Artikel · 25 min läsning
Vad är AI?
Ordet finns överallt, från mobilen till riksdagen. Men vad är artificiell intelligens egentligen, hur fungerar det och varför pratar alla om det nu? Här är grunderna, förklarade från början, med sju figurer som du kan prova själv.
Kort svar
AI, artificiell intelligens, är datorsystem som klarar uppgifter som annars kräver mänsklig intelligens, som att förstå språk, känna igen bilder eller fatta beslut. Det mesta som kallas AI i dag bygger på maskininlärning: i stället för att följa regler som människor har skrivit lär sig programmen mönster ur stora mängder data. Djupinlärning med neurala nätverk gav genombrottet 2012, och sedan ChatGPT kom 2022 används generativ AI av hundratals miljoner människor. I Sverige hade 47 procent av alla som är 16 år eller äldre använt generativ AI de senaste tre månaderna 2026. Dagens AI är ojämn: den kan nå guld i matematikolympiaden men har svårt att läsa en analog klocka.
Vad betyder AI?
AI står för artificiell intelligens, på engelska artificial intelligence: datorsystem som klarar uppgifter som annars kräver mänsklig intelligens, som att förstå språk, känna igen bilder eller fatta beslut. Ordet är äldre än de flesta tror. Det myntades av datavetaren John McCarthy och dök upp första gången i augusti 1955, i ett förslag från honom och tre kolleger om en sommarstudie i artificiell intelligens vid Dartmouth College i USA året därpå. Deras utgångspunkt var att varje del av lärande och intelligens i princip går att beskriva så exakt att en maskin kan efterlikna den.
Frågan var ännu äldre. Redan 1950 inledde den brittiske matematikern Alan Turing en berömd artikel med orden ”Can machines think?”, kan maskiner tänka? I stället för att försöka definiera tänkande föreslog han ett test: om en maskin kan föra ett samtal så väl att man inte kan skilja den från en människa, finns det skäl att kalla den intelligent.
I dag finns det många definitioner, och regeringen konstaterade redan 2018 att begreppet saknar en entydig definition. Den som väger tyngst i Europa står i EU:s AI-förordning. Där är ett AI-system ”ett maskinbaserat system som är utformat för att fungera med varierande grad av autonomi och som kan uppvisa anpassningsförmåga efter införande och som, för uttryckliga eller underförstådda mål, drar slutsatser härledda från den indata det tar emot, om hur utdata såsom förutsägelser, innehåll, rekommendationer eller beslut som kan påverka fysiska eller virtuella miljöer ska genereras”. Kärnan är förmågan att dra slutsatser, som enligt förordningen går utöver grundläggande databehandling genom att möjliggöra inlärning, resonemang eller modellering. System som bara bygger på regler som människor har fastställt för att automatiskt utföra operationer räknas inte.
Gränsen flyttar sig dessutom. Så fort något fungerar slutar många att kalla det AI. Forskarna bakom Stanford-rapporten AI100 kallar det AI-effekten: tekniken blir vardag, folk vänjer sig och sedan räknas den inte längre som AI. Datavetaren Larry Tesler formulerade samma sak kring 1970: intelligens är det som maskiner inte har klarat än.
Figuren är interaktiv och behöver JavaScript.
Hur fungerar AI?
Det finns två huvudsakliga sätt att göra en dator smart. Det ena är att skriva regler. Under 1970- och 1980-talen byggdes så kallade expertsystem, där kunskap från experter skrevs in som långa listor av om-så-regler. Ett av de mest kända, R1 hos datorföretaget Digital Equipment, användes redan 1980 regelbundet i företagets tillverkning för att sätta ihop datorbeställningar.
Regler fungerar bra när världen är ordnad. Men många uppgifter är nästan omöjliga att beskriva med regler. Försök själv skriva ned exakt hur man känner igen en katt på en bild, eller vad som gör ett mejl till skräppost. Det andra sättet är därför att låta datorn lära sig av exempel. Det kallas maskininlärning. Pionjären Arthur Samuel på IBM byggde på 1950-talet ett damspel som lärde sig av partier det redan hade spelat, och han brukar räknas som den som myntade begreppet. Han skrev 1959 att datorer som lär sig av erfarenhet borde kunna ersätta mycket av det detaljerade programmeringsarbetet.
Figuren är interaktiv och behöver JavaScript.
Programmet i figuren gör i liten skala samma sak som dagens stora AI-modeller. Det får exempel med rätt svar, gissar, ser hur fel det blev och justerar sina tal lite i taget. Skillnaden är storleken: programmet ovan har tre tal att justera, de största språkmodellerna har hundratals miljarder. Lägg också märke till att maskinen bara kan bli så bra som sina exempel. Är exemplen få, skeva eller felaktiga blir det den lär sig också det.
Arbetet sker i två steg. Först tränas modellen, och för de stora modellerna är det den del som kräver mest datorkraft. Meta tränade 2024 sin största språkmodell, Llama 3.1, på över 16 000 grafikprocessorer. Sedan används den färdiga modellen. Varje gång du ställer en fråga till en chattbot räknar den fram ett svar med de tal som den redan har lärt sig, och det steget kallas inferens.
Tre sätt att lära en maskin
Maskininlärning kan gå till på flera sätt. EU-kommissionen räknar i sina riktlinjer till AI-förordningen upp övervakad, oövervakad och självövervakad inlärning, och så förstärkningsinlärning, som i EU:s svenska texter kallas återkopplingsinlärning.
Vid övervakad inlärning får maskinen exempel där svaret redan finns, ett facit. Kommissionens eget exempel är skräppostfiltret, som tränas på mejl som människor har märkt som skräp eller inte skräp. På samma sätt tränas system som känner igen föremål i bilder eller letar efter bedrägerier bland betalningar.
Vid oövervakad inlärning finns inget facit. Maskinen får bara data och letar själv efter mönster, som grupper av kunder som handlar på liknande sätt eller händelser som sticker ut. Kommissionen nämner läkemedelsföretag som använder sådana system för att hitta nya läkemedel.
Vid förstärkningsinlärning får maskinen inte heller något facit, bara en belöning när det går bra. Den prövar sig fram och lär sig med tiden vilka drag som lönar sig. Så lärde sig AlphaGo spela go: enligt Google DeepMind spelade programmet tusentals partier mot olika versioner av sig självt och lärde sig av sina misstag. Metoden används också för att finslipa chattbotar. Människor bedömer svaren, och modellen belönas för de svar som folk föredrar. Den tekniken kallas RLHF.
Det fjärde sättet förklarar hur språkmodellerna kunde bli så stora. Vid självövervakad inlärning skapar maskinen sitt eget facit ur datan. En språkmodell döljer nästa ord i en mening och försöker gissa det. Svaret står redan i texten, så ingen människa behöver märka något, och därför går det att träna på enorma mängder text. Kommissionen nämner just språkmodeller som lär sig att förutsäga nästa token i en mening.
Figuren är interaktiv och behöver JavaScript.
Neurala nätverk och djupinlärning
Nästan all AI som har gjort rubriker de senaste femton åren bygger på neurala nätverk. Kungliga Vetenskapsakademien skrev när den delade ut Nobelpriset i fysik 2024: ”När man i dag talar om artificiell intelligens är det oftast maskininlärning med artificiella neuronnätverk man syftar på.” Tekniken inspirerades från början av hur hjärnan är uppbyggd.
Idén är gammal. Redan 1943 beskrev neuroforskaren Warren McCulloch och logikern Walter Pitts en matematisk modell av hur hjärnans nervceller samarbetar: varje cell väger ihop signaler från andra celler och skickar en egen signal vidare. År 1957 föreslog Frank Rosenblatt perceptronen, ett nätverk för att tolka bilder som också byggdes som en maskin.
Ett artificiellt neuron är enkelt. Det tar emot tal, multiplicerar vart och ett med en vikt, lägger ihop dem och skickar ett nytt tal vidare. Vikterna är nätverkets parametrar, och det är dem som träningen justerar. Varje gång nätverket svarar fel räknar en metod som kallas backpropagation ut åt vilket håll varje vikt ska ändras för att felet ska minska. Metoden fick sitt genombrott 1986, när David Rumelhart, Geoffrey Hinton och Ronald Williams visade hur den kunde träna nätverk med dolda lager mellan in- och utdata.
Det är lagren som gör nätverken kraftfulla. I ett nätverk som känner igen bilder hittar det första lagret kanter, nästa lager sätter ihop kanterna till hörn och konturer, och lager för lager byggs mer komplicerade begrepp av enklare. Ingen människa har bestämt vad lagren ska leta efter, det har nätverket lärt sig av exemplen. Därför kallas det djupinlärning: djupet är antalet lager.
Figuren är interaktiv och behöver JavaScript.
Länge var neurala nätverk ett sidospår. I slutet av 1960-talet visade Marvin Minsky och Seymour Papert att de enklaste nätverken inte ens klarar uppgiften ”det ena eller det andra, men inte båda”, och pengarna till forskningen sinade. Du kan se samma begränsning i figuren: en ensam neuron klarar inte ringen. Genombrottet kom 2012. Ett djupt neuralt nätverk från Geoffrey Hintons grupp i Toronto vann då en stor tävling i bildigenkänning med en felandel på 15,3 procent, mot 26,2 procent för tvåan. Sedan dess bygger nästan all ny AI på neurala nätverk, och de största språkmodellerna kan ha över en biljon parametrar.
Likheten med hjärnan ska ändå inte överdrivas. Läroboken Deep Learning påpekar att nätverken bara är löst inspirerade av neurovetenskapen och att målet inte är att efterlikna hjärnan perfekt. En vuxen mans hjärna har i genomsnitt omkring 86 miljarder nervceller, enligt en studie från 2009. Vetenskapsakademien uttryckte det så här: ”Även om datorer inte kan tänka kan maskiner i dag efterlikna funktioner som minne och inlärning.”
AI, maskininlärning och generativ AI
Hur hänger begreppen ihop? AI är paraplyet, allt som får maskiner att klara uppgifter som kräver intelligens. Maskininlärning är en del av AI, där programmen lär sig av data, men inte hela. Ett expertsystem med inskrivna regler är också AI. Djupinlärning är i sin tur en del av maskininlärningen. Läroboken Deep Learning av Ian Goodfellow, Yoshua Bengio och Aaron Courville från 2016 ritar det som ringar i varandra och påpekar att maskininlärning inte är den enda vägen till AI.
Den senaste och mest omtalade grenen är generativ AI, som skapar nytt innehåll: text, bilder, ljud eller kod. Dess mest kända form är språkmodellerna bakom chattbotar som ChatGPT, Claude och Gemini. De har tränats på enorma mängder text och skriver sina svar genom att förutsäga nästa ord, om och om igen. ChatGPT är alltså AI, närmare bestämt generativ AI byggd på djupinlärning. Hur språkmodellerna fungerar går vi igenom i artikeln Hur fungerar en språkmodell?
Figuren är interaktiv och behöver JavaScript.
Exempel på AI i vardagen
Det mesta av all AI märks inte. Den finns i telefonen, i apparna och i tjänster som du använder varje dag, ofta utan att någon kallar den AI. Här är tio exempel, flera av dem från Sverige.
Mobilen känner igen ditt ansikte
När du låser upp en iPhone med Face ID lyser telefonen upp ansiktet med över 30 000 osynliga punkter. Bilden skickas genom neurala nätverk som gör en matematisk modell av ansiktet, och allt räknas ut i telefonen.
Djupinlärning
Skräpposten sorteras bort
Gmail stoppar enligt Google mer än 99,9 procent av all skräppost, nätfiske och skadlig kod. Sedan 2024 använder tjänsten också en språkmodell som har tränats på just sådana mejl.
Övervakad inlärning
Kartappen räknar ut restiden
Google Maps använder maskininlärning för att väga ihop trafiken just nu med hur den brukar vara. När Google DeepMind 2020 införde nya neurala nätverk blev restiderna upp till 50 procent mer träffsäkra i städer som Berlin och Tokyo.
Neurala nätverk
Musiken väljs åt dig
På Spotify väljer och ordnar algoritmer det du ser i Hem, Sök och de personliga spellistorna, utifrån din smak och hur lyssnare i allmänhet beter sig. Funktionen DJ beskriver Spotify som ett AI-drivet verktyg.
Rekommendationssystem
Översättningen blev bättre
När Google 2016 började översätta med neurala nätverk översattes hela meningar på en gång, i stället för ord och fraser var för sig. Enligt Google minskade felen med 55 till 85 procent för flera stora språkpar.
Neurala nätverk
Sökmotorn svarar själv
Sedan oktober 2025 finns Googles AI-läge på svenska. Där kan du ställa krångliga frågor och få ett skrivet svar från en version av Googles Gemini-modeller. Google skriver själv att det inte alltid blir rätt.
Generativ AI
Mammografin får hjälp
Omkring 106 000 kvinnor i Skåne deltog i studien MASAI, som jämförde AI-stödd granskning av mammografibilder med vanlig granskning. AI-stödet hittade 29 procent fler fall av bröstcancer och minskade radiologernas granskningsarbete med 44 procent. Många regioner har redan börjat använda metoden.
Bildanalys
Väderappen ser regnet
SMHI använder sedan november 2025 AI-modellen CHIMP i nederbördsprognosen. Den har tränats på fyra års satellitdata och syns i väderappens karta för nederbörd. Det europeiska vädercentret ECMWF kör sedan 2025 en AI-modell som drar ungefär tusen gånger mindre energi per prognos.
Maskininlärning
Svenskt tal blir text
Kungliga biblioteket har tränat KB-Whisper på 50 000 timmar svenskt tal med utskrifter, bland annat tv med undertexter och inspelningar från riksdagen. Enligt KB gör den bästa versionen i genomsnitt 47 procent färre fel per ord än OpenAI:s Whisper-large-v3.
Taligenkänning
Myndigheten svarar i chatten
Skatteverkets chattbot Skatti svarar på allmänna frågor om folkbokföring och deklarationen, och Pensionsmyndigheten har en liknande som heter Penni. Skatteverket använder också AI för att bland annat sortera inkommande e-post och analysera stora mängder data.
Chattbot
AI används också för att förbereda beslut om människor, och där blir frågorna svårare. Det återkommer vi till under Är AI farligt?
AI:s historia i korthet
AI:s historia är en historia av stora förhoppningar och bakslag. Efter Dartmouth trodde många att tänkande maskiner låg nära. När det dröjde vände stämningen. I Storbritannien konstaterade matematikern James Lighthill i en rapport 1973 att inga upptäckter inom fältet hade fått den stora effekt som en gång hade utlovats, och anslagen till AI-forskning skars ned. Perioden kallas den första AI-vintern, även om historiker diskuterar hur mycket rapporten själv orsakade.
I början av 1980-talet kom en ny vår med expertsystemen, och Japan satsade stort på ett eget AI-projekt. Men systemen klarade bara förhållandevis enkla problem och gick inte att skala upp, och i slutet av 1980-talet kom nästa vinter. AI-forskaren Melanie Mitchell berättar att hon, när hon disputerade 1990, fick rådet att inte skriva artificiell intelligens i sina jobbansökningar.
Sedan kom genombrotten tätare. I maj 1997 besegrade IBM:s schackdator Deep Blue världsmästaren Garri Kasparov med 3,5 mot 2,5. Efter djupinlärningens genombrott 2012 slog Google DeepMinds AlphaGo 2016 en av världens bästa gospelare, Lee Sedol, med fyra partier mot ett, inför mer än 200 miljoner tittare enligt DeepMind. År 2017 presenterade forskare på Google transformern, arkitekturen bakom dagens språkmodeller. Den 30 november 2022 släppte OpenAI ChatGPT, som enligt en uppskattning från banken UBS hade 100 miljoner användare i månaden efter två månader. I september 2026 uppgav OpenAI att över en miljard människor använder ChatGPT varje vecka.
År 2024 kom AI till Stockholm. Kungliga Vetenskapsakademien gav Nobelpriset i fysik till John Hopfield och Geoffrey Hinton ”för grundläggande upptäckter och uppfinningar som möjliggör maskininlärning med artificiella neuronnätverk”. Hälften av kemipriset gick till Demis Hassabis och John Jumper på Google DeepMind för AlphaFold, som har förutsagt formen på över 200 miljoner proteiner. Sommaren 2025 nådde en AI-modell från Google DeepMind guldnivå i den internationella matematikolympiaden, bedömd av olympiadens egna domare. Fler milstolpar finns på vår tidslinje.
Varför händer så mycket nu?
AI-forskningen är sjuttio år gammal. Varför tog det fart först nu? Forskare brukar peka på tre ingredienser: datorkraft, data och bättre algoritmer. Till dem kan läggas en fjärde, pengar.
Den största förändringen gäller datorkraften. Forskarna vid Epoch AI har räknat på hur många beräkningar det krävdes för att träna hundratals kända AI-modeller. Före 2010 fördubblades mängden ungefär var tjugonde månad, i takt med att datorerna blev snabbare. Sedan djupinlärningen slog igenom har den fördubblats ungefär var sjätte månad, och för de mest avancerade språkmodellerna har den vuxit omkring fem gånger per år sedan 2020. Beräkningarna görs främst på grafikprocessorer, chip som kan göra ett stort antal beräkningar samtidigt i stället för en i taget.
Figuren är interaktiv och behöver JavaScript.
Den andra ingrediensen är data. När bilddatabasen ImageNet presenterades 2009 innehöll den 3,2 miljoner bilder, och 2012 hade den vuxit till över 15 miljoner. Nätverket från Toronto tränades på 1,2 miljoner av dem. Språkmodellerna tränas på ännu mer. Meta tränade sin Llama 3 på över 15 biljoner token från öppet tillgängliga källor. Forskare vid Epoch AI har räknat ut att om utvecklingen fortsätter kommer modellerna någon gång mellan 2026 och 2032 att tränas på ungefär lika mycket text som människor har publicerat offentligt.
Den tredje ingrediensen är bättre metoder. Transformern från 2017 gick att räkna parallellt och tog betydligt kortare tid att träna än tidigare metoder. Forskare har beräknat att den datorkraft som krävs för att en språkmodell ska nå en viss nivå har halverats ungefär var åttonde månad tack vare bättre algoritmer. Ändå har den ökade datorkraften betytt ännu mer. AI-forskaren Rich Sutton kallade det 2019 för den bittra läxan: den största lärdomen från 70 års AI-forskning, skrev han, är att generella metoder som utnyttjar datorkraft till slut är de mest effektiva, och det med bred marginal.
Den fjärde ingrediensen är pengar. Enligt Stanford-universitetets AI Index investerade privata investerare 344,7 miljarder dollar i AI världen över under 2025, mer än dubbelt så mycket som året innan. Nästan hälften gick till företag inom generativ AI.
Vad AI klarar i dag, och inte
Enligt Stanford-universitetets årliga AI Index från april 2026 planar utvecklingen inte ut, den accelererar. De bästa modellerna når eller överträffar mänskliga jämförelsevärden på frågor i naturvetenskap på forskarnivå, på uppgifter som kräver att man resonerar kring både text och bild och i tävlingsmatematik.
Men förmågan är ojämn, och forskarna talar om en taggig gräns. Samma rapport konstaterar att AI kan vinna guld i matematikolympiaden men inte på ett pålitligt sätt kan avläsa en klocka: den bästa modellen läste rätt på en analog klocka i 50,1 procent av fallen. AI-agenter misslyckas fortfarande med ungefär en av tre uppgifter i strukturerade tester, och robotar klarar bara 12 procent av vanliga hushållssysslor. Den internationella säkerhetsrapporten om AI från februari 2026 beskriver samma sak: systemen kan spåra ur på enkla fel i projekt med många steg, och de fortsätter att hitta på saker.
Det gör dagens AI både användbar och opålitlig på en och samma gång. Varför den hittar på förklarar vi i Varför hittar AI på?, hur AI som utför uppgifter på egen hand fungerar i Vad är en AI-agent? och vad allt kostar i el i Hur mycket energi drar AI?
Smal AI, generell AI och superintelligens
Ett vanligt sätt att dela in AI är efter hur bred den är. Länge byggdes AI för en uppgift i taget. Ett schackprogram kan inte översätta och ett översättningsprogram kan inte spela schack. Sådan AI kallas smal AI. Dagens chattbotar är något annat: de kan skriva, räkna, programmera och översätta i samma samtal. Den internationella säkerhetsrapporten kallar dem AI för allmänna ändamål.
Ändå är de inte vad forskare menar med AGI, artificiell generell intelligens: ett system som klarar i princip allt intellektuellt arbete som en människa kan. Stanford-rapporten AI100 skriver i november 2026 att en stor och växande del av mänskligheten använder kraftfulla AI-verktyg för allmänna ändamål, men att de ännu inte är AGI, och att det fortfarande inte finns någon enighet om exakt vad som skulle räknas som AGI. Mer om det i artikeln Vad är AGI, egentligen?
Ett steg längre bort finns superintelligens, ett intellekt som vida överträffar de bästa mänskliga hjärnorna inom praktiskt taget alla områden. Det är den frågan som hela SI-bolaget handlar om, och som vi beskriver på startsidan.
Är AI farligt?
Det beror på vad man menar, och forskarna är inte överens om allt. Den internationella säkerhetsrapporten om AI 2026, som har skrivits av över 100 experter och har stöd av mer än 30 länder och internationella organisationer, delar in riskerna i tre grupper: att någon använder AI för att skada, att AI gör fel och följder för hela samhället. Samtidigt konstaterar rapporten att AI redan gör nytta inom vård, forskning och utbildning.
Fel och bedrägerier
Dagens AI hittar ibland på fakta, skriver felaktig kod och ger missvisande råd, också om hälsa. Bedragare använder AI för att klona röster och göra falska videor, så kallade deepfakes, för att lura folk på pengar. I mars 2026 varnade Finansinspektionen för att det kan vara nästintill omöjligt att avgöra att innehållet är fejk, och enligt myndighetens undersökning oroar sig sex av tio svenskar för hur AI kan användas i bedrägerier.
Orättvisa beslut
AI som lär sig av data kan också lära sig fördomar. Den internationella säkerhetsrapporten från 2025 konstaterar att AI-system för allmänna ändamål ofta visar snedvridningar när det gäller till exempel kön, kultur, ålder och funktionsnedsättning. I Sverige granskade Svenska Dagbladet och Lighthouse Reports 2024 en maskininlärningsmodell som Försäkringskassan använde för att välja ut vab-ärenden för kontroll. Enligt granskningen pekade modellen oftare felaktigt ut kvinnor, migranter, låginkomsttagare och personer utan universitetsutbildning. Integritetsskyddsmyndigheten, IMY, inledde en tillsyn, och 2025 slutade Försäkringskassan att använda modellen. I november 2026 inledde IMY en granskning av ett AI-system som Arbetsförmedlingen använder för att bedöma vilka insatser arbetssökande kan få.
Jobben
Omkring 60 procent av jobben i avancerade ekonomier och 40 procent i tillväxtekonomier berörs av AI, enligt den internationella rapporten. Hittills syns ingen effekt på den totala sysselsättningen, men vissa tecken på att efterfrågan minskar på nyanställda i yrken som berörs mycket, till exempel inom skrivande. Ekonomerna är oense om framtiden. En del räknar med att nya jobb ersätter dem som försvinner, andra tror att automatiseringen kan pressa både sysselsättning och löner.
Större risker framåt
Rapporten tar också upp risker som kan växa när AI blir kraftfullare. AI kan hitta säkerhetsluckor och skriva skadlig kod, och kriminella grupper och statligt knutna angripare använder redan AI. Under 2025 släppte flera AI-företag nya modeller med extra skydd, eftersom de inte kunde utesluta att modellerna skulle kunna hjälpa nybörjare att ta fram biologiska eller kemiska vapen. Och så finns frågan om människan kan förlora kontrollen över AI-system. Dagens system har inte den förmågan, men experternas bedömningar av hur sannolikt det är går kraftigt isär. Vi går igenom frågan i Kan vi styra något som är smartare än vi?
Vad säger lagen?
EU:s AI-förordning reglerar AI efter hur stor risken är. Det mesta, som skräppostfilter och AI i datorspel, omfattas inte av några nya regler alls. Sedan februari 2025 är vissa användningar förbjudna, till exempel social poängsättning, att samla in ansiktsbilder från internet för att bygga databaser för ansiktsigenkänning och att läsa av känslor på arbetsplatser och i skolor. Sedan augusti 2026 ska det framgå när man pratar med en chattbot, och den som sprider deepfakes ska tala om att de är skapade med AI. Från december 2026 förbjuds också AI som skapar nakenbilder av verkliga personer. De strängaste reglerna, för AI inom till exempel utbildning, anställning och gränskontroll, gäller från december 2027, sedan EU sommaren 2026 skjutit upp dem.
AI i Sverige
Svenskarna har tagit till sig AI snabbt. Enligt SCB hade 47 procent av alla som är 16 år eller äldre använt generativa AI-verktyg under de senaste tre månaderna 2026, mot 25 procent två år tidigare. Bland 16- till 24-åringar var andelen 71 procent, och den största ökningen syntes bland de äldre: bland 65- till 74-åringar steg den från 4 till 20 procent.
Figuren är interaktiv och behöver JavaScript.
Den mest använda tjänsten är ChatGPT, som enligt Internetstiftelsens undersökning Svenskarna och internet 2026 används av 52 procent av alla som är 8 år eller äldre och använder internet. Tre av fyra AI-användare säger att de brukar dubbelkolla svaren, men bland pensionärerna som använder AI gör nästan fyra av tio det inte. Samtidigt är många skeptiska. I SOM-institutets undersökning hösten 2025 var 38 procent övervägande pessimistiska om AI:s påverkan på samhället, mot 25 procent som var optimistiska.
Företagen ligger också långt fram. Enligt Eurostat använde 35 procent av de svenska företagen med minst tio anställda AI under 2025, nästan dubbelt så många som genomsnittet i EU. Bara Danmark och Finland låg högre. Bland de stora företagen var andelen enligt SCB 72 procent.
Politiken har följt efter. AI-kommissionen lämnade i november 2024 en färdplan med 75 förslag, som beräknades kosta 16,7 miljarder kronor på tio år, och varnade för att Sverige halkade efter. I februari 2026 presenterade regeringen Sveriges första heltäckande AI-strategi, med målet att Sverige ska vara bland de tio främsta länderna i världen inom AI. Det nationella centret för tillämpad AI, AI Sweden, byggde redan 2023 GPT-SW3, den första stora generativa språkmodellen för de nordiska språken.
Så kommer du igång
- Prova en chattbot på något du själv kan mycket om. Då ser du snabbt både vad den klarar och var den gör fel.
- Kontrollera fakta, källor och siffror innan du använder dem. AI kan låta säker även när den har fel.
- Var försiktig med vad du skriver in. Personuppgifter, hälsouppgifter och företagshemligheter hör inte hemma i en chattbot som du inte vet hur den hanterar data.
- Var skeptisk mot samtal och videor där en anhörig eller en känd person ber dig om pengar eller tipsar om en investering. Röster och ansikten kan vara skapade med AI.
- Lär dig grunderna. Den kostnadsfria kursen Elements of AI, från Helsingfors universitet och MinnaLearn, finns på svenska genom Linköpings universitet. Vår ordlista förklarar begreppen.
Vanliga frågor om AI
Vad står AI för?
AI står för artificiell intelligens, på engelska artificial intelligence. Begreppet myntades 1955 av datavetaren John McCarthy.
Vem uppfann AI?
Ingen enskild person. Alan Turing frågade redan 1950 om maskiner kan tänka, och John McCarthy myntade begreppet artificiell intelligens 1955, i ett förslag till en sommarstudie vid Dartmouth College året därpå. Sedan dess har tusentals forskare byggt vidare.
Vad är skillnaden mellan AI och maskininlärning?
AI är det övergripande begreppet för maskiner som klarar uppgifter som kräver intelligens. Maskininlärning är ett sätt att bygga AI, där programmet lär sig av data i stället för att följa regler som någon har skrivit. Nästan all AI i dag bygger på maskininlärning, men inte all AI gör det.
Är ChatGPT AI?
Ja. ChatGPT är en chattbot som bygger på en stor språkmodell, alltså generativ AI. Den har tränats på enorma mängder text och skriver sina svar genom att förutsäga ett ord i taget.
Kan AI tänka?
Det beror på vad man menar med att tänka, och forskarna är oense. Dagens AI kan lösa svåra problem men gör också fel som ingen människa skulle göra. Om en AI kan bli medveten diskuterar vi i Kan en AI bli medveten?
Är AI farligt?
AI används redan för bedrägerier och deepfakes, kan ge felaktiga svar och kan fatta orättvisa beslut om den har lärt sig av skeva data. Hur stora de framtida riskerna är råder det delade meningar om bland experterna. Läs mer under Är AI farligt? ovan.
Kommer AI att ta våra jobb?
Omkring 60 procent av jobben i avancerade ekonomier berörs av AI, enligt den internationella säkerhetsrapporten om AI 2026. Hittills syns ingen effekt på den totala sysselsättningen, och ekonomerna är oense om hur det blir framöver.
Hur mycket energi drar AI?
En enskild fråga till en chattbot drar lite el, men AI-bolagen bygger datacenter som drar lika mycket el som storstäder. Siffrorna går vi igenom i Hur mycket energi drar AI?
Vad är AGI?
AGI, artificiell generell intelligens, är AI som klarar i princip allt intellektuellt arbete som en människa kan. Det finns inte än, och forskarna är oense om när eller om det kommer. Mer i Vad är AGI, egentligen?
Hur lär jag mig mer om AI?
Prova själv, gärna på något du kan mycket om. Den kostnadsfria kursen Elements of AI finns på svenska, och vår ordlista förklarar begreppen. Fler fördjupningar finns i listan nedan.
Fördjupa dig
Den här artikeln är en början. Våra fördjupningar tar vid där den slutar.
- Hur fungerar en språkmodell? Så skriver ChatGPT, Claude och Gemini, en bit text i taget.
- Varför hittar AI på? Därför kan AI svara fel med exakt samma säkra ton som när den har rätt.
- Vad är en AI-agent? AI som inte bara svarar på frågor utan utför uppdrag själv.
- Hur mycket energi drar AI? Från en enda fråga till hela världens datacenter.
- Vad är AGI, egentligen? Begreppet som flera av världens största teknikföretag säger att de bygger.
- Kan AI förbättra sig själv? När AI börjar bygga bättre AI.
- Kan vi styra något som är smartare än vi? Vad forskarna har lärt sig av AI som fuskar, smickrar och saboterar.
- Kan en AI bli medveten? Vad forskningen vet, och vad den inte vet.
Vår syn
Det här avsnittet är SI-bolagets åsikt. Resten av artikeln redovisar forskningen. Här säger vi vad vi själva tror.
AI är inte en enda sak utan en hel familj av tekniker, och den växer snabbare än någon annan teknik i vår tid. Därför tycker vi:
- Allemansrätt till intelligens. Alla ska kunna förstå vad AI är och använda den, inte bara de som bygger den. Kunskap om AI är en del av allmänbildningen.
- Människan i centrum. AI ska göra oss klokare och friare, inte ersätta vårt omdöme. Den som använder AI har kvar ansvaret för det den gör med svaren.
- Ödmjukhet. Dagens AI är taggig: briljant i ett ögonblick och fel i nästa. Vi vet inte hur långt den räcker, och det är ett skäl att följa utvecklingen noga.
Vi tror att AI kan bli det mest betydelsefulla som mänskligheten har skapat. Just därför är det viktigt att så många som möjligt förstår vad den är.
Källor
- J. McCarthy, M. L. Minsky, N. Rochester och C. E. Shannon, A Proposal for the Dartmouth Summer Research Project on Artificial Intelligence, 31 augusti 1955, och Stanford School of Engineering, om John McCarthy, oktober 2011.
- A. M. Turing, Computing Machinery and Intelligence, Mind 59, 1950.
- Regeringskansliet, Nationell inriktning för artificiell intelligens, 2018, förordning (EU) 2024/1689 (AI-förordningen), artikel 3.1 och skäl 12, Europeiska unionens officiella tidning, 12 juli 2024, och Europeiska kommissionen, Kommissionens riktlinjer om definitionen av ett system för artificiell intelligens enligt förordning (EU) 2024/1689 (AI-förordningen), bland annat punkt 32 till 38, 29 juli 2025.
- Stanford University, One Hundred Year Study on Artificial Intelligence (AI100), 2016 Report: Defining AI, september 2016, och Larry Tesler, Adages and Coinages.
- John McDermott, R1: An Expert in the Computer Systems Domain, AAAI 1980.
- A. L. Samuel, Some Studies in Machine Learning Using the Game of Checkers, IBM Journal, juli 1959, och IBM, om Arthur Samuel.
- Meta, Introducing Llama 3.1, juli 2024, och Introducing Meta Llama 3, april 2024.
- Google, What is clustering?, ur kursen Machine Learning, 2025.
- Google DeepMind, AlphaGo.
- International AI Safety Report, International AI Safety Report 2026, februari 2026, och International AI Safety Report 2025, januari 2025.
- Kungliga Vetenskapsakademien, pressmeddelande om Nobelpriset i fysik 2024, 8 oktober 2024, populärvetenskaplig information och Scientific Background to the Nobel Prize in Physics 2024.
- D. E. Rumelhart, G. E. Hinton och R. J. Williams, Learning representations by back-propagating errors, Nature 323, 1986, och Y. LeCun, Y. Bengio och G. Hinton, Deep learning, Nature 521, 2015.
- Ian Goodfellow, Yoshua Bengio och Aaron Courville, Deep Learning, MIT Press, 2016, kapitel 1 och kapitel 6.
- Alex Krizhevsky, Ilya Sutskever och Geoffrey Hinton, ImageNet Classification with Deep Convolutional Neural Networks, NIPS 2012.
- F. A. C. Azevedo m.fl., Equal numbers of neuronal and nonneuronal cells make the human brain an isometrically scaled-up primate brain, Journal of Comparative Neurology, 2009.
- Apple, pressmeddelande om iPhone X och Face ID, september 2017.
- Google, om Gmails skydd mot skräppost, december 2024.
- Google DeepMind, Traffic prediction with advanced Graph Neural Networks, september 2020.
- Spotify, Förstå rekommendationer och DJ.
- Google Research, A Neural Network for Machine Translation, at Production Scale, september 2016.
- Google, om AI-läget i Google Sök i Sverige, 8 oktober 2025.
- Lunds universitet, om AI-stöd vid bröstcancerscreening, 30 januari 2026, och Hernström m.fl., Screening performance and characteristics of breast cancer detected in the Mammography Screening with Artificial Intelligence trial (MASAI), The Lancet Digital Health, 2025.
- SMHI, om AI-modellen i nederbördsprognosen, 5 november 2025, och ECMWF, om AI-prognoserna, 25 februari 2025.
- KBLab, Kungliga biblioteket, om KB-Whisper, mars 2025.
- Regeringen, Sverige kliver fram på AI-området, september 2025.
- James Lighthill, Artificial Intelligence: A General Survey, Science Research Council, 1973, med en översikt över följderna, IEEE Spectrum, Freddy the Robot Was the Fall Guy for British AI, april 2025, och Jon Agar, What is science for? The Lighthill report and the purpose of artificial intelligence research, UCL, 2020.
- Melanie Mitchell, Why AI is Harder Than We Think, 2021.
- IBM, Deep Blue.
- Vaswani m.fl., Attention Is All You Need, 2017.
- History.com, om lanseringen av ChatGPT, Reuters via Cyprus Mail, ChatGPT sets record for fastest-growing user base, februari 2023, och The Decoder, om OpenAI:s användarsiffror, september 2026.
- Kungliga Vetenskapsakademien, Nobelpriset i fysik 2024 och The Nobel Prize in Chemistry 2024, oktober 2024, och Varadi m.fl., AlphaFold Protein Structure Database in 2024, Nucleic Acids Research, 2024.
- Google DeepMind, Advanced version of Gemini with Deep Think officially achieves gold-medal standard at the International Mathematical Olympiad, juli 2025.
- J. Sevilla m.fl., Compute Trends Across Three Eras of Machine Learning, 2022, och Epoch AI, Trends in AI, februari 2026.
- Epoch AI, Data on AI models, CC BY 4.0, läst 15 november 2026, och FN, World Population Prospects 2024.
- Center for Security and Emerging Technology, AI Chips: What They Are and Why They Matter, april 2020.
- J. Deng m.fl., ImageNet: A large-scale hierarchical image database, CVPR 2009.
- P. Villalobos m.fl., Will we run out of data? Limits of LLM scaling based on human-generated data, 2024.
- A. Ho m.fl., Algorithmic progress in language models, 2024.
- Rich Sutton, The Bitter Lesson, mars 2019.
- Stanford HAI, The 2026 AI Index Report, april 2026.
- Stanford University, AI100 2026 Report: AI Goes Mainstream, november 2026.
- Finansinspektionen, om AI-bedrägerier, 6 mars 2026.
- Lighthouse Reports, Sweden’s Suspicion Machine, november 2024, och Integritetsskyddsmyndigheten, Avslutad tillsyn efter att Försäkringskassan tagit AI-system ur bruk, 18 november 2025, och IMY granskar Arbetsförmedlingens AI-system för arbetssökande, 5 november 2026.
- Europeiska kommissionen, AI Act, uppdaterad 19 oktober 2026, och förordning (EU) 2024/1689, artikel 5 och 50.
- SCB, Användning av generativa AI-verktyg, år 2024 till 2026, statistikdatabasen, oktober 2026, och Artificiell intelligens i Sverige 2025.
- Eurostat, 20% of EU enterprises use AI technologies, 11 december 2025, och datasetet isoc_eb_ai, läst 15 november 2026.
- Internetstiftelsen, Svenskarna och internet 2026, kapitlet om AI, september 2026.
- Göteborgs universitet, om SOM-institutets undersökning, april 2026.
- Regeringen, AI-kommissionen överlämnar sina förslag till regeringen, 26 november 2024, AI-kommissionen, Färdplan för Sverige, SOU 2025:12, och Regeringen, Sveriges första heltäckande AI-strategi ska ge en topp tio-placering, 20 februari 2026.
- AI Sweden, GPT-SW3.
- Elements of AI, En gratis online-kurs om grunderna i artificiell intelligens.
Begrepp i artikeln
Så gör vi: Artiklarna skrivs med hjälp av AI, och varje faktauppgift kontrolleras mot källorna i listan ovan. Hittar du ett fel? Skriv till hej@sibolaget.se.