Impact report 2025
Inledande ord
2025 var utan tvekan ett år med enorm utveckling inom AI. Näringslivet och den offentliga sektorn använder nu fler lösningar än tidigare inom en mängd olika områden för att skapa konkreta resultat.
2025 var också året då AI Swedens långsiktiga samarbete och strategiska initiativ fick verkligt genomslag. Under de senaste åren har partnernätverket vuxit kraftigt. AI Swedens partner lär sig av varandra och tillsammans varje dag, men inte bara det; genom konkreta initiativ skapar de också banbrytande innovationer som levererar värde i hela det svenska näringslivet och samhället. Det är därför vi i årets Impact Report valt att särskilt lyfta fram fem framgångshistorier som verkligen visar kraften i samarbete och tillämpad AI.
Den snabba utvecklingen kommer att fortsätta under 2026. Dessutom blir det allt tydligare att den exponentiella AI-utvecklingen inte sker i ett vakuum. Inte minst geopolitiska överväganden kräver att Sverige säkrar sin egen tekniska handlingskraft, samtidigt som vi fördjupar våra strategiska allianser både nationellt och internationellt. Detta kräver strategiska investeringar i såväl teknisk förmåga som mänsklig kompetens, och inte minst säkrar tillgången på kompetens. Genom att bygga vidare på de olika styrkorna i AI-ekosystemet kan vi maximera värdet och effekten för Sverige.
Låt oss göra 2026 till året då vi genom partnerskap accelererar tillsammans.
Annika Elfström
Acting Managing Director på AI Sweden
143 miljoner kronor
143 miljoner kronor investerades i AI Sweden under 2025. Vi uppskattar värdet av investeringar i form av tid, donationer av hårdvara och andra icke-kontanta bidrag till ytterligare 200 miljoner kronor.
50+ organisationer från offentlig sektor i samarbete
Under 2025 deltog och medfinansierade drygt 50 kommuner, regioner och myndigheter projektet En gemensam assistent för offentlig sektor. Under 2026 ansluter ytterligare drygt 65 nya projektdeltagare – vilket gör det till Sveriges största samarbetsinitiativ inom AI för offentlig sektor.
10 miljoner beräkningstimmar
Har beviljats OpenEuroLLM. I EU-projektet samarbetar AI Sweden med 20 ledande organisationer för att utveckla en familj av högpresterande språkmodeller med öppen källkod för samtliga officiella EU-språk.
89 talanger
89 talanger från 12 svenska och internationella universitet deltog i AI Swedens talangprogram under 2025. De blev därmed en del av ett alumninätverk med drygt 390 talanger som deltagit i AI Swedens talangprogram.
170+ partner
AI Swedens partnernätverk växte med 30 % under 2025 och omfattar nu organisationer från samtliga större samhällssektorer i Sverige.
8000+ personer
Fler än 8 000 personer deltog i AI Swedens drygt 100 evenemang och seminarier, där de fick möjlighet att lära av branschkollegor och utbyta insikter.
100+ poddavsnitt
I december 2025 släppte AI Sweden Podcast, en av Sveriges största teknikpoddar, sitt hundrade avsnitt. Bara under 2025 lyssnade publiken i sammanlagt 25 000 timmar.
30+ publiceringar
Whitepapers, rapporter och granskade vetenskapliga artiklar skrivna tillsammans med partner – inklusive tre artiklar som antagits vid ledande AI-konferenser såsom ICLR, NeurIPS och SaTML.
20 länder
Under 2025 sträckte sig våra samarbeten över 20 länder genom projekt, partnerskap och talangutbyten.
Skapa förändring, tillsammans.
Bakom alla siffror finns en förmåga som har byggts upp tillsammans med våra partner. Nedan lyfter vi fram ett urval av exempel som visar hur gemensamma insatser, delade resurser och tillämpad AI skapar konkret värde i olika sektorer.
Uppskalning av Sveriges största AI-samarbete inom offentlig sektor
Begränsar risker för informationsläckage
Stärker Europas digitala suveränitet genom tillförlitliga språkmodeller
Minskade koldioxidutsläpp från industrin genom AI-driven energioptimering
Datadrivna organisationer: Bästa praxis för AI-implementering i Sverige
Svea: Uppskalning av Sveriges största AI-samarbete inom offentlig sektor
Lyssna på detta avsnitt
AI-genererat tal från originaltext
Svensk offentlig sektor står inför en demografisk utmaning där minskande arbetskraft ska möta behoven hos en åldrande befolkning, samtidigt som administrativa uppgifter förblir betungande och tidskrävande. För att säkra välfärden kan införandet av stora språkmodeller stödja rutinmässiga uppgifter och frigöra tid för mer komplext och värdeskapande arbete.
Under 2025 fortsatte projektet för den gemensamma digitala assistenten för offentlig sektor att skala upp bland kommuner, regioner och statliga myndigheter. Mer än 50 organisationer deltog i och medfinansierade Svea-projektet, och ytterligare drygt 65 nya partner ansluter under 2026. Projektet är mer än utvecklingen av en webbaserad prototyp; projektet stödjer kompetensutveckling, analyserar tillämpningen av rättsliga ramverk och undersöker säker datadelning – allt på infrastruktur i Sverige. Projektet koordineras av AI Sweden och är Sveriges största samverkansinitiativ inom AI för den offentliga sektorn.
Svea ger medarbetare i offentlig sektor möjlighet att höja kvaliteten på sitt arbete samtidigt som de sparar många timmar varje vecka: tid som istället kan läggas på mer mellanmänskligt och värdefullt arbete snarare än administration.
Jonatan Permert
Projektledare för initiativet
9 av 10 aktiva användare uppger att de både sparar tid och förbättrar kvaliteten i arbetet.
50+ organisationer inom offentlig sektor engagerade i projektet.
15 000+ registrerade användare i kommuner, regioner och myndigheter.
500 000+ datapunkter annoterade av 700 medarbetare i offentlig sektor.
2+ veckor sparade per aktiv användare och år. *
50 MSEK i uppskattade årliga effektiviseringsvinster baserat på nuvarande användning. **
* Baserat på i genomsnitt ca 1,9 sparade timmar per vecka bland aktiva användare.
** Beräknat utifrån rapporterade tidsbesparingar bland dagens aktiva användare.
Ett permanent införande av Svea skulle avsevärt minska den administrativa arbetsbördan. Utöver effektiviseringen bidrar det till att lägga grunden för en suverän och tillförlitlig AI-infrastruktur i Sverige. Genom samarbete kan offentlig sektor minska sitt beroende av externa system och bygga avgörande digital kompetens.
Vi tror att framtidens AI för offentlig sektor behöver byggas på infrastruktur som är säker, transparent och nationellt förankrad. Därför är vi stolta över att bidra med den beräkningskraft som gör det möjligt att drifta Svea i Sverige och ge kommuner och myndigheter en trygg grund för att använda AI i sitt arbete.
Robert Lidberg
CEO & Co-founder, Airon
Projektet ger oss ovärderlig kunskap, nätverksmöjligheter och framförallt en markant ökning av vår AI-mognad, både på organisatorisk och individuell nivå.
Linda Burman
Innovationsledare på Huddinge kommun
Deltagande organisationer: AI Sweden, Ale kommun, Alingsås kommun, Arvika kommun, Burlövs kommun, Eda kommun, Flens kommun, Forshaga kommun, Grums kommun, Göteborgs stad, Göteborgsregionen, Hagfors kommun, Hammarö kommun, Huddinge kommun, Härryda kommun, Höganäs kommun, Inera, Jönköpings kommun, Karlstad kommun, Kil kommun, Kristinehamn kommun, Kungsbacka kommun, Kungälv kommun, Kävlinge kommun, Lerum kommun, Lidköping kommun, Lilla Edet kommun, Luleå kommun, Malmö stad, Mölndals kommun, Partille kommun, Region Halland, Region Skåne, Region Värmland, SKR-arbetsgivarpolitiska avdelningen, Skara kommun, Skövde kommun, Sollentuna kommun, Staffanstorp kommun, Stenungsund kommun, Stockholms stad, Storfors kommun, Sunne kommun, Svenljunga kommun, Svedala kommun, Swedac, Säffle kommun, Tibro kommun, Tjörns kommun, Torsby kommun, Trelleborgs Kommun, Upplands Väsby kommun, Uppsala kommun, Vara kommun and Öckerö kommun.
I projektets pågående etapp är Airon teknikpartner och bidrar med AI-hårdvara. Airon är en svensk leverantör av beräkningskraft med särskilt fokus på dataskydd, integritet och hållbarhet.
Intel var teknikpartner i första etappen och bidrog med beräkningskraft från deras Gaudi 2-hårdvara. Intels bidrag var avgörande för att initiativet skulle kunna formeras.
Projektet medfinansieras av Vinnova samt deltagande organisationer.
LeakPro: Begränsar risker för informationsläckage
Lyssna på detta avsnitt
AI-genererat tal från originaltext
I takt med att AI används i allt mer känsliga sammanhang blir samspelet mellan juridik och teknik avgörande. För organisationer som hanterar känslig data är en av de mest prioriterade frågorna att begränsa risken för informationsläckage från AI-modeller.
Under 2025 avslutade vi projektet LeakPro tillsammans med våra partners – ett centralt initiativ inom ramarna för vårt arbete med Secure AI. Projektet kombinerade tekniska tester med juridiska och organisatoriska perspektiv, och resulterade i ett återanvändbart ramverk med öppen källkod byggt för att utvärdera risker för informationsläckage i maskininlärning. Ramverket har använts i verkliga tillämpningar inom hälso- och sjukvård, läkemedelsindustri och offentlig sektor, och ger jurister och tekniska experter ett gemensamt språk för att förstå och hantera integritetsrisker kopplade till AI.
Resultaten från LeakPro har även legat till grund för faktiska tekniska och organisatoriska beslut hos industripartners, som till exempel Scaleout. Tillämpningarna har bland annat handlat om utvärdering av federerade inlärningssystem och bedömningar av huruvida tränade modeller kan göras öppet tillgängliga utan att känslig information exponeras. I Scaleouts fall ingår nu delar av LeakPros ramverk i deras kunderbjudande.
Utöver den tekniska plattformen har den forskning som kommit ur AI-säkerhetsinitiativ som LeakPro fått internationellt genomslag. Bland annat har fyra vetenskapliga artiklar presenterats på några av världens ledande AI-konferenser: ICLR, SaTML, och NeurIPS.
För att kunna fatta välinformerade beslut där vi som organisation balanserar nytta mot risk måste vi ha ett tydligt sätt att mäta just risk. Ur juridisk synpunkt är det viktigt att det råder någon form av konsensus hur nya AI-lösningar kan hanteras och riskbedömas. Verktyg för att göra det för den senaste AI-tekniken saknas, och därför är ett projekt som LeakPro viktigt för oss.
Magnus Kjellberg
Föreståndare för Kompetenscentrum AI, Sahlgrenska Universitetssjukhuset
LeakPros beståndsdelar:
Integritetsbedömningar av modeller (black-box- och white-box-attacker), syntetiska data och federerad inlärning.
4 typer av risker för dataläckage utvärderade - Ramverket täcker fyra olika sätt som känslig information kan exponeras i tränade maskininlärningsmodeller, under träning med federerad inlärning, och vid användning av syntetisk data.
4 datatyper stöds LeakPro-ramverket är validerat för tabulär data, bilddata, tidsserier, och i text-relaterad kontext.
3 forskningsartiklar publicerade Peer-review-granskade publikationer.
9 examensarbeten på masternivå Projektet har resulterat i vetenskapliga publikationer och examensarbeten som undersöker hur integritetsattacker kan utvärderas i praktiken.
3 doktorander involverade LeakPro används som en del av pågående doktorandforskning i olika skeden.
Industriell användning Delar av LeakPro är nu integrerade i Scaleouts kunderbjudande, Syndata använder LeakPro i två av sina projekt, och ramverket används i ytterligare två Vinnova-finansierade projekt.
LeakPros påverkan sträcker sig bortom enskilda tekniska piloter. Genom att erbjuda ett validerat ramverk för att kvantifiera risker för informationsläckage sänker projektet tröskeln för organisationer att samarbeta, återanvända data, och i slutändan också införa AI-lösningar. Detta blir allt viktigare i takt med att europeiska regelverk skärps, särskilt inom hälso- och sjukvård och andra områden med högkänslig data.
Som en direkt fortsättning på projektet har LeakPro II nu startat, med målet att skala upp och formalisera resultaten i det första projektet. Medan den första fasen redan visar hur riskbedömningar för informationsläckage kan stödja operativa beslut, ska LeakPro II vidareutveckla detta till metoder och verktyg som kan standardiseras över organisationer och sektorer, och därigenom skapa långsiktigt värde för hela ekosystemet.
Framgångarna för våra forskare inom AI Security på NeurIPS och på ICLR 2025 visar att miljön och medarbetarna här på AI Sweden ligger i världstoppen. I en tid då EU:s AI Act ställer nya, strikta krav på transparens och säkerhet för högrisk-system, levererar denna forskning, som drivs tillsammans med våra partners, inte bara teorier, utan konkreta verktyg för att möta framtidens regulatoriska landskap och bygga AI-lösningar som samhället kan lita på.
Mats Nordlund
Director of AI Labs på AI Sweden
Deltagande organisationer: AI Sweden, RISE, Scaleout, Syndata, Sahlgrenska University Hospital samt Region Halland. IMY och Esam deltog i egenskap av referensgrupp (legala experter).
Projektet medfinansierades av Avancerad Digitalisering - Vinnova.
OpenEuroLLM: Stärker Europas digitala suveränitet genom tillförlitliga språkmodeller
Lyssna på detta avsnitt
AI-genererat tal från originaltext
I takt med att skärpta regelverk och krav på transparens i allt högre grad begränsar användningen av kommersiella modeller i reglerade miljöer har efterfrågan på europeiska språkmodeller fortsatt att öka. Mot denna bakgrund har EU tagit fram en färdplan för att stärka Europas tekniska och ekonomiska självständighet. Projektet OpenEuroLLM är ett konkret exempel på hur denna färdplan kan omsättas i praktiken, genom utvecklingen av öppna språkmodeller som är anpassade efter europeiska regelverk och värderingar. Detta är avgörande för att kunna skala AI i både Sverige och Europa på ett ansvarsfullt sätt.
OpenEuroLLM samlar 20 ledande forskningsinstitut, AI-bolag och beräkningskluster för att stärka Europas AI-kapacitet. Under 2025 blev projektet den första AI-satsningen som tilldelades samordnad strategisk tillgång till beräkningskraft från flera EuroHPC-system*, vilket därmed säkrade den infrastruktur som krävs för att träna nästa generation av europeiska språkmodeller i stor skala. Detta är en betydande milstolpe som också säkerställer Sveriges tillgång till beräkningskraft i världsklass.
20 partners från ledande forskningsinstitut, AI-bolag, och beräkningskluster från hela Europa
4 beräkningskluster Strategisk tillgång till Europas mest kraftfulla HPC-system: LUMI, Leonardo, Jupiter & MareNostrum5, vilket kopplar Sverige till beräkningskraft i världsklass.
Minst 10M GPU-timmar tilldelade för träning av stora språkmodeller.
€34 M Total projektbudget.
AI Sweden har en ledande roll i projektet genom vårt arbete med språkteknologier (NLU). Vårt bidrag bygger på gedigen erfarenhet, från utvecklingen av den första stora nordiska språkmodellen, GPT-SW3, till det pågående arbetet inom TrustLLM, som utvecklar tillförlitliga språkmodeller för germanska språk.
Projektets stora språkmodeller och höga grad av transparens har potential att sänka trösklarna för AI-användning inom flera sektorer och branscher i Europa. Utöver själva modellerna etablerar OpenEuroLLM också en självständig AI-infrastruktur.
Genom att utveckla modellerna öppet ökar transparensen kring data, träning, och styrning, vilket gör det möjligt för svenska aktörer att bygga tillämpningar med full insyn i träningsdata och processer, vilket är en förutsättning för att uppfylla kraven i EU:s AI-förordning. Samtidigt bidrar projektet genom sina breda samarbeten till att bygga gemensam kapacitet, säkerställa effektiv användning av beräkningskraft, och att samla expertis som är svår att uppnå genom isolerade nationella satsningar.
Vi måste kunna använda stora språkmodeller i väldigt många samhällssektorer. Ibland är det möjligt att använda kommersiella lösningar, men många gånger kommer vi att behöva öppna och transparenta modeller utvecklade i enlighet med europeiska värderingar.
Nina Ökvist
Head of NLU (Natural Language Understanding) på AI Sweden
Deltagande organisationer: AI Sweden, Charles University, Institute of Formal and Applied Linguistic - coordinator (Tjeckien), Silo GenAI - AMD Silo AI - co-lead (Finland), Alliance for Language Technologies EDIC, ALT-EDIC ( Frankrike), Eindhoven, University of Technology ( Nederländerna), ELLIS Institute Tübingen (Tyskland), Fraunhofer IAIS (Tyskland), Research Center Juelich (Tyskland), Lindholmen Science Park - AI Sweden (Sverige), University of Helsinki (Finland), University of Oslo (Norge), University of Turku (Finland), University of Tübingen - Tübingen AI Center (Tyskland), Aleph Alpha Research (Tyskland), Ellamind (Tyskland), LightOn (Frankrike), Prompsit Language Engineering (Spanien), Barcelona Supercomputing Center (Spanien), Cineca Interuniversity Consortium (Italien), CSC - IT Center for Science (Finland), SURF (Nederländerna)
Projektet OpenEuroLLM är medfinansierat genom Digital Europe Programme enligt bidragsavtal nr. 101195233.
Energi: Minskade koldioxidutsläpp från industrin genom AI-driven energioptimering
Lyssna på detta avsnitt
AI-genererat tal från originaltext
Vid Volvo Groups fabrik i Skövde står ett fåtal energiintensiva processer för omkring 10 % av företagets totala utsläpp av växthusgaser. Detta gör dem till ett kritiskt fokusområde för att minska kolidoxidutsläppen.
Initiativet Skövde Plant Approaching Carbon Elimination bygger på en förstudie där Volvo Group, Skövde Energi, Högskolan i Skövde och AI Sweden undersökte hur AI kan stödja omställningen till en industriell produktion med minskade utsläpp av koldioxid.
Kärnan i arbetet var att omvandla fabrikens traditionella digitala system till ett industriellt AI-system och därigenom möjliggöra smart energiutnyttjande och produktionsplanering. Detta innefattade utveckling av simulerade optimeringsmodeller och en AI-plattform för både fabriken och det omkringliggande elnätet. Resultaten från förstudien tas nu vidare av Volvo Group i ett omfattande implementeringsprojekt.
Om projektresultaten implementeras fullt ut med hjälp av det AI-system som utvecklats i förstudien beräknas följande resultat:
Upp till 88 % beräknad reduktion av koldioxidutsläpp från de utvalda processerna.
Uppskattningsvis över 340 000 ton koldioxidekvivalenter i undvikna utsläpp under de första tio verksamhetsåren.
Övergången från fossildrivna till eldrivna ugnar i tillverkningsprocessen förväntas minska utsläppen av växthusgaser med upp till 88 %, men innebär samtidigt ett kraftigt ökat elbehov för fabriken. AI-systemet hanterar detta genom att samordna fabrikens elanvändning med kommunens totala efterfrågan. I praktiken innebär detta att fabriken undviker att förbruka stora mängder el samtidigt som det omgivande samhället. Resultatet blir inte bara lägre utsläpp, utan även en smidigare samexistens med de närliggande kommunernas elbehov.
Genom ett modulärt arbetssätt säkerställer projektet även skalbarhet till andra anläggningar inom Volvo Group, vilket innebär en potential att avsevärt minska utsläppen inom hela verksamheten. Under de första tio åren beräknas projektet bidra till att undvika utsläpp på cirka 341 500 ton koldioxidekvivalenter.
Utöver de tekniska resultaten visar projektet hur ett nära samarbete mellan industri, energibolag, akademi och AI-infrastruktur kan öppna upp för nya sätt att driva industriella system som aktiva deltagare i energisystemet: Inte bara som konsumenter, utan som flexibla, datadrivna partners som bidrar till både nätstabilitet och dekarbonisering.
Förutom minskade utsläpp har vi också lärt oss att övergången till ett AI-baserat system kan göra fabriken till en aktiv deltagare i energisystemet. Om denna strategi skalas upp utanför Skövdefabriken kan det förändra hur energiintensiv industri och elnätet samverkar överallt.
Tony Holmqvist
Chapter Lead at Volvo Group
Flexibilitet i både produktion och konsumtion är centralt för en effektiv användning av elsystemet. Det handlar om att konsumenter och producenter ökar eller minskar sin förbrukning eller produktion givet tillståndet i systemet. För att lyckas med det är AI/ maskininlärning ett väldigt viktigt verktyg.
Anna Svensson
Projektledare AI Sweden
Deltagande organisationer: AB Volvo, AI Sweden, Skövde Energi samt Högskolan i Skövde
Projektet medfinansierades av Avancerad Digitalisering - Vinnova.
Datadrivna organisationer: Bästa praxis för AI-implementering i Sverige
Lyssna på detta avsnitt
AI-genererat tal från originaltext
Många organisationer har svårt att ta steget från AI-piloter till storskalig implementering. Komplexiteten i att bygga, drifta, och underhålla AI-system, i kombination med långa ledtider, otydliga roller och ansvar samt höga infrastrukturkrav, bromsar och begränsar både införandet och värdeskapandet.
För att möta dessa utmaningar gick ledande svenska organisationer från industri, akademi, och offentlig sektor samman i projektet Datadrivna organisationer för att hitta svar på hur man tar AI från experiment till verklig implementering. Under 20 månader utforskade projektparterna ett antal verkliga användningsfall för att bättre förstå hur AI-lösningar kan införas på ett hållbart, regelrätt och administrativt hanterbart sätt. Arbetet har bland annat omfattat utvärderingar av hårdvara för olika beräkningsbehov, uppbyggnaden av säker och regelrätt infrastruktur utan fysiskt separerade miljöer, och hur organisationer kan hantera storskalig drift av AI-modeller utan att samtidigt behöva öka antalet anställda.
Istället för att organisationer ska bygga upp kompetens och strukturer var för sig har Datadrivna organisationer etablerat en gemensam grund för hur AI-infrastruktur, styrning, och drift kan organiseras. De identifierade arbetssätten, som också dokumenterats i whitepapers och webinars, gör det enklare för organisationer även utanför projektet att ta steget från pilot till stabil och skalbar AI i produktion. Genom att erbjuda konkreta ramverk för maskininlärning, styrning, och lärdomar från verkliga fall möjliggör initiativet sektorsövergripande lärande och stärker på så vis också svenska organisationers samlade förmågan för AI-användning.
20 projektpartners i ett tvärsektoriellt samarbete mellan industri, offentlig sektor och akademi
10+ whitepapers: Dokumentation av testade arbetssätt för AI-operationalisering över sektorer, framtagna av de deltagande organisationerna.
35 MSEK: Projektbudget.
8 användningsfall i verklig miljö testade inom ramen för projektet.
Tack vare medverkan i projektet har vi fått stöd för att optimera kapacitet och resurser inom MLOps, samtidigt som vi fått värdefulla insikter från olika sektorer. Det har varit en mycket positiv och lärorik erfarenhet för oss i hela teamet.
Lina Gårdemark
Data Engineer / Data Scientist på Region Halland
Tack vare DDO har vi nu en riktning för hur vi kan skala upp MLOps med en gemensam delad GPU-pool. Detta kommer att öka utnyttjandet av gjorda investeringar. Vi ser också stort värde i de whitepapers som producerats av de andra deltagarna och kommer att arbeta med att anpassa dem till våra behov.
Daniel Jakobsson
Strateg Artificiell Intelligens på Trafikverket
Hållbarhet behöver inte vara ett fint ord man nämner för att låta grön. Det handlar egentligen bara om att inte slösa: välja vad man faktiskt behöver och optimera det man har. Barriären för AI är lägre än de flesta av oss tror – det man behöver är smart arkitektur, inte bara beräkningsmuskler.
Milena Miernik
Developer på Aixia
Deltagande organisationer: AI Sweden, AIXIA, Hewlett Packard Enterprise, Linköpings universitet, NetApp, Proact, Red Hat, Region Halland, RISE, Santa Anna IT Research Institute, Sahlgrenska universitetssjukhuset, SCB, the Skatteverket, Stormgrid, the Trafikverket, Volvo Parts, Västra Götalandsregionen, IBM Svenska, Predli Consulting och Hopsworks.
Projektet medfinansierades av Vinnova och deltagande organisationer.
Vårt arbetssätt
Istället för att arbeta med isolerade projekt och lösningar fokuserar AI Sweden på att skapa förutsättningar som gör det möjligt för organisationer att röra sig framåt tillsammans. I praktiken innebär detta att vi tar oss an de hinder som oftast bromsar tillämpningen av AI: tillgång till data och infrastruktur, juridiska och regulatoriska osäkerheter, kompetensbrist, samt utmaningen i att gå från pilot till fullskalig implementering.
Tillsammans med våra partners agerar vi som katalysatorer för förändring – och tillsammans skapar vi gemensamma förutsättningar för utveckling. På så sätt kan individuell ambition omsättas i gemensam kapacitet och storskalig nytta. Vill du göra skillnad tillsammans med oss? Läs mer om hur du blir partner.
AI Sweden finansieras av Vinnova och Europeiska regionala utvecklingsfonden via Tillväxtverket, samt av våra drygt 170 partner – däribland Västra Götalandsregionen, som bidrar med utökad regional finansiering.
Topp tre mest lyssnade avsnitten av AI Sweden Podcast 2025
Vetenskapliga publikationer 2025
Subgraph Federated Learning via Spectral Methods, Javad Aliakbari (Chalmer University of Technology), Johan Östman (AI Sweden), Alexandre Graell i Amat (Chalmer University of Technology). Presented at NeurIPS 2025.
Abstract
We consider the problem of federated learning (FL) with graph-structured data distributed across multiple clients. In particular, we address the prevalent scenario of interconnected subgraphs, where interconnections between clients significantly influence the learning process. Existing approaches suffer from critical limitations, either requiring the exchange of sensitive node embeddings, thereby posing privacy risks, or relying on computationally-intensive steps, which hinders scalability. To tackle these challenges, we propose FedLap, a novel framework that leverages global structure information via Laplacian smoothing in the spectral domain to effectively capture inter-node dependencies while ensuring privacy and scalability. We provide a formal analysis of the privacy of FedLap, demonstrating that it preserves privacy. Notably, FedLap is the first subgraph FL scheme with strong privacy guarantees. Extensive experiments on benchmark datasets demonstrate that FedLap achieves competitive or superior utility compared to existing techniques.
Destabilizing a Social Network Model via Intrinsic Feedback Vulnerabilities. Rogers, Lane H., Emma J. Reid, and Robert A. Bridges. SafeThings Workshop, IEEE S&P 2025.
Abstract
Social influence plays a significant role in shaping individual sentiments and actions, particularly in a world of ubiquitous digital interconnection. The rapid development of generative AI has engendered well-founded concerns regarding the potential scalable implementation of radicalization techniques in social media. Motivated by these developments, we present a case study investigating the effects of small but intentional perturbations on a simple social network. We employ Taylor's classic model of social influence and tools from robust control theory (most notably the Dynamical Structure Function (DSF)), to identify perturbations that qualitatively alter the system's behavior while remaining as unobtrusive as possible. We examine two such scenarios: perturbations to an existing link and perturbations that introduce a new link to the network. In each case, we identify destabilizing perturbations of minimal norm and simulate their effects. Remarkably, we find that small but targeted alterations to network structure may lead to the radicalization of all agents, exhibiting the potential for large-scale shifts in collective behavior to be triggered by comparatively minuscule adjustments in social influence. Given that this method of identifying perturbations that are innocuous yet destabilizing applies to any suitable dynamical system, our findings emphasize a need for similar analyses to be carried out on real systems (e.g., real social networks), to identify the places where such dynamics may already exist.
Practical Bayes-Optimal Membership Inference Attacks, Marcus Lassila (Chalmers University of Technology), Johan Östman (AI Sweden) Khac-Hoang Ngo (Linköping University), Alexandre Graell i Amat (Chalmers University of Technology). Presented at NeurIPS 2025.
Abstract
We develop practical and theoretically grounded membership inference attacks (MIAs) against both independent and identically distributed (i.i.d.) data and graph-structured data. Building on the Bayesian decision-theoretic framework of Sablayrolles et al., we derive the Bayes-optimal membership inference rule for node-level MIAs against graph neural networks, addressing key open questions about optimal query strategies in the graph setting. We introduce BASE and G-BASE, tractable approximations of the Bayes-optimal membership inference. G-BASE achieves superior performance compared to previously proposed classifier-based node-level MIA attacks. BASE, which is also applicable to non-graph data, matches or exceeds the performance of prior state-of-the-art MIAs, such as LiRA and RMIA, at a significantly lower computational cost. Finally, we show that BASE and RMIA are equivalent under a specific hyperparameter setting, providing a principled, Bayes-optimal justification for the RMIA attack.
Felix Stollenwerk and Tobias Stollenwerk. 2025. Better Embeddings with Coupled Adam. In Proceedings of the 63rd Annual Meeting of the Association for Computational Linguistics (Volume 1: Long Papers), pages 27219–27236, Vienna, Austria. Association for Computational Linguistics.
Abstract
Despite their remarkable capabilities, LLMs learn word representations that exhibit the undesirable yet poorly understood feature of anisotropy. In this paper, we argue that the second moment in Adam is a cause of anisotropic embeddings, and suggest a modified optimizer called Coupled Adam to mitigate the problem. Our experiments demonstrate that Coupled Adam significantly improves the quality of embeddings, while also leading to better upstream and downstream performance on large enough datasets.
Kätriin Kukk, Danila Petrelli, Judit Casademont, Eric J. W. Orlowski, Michal Dzielinski, and Maria Jacobson. 2025. BiaSWE: An Expert Annotated Dataset for Misogyny Detection in Swedish. In Proceedings of the Joint 25th Nordic Conference on Computational Linguistics and 11th Baltic Conference on Human Language Technologies (NoDaLiDa/Baltic-HLT 2025), pages 307–312, Tallinn, Estonia. University of Tartu Library.
Abstract
In this study, we introduce the process for creating BiaSWE, an expert-annotated dataset tailored for misogyny detection in the Swedish language. To address the cultural and linguistic specificity of misogyny in Swedish, we collaborated with experts from the social sciences and humanities. Our interdisciplinary team developed a rigorous annotation process, incorporating both domain knowledge and language expertise, to capture the nuances of misogyny in a Swedish context. This methodology ensures that the dataset is not only culturally relevant but also aligned with broader efforts in bias detection for low-resource languages. The dataset, along with the annotation guidelines, is publicly available for further research.
Alla nyhetsartiklar från 2025
OpenEuroLLM säkrar strategisk tillgång till flera superdatorer – en milstolpe för europeiska språkmodeller
Så stärker vi svensk innovationskraft - ledande bolag och riksdagsledamöter i dialog om AI
Afa Försäkring och Havs- och vattenmydigheten ansluter till partnernätverket
Arbetsmarknadens AI-råd i riksdagen för att stärka Sveriges kompetensförsörjning och konkurrenskraft
Talangprogrammens roll när AI ritar om arbetsmarknaden
Från strategi till skalning: AI-acceleratorn lyfter civilsamhällets AI-mognad
Ett tydligt och ambitiöst ledarskap är avgörande för att realisera värdet av AI
AI Sweden stärker banden med Kanada under näringslivsdelegation
AI Sweden prisas för ledarskap – utsedd till Årets samhällsaktör
”En arbetsmarknad i rörelse”: Arbetsmarknadens AI-råd presenterar sin första gemensamma lägesbild om hur AI förändrar svensk arbetsmarknad
Fyra ny partner till AI Sweden
