The rapid development of artificial intelligence has initiated debates regarding its eventual threats and opportunities in the labor market. There is currently an ongoing discussion about which jobs, within the HR-business, that could potentially be replaced by AI, with the recruiting profession being suggested as replaceable by AI. The sociological relevance of the study´s subjects lies in the intersection of human and technology. The purpose of the study is to examine how professionals in the field of recruitment experience AI. By studying this, emotions arising in relation to technological development can be elucidated with the aim of understanding the intersection between humans and technology. Latest research has shown that development of new technology may raise apprehension among people. The theoretical framework of this study is based on Blumers (1986) ideas about sense-making within symbolic interactionism and Technology Acceptance Model (Davis, 1989). Blumers ideas are used to understand how recruiters' sense-making process affects their feelings towards AI. Technology Acceptance Model are used in purpose to understand recruiters potential for acceptance of AI. In this study, qualitative interviews were conducted with recruiters working at recruitment and staffing agencies. The study's results indicate that recruiters have a positive attitude towards using AI in their work, despite having difficulty understanding what AI is. The findings suggest that recruiters do not perceive AI as a threat to their occupational roles, as AI lacks the human capabilities required by their job roles. / Den snabba utvecklingen av artificiell intelligens (AI) har väckt diskussioner om dess potentiella hot och möjligheter på arbetsmarknaden. Just nu pågår en diskussion om vilka jobb inom HR som skulle kunna ersättas av AI, i vilken rekryteringsyrket framförs som ersättbart av AI. Den sociologiska relevansen i studiens ämne är mötet mellan människa och teknik och syftet med studien är att undersöka hur yrkesprofessionella inom rekrytering upplever AI. Genom att studera detta kan känslor som uppkommer i relation till teknikens utveckling synliggöras i syfte att förstå mötet mellan människa och teknik. Tidigare forskning visar exempelvis att ny teknik kan skapa oro hos människor. Studiens teoretiska ramverk utgår från Blumers (1986) teorier om meningsskapande inom symbolisk interaktionism och Technology Acceptance Model (Davis, 1989). Blumers teorier används för att förstå hur rekryterares meningsskapande process påverkar deras känslor gentemot AI. Technology Acceptance Model används för att förstå rekryterares möjlighet till acceptans av AI. I denna studie har kvalitativa intervjuer genomförts med rekryterare som arbetar på rekryterings- och bemanningsföretag. Studiens resultat visar att rekryterarna har en positiv attityd till att använda AI i sitt arbete trots att de har svårt att greppa vad AI är. Studiens resultat visar att rekryterarna inte upplever AI som någonting som kan hota deras yrkesroll, på grund av att AI saknar den mänskliga förmågan som deras yrkesroll kräver.

Den här studiens syfte är att undersöka hur gymnasielärare i företagsekonomi upplever arbetet med AI, vilka möjligheter och utmaningar de identifierar samt vilket stöd de efterfrågar. Studien har genomförts via kvalitativa intervjuer med fem gymnasielärare i företagsekonomi. Lärarna representerar olika kön, olika lång erfarenhet av läraryrket samt tre olika gymnasieskolor i två olika regioner i Sverige. Studien visar att lärarna som kollektiv ger uttryck för en tro på en framtid där AI-verktygen kommer att vara en naturlig del i företagsekonomiutbildningen till följd av utvecklingen i näringslivet och samhället i stort där AI får en allt mer central roll. De intervjuade lärarna ser möjligheter i form av effektivisering och stöd i sitt eget arbete och identifierar även områden inom företagsekonomiämnet där AI kan bidra till att ge eleverna en ökad förståelse. Huvudsakliga utmaningar som lärarna ringar in innefattar att upptäcka och förhindra AI-fusk, att bedöma elevers prestationer samt stötta eleverna i att utveckla källmedvetenhet och kritiskt tänkande. De ser en utveckling där deras arbete förändras till att handla mer om validering av information och kunskaper. Samtidigt signalerar de att många frågetecken finns kring hur arbetet kommer att påverkas i förhållande till styrdokumenten och efterfrågar stöd i form av kompetensutveckling inom AI-området samt riktlinjer från Skolverket.

No description available.

AI has quickly grown from being a vast concept to an emerging technology that many companies are looking to integrate into their businesses, generally considered an ongoing “revolution” transforming science and society altogether. Researchers and organizations agree that AI and the recent rapid developments in machine learning carry huge potential benefits. At the same time, there is an increasing worry that ethical challenges are not being addressed in the design and implementation of AI systems. As a result, AI has sparked a debate about what principles and values should guide its development and use. However, there is a lack of consensus about what values and principles should guide the development, as well as what practical tools should be used to translate such principles into practice. Although researchers, organizations and authorities have proposed tools and strategies for working with ethical AI within organizations, there is a lack of a holistic perspective, tying together the tools and strategies proposed in ethical, technical and organizational discourses. The thesis aims to contribute with knowledge to bridge this gap by addressing the following purpose: to explore and present the different tools and methods companies and organizations should have in order to build machine learning applications in a fair and transparent manner. The study is of qualitative nature and data collection was conducted through a literature review and interviews with subject matter experts. In our findings, we present a number of tools and methods to increase fairness and transparency. Our findings also show that companies should work with a combination of tools and methods, both outside and inside the development process, as well as in different stages of the machine learning development process. Tools used outside the development process, such as ethical guidelines, appointed roles, workshops and trainings, have positive effects on alignment, engagement and knowledge while providing valuable opportunities for improvement. Furthermore, the findings suggest that it is crucial to translate high-level values into low-level requirements that are measurable and can be evaluated against. We propose a number of pre-model, in-model and post-model techniques that companies can and should implement in each other to increase fairness and transparency in their machine learning systems. / AI har snabbt vuxit från att vara ett vagt koncept till en ny teknik som många företag vill eller är i färd med att implementera. Forskare och organisationer är överens om att AI och utvecklingen inom maskininlärning har enorma potentiella fördelar. Samtidigt finns det en ökande oro för att utformningen och implementeringen av AI-system inte tar de etiska riskerna i beaktning. Detta har triggat en debatt kring vilka principer och värderingar som bör vägleda AI i dess utveckling och användning. Det saknas enighet kring vilka värderingar och principer som bör vägleda AI-utvecklingen, men också kring vilka praktiska verktyg som skall användas för att implementera dessa principer i praktiken. Trots att forskare, organisationer och myndigheter har föreslagit verktyg och strategier för att arbeta med etiskt AI inom organisationer, saknas ett helhetsperspektiv som binder samman de verktyg och strategier som föreslås i etiska, tekniska och organisatoriska diskurser. Rapporten syftar till överbrygga detta gap med följande syfte: att utforska och presentera olika verktyg och metoder som företag och organisationer bör ha för att bygga maskininlärningsapplikationer på ett rättvist och transparent sätt. Studien är av kvalitativ karaktär och datainsamlingen genomfördes genom en litteraturstudie och intervjuer med ämnesexperter från forskning och näringsliv. I våra resultat presenteras ett antal verktyg och metoder för att öka rättvisa och transparens i maskininlärningssystem. Våra resultat visar också att företag bör arbeta med en kombination av verktyg och metoder, både utanför och inuti utvecklingsprocessen men också i olika stadier i utvecklingsprocessen. Verktyg utanför utvecklingsprocessen så som etiska riktlinjer, utsedda roller, workshops och utbildningar har positiva effekter på engagemang och kunskap samtidigt som de ger värdefulla möjligheter till förbättringar. Dessutom indikerar resultaten att det är kritiskt att principer på hög nivå översätts till mätbara kravspecifikationer. Vi föreslår ett antal verktyg i pre-model, in-model och post-model som företag och organisationer kan implementera för att öka rättvisa och transparens i sina maskininlärningssystem.

Artificiell intelligens är ett ämne som vuxit anmärkningsvärt mycket de senaste åren. Det forskas på ämnet i både den civila och den militära sektorn. Flera olika länder forskar på hur AI kan användas militärt, på olika sätt och nivåer. Även Sverige forskar på hur AI kan användas militärt. Syftet med denna uppsats är att undersöka om generativ AI kommer att kunna skriva egna, militära ordrar när programvaran blir matad med tillräcklig information. Frågeställningen blir således huruvida generativ AI kan ersätta militära ledare och chefer gällande orderskrivning, med tillfredsställande kvalitet.  Kunskapsluckan som detta arbete vill fylla är kopplingen mellan beslutsfattande och AI. Det finns tidigare forskning om både hur AI kan likna mänskligt skrivande, och hur AI kan användas för att bearbeta militär underrättelse. Det som fattas är följaktligen forskning som kopplar ihop detta, för att generativ AI ska kunna användas för att skriva militära ordrar. För att undersöka huruvida detta går skedde en jämförande fallstudie där en människoproducerad order jämfördes med en AI-alstrad order. Dessa två ordrar jämfördes sedan utifrån en teoretisk ram. Det teoretiska ramverk som använts i detta arbete är grundat i handböcker som är fastställda av Försvarsmakten.  Resultatet visar att generativ AI inte når upp till en tillräcklig kvalitet för att kunna mäta sig med mänskliga ordrar idag. AI är inte tillräckligt införstådd med den militära strukturen eller nomenklaturen. Detta kan dock variera mellan olika sorters AI. Resultatet är även påverkat av givna instruktioner. / Artificial intelligence is a subject that has grown remarkably in the last couple of years. Both the military and the civilian sectors are researching this subject. Several different countries are researching how AI could be used in the military, in different ways and levels. Furthermore, Sweden is also researching how AI could be used in the military. The purpose of this thesis is to investigate whether generative AI will be able to write its own orders when fed with the right amount of information. Thus gives us the question whether generative AI could replace human officers in writing military orders, with satisfying quality.  The knowledge gap that this work aims to fill is the connection between decision-making and AI. There is previous research about how AI can mimic human writing, and how AI could be used to process military intelligence. Consequently, the missing part is connecting these two together, so that generative AI could write its own military orders.  To investigate whether this works, a comparative case study took place, where an order written by a human was compared to an order produced by AI. These two orders were compared based on a theoretical framework. The theoretical framework in this thesis is based on established literature from the Swedish Armed Forces. The result shows that generative AI does not reach a sufficient quality to be able to measure up to human orders today. AI is not familiar enough with the military structure or nomenclature. However, this may vary between different kinds of AI. Furthermore, the result is also influenced by given instructions.

Narratives are fundamental to our understanding of the world, and they are pervasive in all activities that involve representing events in time. Narrative analysis has a series of applications in computational journalism, intelligence analysis, and misinformation modeling. In particular, narratives are a key element of the sensemaking process of analysts. In this work, we propose a narrative model and visualization method to aid analysts with this process. In particular, we propose the narrative maps framework—an event-based representation that uses a directed acyclic graph to represent the narrative structure—and a series of empirically defined design guidelines for map construction obtained from a user study. Furthermore, our narrative extraction pipeline is based on maximizing coherence—modeled as a function of surface text similarity and topical similarity—subject to coverage—modeled through topical clusters—and structural constraints through the use of linear programming optimization. For the purposes of our evaluation, we focus on the news narrative domain and showcase the capabilities of our model through several case studies and user evaluations. Moreover, we augment the narrative maps framework with interactive AI techniques—using semantic interaction and explainable AI—to create an interactive narrative model that is capable of learning from user interactions to customize the narrative model based on the user's needs and providing explanations for each core component of the narrative model. Throughout this process, we propose a general framework for interactive AI that can handle similar models to narrative maps—that is, models that mix continuous low-level representations (e.g., dimensionality reduction) with more abstract high-level discrete structures (e.g., graphs). Finally, we evaluate our proposed framework through an insight-based user study. In particular, we perform a quantitative and qualitative assessment of the behavior of users and explore their cognitive strategies, including how they use the explainable AI and semantic interaction capabilities of our system. Our evaluation shows that our proposed interactive AI framework for narrative maps is capable of aiding users in finding more insights from data when compared to the baseline. / Doctor of Philosophy / Narratives are essential to how we understand the world. They help us make sense of events that happen over time. This research focuses on developing a method to assist people, like journalists and analysts, in understanding complex information. To do this, we introduce a new approach called narrative maps. This model allows us to extract and visualize stories from text data. To improve our model, we use interactive artificial intelligence techniques. These techniques allow our model to learn from user feedback and be customized to fit different needs. We also use these methods to explain how the model works, so users can understand it better. We evaluate our approach by studying how users interact with it when doing a task with news stories. We consider how useful the system is in helping users gain insights. Our results show that our method aids users in finding important insights compared to traditional methods.

Making sense of large collections of images is difficult. Dimension reductions (DR) assist by organizing images in a 2D space based on similarities, but provide little support for explaining why images were placed together or apart in the 2D space. Additionally, they do not provide support for modifying and updating the 2D space to explore new relationships and organizations of images. To address these problems, we present an interactive DR method for images that uses visual features extracted by a deep neural network to project the images into 2D space and provides visual explanations of image features that contributed to the 2D location. In addition, it allows people to directly manipulate the 2D projection space to define alternative relationships and explore subsequent projections of the images. With an iterative cycle of semantic interaction and explainable-AI feedback, people can explore complex visual relationships in image data. Our approach to human-AI interaction integrates visual knowledge from both human mental models and pre-trained deep neural models to explore image data. Two usage scenarios are provided to demonstrate that our method is able to capture human feedback and incorporate it into the model. Our visual explanations help bridge the gap between the feature space and the original images to illustrate the knowledge learned by the model, creating a synergy between human and machine that facilitates a more complete analysis experience. / Master of Science / High-dimensional data is everywhere. A spreadsheet with many columns, text documents, images, ... ,etc. Exploring and visualizing high-dimensional data can be challenging. Dimension reduction (DR) techniques can help. High dimensional data can be projected into 3d or 2d space and visualized as a scatter plot.Additionally, DR tool can be interactive to help users better explore data and understand underlying algorithms. Designing such interactive DR tool is challenging for images. To address this problem, this thesis presents a tool that can visualize images to a 2D plot, data points that are considered similar are projected close to each other and vice versa. Users can manipulate images directly on this scatterplot-like visualization based on own knowledge to update the display, saliency maps are provided to reflect model's re-projection reasoning.

The objective of this study was to examine the effects of presynchronization and recombinant bovine somatotropin (rbST) on conception rates following a timed insemination (TAI) protocol in lactating dairy cows. A further objective included the evaluation of the efficacy of the Early Conception Factor (ECF) test kit. Recombinant bST may offer some benefit when used in conjunction with estrus synchronization and TAI. Presynchronization treatment consisted of two injections of PGF2α given 14 d apart, with the second dose administered 14 d prior to the initiation of a TAI protocol. A total of 216 lactating Holstein cows were presynchronized with PGF2α and then received GnRH (100μg) at 67 ± 7 d post partum (PP), administration of PGF2α (25 mg) 7 d later, another GnRH (100μg) administration 2 d after PGF2α, and were inseminated 8-18h later (OvSynch). First service conception rate (CR) was determined by rectal palpation at 42 ± 7 d after artificial insemination (AI). Treated cows (n=113) received rbST 67 ± 7 d PP whereas control cows (n = 113) were presynchronized without rbST. The cycling status of all cows was determined by paired milk P4 levels at 53 and 67 ± 7 d PP. No differences (P > 0.10) in conception rate were observed between control and rbST treated cows (44.7 and 40.7% respectively), nor was there any interaction of cyclicity and rbST. Milk samples were collected 7 d following AI for use in ECF test kit evaluation. Samples were stored at -20ºC (n=216) and at 5ºC (n=113) until assayed. Test results for frozen and refrigerated samples were compared to conception rates determined by rectal palpation at 42 ± 7 d after AI. The rate of false positive and negative results for frozen milk samples were 36.1 and 14.8% respectively, and 40.7 and 7.1% for refrigerated milk samples. Treatment with rbST at the time of the first GnRH injection of an OvSynch protocol did not significantly alter first service conception rates. Additionally, an acceptable 92.9% accuracy of the ECF test for the detection of open cows 7 d after AI using milk samples stored at 5ºC was obtained. / Master of Science

Bakgrund: År 2022 tog AI-tekniken ett betydande steg framåt i utvecklingen i form av generativ AI. Allmänheten tog a del av utvecklingen samma år som Chat GPT släpptes, vilket är en språkmodell som kan generera innehåll och svara på frågor inom olika ämnen. Bara två månader efter lanseringen hade Chat GPT uppnått historiskt tillväxt. En faktor som gör Chat GPT kraftfull och kompetent i att generera mänskliga och högkvalitativa svar på frågor är den omfattande data som används för att träna modellen. Den snabba tillväxten av AI:s förmågor förändrar entreprenörskapets praktik. Den ökade användningen av generativ AI har potential att revolutionera både hur och vilka möjligheter som identifieras. Framtidens entreprenörer står inför en betydande utmaning som handlar om att effektivt utnyttja AI:s potential, i form av nya möjligheter och produktivitetsförbättringar, samtidigt som de undviker risken att bli ersatta av AI.  Syfte: Syftet med studien är att undersöka hur entreprenörers förmåga att identifiera möjligheter påverkas av AI. Detta för att bidra med bättre förståelse för till vilken nivå AI kan ersätta eller hjälpa entreprenörerna i sin roll. Genom att adressera denna fråga avser studien att bidra till en ökad förståelse för hur generativ AI kan forma det framtida landskapet för entreprenörer.  Metod: En kvalitativ metod har använts i form av en fallstudie bestående av två delar. I första delen av fallstudien deltog nio entreprenörer och i andra delen av fallstudien deltog tre investerare. I studien undersöks entreprenören tillsammans med AI, AI på egen hand och entreprenören på egen hand i att generera affärsidéer. Affärsidéerna bedöms av investerarna utifrån en skala 1–5 baserad på särskilda faktorer. Studien har ett interpretativ forskningsperspektiv och följer en abduktiv ansats.   Slutsats: Den slutsats som kan dras är att AI identifierar bäst möjligheter. Resultatet visar att AI genererar idéer med hög marknadspotential men behöver entreprenörens expertis för hög differentiering. Entreprenörer betraktar AI som ett värdefullt verktyg men upplever utmaningar i användningen vilket gör samarbetet ineffektivt, särskilt vid bristande teknisk förståelse. AI har förmågan ta över rollen som idégenererare och omdefiniera entreprenörens roll till utvärderare och implementatör av idéer, vilket ökar effektiviteten i processen att identifiera möjligheter. / Background: In 2022, AI technology took a significant step forward in its development. The development became public knowledge the same year Chat GPT was released, which is a tool with the ability to generate content and answer questions on various topics. Just two months after its launch, Chat GPT achieved historic growth. A factor that makes Chat GPT powerful and competent in generating human and high-quality responses is the large amount of data used to train the model. The rapid growth of AI's capabilities is changing the practice of entrepreneurship. The increased use of generative AI has the potential to revolutionize both how and which opportunities are identified. Entrepreneurs of the future face a significant challenge that involves effectively exploiting the potential of AI, in terms of new opportunities and productivity improvements, while avoiding the risk of being replaced by AI.  Purpose: The purpose of the study is to investigate how entrepreneurs' opportunity recognition is affected by AI. This, to contribute with a better understanding of the level to which AI can replace or help entrepreneurs in their role. By addressing this question, the study intends to contribute to an increased understanding of how generative AI can shape the future landscape for entrepreneurs.  Method: A qualitative method has been used in the form of a case study consisting of two parts. Nine entrepreneurs participated in the first part of the case study and three investors participated in the second part of the case study. The study examines the entrepreneur together with the AI, as well as AI and the entrepreneur on their own in their ability to generate business ideas. The business ideas were evaluated by the investors on a scale of 1-5 based on specific factors. The study has an interpretive research perspective and follows an abductive approach.  Conclusion: The conclusion that can be drawn is that AI identifies the best opportunities. The result shows that AI generates ideas with high market potential but needs entrepreneur's expertise to achieve high differentiation. Entrepreneurs view AI as a valuable tool but experience challenges in its use that makes their collaboration ineffective, especially in the absence of technical understanding. AI has the ability to take over the role as idea generator and redefine the role of entrepreneurs as an evaluator and implementer of ideas, this will increase the efficiency of the opportunity recognition process.

The emergence of Generative AI (GenAI) foundation models presents transformative potential across industries, promising not only to increase productivity but also to pioneer new ways of working and introduce novel business models. Despite this, GenAI adoption levels have lagged behind early projections, and many firms report difficulties in finding appropriate applications. One such firm is Scandic Hotels, a Swedish hospitality company seeking to identify use cases for GenAI within the Scandic Data Platform (SDP), the firm’s analytics unit. The goals of this study were twofold: firstly, to identify GenAI use cases for the SDP based on their organizational needs, and secondly, to create a framework to guide organizations in harnessing the technology’s potential purposefully based on their specific organizational contexts. A conceptual framework was developed based on a synthesis of existing AI use case frameworks and the incorporation of GenAI characteristics to guide the investigation of the SDP. A qualitative case study approach was employed, achieving the first research goal through two primary activities: first, by assessing the organizational context through interviews and a questionnaire, and subsequently, by identifying concrete use cases designed to address organizational challenges based on the domain mapping through collaborative workshops. The investigation into the organizational context culminated in the formulation of a complex problem space with eleven logically interconnected domain problems stemming from two root causes: a high technological complexity of the data platform and a lack of organizational ownership concerning data. These problems lead the SDP to be occasionally overwhelmed with support requests, resulting in a range of time-consuming downstream issues that lock the team in reactive rather than proactive work. The use case identification process yielded eleven concrete use cases leveraging a range of GenAI technologies, including retrieval-augmented generation, fine-tuning, and prompt chaining. An evaluation based on the perceived business value of these use cases found that those directly addressing root problems or contributing to strategic imperatives received the highest value scores by members of the SDP. Our findings reinforce the problem-driven use case identification approach suggested by previous AI use case literature and offer nuances in the importance of basing use cases on a structured hierarchical problem space, allowing use cases to be designed to address root problems and break negative feedback loops for maximal business value. By iterating the literature-informed conceptual framework with these practical insights, a novel framework for GenAI use case formulation was developed, centered around matching root domain problems with GenAI-specific capabilities. This framework provides an overview of key components for the identification of use cases based on the organization’s unique context, contributing important starting points for managers wishing to engage in GenAI adoption and addressing the literature gap in GenAI-specific use case exploration frameworks. / Utvecklingen av grundmodeller inom generativ AI (GenAI) har demonstrerat potential att öka produktivitet, omdefiniera befintliga arbetsflöden och införa nyskapande affärsmodeller. Trots detta har införandegraden i näringslivet legat under tidigare prognosticerade nivåer, och många företag rapporterar svårigheter med att identifiera lämpliga tillämpningar. Ett exempel på ett sådant företag är den svenska hotellkedjan Scandic, som önskar identifiera interna användningsområden för GenAI inom analysenheten i företagets centrala organisation, Scandic Data Platform (SDP). Denna studie ämnade att först identifiera användningsfall för GenAI inom SDP baserat på enhetens specifika behov, och sedan utveckla ett ramverk för att vägleda organisationer i identifieringen av GenAI-användningsfall baserat på deras specifika organisatoriska kontext. Baserat på en syntes av befintlig litteratur inom AI-användningsfall och integreringen av karaktäristiska egenskaper för GenAI konstruerades ett konceptuellt ramverk för att orientera utredningen inom SDP. En kvalitativ fallstudieansats uppdelad i två huvudaktiviteter tillämpades för att uppnå det första forskningsmålet: först undersöktes den organisatoriska kontexten genom nio intervjuer samt en enkät, sedan identifierades konkreta användningsfall utformade för att behandla organisatoriska behov förankrade i kartläggningen av domänen genom kollaborativa workshoppar. Undersökningen av den organisatoriska kontexten kulminerade i formuleringen av en komplext problemrymd med elva logiskt sammanlänkade domänproblem härrörande från två grundorsaker: en hög teknologisk komplexitet hos dataplattformen och en brist på organisatoriskt ägarskap gällande data. Dessa problem leder till att SDP ibland överväldigas av supportförfrågningar, vilket resulterar i en rad tidskrävande efterföljande problem som låser in teamet i reaktivt snarare än proaktivt arbete. Identifiering av användningsfall resulterade i formuleringen av elva konkreta användningsfall som utnyttjar en rad GenAI-teknologier såsom retrieval-augmented generation, finjustering och promptkedjning. En utvärdering baserad på det uppskattade affärsvärdet av dessa visade att de användningsfall som direkt bemötte de två rotproblemen eller bidrog uppfyllandet av strategiska imperativ fick de högsta värdebetygen av SDP:s medlemmar. Våra resultat validerar framgången i det problemstyrda tillvägagångssättet för identifiering av användningsfall som föreslagits av tidigare litteratur, men nyanserar förfarandet genom att understryka vikten av att förankra användningsfall i en hierarkiskt strukturerad problemrymd—vilket gör att användningsfall kan utformas för att direkt bemöta rotproblem och bryta negativa återkopplingsslingor för att uppnå maximalt organisatoriskt värde. Genom att iterera det litteraturinformerade konceptuella ramverket med dessa praktiska insikter utvecklades vi ett nytt ramverk för identifieringen av GenAI-användningsfall, baserat på matchningen av rotproblemen inom domänen med GenAI-specifika kapaciteter. Detta ramverk ger en översikt över nyckelkomponenter för identifiering av användningsfall baserade på den organisatoriska kontexten. På så sätt bidrar studien med en utgångspunkt för företag som önskar engagera sig i införandet av GenAI och bemöter bristen på litteratur innehållandes GenAI-specifika ramverk för utforskning av användningsfall.