With an increased availability of healthcare data and a rapid development of analysis techniques, artificial intelligence (AI) is currently contributing to a paradigm shift in healthcare. Areas that were previously considered only possible to be managed by human experts are now increasingly being managed with the help of AI. A large part of the research in this field points to the positive aspects that the introduction of AI in healthcare can bring. What is less often highlighted is the need for relevant data to ensure that the AI solutions generate results that promote equality. In order for this to happen, it is required, among other things, that the algorithms in the AI solutions are trained on neutral and objective data. The aim of this study is to use an exploratory design to investigate existing knowledge about bias in AI tools for decision support among clinical, Swedish healthcare personnel. This has been done via interviews with representatives from Swedish healthcare who work with AI. In the interviews, the status of knowledge about how data is created, implemented and used in AI for decision support was examined. The awareness of how this affects the results obtained in the form of bias and what is done to counteract this was investigated. The analysis of the respondents' answers showed that there is an indirect image of knowledge regarding bias and its consequences, but that this is not discussed in the terms that the research uses. Various different actions are performed that prevent the emergence of bias. Distinctive about the result, however, was that the respondents in many cases did not describe the motive for these actions. Actions seem to be carried out but this without fully knowing to what benefit. / Med en ökad tillgänglighet av sjukvårdsdata samt en snabb utveckling av analystekniker, bidrar just nu artificiell intelligens (AI) till ett paradigmskifte inom hälso- och sjukvården. Områden som tidigare ansågs att endast vara möjliga att skötas av mänskliga experter, börjar nu till en allt större del att skötas med hjälp av AI. En stor del av forskningen i detta fält pekar på de positiva aspekter som införande av AI inom vården kan bära med sig. Det som mer sällan lyfts fram är behovet av relevant data för att säkra att AI- lösningarna genererar resultat som främjar jämlikhet. För att detta ska kunna ske krävs bland annat att algoritmerna i AI-lösningarna tränas på neutral och objektiv data.  Syftet med denna studie är att genom en explorativ design undersöka existerande kunskap om bias i AI-verktyg för beslutsstöd bland klinisk, svensk hälso- och sjukvårdspersonal. Detta har gjorts via intervjuer med representanter från svensk hälso- och sjukvård som arbetar med AI. I intervjuerna undersöktes status för kunskap kring hur data skapas, implementeras och används i AI för beslutsstöd. Medvetenheten om hur detta påverkar det resultat som erhålls i form av bias och vad som görs för att motverka detta undersöktes. Analysen av respondenternas svar visade på att det finns en indirekt kunskap gällande bias och konsekvenserna av dessa men att det inte talas om detta i de termer som forskningen använder. Diverse olika handlingar utförs som förebygger uppkomst till bias. Utmärkande för resultatet var dock att respondenterna i många fall inte beskrev motivet med dessa handlingar. Handlingar verkar utföras men detta utan att helt veta till vilken nytta.

The most performant Machine Learning (ML) classifiers have been labeled black-boxes due to the complexity of their decision process. eXplainable Artificial Intelligence (XAI) methods aim to alleviate this issue by crafting an interpretable explanation for a models prediction. A drawback of most XAI methods is that they are heuristic with some drawbacks such as non determinism and locality. Formal Explanations (FE) have been proposed as a way to explain the decisions of classifiers by extracting a set of features that guarantee the prediction. In this thesis we explore these guarantees for different use cases: speeding up the inference speed of tree-based Machine Learning classifiers, curriculum learning using said classifiers and also reducing training data. We find that under the right circumstances we can achieve up to 6x speedup by partially compiling the model to a set of rules that are extracted using formal explainability methods. / De mest effektiva maskininlärningsklassificerarna har betecknats som svarta lådor på grund av komplexiteten i deras beslutsprocess. Metoder för förklarbar artificiell intelligens (XAI) syftar till att lindra detta problem genom att skapa en tolkbar förklaring för modellens prediktioner. En nackdel med de flesta XAI-metoder är att de är heuristiska och har vissa nackdelar såsom icke-determinism och lokalitet. Formella förklaringar (FE) har föreslagits som ett sätt att förklara klassificerarnas beslut genom att extrahera en uppsättning funktioner som garanterar prediktionen. I denna avhandling utforskar vi dessa garantier för olika användningsfall: att öka inferenshastigheten för maskininlärningsklassificerare baserade på träd, kurser med hjälp av dessa klassificerare och även minska träningsdata. Vi finner att under rätt omständigheter kan vi uppnå upp till 6 gånger snabbare prestanda genom att delvis kompilera modellen till en uppsättning regler som extraheras med hjälp av formella förklaringsmetoder.

The essay deals with what previous research exists within real estate valuation with artificial intelligence as well as the traditional real estate valuation process. Furthermore, it explains how the traditional property valuation process works and then further research on property valuation with artificial intelligence. Consequently, a few behavioral economics theories and the technology acceptance model are explained. Overall, it is being investigated whether they can make the real estate valuation process for commercial real estate more reliable and objective with the help of artificial intelligence. The choice to only investigate commercial properties is based on the expectation that a delimitation to a smaller research area will result in more precise answers. Furthermore, five interviews have been conducted with respondents to contribute with in-depth knowledge of the subject in question. The information that the respondents have contributed supports and mainly agrees with the developed theory. Advantages that have been identified in the paper are that artificial intelligence contributes to making the valuation process more objective and reliable, which in turn opens up more time for property valuers to analyze the values ​​presented. The respondents and their respective companies show a positive attitude and openness to working with AI. Artificial intelligence also means that valuers can take into account more value-influencing factors when making valuations. Something that should be taken into account in the respondents' answers is that there is a risk that the respondents are somewhat biased as AI is a technology that could potentially affect their work. The study mainly shows that the valuation process can become more efficient, objective and reliable if sufficient input data and comparison objects are available. An additional criterion that must be met is that there is a sufficiently well-developed AI system and an openness to AI among all actors in the industry. / Uppsatsen behandlar vilken tidigare forskning som finns inom fastighetsvärdering med artificiell intelligens samt den traditionella fastighetsvärderingsprocessen. Vidare förklaras hur den traditionella fastighetsvärderingsprocessen går till för att sedan forska vidare om fastighetsvärdering med artificiell intelligens. Följaktligen redogörs ett fåtal beteendeekonomiska teorier samt technology acceptance model. Sammantaget undersöks det om de går att göra fastighetsvärderingsprocessen för kommersiella fastigheter mer tillförlitlig och objektiv med hjälp av artificiell intelligens. Valet att enbart undersöka kommersiella fastigheter grundar sig i förväntan av att en avgränsning till ett mindre forskningsområde ska resultera i mer precisa svar. Vidare har fem intervjuer genomförts med respondenter för att bidra med ingående kunskap om ämnet i fråga. Informationen som respondenterna har bidragit med stödjer och stämmer huvudsakligen överens med den framtagna teorin. Fördelar som har identifierats i uppsatsen är att artificiell intelligens bidrar med att göra värderingsprocessen mer objektiv och tillförlitlig, vilket i sin tur öppnar upp mer tid för fastighetsvärderare att analysera de värden som presenteras. Respondenterna samt deras respektive företag visar en positiv inställning och öppenhet till att arbeta med AI. Artificiell intelligens innebär även att värderare kan beakta fler värdepåverkande faktorer vid värderingar. Något som bör beaktas i respondenternas svar är att det finns en risk att respondenterna är något partiska då AI är en teknik som eventuellt kan påverka deras arbeten. Studien visar huvudsakligen att värderingsprocessen kan bli mer effektiv, objektiv och tillförlitlig ifall tillräckligt med indata och jämförelseobjekt finns tillgängligt. Ett ytterligare kriterium som är tvungen att uppfyllas är att det finns ett tillräckligt väl utvecklat AI system samt en öppenhet för AI bland samtliga aktörer inom branschen.

Recent developments in the field of Artificial Intelligence (AI) drive businesses to introduce digitally advanced products, services, processes, and mechanisms to various markets (Krauset al. 2022; Parida et al. 2019). In this manner, the healthcare sector proves as a propitious industry for successful AI-application (Jiang et al. 2017; Yu et al. 2018). However, expected business gains cannot be achieved through the sole integration of AI-systems into healthcare products, processes and/ or services (Åström et al. 2022; Lee et al. 2019). To appropriately operationalise and commercialise AI-based offerings, so-called AI-solution-specialists are urged to change, adapt, and modify their prevailing business models (BMs) (Frank et al. 2019;Kiel et al. 2017). This study addresses the mentioned research gap by providing a thorough investigation of relevant literature and conducting a qualitative research methodology. By the means of guideline-based, structured interviews, data from seven cases on AI-based businessmodels in the healthcare sector were collected. With our findings we propose one theoretical framework on healthcare-specific AI-enabled BM modifications and one model on generalised AI-based value chain activities. In this way, we deliver insights into how AI is utilised in healthcare firms and how it is ultimately integrated into firm operating models - highly contributing to current literature. Further, our proposed frameworks serve as blueprints supporting practitioners in successfully creating, delivering, and capturing value stemming from AI-based technologies. Finally, being limited in scope, we propose future research to extend the study’s focus to an ecosystem-perspective and further apply a longitudinal research design to observe AI-enabled business model changes over a longer time span. / Framsteg inom Artificiell Intelligens (AI) motiverar företag att introducera digitalt avancerade produkter, tjänster, processer och mekanismer till flera olika marknader (Kraus et al. 2022;Parida et al. 2019). Hälso- och sjukvårdsbranschen är en lovande marknad för applikationer av AI (Jiang et al. 2017; Yu et al. 2018). För att uppnå förväntade värdeökningar krävs dock mer än integration av AI i hälso och -sjukvårdsprodukter, -processer och/eller tjänster (Åströmet al. 2022; Lee et al. 2019). Lösningsspecialister inom AI uppmanas att anpassa och modifierar rådande affärsmodeller för att på lämpligt sätt operationalisera och kommersialisera AI-baserade lösningar (Frank et al. 2019; Kiel et al. 2017). Den här artikeln behandlar forskningsluckan inom området genom en ingående litteraturstudie samt kvalitativa studier. Via strukturerade intervjuer baserade på riktlinjer samlas data från sju fall av AI-drivna affärsmodeller inom hälso- och sjukvårdssektorn. Baserat på våra resultat föreslår vi ett teoretiskt ramverk för AI-drivna förändringar av affärsmodeller inom hälso- och sjukvårdssektorn, samt en generell modell för AI-baserade aktiviteter i värdekedjan. På så sätt bidrar vi till den existerande litteraturen med inblickar i hur AI används av företag inom hälsa och sjukvård och hur AI integreras i existerande verksamhetsmodeller. Därtill agerar de presenterade ramverken som stöd för idkare i processen att skapa, leverera och fånga värde i koppling till AI-baserade teknologier. Avslutningsvis föreslår vi framtida forskning, där studiens omfattning ökas för att inkludera ett ekosystemperspektiv samt longitudinella studier med syfte att observera de långsiktiga förändringar av affärsmodeller som möjliggörs av AI.

Den expansiva digitala utvecklingen har bidragit till nya avancerade produkter och tjänster, många av dessa hjälper oss med dagliga bestyr och underlättar vardagen. En virtuell assistent är en produkt som med hjälp av artificiell intelligens är designad för att förenkla vardagen. För att kunna uppnå sitt syfte krävs insamling av data, vilket konsumenten själv måste godkänna. Därmed blir det ett ställningstagande gentemot bekvämlighet i användning av virtuella assistenter och förhållande till integritet. I denna undersökning studeras den komplexa relationen till integritet hos konsumenterna, när det kommer till nytta och strategiskt utnyttjande vid godkännande av datainsamling. Dessutom undersöks hur konsumenterna tror att utvecklingen av assisterna kommer att se ut i framtiden. Aspekterna som behandlas är, enligt tidigare forskning i ämnet, kritiska för klyftan som bildas mellan användning och synen på datainsamling kopplat till integritet. Därför har ämnet undersökts på en djupgående nivå genom intervju med sju respondenter givit sin syn på det hela Slutsatserna som undersökningen presenterar grundas med teori och den insamlade empirin, som visar på att det existerar ett komplext förhållande mellan integritet och datautlämning i samband med virtuella assistenter. Resultatet visar på att behovet av användning i många fall väger tyngre än personlig integritet, men det finns ingen tydlig gräns mellan variablerna. Studien drar dessutom slutsatsen att det finns en utvecklingspotential, både funktionellt och fysiskt. Däremot finns det också en kritisk inställning gentemot utvecklingen när det kommer till utbredning av datainsamling. / The expansive digital development has contributed to new advanced products and services, many of which help us with daily tasks and make everyday life easier. A virtual assistant is a product that, with the help of artificial intelligence, is designed to simplify life. In order to be able to achieve their purpose, collection of data is required, which the consumer must approve themselves. Thus, it becomes a stance towards convenience in the use of virtual assistants and the relationship towards integrity. This study examines the complex relationship against consumer integrity, when it comes to utility and strategic utilization of approving data collection. The study also examines how consumers believe that the development of virtual assistants will appear in the future. The aspects that are treated are, according to previous research in the subject, critical of the gap that is formed between use and the view of data collection linked to integrity. Therefore, the subject has been investigated at on a depth level through interviews with seven respondents who have given their views on the subject. The conclusions that the study presents are based on theory and the collected empirical data, which shows that there is a complex relationship between integrity and data disclosure in virtual assistants. The results show that the need for usage in many cases outweighs personal integrity, but there is no clear boundary between these variables. The study also concludes that there is a development potential, both functionally and physically. Although, there is a critical attitude towards the development when it comes to the expansion of data collection.

Controlling antennas’ vertical tilt through Remote Electrical Tilt (RET) is an effective method to optimize network performance. Reinforcement Learning (RL) algorithms such as Deep Reinforcement Learning (DRL) have been shown to be successful for RET optimization. One issue with DRL is that DRL models have a black box nature where it is difficult to ’explain’ the decisions made in a human-understandable way. Explanations of a model’s decisions are beneficial for a user not only to understand but also to intervene and modify the RL model. In this work, a state-ofthe-art Explainable Reinforcement Learning (XRL) method is evaluated on the RET optimization problem. More specifically, the chosen XRL method is the Embedded Self-Prediction (ESP) model proposed by Lin, Lam, and Fern [16] which can generate contrastive explanations in terms of why an action is preferred over the other. The ESP model was evaluated on two different RET optimization scenarios. The first scenario is formulated as a single agent RL problem in a ’simple’ environment whereas the second scenario is formulated as a multi agent RL problem with a more complex environment. In both scenarios, the results show little to no difference in performance compared to a baseline Deep Q-Network (DQN) algorithm. Finally, the explanations of the model were validated by comparing them to action outcomes. The conclusions of this work is that the ESP model offers explanations of its behaviour with no performance decrease compared to a baseline DQN and the generated explanations offer value in debugging and understanding the given problem. / Att styra antenners vertikala lutning genom RET är en effektiv metod för att optimera nätverksprestanda. RL-algoritmer som DRL har visat sig vara framgångsrika för REToptimering. Ett problem med DRL är att DRL-modeller är som en svart låda där det är svårt att ’förklara’ de beslut som fattas på ett sätt som är begripligt för människor. Förklaringar av en modells beslut är fördelaktiga för en användare inte bara för att förstå utan också för att ingripa och modifiera RL-modellen. I detta arbete utvärderas en toppmodern XRL-metod på RET-optimeringsproblemet. Mer specifikt är den valda XRL-metoden ESP-modellen som föreslagits av Lin, Lam och Fern [16] som kan generera kontrastiva förklaringar i termer av varför en handling föredras framför den andra. ESP-modellen utvärderades på två olika RET-optimeringsscenarier. Det första scenariot är formulerat som ett problem med en enstaka agent i en ’enkel’ miljö medan det andra scenariot är formulerat som ett problem med flera agenter i en mer komplex miljö. I båda scenarierna visar resultaten liten eller ingen skillnad i prestanda jämfört med en DQN-algoritm. Slutligen validerades modellens förklaringar genom att jämföra dem med handlingsresultat. Slutsatserna av detta arbete är att ESPmodellen erbjuder förklaringar av dess beteende utan prestandaminskning jämfört med en DQN och de genererade förklaringarna ger värde för att felsöka och förstå det givna problemet.

The researcher takes a user-centric empirical approach to estimate different consumer group participant views on the personalization technology adoption within the skincare industry. In addition, the study aims to highlight the main identified opportunities and concerns that users associate with the personalized technology solutions within the industry, such as skincare and product quizzes, in-depth questionnaires, smart skin analysis tools, and others. The empirical study sample consists of 17 subjects who represent three different generation groups (Generations X, Y, and Z). For data analysis purposes, the author has performed content and discourse analysis, sentiment assessment, and word cloud visualizations using the Python word cloud library. The conducted sentiment analysis shows that the Gen X group’s users overall have a negative attitude towards personalization technology adoption for the skincare (average sentiment: 0.294) in comparison to Gen Y and Gen Z consumers whose sentiment analysis results showed neutral and positive tendencies. The content analysis showed that Gen Y and Gen Z consumers are more concerned about the data governance and its associated risks than Gen X consumers for whom the results and skin health-related improvements were indicated as having higher importance. According to the gathered data, the majority of Gen Y and Gen Z consumer group participants see personalization technology as the future of the skincare industry; nevertheless, Gen X consumers believe that personalization within the skincare will not be attached to one brand and will be more focussed on addressing specific skin conditions and concerns as well as will be more evidence-based. / Forskaren använder sig av en användarcentrerad empirisk metod för att uppskatta olika konsumentgruppers åsikter om hur tekniken för att ge personliga hudvårdsråd används inom hudvårdsbranschen. Dessutom syftar studien till att belysa de viktigaste identifierade möjligheterna och farhågorna som användarna förknippar med dessa tekniska lösningar inom branschen, såsom hudvårds- och produkttester, djupgående frågeformulär, smarta hudanalysverktyg och andra. Den empiriska studiens urval består av 17 personer som representerar tre olika generationsgrupper (generationerna X, Y och Z). Författaren har för analysen av datan genomfört en innehålls- och diskursanalys, en känsloutvärdering samt en ordmolnsanalys med hjälp av Pythons ordmolnsbibliotek. Den genomförda känslighetsanalysen visar att användare i gruppen Gen X överlag har en negativ inställning till att införa teknik för att erhålla personliga hudvårdsråd (genomsnittlig känsla: 0,294) i jämförelse med konsumenter i generationerna Y och Z, vars känslighetsanalysresultat visade neutrala och positiva tendenser. Innehållsanalysen visade att Gen Y- och Gen Z-konsumenterna är mer oroade över datastyrningen och de därmed förknippade riskerna än Gen X-konsumenterna, för vilka resultaten och förbättringarna av hudhälsan angavs ha större betydelse. Resultaten av studien visar att en majoritet av Gen Y- och Gen Z-konsumentgruppens deltagare ser att utvecklandet och användandet av teknik för att ge personliga hudvårdsråd är framtiden för hudvårdsbranschen. Gen Xkonsumenterna tror dock att tekniken för personliga hudvårdsråd inte kommer att vara knuten till ett märke och att den kommer att vara mer inriktad på att hantera specifika hudtillstånd och problem samt vara mer evidensbaserad.

Dynamiska AI-system tar får allt mer utrymme i skolans värld. Det kommer påverka utbildning, undervisning och inlärning och inte minst lärares och studenters roller. Syftet med denna studie är därför att undersöka hur lärares och elevers roller, enligt de trender som framkommer i konferenserna AIED 2021 och LAK21, påverkas av AI-system i skolan. Materialet i denna studie utgörs av konferensartiklarna som presenterades under de två konferenser 2021 som iscensattes av International Society of Artificial Intelligence in Education (IAED) och Society for Learning Analytics (SoLAR). I sin forskning fokuserar båda forskningssällskapen användandet av AI i skolan. Båda ser sig som ledande inom sina fält. Av sammanlagt 187 har 130 uppfyllt de ställda kriterierna för att inkluderas i denna litteraturöversikt. Artiklarna har kategoriserats utifrån vilka AI-system som använts och deras påverkan på lärar- respektive studentrollen. Resultatet som framkommer visa på en mer passiv lärarroll och en mer aktiv studentroll. Förklaringen till detta är att AI-systemen förutser studentresultat, övervakar, ger feedback och pushar studenten till handling. I det bästa av scenarion kan däremot läraren ses som en partner till AI-systemen. Konferensartiklarna skriver inte mycket om lärare, för nästan allt fokus ligger på studenten. Det innebär att det är upp till systemen att ta plats på lärarnas bekostnad. Denna utveckling belyser vikten av att lärare och studenter får ta del av konsekvenserna av införandet av AI-system i skolan. / Dynamic AI-system are moving fast into the world of schools. This will affect education, teaching and learning and not at least the roles of teachers and students. That is why the aim of this study is to examine how teachers and students roles, according to the trends that emerge in the AIED 2021 Conference and the LAK21 Conference, are affected by AI-system in school. The starting point for this thesis are the studies that are presented during the two major conferences that are being held by the International Society of Artificial Intelligence in Education (IAED) and the Society for Learning Analytics (SoLAR) in 2021. In their research they both are focusing the use of AI in education. The societies are asking to be recognized as leading in their fields. Out of 187 articles published during the conferences 130 have fulfilled the criteria to qualify in this literature review. The articles have been categorified due to the AI-system that has been used and their influence on the role of the teacher and the student. The result demonstrates the roles of a more passive teacher and a more active student. The explanation for this is that the AI-system supervise, give feedback and push students into action. In the best of scenarios, the teacher can be seen as a equal partner with the systems. However, not much is being written about the teachers, it´s all about the students. Since the teacher is out of focus, it´s up to the system to fill that vacuum. This development makes it important that the consequences of the introduction of AI-systems in education are known to the concerned parties – the teachers and the students. / <p>Godkännande datum: 2022-06-03</p>

Purpose – This study aims to explore and provide empirical insights into AI-driven circular business model innovation (CBMI) in industrial symbiosis. In doing so, it addresses the knowledge gap regarding how industrial companies can use AI to amplify circular business models and facilitate AI-driven circular innovation. Method – A thematic analysis was used in the study to answer the research questions. It was based on 32 interviews with informants from five companies conducting an AI innovation initiative and experts, as well as two site visits, four project meetings and 61 company documents.  Findings – The analysis showed how AI can amplify an industrial symbiosis and uncovered three principles and symbiotic facilitators for AI-driven CBMI in an industrial symbiosis. The principles and symbiotic facilitators were combined in a coevolutionary alignment framework for AI-driven CBMI in industrial symbioses. Theoretical contributions – This study contributes to prior literature by (1) depicting how AI changes business models and amplifies an industrial symbiosis, where past research only had conceptualised it; (2) identifying principles that describe how AI-driven CBMI should be approached; (3) uncovering three symbiotic facilitators that create conditions for successful AI-driven CBMI; and (4) conceptualising a coevolutionary framework based on the principles and symbiotic facilitators for aligning the innovation efforts between partners in industrial symbioses. Practical contributions – Managers in industrial symbioses can use this study to comprehend how AI can improve resource flows and the significance of efficient data sharing in collaborative AI-driven innovation. Moreover, it provides a framework to assist companies in aligning innovation initiatives among partners in order to succeed with AI-driven CBMI. Limitations of the study – The study focused on five companies involved in an AI innovation initiative in one specific industrial symbiosis. As a result, the findings’ generalisability may be limited, and validating these findings in other industrial symbioses and different industrial ecosystems or partnerships would thus be interesting for future research. / Syfte – Denna studie syftar till att utforska och ge empiriska insikter i AI-driven cirkulär affärsmodellinnovation (CBMI) i industriell symbios. Genom detta undersöks kunskapsbristen om hur industriella företag kan använda AI för att förbättra cirkulära affärsmodeller och underlätta AI-driven cirkulär innovation. Metod – En tematisk analys användes i studien för att besvara forskningsfrågorna. Den baserades på 32 intervjuer med informanter från fem företag som genomförde ett AI-innovationsinitiativ och experter, samt två platsbesök, fyra projektmöten och 61 sekundära källor. Resultat – Analysen visade hur AI kan förbättra en industriell symbios och hittade tre principer och symbiotiska facilitatorer för AI-driven CBMI i en industriell symbios. Principerna och symbiotiska facilitatorerna kombinerades i ett samevolutionärt ramverk för att skapa målöverenstämmelse och underlätta AI-driven CBMI i industriella symbioser. Teoretiskt bidrag – Denna studie bidrar till tidigare litteratur genom att (1) beskriva hur AI förändrar affärsmodeller och förbättrar en industriell symbios, där tidigare forskning bara hade konceptualiserat det; (2) identifiera principer som beskriver hur AI-driven CBMI bör genomföras, (3)  identifiera tre nyckel symbiotiska facilitatorer som skapar förutsättningar för framgångsrik AI-driven CBMI; och (4) konceptualisera ett samevolutionärt ramverk baserad på principerna och symbiotiska facilitatorer som kan användas för att underlätta innovation som partners gör tillsammans i industriella symbioser. Praktiskt bidrag - Ledare i industriella symbioser kan använda denna studie för att förstå hur AI kan förbättra resursflöden och vilken betydelse effektiv datadelning har i kollaborativ AI-driven innovation. Dessutom ger det ett ramverk för att hjälpa företag att innovera tillsammans för att lyckas med AI-driven CBMI. Studiens begränsningar – Studien fokuserade på fem företag involverade i ett AI-innovationsinitiativ i en specifik industriell symbios. På grund av detta kan resultatens generaliserbarhet vara begränsad, och validering av dessa resultat i andra industriella symbioser och olika industriella ekosystem eller partnerskap skulle därför vara intressant.

Denna studie syftar till att undersöka och analysera rollen som artificiell intelligens (AI) spelar för tillväxten och framgången hos små och medelstora tech-företag. Syftet är att undersöka hur dessa företag effektivt kan utnyttja AI i en ständigt utvecklande miljö samt att identifiera de utmaningar och möjligheter som är förknippade med integrationen av AI. Studien strävar efter att bidra till kunskapsutveckling inom området och underlätta tillväxten inom tech-sektorn. Studien bygger på tre semistrukturerade kvalitativa intervjuer och teori insamling. Intervjuerna gav detaljerade insikter, medan teori insamlingen kompletterade resultaten. Dessa metoder säkerställde en omfattande ansats för datainsamling. Resultaten från intervjuerna, som stöds av relevant teori, visade att AI hjälper företag att bli mer effektiva och framgångsrika. Dock identifierades vissa hot, såsom bristande förtroende för AI att fatta fullständiga beslut, oro för integritet och etik, samt informationssäkerhet. / The objective of this research is to explore and evaluate the function that artificial intelligence (AI) has in the growth and success of small and medium-sized technological enterprises. The aim is to examine how these organizations can optimize the use of AI in a continuously changing environment, and identify both the opportunities and challenges related to the integration of AI. The research intends to enrich knowledge in this domain and facilitate progress within the technology industry. It is grounded in three qualitative interviews conducted in a semi-structured format, and theory collection. The interviews provided extensive insights while the theory collection supplemented the findings, resulting in a comprehensive data collection approach. The outcomes of the interviews, supported by pertinent theories, disclosed that AI is a key factor in enhancing efficiency and success in companies. However, certain threats were identified, including a lack of trust in AI to make complete decision-making, concerns regarding privacy and ethics, and information security.