I en tid präglad av osäkerhet – från geopolitiska hot till teknologisk omställning – framstår samverkan inte som ett val, utan som en förutsättning. Men vad innebär det egentligen att samverka? För filosofen Margaret Gilbert är genuin samverkan inte en lös koalition av enskilda aktörer med överlappande intressen, utan ett uttryck för joint commitments – där parter gemensamt åtar sig att handla som ett “vi”, bundna till varandra inte bara av mål, utan av ömsesidigt ansvar.

Denna tanke återkommer med kraft i Bäcklund, Huck och Sukhovs artikel, som visar att även innovation vilar på sådana bindande gemenskaper. Idéer överlever inte på egna meriter – de behöver förankras, förstås och vidareutvecklas i ett sammanhang där människor delar ansvar för deras öde. För att en idé ska överleva krävs att någon – eller snarare flera – uttryckligen förbinder sig att utveckla den vidare. Det krävs en gemensam hållning, en form av “vi tror på detta” snarare än “någon borde göra något”. Tekniska möjligheter och initial entusiasm är grundförutsättningar, men när idéer blir föremål för gemensamt engagemang, förpliktar det – och skapar ett slags vardaglig samverkan där lojalitet mot det gemensamma är avgörande för resultatet.

En liknande logik präglar Berndtssons analys av totalförsvarets återkomst. Ett fungerande totalförsvar kräver både samordning mellan myndigheter, näringsliv och civilsamhälle, och en folkförankrad vilja att bidra – att stå fast vid ett gemensamt åtagande även när det kostar på. Men totalförsvarets återuppbyggnad handlar om mer än strukturer; den behöver förankra ett kollektivt ansvar hos befolkningen – en vilja att delta, att uppfatta beredskap som ett gemensamt projekt.

Även Sandbergs artikel om AI:s roll i hållbarhetsomställningen belyser vikten av ett bredare samhälleligt perspektiv. Han betonar behovet av en gemensam färdriktning bortom teknisk potential – ett vi som innefattar stat, näringsliv, akademi och civilsamhälle. Här blir det tydligt att samverkan inte uppstår spontant; den måste formaliseras, kommuniceras och erkännas som ett ömsesidigt ansvar. För att AI ska kunna bidra till klimatmålen krävs ett uttryckligt, kollektivt åtagande att upprätthålla och vidareutveckla gemensamma normer, investeringar och mål. Ett sådant åtagande ger alla parter rätten att inte bara förvänta sig handling, utan också att ställa krav och utkräva ansvar. Hållbarhet blir då inte ett särskilt mål att integrera i teknologi, utan en fråga om hur teknologi vävs samman med våra gemensamma praktiker där vissa framtider möjliggörs – och andra omöjliggörs.

Samma mönster träder fram i Sjödin, Parida och Kohtamäkis fallstudier om AI och cirkulära industrilösningar. Här visar författarna att företagens framgång inte vilar på teknik i sig, utan på deras förmåga att ingå i långsiktiga, ömsesidiga samarbetsrelationer med kunder, leverantörer och partners. Det kräver, utöver kontrakt och förtroende, en uttalad vilja att hålla fast vid gemensamma åtaganden över tid – ett varaktigt ansvar som inte ensidigt kan brytas. När lösningar utvecklas iterativt, med öppenhet, återkoppling och gemensamt lärande, ser vi hur denna typ av ömsesidiga åtaganden tar form genom hållbara affärsmodeller. Det således inte summan av individuella beslut som skapar uthållig samverkan, utan den ömsesidiga förståelsen att vi har bundit oss till varandra – och att detta förpliktar.

I samtliga artiklar ser vi, i varierande grad, hur det är förmågan att uppmärksamma, samordna och gemensamt ta ansvar som avgör vad som faktiskt får fäste och förändrar. Det är just i förlängningen av dessa gemensamma åtaganden och det kollektiva ansvaret som frågan om teknologins roll i samhället blir verkligt brännande. Teknologi är aldrig bara ett medel för att uppnå ett mål, utan en kraft som omskapar vad som redan finns, vad som räknas som möjligt, eftersträvansvärt och begripligt inom en viss praktik. Särskilt tydligt blir detta i fallet med AI, som bär på en inneboende paradox: den möjliggör idéer som tidigare var otänkbara, men fungerar samtidigt som en kalkylerande mekanism där likartade underliggande antaganden tenderar att reproducera sannolika, och därmed tänkbara, lösningar. På så sätt är detta nummer en inbjudan till reflektion: om försvarsvilja, kanske i sin bredaste mening, framtidsvilja, om idéers väg genom organisationer, om AI:s möjligheter och baksidor. Men framför allt är det en inbjudan att tänka tillsammans – över gränser, över discipliner, och över det som ännu inte fått fäste i vår vardag.

För mig speglar dessa tankar det som IMIT ytterst står för: en ambition att förstå ledning, innovation och teknologi inte som separata fenomen, utan som sammanvävda med våra sociala praktiker. Som ny föreståndare för IMIT vill jag särskilt uppmuntra forskning som tar detta samspel på allvar, som undersöker hur teknologiska möjligheter blir meningsfulla först när de förankras i gemensamt ansvar, organisatoriska möjligheter och vardagligt handlande. Det är där jag tror att verklig förändring kan ta form. I samtal med kollegor och ledare återkommer en fråga: Hur skapar vi rum för det oväntade? För de perspektiv som inte alltid syns, men som bär på insikter vi behöver? För idéer som kanske inte är färdiga, men som rör vid något viktigt? Det är i den andan jag vill att IMIT ska verka – som en plats där teknologi inte bara förstås som verktyg, utan som något som formas i relationer, organisering och en vision om gemensam mening. Där AI, digitalisering och innovation inte ses som färdiga lösningar, utan som pågående innovationsprocesser som kräver eftertanke, mod och ansvar. Det är där jag vill fortsätta vårt arbete.

Välkommen till samtalet.

Robert Demir

Föreståndare, IMIT

Tidigare forskning har visat att idéers överlevnad i organisationer inte är en enkel eller linjär process. Legitimering inom organisationen, upplevd tydlighet, användarvärde, genomförbarhet och individens vilja att driva idéer framåt spelar avgörande roller.

Syftet med denna artikel är att fördjupa förståelsen för vad som faktiskt driver idéer vidare i innovationsprocessen och diskutera vilken roll AI bör spela – eller inte spela – i detta arbete. Vi utgår från tre nyligen genomförda studier som belyser olika faser av idéutveckling, både med och utan stöd av generativ AI.

Studie 1: AI-assisterad, traditionell eller virtuell – vad skapar egentligen värdefulla idéer?

Traditionellt har idégenerering mätts i termer av kvantitet och kvalitet. Ju fler och bättre idéer, desto bättre resultat. Men i en tid där digitala teknologier, i synnerhet generativ AI, omformar arbetslivets dynamik, räcker dessa mått inte längre för att förstå vad som gör en idéprocess lyckad. I denna studie, som bygger på ett examensarbete i Industriell Ekonomi vid Karlstads Universitet (Mc Caslin, 2025), undersöktes tre olika idégenereringstekniker: AI-assisterad, traditionell och virtuell.

Studien bestod av tre workshops med fem deltagare från ett svenskt IT-konsultbolag i vardera. Varje grupp testade en teknik: AI-assisterad – Deltagarna använde verktyg som ChatGPT för att individuellt generera idéer innan gruppdiskussion. Traditionell – Fysisk idégenerering i grupp utan AI. Virtuell –Idégenerering online via Teams med digital whiteboard. Datainsamling skedde via enkäter och observationer, och totalt 100 idéer genererades mellan dessa tre grupper. Idéernas originalitet, genomförbarhet, användarvärde och tydlighet utvärderades sedan av beslutsfattande experter inom företaget. Utöver detta använde studien även indikatorer som idéflöde, social dynamik och deltagarnas motivation.

Den AI-assisterade gruppen genererade flest idéer och kvaliteten på idéerna skilde sig inte i någon större utsträckning jämfört med de andra grupperna.

Den traditionella gruppen genererade inte flest idéer, men de idéer som togs fram upplevdes ha högre användarvärde (med andra ord nytta för kunden) jämfört med den virtuella gruppen. Dessutom beskrev deltagarna sessionen som mer engagerande, roliga och stimulerande. Idéflödet med levande och dynamiska diskussioner innebar att deltagarna kände sig motiverade att vilja fortsätta sina diskussioner efter sessionen.

Den virtuella gruppen presterade relativt likt de andra grupperna vad gäller idéernas originalitet, genomförbarhet och tydlighet, men idéerna hade betydligt lägre användarvärde än den traditionella gruppen. Idéflödet var lägre, då deltagarna behövde turas om för att prata, och den gemensamma diskussionen fick vänta tills alla hade presenterat sina idéer. Framförallt upplevde deltagarna i den virtuella gruppen att det inte var lika roligt att generera idéer jämfört med de andra grupperna.

Detta belyser vikten av social dynamik och motivation som en avgörande faktor, inte bara för idégenerering utan även för deltagarens engagemang. Om målet är att skapa meningsfulla innovationstillfällen där medarbetare känner motivation och tillfredsställelse, bör man överväga att prioritera traditionella metoder.

Studie 2: Generativ screening främjar idéernas utveckling

Att utvärdera idéer är en viktig men ofta underskattad del av innovationsarbetet. Den här studien visar att själva utvärderingen inte bara handlar om att välja rätt idé utan också om att föreställa sig idéernas potential och förbättra dem. Studien bygger på ett examensarbete i Industriell Ekonomi vid Karlstads universitet, genomfört på ett pappers- och massabruk (Bäcklund, 2025). Anläggningen är stor, komplex och präglas av höga krav på kontinuerliga förbättringar. Många idéer samlas in från medarbetarna, men historiskt har det varit svårt att omsätta dessa idéer i praktiken.

Mot denna bakgrund genomfördes ett experiment  där 10 idéer utvärderades av 15 experter (som resulterade i totalt 150 idéuscreeningsfall) för att jämföra två sätt att utvärdera idéer (se Figur 1):

• En traditionell screening (idéutvärdering), där deltagarna bara betygsatte färdiga idéer.

• En generativ screening, där deltagarna först uppmuntrades att föreslå förbättringar och vidareutveckla idéer innan de gjorde sin bedömning.

Medarbetare från flera olika delar av organisationen deltog i att bedöma ett urval av verkliga idéer från brukets interna idébank. Idéerna utvärderades enligt deras originalitet, genomförbarhet, användarvärde och med en helhetsbedömning. Resultaten visar att när deltagarna fick möjlighet att bidra med egna förbättringar (generativ screening) ökade deras engagemang. De blev mer villiga att arbeta med implementering och upplevde i högre grad att idén gick att genomföra. Samtidigt visade bedömningarna att sättet en idé kommuniceras på inte påverkar viljan att arbeta vidare med idéen, varken positivt eller negativt.

Studien visar också att psykologiskt ägarskap, känslan av att en idé tillhör en själv och sitt team, ökar när medarbetare bidrar till idéutveckling. Det stärker den inre motivationen och gör det mer sannolikt att idéer blir genomförda.

Studie 3: Så förändras idéer genom generativ screening

Denna forskningsstudie (Sukhov, Sihvonen, Huck, et al., 2025) undersökte hur generativ screening fungerar och vad som faktiskt händer med idéerna vid idéförbättringsförsök. Data samlades in vid två svenska organisationer som aktivt arbetar med användargenererade idéer. Studien bygger på 175 idéscreeningsfall från dessa två organisationer, där 15 experter  försökte att förbättra idéerna i samband med utvärdering. Experterna hade lång branscherfarenhet och kunskaper kring såväl tekniska som kundspecifika områden, och  idéerna härstammade från diverse användare inom och utanför respektive organisation.

Resultaten visar att experter utvecklade idéerna genom stora och små förändringar av den ursprungliga idén. Tre generativa aktiviteter identifierades:

• Anpassning – justera idéer för att bättre passa in i organisationen

• Konkretisering – göra otydliga idéer mer tydliga och användbara.

• Förändring – ändra eller förbättra idéer för att öka deras värde.

Dessa tre aktiviteter användes i olika kombinationer, som kännetecknade fyra distinkta processer (se Figur 2):

• Enkel utvärdering – bedöma idén som bra eller dålig.

• Enkel modifiering – anpassa eller konkretisera den befintliga idén.

• Cyklisk modifiering – anpassa och konkretisera den befintliga idén.

• Cyklisk utforskning – förändra, anpassa, och konkretisera en ny idé som experten skapade.

Dessa fyra processer kan betraktas som ett spann där generativa/utvecklande aktiviteter saknades i enkla utvärderingar men var mycket generativa eller kreativa i cyklisk utforskning. Trots utforskande inslag höll experterna sig ofta nära ursprungsidén. Det handlade inte om att tänka om från grunden, utan snarare att förfina och förbättra den befintliga idén, eller bygga vidare på en spin-off idé.

”Idéer överlever inte enbart på egna meriter. De behöver legitimitet inom organisationen, förstås av andra och passa in i rådande normer, mål och strukturer”

Diskussion: meningsskapande i idéutveckling

Studie 1 visar att när generativ AI används i kreativa processer effektiviseras skapandet av idéer med rimlig kvalité, dock är det inte det som gör idégenerering och utveckling meningsfull. När människor interagerar, delar med sig av sina unika kunskaper och bär med sig mycket energi blir processen meningsskapande. Idéerna får relevans, engagemang skapas och idéernas användarvärde (studie 1) och genomförbarhet (studie 2) blir tydligare.

Meningsskapande är en central länk mellan idégenerering och innovation. För att idéer ska utvecklas till innovationer krävs därför mer än bara teknik som underlättar vissa aktiviteter. Idéer blir inte innovationer av sig själva. Det krävs att någon, så som experterna i Studie 2 och 3 gjorde, som tar ansvar, förbättrar, förankrar och driver idéerna framåt.

Idéer överlever inte enbart på egna meriter. De behöver legitimitet inom organisationen, förstås av andra och passa in i rådande normer, mål och strukturer. AI kan bidra med idéer, men förståelsen för vad som är relevant i en viss miljö formas över tid, av människor. Idéer lever i människors tankar och det är viktigt att människor omsätter idéer i handling, vilket kan stöttats av AI om den tränas in i sammanhanget.

Dessa tre studier visar att idéer utvecklas när individer ges utrymme att bearbeta och agera på de idéer de möter, särskilt i ett socialt sammanhang där de kan drivas vidare tillsammans med andra. Upplevelsen av delaktighet, dialog och stimulans skapar mening. Detta syns särskilt tydligt i studie 1, där deltagarna i den traditionella workshopen upplevde högst motivation trots att de inte genererade flest idéer. I både studie 2 och 3 ser vi att idéutvärdering inte bara är ett filter, utan också en arena för meningsskapande. Genom att förbättra, konkretisera eller anpassa idéer blir de mer relevanta för både individer och organisationer. Psykologiskt ägarskap – känslan av att det är “min” idé är avgörande för detta.

“AI kan hjälpa oss att tänka brett, men det är vi själva som måste tänka djupt”

Dessa insikter förstärker vår syn på innovation som en kreativ dialog. AI kan stötta dialogen genom att erbjuda förslag, men det krävs mänskligt engagemang för att förverkliga dem.

Praktiska implikationer

1. AI kan hjälpa oss att tänka brett, men det är vi själva som måste tänka djupt. Det är inte mängden idéer som spelar störst roll, utan om människor känner sig delaktiga och engagerade. Där väcks viljan att driva idéer vidare. Den unika, kontextspecifika kunskap som människor besitter är fortsatt avgörande för idéernas överlevnad och relevans.

2. Se inte idéutvärdering som ett urvalssteg, utan också ett tillfälle för kreativ utveckling. Om du fångar upp de förbättringar och förtydliganden som uppstår i processen kan du öka träffsäkerheten i beslut och få ut mer av de idéer du redan har.

3. Generativ AI är ett effektivt verktyg för att initiera idégenerering, men det är i de efterföljande personliga och sociala processerna som idéernas verkliga potential avgörs.

Det är i diskussionerna, omformuleringarna, anpassningarna- som idéer växer och får liv. Innovationsledare bör därför inte nöja sig med att mäta kvantitet eller effektivitet i idégenereringsfasen. I stället bör fokus ligga på att skapa strukturer för reflektion, förbättring och medskapande.

Totalförsvarsbegreppet är knappast nytt; många av föregångarna till de system vi nu ser utvecklas och återupprättas i Sverige och på andra ställen kan spåras till 1900-talets första hälft, då som ett svar på hotet om ”totalt krig”. Efter det kalla krigets slut avvecklade dock de nordiska länderna, med undantag för Finland, stora delar av sina totalförsvarsstrukturer. Totalförsvarstanken bygger på idén att en mobilisering av det militära och civila försvaret tillsammans med en stor del av det civila samhället ökar förmågan att avskräcka en potentiell angripare eller, i händelse av krig, att maximera landets försvarsförmåga. Många länder studerar nu erfarenheter från Ukraina, men också utvecklingen i Sverige och i andra länder som använder liknande försvarskoncept. I tider av komplexa och gränsöverskridande hot är det lätt att förstå attraktionskraften i idén om ett totalt försvar, men att utveckla ett fungerande totalförsvar är en komplicerad uppgift med en rad strukturella, organisatoriska, politiska och sociala utmaningar.

Styrning och organisering för samverkan

Det svenska totalförsvaret är på många sätt ett system för samverkan mellan aktörer från alla sektorer och nivåer i samhället, däribland Försvarsmakten, civilförsvarsmyndigheter, hälso- och sjukvård, utbildningsinstitutioner, kommuner, regioner, privata företag och medborgare. I händelse av höjd beredskap eller krig ska totalförsvaret och samhällets samlade resurser mobiliseras för att stödja det militära försvaret. I teorin borde detta fungera väl för att skydda landet. I praktiken är systemet dock fortfarande i hög grad under återuppbyggnad. En utmaning handlar om styrning och organisering för samverkan. Totalförsvaret är inte en formell organisation utan ett decentraliserat nätverk av aktörer och organisationer. Detta gäller särskilt det civila försvaret och krisberedskapen. Från politiskt håll har man försökt lösa frågor kring ansvar och samordning bland annat genom införandet av civilförsvarsområden och identifiering och reglering av beredskapssektorer och myndigheter. Dessa strukturer och ansvarsområden är fortfarande relativt nya (2022), och forskning visar att många företrädare är osäkra kring frågor om rollfördelning och ansvar i kris och vid höjd beredskap. Flera studier visar också att samverkan över organisations- och professionsgränser – centralt för ett fungerande totalförsvar – inte sällan försvåras av bristande kommunikation, skillnader i organisationskultur, och bristande tillit. 

Näringslivets roll i totalförsvaret

En annan utmaning rör företagens roll i totalförsvaret. Frågan är inte ny – den privata sektorn har alltid spelat en viktig roll för organiseringen av totalförsvaret, exempelvis när det gäller produktion av försvarsmateriel av så kallade krigs- och krigsviktiga företag (K-företag) eller för att upprätthålla centrala delar av det ekonomiska försvaret. I dagens samhälle drivs och ägs fler verksamheter av privata och inte sällan internationella aktörer, både inom försvarsindustrin och inom produktion av livsmedel, elektricitet, transporter och kommunikation. En lång rad utredningar har tillsatts under senare år för att lösa dessa frågor, och ett centralt näringslivsråd skapades 2023 för att möjliggöra diskussion kring företagens roll i totalförsvaret. Det finns en samstämmighet kring företagens avgörande betydelse för totalförsvaret, och en vilja hos många företag att bidra, men många frågor kvarstår, exempelvis vad avser företagens roller och ansvar inom, och inflytande över, försvarsplanering, men också hur regler om konkurrens och upphandling kan jämkas samman med statens behov av långsiktig planering för försvar och försörjningsberedskap. Här handlar det också om att skapa förutsättningar för offentlig-privat samverkan inom innovation och utveckling för att öka samhällets motståndskraft och beredskap.

Folkförankring och försvarsvilja

En ytterligare utmaning är social och handlar om folkförankring samt en vilja hos befolkningen att delta i landets försvar – en grundläggande förutsättning för totalförsvarsvaret. Här pågår ett intensivt arbete för att öka stödet för, och medverkan i, totalförsvarets olika delar, både genom tvång och via system för frivilligt engagemang. En könsneutral värnplikt återinfördes 2017, och delar av civilplikten aktiverades från 2024. Studier som genomförts i samarbete med SOM-institutet vid Göteborgs universitet visar att det finns ett starkt stöd för den återaktiverade värnplikten och för idén om att Sverige behöver ett starkt militärt försvar. En relativt stor andel (omkring 60 procent) uppger att det är ganska eller mycket troligt att de skulle engagera sig i det civila försvaret i händelse av krig. Motsvarande andel när det gäller engagemang i det militära försvaret är dock väsentligt lägre (19 procent). Samtidigt finns ett relativt högt allmänt förtroende för både försvaret och Nato, och det har ökat under perioden sedan totalförsvarsplaneringen återupptogs. I 2024 års undersökning anger exempelvis 60 procent att de har ganska eller mycket stort förtroende för försvaret.

Frågan om förtroende är dock komplicerad. När svenskarna tar ställning till påståendet om försvarets förmåga att kunna försvara Sverige mot ett militärt angrepp – alltså försvarets kärnuppgift – uppger 36 procent att de bedömer påståendet delvis eller helt riktigt, men 50 procent bedömer det delvis eller helt felaktigt. Det finns alltså en skillnad mellan det generella förtroendet och bedömningen av försvarets förmåga. Vi skulle kunna tolka detta som att försvaret är en viktig fråga men att förvarets förmåga uppfattas vara begränsad. När det gäller konkret engagemang visar studier på en viss ökning. Flera frivilliga försvarsorganisationer (FFO) rapporterar en ökad tillströmning av nya medlemmar, och vissa studier visar på ett ökat intresse för värnplikt bland unga. Även intresset för Hemvärnet verkar ha ökat; organisationen tog emot cirka 27 000 nya ansökningar i början av 2022, motsvarande det antal som normalt kommer in under tio år. Sannolikt är det ökade intresset för frivilliga försvarsorganisationer nära kopplat till kriget i Ukraina och med det en ökad känsla av osäkerhet och eventuell pliktmedvetenhet.

Allt pekar dock inte i samma riktning. När det gäller exempelvis försvarsutgifterna – där regeringen har aviserat en ökning från ca. 2,4 % av BNP 2025 till 2,6 % år 2030 – finns en svag tendens till vikande stöd bland befolkningen.

“Här finns också tydligt behov av mer och tvärvetenskaplig forskning och utveckling, särskilt vad gäller de utmaningar som rör styrning, organisering och samverkan?”

Som vi kan se i Figur 1 har andelen som är negativa till att minska försvarsutgifterna minskat, samtidigt som andelen positiva till en minskning ökar något. Om trenden håller i sig kan det bli svår för regeringen att motivera ytterligare satsningar på försvaret.

Ett totalförsvar för en ny tid?

Sammanfattningsvis kan sägas att arbetet med att återuppbygga det svenska totalförsvaret i allra högsta grad pågår, men absolut inte är avslutat. En genomgång av några av de viktigaste utmaningarna räcker för att illustrera de organisatoriska, strukturella och sociopolitiska svårigheterna. Även om totalförsvaret är välbekant terräng för många människor i Sverige kommer det sannolikt att ta tid att återupprätta kopplingen mellan befolkning och försvar. Detsamma gäller arbetet med att skapa funktionella system för samverkan över civil-militära och offentlig-privata gränser. Här finns också tydligt behov av mer och tvärvetenskaplig forskning och utveckling, särskilt vad gäller de utmaningar som rör styrning, organisering och samverkan, men också i frågor om hur olika privata och offentliga aktörers kunskap och expertis tillvaratas i arbetet med att utveckla både det civila och militära försvaret. Totalförsvaret engagerar hela samhället, och detsamma gäller frågan om totalförsvarets utveckling för en ny tid.

Rekommenderad läsning:
> Berndtsson, Joakim, Bjereld, Ulf & Ydén, Karl (2025). Mellan krig och fred? Sverige, svenskarna och försvaret. I Björn Rönnerstrand, Anders Carlander, Patrik Öhberg & Annika Bergström (Red.), I rörelse. SOM-institutet vid Göteborgs universitet.  https://www.gu.se/som-institutet/resultat-och-publikationer/bocker/i-rorelse

> Berndtsson, Joakim, 2025: “Civilian-military collaboration and the re-invention of Swedish total defence” in Rongved, Gjermund Forfang. (Ed.). European Total Defence: Past, Present, and Future. Routledge: Abingdon and New York, pp. 54-75.

> Berndtsson, Joakim, 2024. “Hybrid Threats and the ‘New’ Total Defence: The Case of Sweden.” In Heier, Tormod and Odd Jarl Borch (Eds.), Preparing for Hybrid Threats to Security: Collaborative Preparedness and Response. Routledge: Abdingdon and New York.

> Malmström, Jenny and Joakim Berndtsson, 2025. “Constructing ‘Society’s Soldiers’: Defence Willingness and Identity Work in the Swedish Home Guard”. Scandinavian Journal of Military Studies, 8 (1), pp. 1-16.

> Victor Tillberg, Lotta, Joakim Berndtsson, and Peter Tillberg. 2025. “Navigating Collaboration: Understanding Civil-military Interactions in Swedish Total Defence from a Security Network Perspective”. Scandinavian Journal of Military Studies, 8 (1): pp. 40–56.

Climate Warnings

Last year was the warmest on record, with global temperature 1.18 °C above the 20th-century average. Staying within 1.5–2.0 °C requires global emissions to fall 7.5% annually—roughly 4 billion tons globally and 3 million tons in Sweden. Sweden’s Climate Law (2017) commits to halving emissions by 2030 and reaching net-zero by 2045, or risk fines up to 20 billion SEK. Yet in Q2 2024, emissions rose 5.6%, when national goals demand annual reductions of 12–15%—levels never witnessed before. AI can be a critical accelerator in this context. AI can help reversing this trend, but public debate remains scant.

  Despite this urgency, Sweden lacks a national AI strategy focused on climate action. We argue that a National Agenda for AI and Sustainability is needed to coordinate innovation, investment, and regulation—rather than continuing with siloed initiatives. It must involve broad collaboration across government, industry, academia, finance, civil society, public sector and local authorities. Many compelling initiatives—like WASP and OECD’s program—lack clear climate profiles. Sweden’s “AI Commission’s Roadmap (SOU 2025:12)” also falls short on how AI can support environmental goals. International efforts—like the AI Action Summit (2025), where 58 countries (including Sweden) endorsed a statement on inclusive and sustainable AI for planet and the people—show growing recognition of AI’s sustainability role. Swedish actors—AI Sweden, RISE, Stockholm Resilience Centre, Vinnova, and WWF, among others—are making progress, but not yet at sufficient scale.

The AI for Sustainability Promise

AI has moved from niche automation to a general-purpose technology reshaping industries. Generative AI is expanding the boundaries of knowledge and productivity. The global AI market is projected to reach $253 billion by 2033, driven by advances in machine learning and adoption across industries.

  Sweden has strengths to build on—innovation capacity, advanced technology, and high digital maturity. Yet it invests just 5.50 SEK per capita in AI, compared to 18,300 SEK in France. Sweden also ranks only 25th globally in AI readiness (France is 5th, the US 1st). Failing to accelerate national AI efforts, Sweden not only risks falling further behind in the global race of taking leadership in  AI adoption, but also achieving sustainability targets.

As a strategic initiative, Sweden could lead through AI adoption. One promising area is AI for Sustainability: the use of AI to support sustainable development across environmental, social, and economic dimensions. This includes, but not limited to, strategic initiatives for:

• Optimizing energy in buildings and grids

• Predicting emissions in supply chains

• Enhancing agriculture via satellite and
sensor data

• Managing climate risks in finance and cities

• Improving public health and biodiversity
monitoring

• Using digital twins to optimize crop yields

If implemented successfully, our research shows that AI could reduce emissions in Sweden by 4–5 million tonnes CO₂e annually by 2045—around 10% of the national target—and deliver climate-related benefits worth 110–170 billion SEK over two decades. Table 1 illustrates a  sectoral breakdown of these benefits, investment needs, and reductions. Non-climate benefits—such as improved efficiency and health gains—could contribute another 90–120 billion SEK in societal value. In total, AI for Sustainability in Sweden could yield 200–310 billion SEK over two decades. Yet only a fraction is being realized. Current deployments reduce just 0.5–1 million tonnes CO₂e and generate 10–20 billion SEK in value per decade—under 10% of the potential.

  Realizing climate-related benefits alone requires 53–83 billion SEK in investment. Capturing non-climate benefits would need another 27–46 billion SEK. Combined, the return on investment) is estimated at 1.5 to 3.6 times the cost—making a strong economic and environmental case for action.

“A National Agenda for AI and Sustainability is needed to coordinate innovation, investment, and regulation”

Why Progress Remains Slow

Despite its potential, AI’s use for sustainability remains limited due to:

• Fragmented data systems – Poor data quality and siloed infrastructures limit scale and impact.

• Lack of coordination and investment – Sweden trails behind other countries in AI funding, and efforts are scattered without national direction.

• Low public and investor trust – Green-washing and vague ESG claims erode confidence in AI-driven sustainability initiatives.

• Regulatory uncertainty – Absence of clear, climate-specific AI policies delays both innovation and adoption

• Talent gaps– Few professionals combine expertise in AI, sustainability, and systems thinking.

• AI’s own environmental footprint – Energy-intensive models risk offsetting sustainability gains.

A national agenda is required to overcome these barriers and coordinate actors, align investments, and unlock AI’s full potential for sustainable development. However, to reap this potential, analysist and institutions must account for the sustainability of AI itself.

Sustainable AI

Sustainable AI refers to the development and deployment of AI technologies in an environmentally and socially responsible manner across their life cycle. It emphasizes energy efficiency, ethical design, and reducing environmental harm. To some extent, sustainable AI is supported by EU frameworks:

• The European Green Deal (2019) calls for “sustainability-by-design.”

• The EU AI Act (2021) emphasizes safety and transparency but includes limited environmental criteria.

• The Corporate Sustainability Reporting Directive (CSRD, 2023) mandates disclosure of environmental and social impacts, including emissions from digital infrastructure.

Despite these frameworks, emissions from AI systems remain largely unregulated and poorly tracked. Data centers—key to AI—are a fast-growing source of GHG emissions due to high electricity use, which accounts for 90% of their emissions. According to the IEA (2025), global data centers consume 415 TWh of electricity per year, generating 180 million tonnes of CO₂e (about 0.5% of global emissions). This footprint may triple by 2030, mainly due to rising AI workloads. In Sweden, data centers consume 3 TWh annually (about 2.5% of total electricity use), resulting in approximately 0.15–0.18 million tonnes of CO₂e, depending on the electricity mix. If current trends continue, demand could exceed 10 TWh by 2040—potentially generating 0.5–0.6 million tonnes of CO₂e annually, even with a relatively clean energy grid.

To minimize AI’s environmental footprint, Sweden must adopt several strategic actions that go beyond current proposals—supplementing the AI Commission’s Roadmap:

• Accelerate energy-efficient AI models, including frugal algorithms and model compression to reduce computational demands.

• Invest in green infrastructure, such as renewable-powered data centers to support AI workloads with clean energy.

• Implement lifecycle assessments and mandatory emissions reporting to monitor and reduce environmental impacts.

These efforts must be supported by clearly defined, shared responsibilities across all sectors. Industry must lead by prioritizing energy-aware design and transitioning to clean power sources. Governments play a key role in enforcing carbon performance standards for data centers and enabling the decarbonization of national electricity grids. Financial institutions must fund climate-aligned innovation and ensure transparent tracking of environmental performance. Civil society must hold institutions accountable by demanding transparency, responsibility, and measurable sustainability outcomes. Such actions can help ensure that AI supports—rather than undermines—environmental goals.

To conclude, Sweden can lead in adopting AI solutions for sustainability—in a sustainable way. This article has outlined key recommendations and critical pillars to supplement the AI Commission’s Roadmap, demonstrating compelling rewards: a significant environmental impact and strong economic returns, with the potential to cut emissions by 10% and save around 250 billion SEK. We should no longer wait for such an initiative—the time to take sustainable action is now.

1Estimates are based on the author’s cost-benefit- and scenario analysis, using conservative assumptions on annual reductions, carbon pricing, and a 20-year horizon. Investment needs cover infrastructure, deployment, skills, and governance. Non-climate value draws from efficiency, public services, and health gains.

At its core, industrial artificial intelligence (AI) refers to digital systems that can process vast amounts of data, recognize patterns, and support or automate decisions—often in real time—across complex industrial environments. AI-driven solutions can take many forms—for example, digital fleet management systems that leverage AI algorithms to reduce emissions by optimizing routes and maintenance, or autonomous vehicles that operate more efficiently and reduce material needs by eliminating human interfaces. These solutions not only improve sustainability but also redefine how industrial firms create and capture value.

Across industrial sectors, companies are embracing AI with the hope of boosting efficiency and accelerating progress toward sustainability goals. Yet despite major investments in data infrastructure, connected equipment, and advanced analytics, many firms struggle to translate technological potential into scalable impact. The recurring challenge is not access to AI technology itself, but the ability to transform insights into solutions that deliver both environmental and economic value.

In short, the barrier is not primarily technical—it is organizational. Firms must develop new capabilities to work with customers, manage data, and coordinate AI solutions across ecosystems. Through a multi-case study of six leading industrial firms in sectors such as mining, shipping, construction, and transport, we found that firms succeed with AI-driven solutions not because of superior algorithms, but because of specific dynamic capabilities they cultivate. (Figure 1: A capability framework for realizing AI-driven solutions for sustainability) These capabilities empower firms to discover opportunities, develop solutions, and continuously improve and scale them over time—unlocking new forms of sustainable value through customer co-creation and ecosystem orchestration

Value Discovery: Sensing opportunities for dual value creation

The first and perhaps most foundational capability for AI-driven solutions is the ability to systematically identify new opportunities for value creation. We refer to this as value discovery capability. In essence, it allows firms to sense relevant problems that can be addressed through AI to deliver dual value -both sustainability and economic impact. An informant described: “The key to AI success is the customer. You start from their operations, find the problem, and build the solution from there.”

Firms with strong discovery capabilities invest in understanding customer operations in detail. One heavy equipment manufacturer, for instance, began by connecting sensors to its installed base of machines on customer sites. This enabled continuous data gathering on usage patterns, energy consumption, and downtime. Over time, the firm developed a much clearer picture of where inefficiencies—and thus circular gains—were hiding. They discovered that large fleets of equipment were operational only 30–35% of the time. Through detailed data analysis, it became evident that inefficiencies were not due to any one machine, but rather how systems of machines interacted on complex sites. This realization provided the spark for an entirely new class of optimization services aimed at improving overall site efficiency.

In another case, a ship systems provider used machine learning to analyze performance data across various customer vessels. The resulting insights were used to design decision-support tools that helped operators reduce fuel consumption and emissions. Importantly, these solutions emerged not from a top-down push, but from a process of listening closely to operational staff and exploring patterns in customer data.

Beyond technical insight, value discovery also involves identifying potential partners in the ecosystem. No firm can deliver complex AI-enabled solutions alone. Leading firms regularly scan their ecosystem for startups, tech suppliers, or service providers that can help them configure broader solutions for customer problems.

Value Realization: Building and Delivering Solutions

Once opportunities are identified, the challenge shifts to realizing value through co-creation. Value realization capability refers to the ability to develop and deliver solutions collaboratively with customers and partners, while aligning roles, responsibilities, and incentives.

Realization begins with joint problem framing and solution design. Several firms in our study emphasized the importance of involving customers early—often in workshop or sprint formats—to define what success would look like for them. Rather than delivering a fully developed AI product, they instead initiated a learning process with the customer to test and refine hypotheses. A construction equipment provider collaborated closely with a key customer to improve the sustainability of site operations. Rather than delivering a ready-made AI product, they started by co-developing a basic load optimization service module that reduced fuel use and idle time. By collecting and analyzing operational data together, the solution was refined through multiple feedback loops. As trust grew among actors and results were proven, the offering was expanded into a full site digital optimization platform—eventually integrating electrified machines, predictive maintenance, and energy-aware scheduling.

However, co-creation also involves negotiating how value will be delivered and captured. This means determining who maintains the AI solution, how service processes are organized, how data is shared, and how revenues should flow between partners. For one mining solutions provider, building a viable solution required setting up new maintenance teams, educating sales staff, and training operators on how to interact with the AI-driven system. Without these organizational changes, the technical innovation would have stalled.

Aligning incentives also proved critical. A firm offering energy optimization for buildings worked with energy partners and platform providers to ensure that everyone in the chain had a stake in the solution’s success. They shifted from selling products to delivering performance outcomes, such as reduced emissions and energy costs, and shared these benefits across the ecosystem.

Value Optimization: Learning and Scaling Over Time

Developing and delivering an AI-driven solution is not a one-off project. Firms must continuously refine, scale, and adapt their offerings for the customer over time. This requires value optimization capability: the ability to use operational data to improve solutions, extend their reach, and develop platforms to accommodate new needs and partners in step with changes in customer operations. An informant described the importance of this phase: “Once the solution is live, the real work begins. We use the data to refine the model, add features, and grow the value proposition over time.”

One mining equipment provider in our study established a remote monitoring center to track equipment performance across all customer sites in real time. This data enabled continuous learning and solution refinement. Over time, predictive models improved, maintenance scheduling became more precise, and customers experienced fewer disruptions. The firm used these insights to improve its service packages, bundle new features, and gradually increase pricing based on demonstrated value.

Platform thinking (i.e. enabling value creation through ecosystems) played a key role in scaling business. A provider of industrial control systems developed its AI optimization solution as a modular platform, allowing third-party startups to add specialized applications such as fault detection, energy management, and predictive analytics. This expanded the value proposition for customers and enabled faster innovation. Rather than attempting to develop every feature internally, the firm focused on orchestrating a broader ecosystem of capabilities. This move transformed it from a product supplier to a  an enabler of platform ecosystems

Another firm used customer data to identify new use cases, such as dynamic route planning for electrified vehicles based on energy availability. Because they had already established digital data pipelines and service routines, they could quickly introduce new digital services.

Critically, optimization also involves rethinking metrics. Several firms found that initial key performance indicators (e.g., uptime, cost savings) were too narrow. As digital maturity increased, both providers and customers began measuring sustainability outcomes, such as CO2 reductions, material recycling rates, or energy self-sufficiency. These new metrics reinforced the value of AI-enabled solutions and helped secure long-term customer commitment.

Implications for Industrial Managers

The shift to AI-driven solutions is not only a technological transition—it is an organizational one. To succeed, industrial firms must develop dynamic capabilities for discovering, realizing, and optimizing value. This means building new routines for engaging customers, analyzing data, collaborating across ecosystems, and continuously evolving offerings based on real-time feedback.

In a nutshell, managers should consider the following actions:

• Anchor AI initiatives in real customer needs

Collaborate closely with customers to identify critical operational challenges where AI can create both sustainability and business impact.

• Experiment early, scale deliberately

Use initial AI solutions as learning platforms to test assumptions, refine concepts, and validate value—before expanding across sites or markets.

• Co-develop AI solutions across boundaries

Engage cross-functional teams and ecosystem partners from the outset to align technical, commercial, and operational perspectives.

• Leverage ecosystems to accelerate innovation

Build modular platforms that invite contributions from startups, data providers, and other collaborators to enhance AI solution functionality.

• Institutionalize continuous improvement

Create feedback loops that transform real-time operational data into actionable insights for ongoing AI solution refinement and scaling.

Firms that succeed with AI-driven solutions for circularity don’t necessarily rely on the most advanced technologies. What sets them apart are the routines and ways of working that allow them to learn faster, adapt quicker, and scale more sustainably.

Looking ahead, firms that build these capabilities will not only enhance their competitiveness but also lead the industrial shift toward the twin transition—where digital and green transformation go hand in hand. By embracing this path, companies can position themselves as innovation leaders in a rapidly evolving sustainability landscape.