Vad behöver olika roller i vården kunna om AI?
Vad ledare, kliniker, verksamhetsutvecklare och specialister i vården var för sig behöver kunna om AI, och varför kunskap ensam inte räcker.

Nyckelpunkter
- AI-kunnighet i vården är olika förmågor för olika roller: den som köper, den som godkänner och den som använder ett verktyg gör olika sorters fel.
- Ledare behöver kunna avgöra om ett verktyg fungerar för de egna patienterna och hur det följs upp, inte hur modellen tränas.
- För kliniker handlar AI-kunnighet om att bedöma ett förslags träffsäkerhet och behålla ansvaret för beslutet, inte om programmering.
- I en svensk läsarstudie ändrade radiologer med AI-stöd en positiv bedömning till negativ i 21–41 procent av de fall de först flaggat. Kunskap räcker inte, det behövs övning på fel och uppföljning.
Ett AI-verktyg i vården har någon som valde det, någon som godkände det, någon som använder det vid patienten och någon som skrev kraven när det köptes in. De behöver kunna olika saker. AI-kunnighet i vården är därför olika förmågor för olika roller, inte en kurs som alla går.
Varför rollerna behöver olika saker
Vården har passerat stadiet där AI bara testas. I AI Swedens nordiska kartläggning av drygt 800 AI-initiativ i offentligt finansierad vård var ungefär en tredjedel i rutinmässig drift våren 2026.
Forskningen pekar åt samma håll. En intervjustudie med 13 experter från 2026 delar upp kompetensbehovet i användare, utvecklare och ledare, med en gemensam grund: att kunna granska ett AI-svar kritiskt och behålla det kliniska ansvaret. Författarna kallar själva ramverket preliminärt.
För en region som ska ta ett AI-verktyg från pilot till drift är rollbaserad utbildning rätt, därför att den som köper verktyget, den som godkänner det och den som använder det gör olika sorters fel. En gemensam grundkurs täcker det de har gemensamt, men inte det som skiljer dem åt.
Ledare och beslutsfattare
En chef behöver inte kunna hur en modell tränas. Chefen behöver kunna avgöra om ett verktyg ska in i verksamheten, vem som ansvarar för vad och hur det följs upp efteråt. Läkemedelsverket rekommenderar ett systematiskt, riskbaserat och väldokumenterat arbetssätt med tydlig ansvarsfördelning vid all användning av AI i sjukvården.
Två frågor återkommer. Fungerar verktyget för just våra patienter, eller bara i leverantörens underlag? Och vad ska mätas när det väl används? I intervjustudien ovan beskriver experterna att leverantörens resultat ofta kommer från kontrollerade förhållanden, och att det därför behövs egen validering och uppföljning efter införandet.
Kliniska nyckelpersoner
För den som arbetar nära patienten handlar AI-kunnighet om bedömning, inte teknik. En systematisk översikt från 2025 fann att kompetenskraven i litteraturen handlar mer om att bedöma ett verktygs träffsäkerhet och tillförlitlighet än om programmering eller matematik. Översikten byggde på sju studier, vilket säger något om hur tunt underlaget fortfarande är.
I praktiken betyder det att kunna känna igen när ett förslag inte stämmer med det egna kliniska fyndet, veta vilka patientgrupper verktyget är dåligt på och kunna förklara för patienten vad verktyget gjort och inte gjort. Ansvaret för bedömningen ligger kvar hos den som fattar beslutet.
Verksamhetsutvecklare
Verksamhetsutvecklaren står mellan kliniken och tekniken och ser till att verktyget passar in i ett arbetsflöde som redan finns. Det handlar om att beskriva var i flödet förslaget dyker upp, vad som händer om det är fel och vilket mått som visar om något blivit bättre.
Den uppgiften blir viktigare ju närmare verktyget kommer drift. Ett mått som valts först efteråt går sällan att jämföra med hur det såg ut innan, och då går det inte heller att säga om verktyget gjorde nytta.
Specialister inom juridik, data, informationssäkerhet och upphandling
Specialisterna sätter ramarna som alla andra arbetar inom, och varje grupp behöver något eget. Dataspecialisten behöver kunna fråga var träningsdatan kommer ifrån och om den liknar regionens patienter. Informationssäkerhet behöver kunna avgöra vilka uppgifter som får matas in och var de hamnar. IMY:s vägledning om generativ AI är en bra utgångspunkt för den bedömningen.
Upphandlaren behöver kunna ställa krav på dokumentation, validering och uppföljning, och skilja ett löfte från ett belägg. Digg har riktlinjer för att köpa generativ AI enligt LOU. Vad AI-förordningen kräver av vårdgivaren förklarar Ampliro om AI-förordningen.
Det är också här det gemensamma språket behövs mest. När juristen, upphandlaren och klinikern beskriver samma risk med olika ord blir kraven antingen dubbla eller saknas helt. Därför behöver en del av utbildningen vara gemensam för rollerna.
Att veta räcker inte
I en svensk läsarstudie på mammografibilder från Karolinska Universitetssjukhuset läste radiologer samma undersökningar först utan och sedan med AI-stöd. Med stödet ändrade de bedömningen från positiv till negativ i 21 till 41 procent av de undersökningar de först flaggat, och ungefär var tredje sådan ändring var fel.
Resultatet blev att de hittade 284 av 379 cancerfall med stödet, mot 307 utan, men gav färre falsklarm. Listan bestod till hälften av cancerfall, långt fler än i vanlig screening, så talen säger mer om mekanismen än om vardagen.
Kunskap om att verktyget kan ha fel skyddade inte heller i en studie med 92 radiologer och 2 760 beslut. Radiologerna följde både rätta och felaktiga förslag, och varken förklaringar av förslagen eller försök att påverka deras inställning till AI minskade effekten nämnvärt.
Slutsatsen är inte att utbildning är meningslös, utan att en genomgång av vad AI är inte räcker för den som fattar kliniska beslut med verktyget. Det som behövs är övning på verkliga fall där verktyget har fel. Dessutom behöver verksamheten följa upp utfallet efter införandet, vilket den svenska studien rekommenderar.
Vilken roll ska börja?
Svaret beror på var verktyget står. Kartläggningen delar in satsningarna i koncept, pilot och rutinmässig drift, och varje fas har sin egen flaskhals.
I konceptfasen är det ledarna och specialisterna som behöver kunna mest, eftersom det är där kraven ställs och beslutet fattas. En klinisk utbildning så tidigt lär personalen ett verktyg som kanske aldrig kommer.
I pilotfasen behövs verksamhetsutvecklarna och de kliniska nyckelpersonerna, som ska avgöra om verktyget fungerar i det egna flödet och vad som ska mätas.
I drift är det de kliniska användarna som behöver övning på fel och uppföljning över tid.
Mer om den grund som alla roller delar finns i artikeln om AI literacy, och vad AI redan används till i vården beskriver artikeln om AI inom sjukvården. Hur en utbildning kan byggas på era egna arbetsuppgifter visar utbildningsformaten för organisationer.
Vanliga frågor
AI Swedens Nordic AI Health Map, publicerad i augusti 2026, dokumenterar drygt 800 AI-initiativ inom offentligt finansierad vård i Sverige, Norge, Danmark, Finland och Island. Ungefär en tredjedel av dem är i rutinmässig drift, och övriga är på koncept- eller pilotstadiet. Datainsamlingen gjordes våren 2026.
Främst att bedöma ett förslag: känna igen när det inte stämmer med det egna kliniska fyndet, veta vilka patientgrupper verktyget är dåligt på och kunna förklara för patienten vad verktyget gjort. Ansvaret för bedömningen ligger kvar hos den som fattar beslutet.
Nej. En systematisk översikt från 2025, som byggde på sju studier, fann att kompetenskraven handlar mer om att bedöma träffsäkerhet, tillförlitlighet och giltighet hos ett AI-verktyg än om programmering eller matematik.
Benägenheten att följa ett automatiskt förslag även när det är fel. I en läsarstudie publicerad i European Radiology 2024 läste radiologer 758 screeningundersökningar från Karolinska Universitetssjukhuset åren 2010–2013, till hälften med cancer, först utan och efter sex veckor med AI-stöd. Med stödet ändrade de en positiv bedömning till negativ i 21 till 41 procent av de undersökningar de först flaggat, och ungefär var tredje sådan ändring var fel.
Flera regelverk gäller samtidigt. Läkemedelsverket beskriver vad som gäller för medicintekniska produkter och rekommenderar ett systematiskt, riskbaserat arbetssätt med tydlig ansvarsfördelning. IMY vägleder om personuppgifter vid generativ AI. Vad AI-förordningen innebär förklarar Ampliro på ampliro.com.
Den bör utgå från rollen och från verkliga arbetsuppgifter, inte från tekniken. Ledare behöver öva på beslut och uppföljning, kliniker på fall där verktyget har fel, och specialister på krav och bedömningar inom sitt eget område. En gemensam del ger ett språk som alla roller delar.
Vill ni att personalen ska kunna det här, hör av er.
Nyhetsbrevet
Nytt om AI, varannan vecka.
Vi skriver när något faktiskt har hänt och när något visar sig fungera i praktiken. En text i taget, inga serier, och du kan gå ur från vilket nummer som helst.
Vi sparar din adress för att skicka nyhetsbrevet, och inget annat. Mer i integritetspolicyn.