletterande information ger en bättre helhetsbild över varför en viss investering togs, samt vilka hinder myndigheterna stod inför, vilket gör att andra verksamheter kan jämföra egna motiv och risker och därmed värdera sina förutsättningar i förhållande till de studerade myndigheterna inför egna AI-investeringar. Ett sådant bidrag kan komma att inspirera andra att ta AI-investeringar och de kan se denna uppsats som vägledande under investeringsprocessen.

1.2 Frågeställningar

För att kunna ta fram ett omfattande underlag för AI-investeringsprocessen i myndigheter behöver följande frågor ställas:

• Hur ser motiven till att investera i AI ut i en myndighet?

• Vilka är riskerna med en AI-investering i en myndighet?

• Hur ser en investeringsprocess för AI ut i en myndighet?

1.3 Syfte

Syftet med denna studie är att ta fram ny kunskap om myndigheters investeringsprocess för AI, vilka motiven bakom en sådan investering är samt vilka risker som identifieras. Arbetet ska bidra till forskning om AI-investeringar för att vägleda andra organisationer i deras investeringsprocesser för AI.

1.4 Disposition

Figur 1.1 Uppsatsens disposition.

För att klargöra arbetets tillvägagångssätt och uppbyggnad förklaras arbetets disposition kort. I nästkommande kapitel klargörs studiens kvalitativa metod, kvalitetskriterier och etiska överväganden. Vidare kommer ett teorikapitel inledas med relevanta teorier om AI och vidare kommer motiv till att investera i AI, investeringsteori och risker presenteras, vilket kommer ligga till grund för kommande kapitel i studien. Det empiriska underlaget består av myndigheternas AI-projekt, motiven bakom AI-investeringarna, identifierade

risker och respektive investeringsprocess. Därefter kommer en analys ta plats med tolkningar och reflektioner utifrån det teoretiska och empiriska materialet för att slutligen mynna ut i en slutsats som besvarar studiens frågeställningar och syfte.

2. Metod

Uppsatsens kvalitativa metod presenteras där uppbyggnaden likt en flerfallstudie inledningsvis beskrivs. Vidare förklaras metoden för studiens teoretiska materialinsamling samt empiriska datainsamling för att tydliggöra arbetets alla steg. Slutligen presenteras även tillvägagångssättet för analys av data samt de kvalitetskriterier och etiska överväganden som kommer genomsyra studien.

2.1 Flerfallsstudie

För att skapa ett djup i det empiriska materialet har vi genomfört en fallstudie. Genom att använda en fallstudie säkerställer vi att information inte endast samlas in om myndigheterna utifrån frågeställningarna, utan även om omkringliggande faktorer i organisationen. Sådana faktorer kan ha betydelse för de investeringsbeslut som myndigheterna tagit, vilket är i linje med Yins (2007) teorier om fallstudier där helheten beaktas. I enlighet med Yin (2007), besvaras frågan hur och fokuset ligger på aktuella skeenden och situationer, då studien omfattar investeringsprocesser för den aktuella AI-tekniken. Bryman & Bell (2017) förklarar att en fallstudie försöker belysa ett beslut eller ett flertal beslut och varför de fattades, hur de genomfördes samt vilka resultat det resulterade i, vilket stämmer väl överens med vad denna studie har behandlat.

Studien består av två olika myndigheter: Skatteverket och Försäkringskassan. När fler än ett fall studeras är det en flerfallsstudie (Bryman & Bell, 2017). En flerfallsstudie har genomförts för att kunna skapa en bredd i det empiriska materialet samt för att möjliggöra att fler än en investeringsprocess studeras. Detta i och med att investeringsprocessen eventuellt skiljer sig organisationer emellan. Genom att använda fler än en fallorganisation kan studien också utgöra med mer tillförlitlig källa (Bryman & Bell, 2017).

2.2.1 Fallunderlag

Som tidigare nämnt har vi studerat Skatteverket och Försäkringskassan som är två svenska myndigheter. Inför valet av myndigheter sökte vi på Internet för att få information om vilka myndigheter som använder sig av AI och därefter kontaktade vi några av dessa myndigheter via e-post. Efter det att myndigheterna visat intresse för deltagande behövde vi information om hur långt de kommit med sitt AI-projekt, det krav vi hade i detta stadie var att myndigheterna skulle tagit ett beslut om att investera i AI. De behövde alltså inte ha

implementerat AI-investeringen ännu, då vi var intresserade av myndigheternas tillvägagångssätt vid investeringarna och inte dess resultat. Utöver de två valda myndigheterna hade vi även kontakt med Migrationsverket och Lantmäteriet.

Migrationsverket befann sig i uppstartsfas men ville hellre se till svårigheterna med hantering och tillgång till data inom AI, vi valde därför att inte gå vidare med denna myndighet. Vi gjorde en empirisk materialinsamling på Lantmäteriet genom att hålla en intervju med deras innovationschef, men vi fick inte tillräckligt med information eller tillgång till ytterligare intervjupersoner och valde därför att endast gå vidare med de två andra myndigheterna, Skatteverket och Försäkringskassan. Denna urvalsprocess har fungerat likt Yin föreslår att urvalet för val av fallunderlag bör fungera då det finns flera aktuella alternativ, det vill säga genom identifiering av fallen och att primär information samlas in om varje alternativ (Yin, 2007).

2.2 Teoretisk materialinsamling

Vi har i arbetet använt vetenskaplig litteratur från böcker och artiklar samt myndighetspublikationer inom det studerade området för att ta fram det teoretiska materialet. För att samla in det teoretiska materialet har vi lagt ner mycket tid på att söka efter relevant information på Internet, detta för att skapa en bra grund och vidare ett bra djup, vilket är i enlighet med vad Yin (2007) förklarar gällande teoretiskt materialinsamling inom kvalitativ forskning.

Huruvida den sökning som genomförs ger den information som behövs beror på tillgången till olika tidskrifters webbsidor och bibliografiska databaser (Yin, 2007). För att hitta relevanta böcker har vi utnyttjat Linnéuniversitetets söktjänst OneSearch och filtrerat till “på hyllan”. Detta har vi gjort då en sökning på, till exempel ordet “investering”, genererar cirka 650 träffar, både av vetenskapliga artiklar och böcker. När vi hämtade den eftersökta boken på biblioteket, kollade vi även på böckerna på samma hylla för att se om det fanns någon ytterligare bok som kunde passa vår uppsats, eftersom böckerna är indelade i ämnen på hyllan. Vi gjorde på samma sätt vi när vi letade efter vetenskapliga artiklar, vi filtrerade till

“peer-reviewed/vetenskapligt granskat” för att vara säkra på att få fram tillförlitliga artiklar.

Google Scholar är en annan söktjänst vi tagit hjälp av där det går att hitta vetenskapliga publikationer och tidskrifter. De främsta sökorden vi använde på både OneSearch och Google Scholar var: Artificiell intelligens, AI, investeringsprocess, investment process,

investment decision, risk, motive, IT-investering, IT-investment. Trots filtrering blev det ibland ett stort urval, vi läste därmed många olika artiklar för att se om de kunde passa vår studie eller inte, på så sätt kunde vi göra urvalet mindre. För att även få myndighetsspecifik information i det teoretiska kapitlet har vi använt oss av myndighetspublikationer som vi hittade genom att söka på relevanta myndigheters sidor, varav bland annat Statskontoret var en myndighet med bra, teoretiskt relevant fakta.

Yin (2011) förklarar att förståelsen av källan innefattar att ta reda på eventuell partiskhet och ifall det finns tendenser till snedvridning. Vi har under arbetets gång försökt undvika källor som kan vara partiska för att säkerställa att sådana källor inte används. I de fall vi har använt rapporter från exempelvis konsultföretag, vilka använts då vetenskapligt granskade källor inte funnits inom vissa områden, har vi varit medvetna om vinkeln och därför endast använt den objektiva informationen. Vidare har vi använt källor från många olika författare för att få en bredare bild av ämnet och fånga flera synvinklar, därmed har vi fått ett bättre perspektiv och djupare kunskap om det undersökta ämnet i det teoretiska kapitlet. Detta har skapat en tydlig grund för vår uppsats och gjort det möjligt att tillsammans med empirin utveckla en analys.

2.3 Empirisk datainsamling

För att samla in empirisk data valde vi att använda oss av semistrukturerade intervjuer.

Anledningen till att vi valde semistrukturerade intervjuer var för att vi ville säkerställa att vi skulle få den information som vi behövde samtidigt som vi ville vara öppna för ytterligare information och synvinklar från våra respondenter. Bryman & Bell (2017) förklarar att intervjuaren under en semistrukturerad intervju inte behöver följa intervjuguiden till punkt och pricka utan mer se den som ett hjälpmedel för att säkerställa att all intressant och nödvändig information för arbetet kunde samlas in. Detta gav oss utrymme att ställa följdfrågor under intervjuns gång.

Inför intervjuerna utformade vi olika intervjuguider. Varje intervjuguide är anpassad efter vem som intervjuas, beroende på arbetsuppgifter och AI-projektet i myndigheten, vilket har resulterat i tre olika intervjuguider (se bilaga 1, 2 & 3). Varje intervjuguide inleds med några personliga frågor: vem den intervjuade personen är, vad han har för arbetsuppgifter samt

bakgrund. Därefter ställdes frågor rörande AI: hur myndigheten har implementerat AI, motiv bakom implementeringen etcetera. Vidare ställs frågor om myndigheten: dess strategier, regeringsuppdrag och deras finansiering av AI-investeringen. Intervjuguiderna har avslutats med frågor om investeringsprocessen, varav tidsaspekten, beslutsfattande och kalkyler var några av frågorna. Strukturen såg därmed likadan ut för alla intervjuguider, men frågorna är anpassade efter vardera myndighets specifika AI-investering baserat på hur mycket information vi hade fått sedan tidigare i form av dokument. Information som vi i efterhand saknade kunde kompletteras via ytterligare kontakt med respondenterna alternativt via de mottagna interna dokumenten (se tabell 2.2). Utformningen av intervjuguiderna är i enlighet med Bryman & Bells (2017) teori där de förklarar att det är avgörande att intervjuerna rymmer flexibilitet. Vi skickade intervjuguiden till den person som skulle intervjuas innan intervjun ägade rum för att ge intervjupersonen tid att läsa igenom frågorna och därmed vara förberedd innan. Vid skapandet av intervjuguiden bör forskaren ställa sig frågan “vad måste jag veta för att kunna besvara mina olika frågeställningar?” (Bryman & Bell, 2017). När vi skrev intervjuguiderna hade vi våra frågeställningar som grund och såg till att ställa intervjufrågor som skulle ge oss empiriskt material inför analysen.

Kvalitativa intervjuer bör med fördel hållas ansikte mot ansikte i och med att det möjliggör ytterligare förståelse då kroppsspråk och ansiktsuttryck kan tolkas på ett mer korrekt sätt. På grund av geografisk placering, tidsbrist och ekonomiska begränsningar kan sådana intervjuer ibland vara svåra att få till stånd och istället kan videosamtal, telefonsamtal eller e-post bli aktuellt (Bryman & Bell, 2017). På grund av det rådande läget rörande Covid-19- pandemin har intervjuerna inte hållits ansiktet mot ansikte utan via telefon, både för vår egna skull men också då myndigheterna kräver detta. Till en början var planen att hålla intervjuerna via Skype för att få en chans att ändå se intervjupersonerna och fånga upp kroppsspråk och ansiktsuttryck. Detta fungerade däremot inte då intervjupersonernas Skype- länkar var bundna till myndighetens interna medarbetarna och vi kunde därför inte få tillgång till videosamtalet. Detta resulterade till att intervjuerna hölls över telefon. Dessa former av intervjuer kan dock ha positiva effekter, förutom de tidigare redan nämnda, är det lättare för intervjupersoner att svara på känsliga frågor över telefon (Bryman & Bell, 2017).

Vi har vid varje intervjutillfälle spelat in intervjun på telefonen då samtycke gavs av samtliga intervjupersoner. Det är viktigt att intervjupersonerna tillfrågas och samtycker till inspelning samt att forskaren säkerställer att intervjupersonerna inte ställs inför en risk eller får dem

oroade för hur deras ord kommer att bevaras åt eftervärlden (Bryman & Bell, 2017). Direkt efter intervjutillfällena transkriberade vi det inspelade materialet. Detta görs med fördel för att ha alla svaren tillgängliga, transkription är dock mycket tidskrävande (Bryman & Bell, 2017). För att vara tidseffektiva delade vi upp inspelningen och transkriberade hälften var vilket också gjorde det lättare vid sammanställning av det empiriska materialet. Inspelningen gjorde det också möjligt att gå tillbaka och dubbelkolla sådant vi behövde få förklarat igen och säkerställde att inget av stor betydelse missades.

Tabell 2.1 Sammanställning av intervjupersoner.

Med hänsyn till GDPR1 har alla intervjupersoner tillfrågats om deras namn och titel får nämnas i uppsatsen, vilket samtliga intervjupersoner har godkänt. Vidare presenteras därför intervjupersonerna och deras namn anges som referenser i det empiriska materialet.

Andreas Voxberg är produktägare för sitt team inom avancerad dataanalys (ADA) på Skatteverket och han arbetar med interna AI-projekt. Han har varit med sedan teamet startades och är därmed insatt i de interna AI-projekten från start. Detta gör att han har god kunskap om hur de fungerar, hur processen för implementeringen har sett ut och olika anledningar bakom beslutet att investera i dessa olika AI-projekt.

Jens Granat är produktägare och AI-tränare för Skatteverkets externa AI-projekt, chattboten Skatti, och han tillhör utvecklingsenheten på kundmötesavdelningen. Han har varit certifierad AI-tränare i över två år och har arbetat med att lära upp Skatti från start och är fortfarande delaktig i AI-träningen. Han är också kunnig gällande chattboten funktioner och AI-projektet i övrigt.

1 The General Data Protection Regulation (GDPR) är till för att skydda individers grundläggande rättigheter och friheter, exempelvis rätt till skydd av personuppgifter (Datainspektionen, u.å.).

Mikael Billinger är verksamhetsutvecklare på Försäkringskassan vilket innebär att han arbetar med utvecklingsstyrning inom myndigheten. Han är involverad i de flesta utvecklingsarbeten på helhetsnivå genom sitt arbete med utformning, analys och uppföljning.

2.3.2 Dokument

Vår empiriska datainsamling har utöver intervjuer även bestått av interna dokument som vi har fått tilldelade från intervjupersonerna samt offentliga dokument och information från regeringens hemsida, myndighetsföreskrifter, andra myndigheter och lagar. Statliga myndigheter lämnar ifrån sig mängder av information som kan nyttjas av forskare (Bryman

& Bell, 2017). Svenska myndigheter befinner sig i den offentliga sektorn vilket har underlättat när vi har efterfrågat dokument, detta då mycket är offentliga handlingar enligt offentlighetsprincipen (Regeringskansliet, 2019b). De dokument vi har efterfrågat har innefattat bland annat myndigheternas strategiska inriktning, investeringsprocess och kalkylunderlag. Yin (2007) förklarar att skriftliga källor i form av dokument är relevanta för alla fallstudier.

De offentliga dokumenten har främst använts till myndighetskapitlet i empirin för att tydliggöra och skapa förståelse för hur statliga myndigheter fungerar, bland annat avseende styrning och finansiering. De interna dokumenten vi mottagit och använt i empirin presenteras kortfattat i tabellen nedan (tabell 2.2). Vi har använt de interna dokumenten för att få korrekt och utvecklad information om respektive myndighets AI-investering.

Skatteverkets dokument mottogs efter intervjuerna ägt rum, vilket gjorde att vi fick dokument avseende den information vi saknade som vi ansåg vara relevant. Gällande Försäkringskassan fick vi dokumenten innan intervjun hölls, vilket gjorde att vi kunde ställa frågor baserat på den information vi fått tillgå i dokumenten, både information vi saknade men också förklaringar om svårbegripliga delar i dokumenten.

Tabell 2.2 Sammanställning av interna dokument.

2.4 Analys av data

Kvalitativ metod används för att utforska sådant som inte går att beskrivas eller mätas i siffror. En kvalitativ studie handlar om att begripa processer, betydelser och kvaliteter. Vid hantering av kvalitativt material måste minst tre specifika problem hanteras. Det första är kaosproblemet, det andra är representationsproblemet och slutligen uppstår auktoritetsproblemet. För att bemöta dessa problem finns det tre aktiviteter som kan hjälpa, dessa är att sortera, reducera och argumentera (Rennstam & Wästerfors, 2015).

Kvalitativt material kommer aldrig färdigsorterat och därför är ett första steg i processen med att analysera ett arbete att sortera det material som finns. Det finns inget förutbestämt sätt att sortera på utan tvärtom är det stor öppenhet i hur detta kan göras (Rennstam &

Wästerfors, 2015). Innan intervjuerna hölls utformade vi intervjuguider där frågorna delades in i olika teman för att säkerställa att materialet skulle ha en viss struktur och ordning, vilket är i enlighet med Alvehus teorier om kategorisering av det kvalitativa materialet innan insamling (Alvehus, 2019). Vidare under intervjuerna spelades samtliga telefonsamtal in då respondenterna gav sitt samtycke till detta. Därefter transkriberades materialet från ljud till text. Genom transkriberingen hade vi all information nedskrivet, vilket gjorde att vi fick en överskådlig bild av materialet och det blev därmed lättare att hantera kaosproblemet för intervjuerna. Utöver intervjuerna använde vi oss också av interna dokument som intervjupersonerna skickade till oss. Vi tog emot en stor mängd dokument från Försäkringskassan och för att hantera kaosproblemet som då uppstod kollade vi igenom alla dokument direkt när de mottogs och i ett gemensamt dokument skrev vi upp namnet på de dokument som vi ansåg vara relevanta samt vad i dokumenten som skulle kunna vara användbart och inom vilket empiriskt område. Detta gjorde det lättare för oss att vidare hantera informationen i dokumenten när det skulle överföras till det empiriska kapitlet.

Sortering gör den insamlade datan strukturerad och tydlig men det är svårt att veta vad av allt det sorterade materialet som är relevant att lyfta fram då det är omöjligt att presentera allt. Reducering är en känslig aktivitet och den som analyserar materialet måste ofta välja bland kategorierna och inom ett urval kategorier, till exempel: intervjucitat, berättelser, observationer eller dylikt. Reducering hanterar därmed representationsproblemet. Det är en sak att hantera det faktum att allt det dokumenterade inte går att återge men det är fortsatt viktigt att identifiera sådana utdrag som exemplifierar materialet på ett klarläggande och rättvisande sätt. Att reducera är oundvikligt och hur det ska göras är en öppen fråga (Rennstam & Wästerfors, 2015), men en huvudregel kan vara att beskriva de delar som är mest intressanta för analysen mer detaljerat medan andra bitar kan förklaras övergripande eller elimineras (Alvehus, 2019). När vi hade transkriberat alla intervjuerna och sorterat fram de relevanta dokumenten markerade vi de svar som var av intresse med överstrykningspenna. All onödig data sållades bort i samband med att det inte blev markerat.

Detta tillvägagångssätt användes för att representationsproblemet skulle bli så litet som möjligt.

Vidare räcker det inte att skapa ordning och välja bort utan därefter behövs det argumentation av det materialet som är kvar, där kommer auktoritetsproblemet in. Det svåra i detta steg är att kunna hävda sig mot andra forskare. Det går att överta deras begrepp och perspektiv, nyansera och komplettera dem men också invända mot dem eller skapa egna motstridigheter (Rennstam & Wästerfors, 2015). Utifrån det formulerade problemet måste analysen tydligt underbygga slutsatserna (Alvehus, 2019). En väsentlig aspekt av analysarbete är teoretisering vilket innebär en slags empiriberoende argumentation som sätter ord på det som funnits på fältet (Rennstam & Wästerfors, 2015). Vi har behandlat auktoritetsproblemet genom att sakligt använda det empiriska materialet i analysen och kopplat det empiriska underlaget till teorin. För att skapa ytterligare trovärdighet i empirin har vi presenterat citat från intervjupersonerna.

2.5 Kvalitetskriterier

En forskningsdesign antas representera en logisk uppsättning påståenden och därmed säkerställs kvaliteten utifrån vissa logiska kriterier. Fyra specifika kriterier som behandlar vilken kvalitet en empirisk samhällsvetenskaplig undersökning uppvisar är:

begreppsvaliditet, intern validitet, extern validitet och reliabilitet. Vi har genomgående i arbetet haft dessa kriterier i vårt tankesätt för att kunna säkerställa uppsatsens kvalitet (Yin, 2007).

Begreppsvaliditet handlar om att utforma operationella mått för de begrepp som studeras.

För att öka begreppsvaliditeten vid fallstudier bör flera empiriska källor användas på ett sätt som gör att en sammanlöpande undersökningsform skapas. Andra sätt att göra det på är att upprätta en beläggskedja där olika sammanhängande belägg bevisar ett påstående, eller låta nyckelinformanter granska ett utkast till fallstudierapporten (Yin, 2007). I vårt arbete har vi kontinuerligt förklarat och tydliggjort nödvändiga begrepp så att läsaren skapar en god förståelse, på så sätt kan misstolkningar undvikas. Begrepp som har stor betydelse i uppsatsen har definierats löpande i texten medan mer grundläggande begrepp har förklarats i en fotnot. Vidare har begrepp som förkortas initialt skrivits ut och förkortningen har presenterats därefter inom parentes.

Intern validitet inom fallstudieforskning kan generaliseras till det problem som handlar om att kunna dra hållbara slutsatser. En fallstudie innebär att kunna dra slutsatser närhelst ett

skeende inte kan iakttas direkt. Forskaren kommer med hjälp av intervjuer och källmaterial som samlats in att sluta sig till att en viss händelse uppstod till följd av en annan händelse.

För att hantera problemet med slutsatser och frågan om intern validitet kan frågor ställas som: är slutsatsen korrekt? Har alla rivaliserande förklaringar och möjligheter beaktats? Är beläggen samstämmiga? (Yin, 2007). Under arbetets gång har vi försökt vara medvetna om att det underlag vi tagit fram kan ha påverkats av rivaliserande förklaringar och vi har inte låtit den interna validiteten brista på grund av detta. Vi har varit noggranna vid intervjutillfällena att ställa raka frågor som behandlar uppgifter om det som är relevant och ifrågasatt resultat baserat på detta kvalitetskriterium. Vi har dessutom ställt oss tidigare nämnda frågor när det var dags att formulera slutsatsen.

Extern validitet är ett kriterium där en avgränsning ska ske av det område till vilket studiens resultat kan generaliseras. För att detta ska vara möjligt kan replikationslogiken användas.

Denna logik innebär att en teori prövas genom en replikering av resultaten i ett andra eller tredje område för de specifika resultaten som teorin har sagt ska föreligga. När detta är gjort kan resultatet anses ha ett starkt stöd för teorin (Yin, 2007). I och med att vi har valt att fokusera på investeringsprocessen för AI har ingen specifik bransch valts utan istället har organisationer med samma ägarform, myndigheter, valts eftersom investeringsprocessen annars kan vara annorlunda. Det är många gånger svårt att generalisera kvalitativ forskning då förutsättningarna är baserade på nuvarande omständigheter (Bryman & Bell, 2017), men studien kan generaliseras på investeringsprocesser för AI inom myndigheter till viss mån.

Reliabilitet betyder att undersökningens utförande kan upprepas med samma resultat genom att följa samma tillvägagångssätt som tidigare forskare använt sig av. För att detta ska vara möjligt krävs det att forskaren tydligt dokumenterar sitt tillvägagångssätt (Yin, 2007).

Motsatsvis till Yin bör en kvalitativ forskare ifrågasätta om det är möjligt att upprepa en kvalitativ studie då det är omöjligt att frysa en social miljö och de sociala betingelser som gäller vid studien som utförs (Bryman & Bell, 2017). Vi var medvetna om att studien inte kommer kunna replikeras, främst eftersom AI-teknologin är under ständig utveckling och högst troligt inte kommer att vara densamma om tio år som när denna studie utförs. Därmed har vi valt att använda oss av detta kriteriet till den utsträckning det är möjligt.

Tillvägagångssättet för studien är noggrant formulerat i metodavsnittet och intervjuguider är bifogade för att studien i alla fall ska kunna efterliknas.

2.6 Etik

Enligt Vetenskapsrådets riktlinjer (2002) finns det två olika forskningsetiska krav som måste följas: forskningskravet och individskyddskravet. Forskningskravet säkerställer att forskning på hög nivå bedrivs för att tillgodose samhället och dess invånare med forskningsstudier och att olika metoder och kunskaper utvecklas, fördjupas och förbättras. Vidare innebär individskyddskravet att alla individer som medverkar i forskningsstudier är skyddade mot otillbörlig insyn i, till exempel, deras livsförhållanden. Individskyddskravet ska också skydda individer mot psykisk och fysisk skada, kränkning och förödmjukelse. De två forskningsetiska kraven utesluter inte varandra utan måste alltid vägas mot varandra.

Individskyddskravet kan vidare delas in i fyra allmänna grundkrav: informationskravet, samtyckeskravet, konfidentialitetskravet och nyttjandekravet (Vetenskapsrådet, 2002).

Informationskravet innebär att forskaren ska informera uppgiftslämnare om deras roll i projektet samt gällande villkor för deras deltagande. Uppgiftslämnare ska också få information om att deltagandet är frivilligt och att uppsatsen kommer att publiceras offentligt. Sammanfattningsvis ska allt som kan påverka deltagarens villighet att delta informeras (Vetenskapsrådet, 2002). För att säkerställa att informationskravet är uppnått har mailkontakten med respektive myndighet innehållit information om vilka vi är, vad vi studerar, vad uppsatsen ska innehålla och att det empiriska materialet kommer samlas in via intervjutillfällen samt en fråga om myndigheten är intresserad av att delta i studien. Under respektive intervjutillfälle har vi också säkerställt att respektive respondent är medveten om sina rättigheter och de villkor som gäller.

Samtyckeskravet innebär att forskaren måste inhämta uppgiftslämnares samtycke samt att uppgiftslämnaren själv har rätten att bestämma på vilka villkor personen vill delta, inkluderat tidsperspektiv och omfattning. Det innebär således att uppgiftslämnaren har rätt att avbryta sin medverkan och detta ska inte innebära negativa följder för uppgiftslämnaren.

Slutligen innebär även samtyckeskravet att en uppgiftslämnare som avbryter sin medverkan inte får utsättas för påtryckning eller påverkan. Det bör inte heller åligga något beroendeförhållande mellan forskare och uppgiftslämnare (Vetenskapsrådet, 2002). Inför respektive intervjutillfälle har vi tillfrågat respondenterna om deras samtycke, vidare har vi också informerat respondenterna om att de själva är berättigade att avbryta sitt deltagande om de av någon anledning vill det.

Konfidentialitetskravet innebär att alla deltagare i studien ska ges konfidentialitet och att personuppgifter ska hanteras på ett sätt som innebär att obehöriga inte kan ta del av dem.

Innefattar studien etiskt känsliga uppgifter bör en förbindelse om tystnadsplikt undertecknas (Vetenskapsrådet, 2002). Vår studie har inte haft några etiskt känsliga uppgifter och vi har därför inte behövt underteckna någon förbindelse om tystnadsplikt. Däremot har vi sett till att respondenterna var medvetna om att uppsatsen kommer att publiceras och fått samtycke i att deras namn och titel publiceras då ingen önskade vara anonym. Vi har även fått godkännande att använda myndigheternas namn. Om uppgiftslämnarna inte skulle ha samtyckt till detta hade ingen information som kunde koppla respondenten till studien publicerats.

Nyttjandekravet innebär att den insamlade informationen endast får användas i forskningssyfte och inte utelämnas för kommersiellt bruk eller andra icke-vetenskapliga syften. De insamlade personuppgifterna får inte användas för beslut eller åtgärder som påverkar individen i fråga om inte berörd individ ger medgivande till detta (Vetenskapsrådet, 2002). Respondenterna har informerats om att all data från den insamlade informationen endast har använts i forskningssyfte och vi har inte använt någon information eller några personuppgifter på felaktigt sätt eller publicerat någon information som respondenterna inte lämnat medgivande till.

2.7 Sammanfattning av metod

Figur 2.1 Sammanfattning av metod.

3. Teori

Inledningsvis presenteras teorier om AI och sedan motiv till att investera i AI samt investeringsteori där IT-investeringar och investeringsprocessen vidare förtydligas. IT-investeringar används som teoretiskt underlag för att komma så nära AI-investeringar som möjligt, då det inte finns någon specifik teori om AI-investeringar. Därefter presenteras teori om risker med investeringar och AI.

Teorikapitlet sammanfattas slutligen i en konceptuell modell för att skapa en överskådlig förståelse för läsaren.

3.1 Artificiell Intelligens

Teknologin bakom AI är inte ett nytt fenomen utan det har funnits sedan 1950-talet. Däremot har inte teknologin varit tillräckligt utvecklad och samhällen har inte varit tillräckligt redo för att hantera tekniken, vilket forskare menar inte är fallet längre (Lauterbach & Bonime- Blanc, 2016). Även om AI-teknologin har funnits under en längre period är det som ansågs vara AI under 50-talet inte samma teknologi som AI anses vara idag, detta dels för att teknologin utvecklats men också i samband med de förändrade förutsättningarna och användningsområdena för AI. Troligen är det under tidiga 2000-talet som AI kommer att få framfart i samband med en reflektion av historien, befintliga förutsättningar samt genom att presentera och sätta riktlinjer för framtiden (Sweeney, 2003).

AI består av en sammansatt uppsättning av verktyg, tekniker och algoritmer. Det finns

flertalet tillämpningar som faller under det breda paraplyet av AI, allt från neurala nätverk, tal- och mönsterigenkänning till genetiska algoritmer och djupinlärning (Jarrahi, 2018). AI

kan hantera input av data (ljud, text, bilder och siffror), processer (algoritmer), och output av data (lösningar och beslut) (von Krogh, 2018). Det som gör AI unikt i jämförelse med andra teknologier är att AI kan lösa kognitiva problem. Kognition har att göra med intellektuella funktioner såsom tänkande, varseblivning och minne (SO, 2009). Detta innebär att AI framöver kommer kunna komplettera eller ersätta mänskligt beslutsfattande.

AI kan förlänga människans intellektuella tänkande gällande hantering av komplexitet, medan människor fortfarande kan erbjuda en mer enhetlig strategi för att hantera osäkerhet i beslutsfattandet (Jarrahi, 2018).

Det finns två olika typer av AI, specifik AI och djup AI (AGI). Specifik AI är designad för att bäddas in i system med specifika uppgifter för ett allmänt tänkande medan AGI är

designad likt de neurala nätverken i den mänskliga hjärnan. Specifik AI kan härledas till traditionella, industriella tillämpningar av AI som inkluderar text- och taligenkänning, kunskapsteknik, heuristiska klassificeringssystem, expertsystem och spelteknologier. Till exempel är Apples mjukvara “Siri”, eller Googles liknande “Google Voice” två exempel på specifik AI som finns i produkter som många använder sig av dagligen. AGI befinner sig däremot i ett tillväxtstadie som fokuserar på att bygga tänkande maskiner med intelligens som är jämförbar med mänsklig intelligens. Vidare finns det två AGI-scenarier: den ena förutsätter stegvis en förbättrad programvara och hårdvara medan den andra föreställer en framtid där AI imiterar den mänskliga hjärnan fullt ut (Lauterbach & Bonime-Blanc, 2016).

För tio år sedan var implementering av AI något som ansågs komplicerat och tidskrävande då det krävde expertiskunskap inom alla delar för att kunna hantera och förstå tekniken bakom AI och dess uppbyggnad av algoritmer. Den tid organisationer investerade i teststudier blev mer betydande än förväntat och utfallet slutade ofta i besvikelse då de uppbyggda algoritmerna inte alltid fungerade bra på alla de specifika delarna i applikationen.

Under senare år har det däremot utvecklats flertalet molnbaserade tjänster som erbjuder en produkt där den svårhanterliga delen vid implementering av AI redan är utvecklad. Den grundläggande metoden för molnbaserade tjänster bygger på att överföra data (text, bilder, ljud) till servern, tillsammans med en uppsättning parametrar, beroende på vad tekniken ska användas och anpassas till. Beräkningarna körs sedan på servern och resultaten skickas tillbaka till klienten. Det är många gånger tilltalande att ta den enkla vägen och använda någon annans tjänst i och med att den utlovar funktionalitet med mindre ansträngning än att utveckla funktionen själv. Däremot kan det innebära att funktionen inte fungerar som förväntat, vilket medför att investeringen, både finansiellt och tidsmässigt, har slösats bort.

Det perspektivet kan tilltala organisationer att göra grovarbetet från början och anpassa funktionen utefter det som förväntas och eftersträvas (Schmidt, 2016).

3.2 Motiv till att investera i AI

Det finns många olika fördelar och motiv till att investera i AI. En av dessa är att AI skapar varaktighet, detta innebär att kunskapen bevaras även när en individ eller grupp inte längre är tillgänglig i organisationen. Den kunskap som finns i AI-teknologi täcker de problem och beslutsscenarier som finns även långt in i framtiden. AI möjliggör också en utveckling av en lärande förmåga som kan användas för att ytterligare förlänga livslängden. Vidare kan

AI skapa tillförlitlighet, att lära av riktiga fram- eller motgångar är en möjliggörande funktion och fördel med AI, då den kan förstärka sitt lärande baserat på historisk data. Den breda tillämpningen av AI inträffar endast när tillförlitlighet har uppnåtts. AI har redan visat sig vara tillförlitlig genom att simulera mänsklig intelligens i olika resonemang. Effektivitet är ytterligare ett motiv till att investera i AI, vilket kan skapas genom att processer blir snabbare (Chowdhury & Sadek, 2012). Effektivitet beskriver värdet av en införd aktivitet och maximal effektivisering uppnås genom att använda organisationens resurser på bästa möjliga sätt. Genom att effektivisera en verksamhets olika aktiviteter och processer kan det vidare resultera i produktivitetshöjningar (Modell & Grönlund, 2006). Om en verksamhet till exempel tillämpar AI i beslutsprocessen krävs det mindre personal och därmed minskar också driftkostnaderna. Eftersom beslut ofta tas under stor osäkerhet kan AI-metoder vara lämpliga när en relation inte kan fastställas mellan orsak och verkan. AI-modeller fångar osäkerheten mellan det verkliga livet och olika scenarios genom att integrera tillgänglig kunskap med sannolikheter. Genom att automatisera beslutsprocessen kan AI underlätta snabbare beslutsfattande. Med hjälp av datainsamling, screening, bearbetning och beslutsfattande kan AI stödja snabbare lösningar på komplexa problem (Chowdhury &

Sadek, 2012).

AI har stor påverkan på regeringar och samhällen. Det är viktigt att regeringar adresserar riskerna med AI för att kunna skydda medborgarna från dem, men också för att inse potentialen som tekniken besitter som många gånger identifieras i riskerna. Idag används AI främst inom stora industriföretag och det är därför viktigt att regeringen erbjuder stöd för att andra organisationer ska ha möjlighet att använda AI. Regeringar bör erbjuda stöd för digital teknik, speciellt till mindre företag och organisationer, för att stödja produktivitetstillväxten i ekonomin. Genom en bredare adoption av AI kan regeringar säkerställa att produktivitetsfördelarna som AI innehar, sprids mer över organisationer och näringslivet (Bughin et al., 2017).

AI kan skapa värde på flera olika sätt varav några av dessa värdeskapande aktiviteter är:

prognostisering, produktivitet och skräddarsydda upplevelser. Det första sättet där AI kan skapa värde är via prognostisering, vilket innebär att AI-tekniken kan ta fram mer detaljerade prognoser över önskade ändamål för att kunna forma erbjudanden efter framtida önskemål. Det andra sättet där AI kan generera värde är via ökad produktivitet, oavsett om det avser produkter eller tjänster. AI kan därigenom hjälpa organisationer att hålla

verksamheten i kontinuerlig rörelse genom att optimera tillgångar och processer, samla de bästa teamen av människor och tekniker, förbättra kvaliteten, pålitligheten och förhindra att verksamheten står stilla i samband med att AI-tekniken inte behöver sova eller ta rast. Ett annat sätt som AI kan skapa värde på är genom skräddarsydda upplevelser. AI kan genom maskininlärning öppna en nerskalad version av skräddarsydda lösningar för en större del av kunderna och därigenom förbättra användarupplevelsen, skapa nya källor till värde för att göra upplevelsen rikare, mer kundanpassad och bekvämare (Bughin, et al., 2017).

3.3 Investeringsteori

Investeringar kan ses som ett organisatoriskt planerings- och beslutsproblem där det handlar om att utveckla processer för effektiv initiering, handläggning samt kalkylering och beslut om investeringar. Vidare kan investeringen även ses som ett långsiktigt finansiellt åtagande där kapital binds på lång sikt. En investering bör kopplas samman med strategin (Persson &

Nilsson, 2001). Investeringar innebär följaktligen en produktionsomväg då resurser från en period investeras med förhoppningen om att skapa förbättrad kapacitet i framtiden och att de nyttigheter som genereras är varaktiga (Alpenberg & Karlsson, 2005).

Investeringar förekommer i alla möjliga sammanhang och organisationsformer. De långsiktiga satsningar som en investering innebär utgör grunden för att en organisation på lång sikt kan driva och utveckla sin verksamhet. Den strategiska planeringen går ut på att analysera långsiktiga utvecklingsmöjligheter och hur dessa påverkas av förändringar i omgivningen samt hur förändringarna kan tillvaratas på bästa sätt (Ljung & Högberg, 2007).

Att genomföra större investeringar är en planeringsprocess med många olika inslag. Flera projekt har avpolletterats redan innan själva investeringsbeslutet och därmed lämnats outvecklade (Löfsten, 2002). I praktiken kan det även vara svårt att fastställa vad som bör betraktas som en investering och vad som inte är en investering avseende organisationers olika satsningar och projekt (Alpenberg & Karlsson, 2005).

3.3.1 IT-investering

IT genomsyrar idag varje affärssegment och IT-utvecklingen har de senaste 40 åren genererat stora förändringar som påverkat hela samhället, exempelvis via digitalisering. Ny informationsteknologi introduceras kontinuerligt vilket skapar möjligheter för verksamheter att förändra vad de gör, var, när och hur de gör det (Dos Santos & Sussman, 2000). Denna

tekniska utveckling leder till att det ställs högre krav på nya investeringar för att inte försämra konkurrenssituationen. En IT-investering består av både materiella och immateriella investeringar. Materiell i form av dator, nätverk, server och skrivare samt immateriella i form av bland annat kompetensutveckling av berörd personal (Persson &

Nilsson, 2001). Den tekniska utvecklingen kan ge anledning till rationaliseringsinvesteringar. Snabb och avancerad teknik bör anskaffas för att ersätta, alternativt komplettera, mänsklig arbetskraft vilket vidare ökar effektiviteten i arbetet (Karlsson, 1999).

Moderna verksamheter förlitar sig starkt på IT för att öka produktiviteten och IT genererar fördelar i form av stöd för beslutsfattande, utveckling av projekt, förbättrade tjänster och stärkt personal med kunskap (Chen et al., 2018). IT-investeringar har visat sig ha positiva, konkreta resultat i form av produktivitet och kostnadsbesparingar. Dessutom har en utvärdering av IT-investeringar visat på utfall i tekniska termer som bland annat prestanda, tillförlitlighet, robusthet och säkerhet för nya IT-applikationer (Frisk, Lindgren &

Mathiassen, 2014).

Flera undersökningar av IT:s påverkan på produktivitet och nytta visar på vikten av att investera i rätt delar av verksamheten. Innan beslut tas om nya IT-investeringar bör hänsyn tas till den egna organisationen, dess strategi och förutsättningar (Lundberg, 2009). En strategi beskriver den riktning som en organisation planerar att röra sig mot för att nå sina mål (Anthony, et al., 2014). Det finns med andra ord en medveten idé om hur organisationen ska bedrivas för att uppnå de uppsatta målen. En central fråga gällande styrning och strategi är vad som är den relevanta organisationen, det kan vara en koncern, ett affärsområde eller en förvaltning (Nilsson, Petri & Westelius, 2016). Att få med sig ledningen på olika nivåer i arbetet med IT-satsningen är likaså nödvändigt för organisationen (Lundberg, 2009).

Varje ny IT-investering bör skapa effektivitet i en verksamhet. Ändå erhålls ofta få av de förväntade fördelarna inom den planerade tidsramen. Faktum är att många av de förväntade fördelarna inte uppstår förrän många år efter att verksamheten har investerat i en ny IT- lösning. Till följd av IT-investeringar krävs det även en omstrukturering av organisationen för att kunna räkna hem de förväntade fördelarna (Dos Santos & Sussman, 2000), detta för att inte anta investeringar som är mer utvecklade än vad organisationen kan hantera, då investeringar i IT kan vara dyra och tidskrävande (Gunasekaran, et al,.

2001). Förväntningar på IT-satsningar är ofta stora och drivkraften handlar om missnöje med dagens situation och frustration över ineffektiviteter och problem som uppstår i verksamheten, detta skapar förhoppningar om att stordåd ska uträttas. Dessa höga förväntningar leder således ofta till besvikelser över utebliven affärsnytta. För att undvika för högt ställda krav bör grundfrågan som ställs vara hur väl lösningen ligger i linje med de ambitioner och förutsättningar som finns i verksamheten. I en organisation är det viktigt att investeringar som tas är i linje med den sammanhängande strategin i och med att organisationer påverkas av handlingar och beslut (Nilsson, Petri & Westelius, 2016). Antas investeringar som inte står i relation till strategin kan det generera stora ekonomiska konsekvenser (Lindvall, 2011). En jämförelse av verksamhetens riktning och den riktning som IT-lösningen innebär bör därmed göras. Ligger dessa i linje med varandra är möjligheterna goda till att uppnå affärsnyttan, men om de drar åt olika håll bör förväntningarna tonas ner och anpassas till verkligheten (Lundberg, 2009).

För att rättfärdiga en investering i IT måste ledningen ta fram olika bedömningstekniker för IT-budgetering, IT-investeringshantering, IT-projektplanering och för avkastningen på investeringen. Det kan dock vara svårt att rättfärdiga IT-investeringen ändå då den har många materiella och icke-ekonomiska fördelar som tillkommer men som inte går att mäta.

För verksamheter som använder vanliga investeringstekniker kan det uppstå viss osäkerhet för hur hela investeringens påverkan ska mätas. Varje investering leder dock till sina egna fördelar och kostnader och på samma sätt har varje investeringsteknik sina egna egenskaper och begränsningar (Gunasekaran, et al., 2001). Det finns många tillvägagångssätt för att investera i IT och egenskaperna hos ett projekt och dess organisationsmiljö skiljer sig från investering till investering. Därmed finns det ingen bästa metod för att investera i IT (Frisk, Lindberg & Mathiassen, 2014).

3.3.2 Investeringsprocessen

Ett investeringsprojekt har en lång historia innan ett slutligt avgörande om investeringen ska genomföras eller inte kan tas (Yard 2001). Yard (2001) presenterar följande steg för projektets faser: initiering → utveckling → förankring → framdrivning → beslut → genomförande → uppföljning. Löfsten (2002) och Segelod (1991) har delat in ett investeringsprojekts faser likadant men på ett lite mer översiktligt sätt: idé → planering → implementering → drift → avslutning. Slutligen är en annan vanligt förekommande indelning av investeringsprocessens olika faser: initieringsfasen → bedömningsfasen →