AI in medical imaging is promising. Breast cancer screening has particularly seen advancements as researchers have demonstrated how commercially available AI algorithms could detect breast cancer at the same level as the best radiologists. The clinical uptake of AI implementations has however been slow and research studies on the real-life effects AI would have when it is implemented in healthcare settings, are lacking. As AI is integrated into the workflows of hospitals, new risks, are likely to be introduced. The breast radiology department at the hospital of Capio S:t Göran is among the first in the world to clinically let AI act as an independent reader, replacing one of the two radiologists reading the mammograms. This study thus aimed to investigate how a hospital like Capio S:t Göran may prepare for the clinical uptake of AI by exploring risks from an enterprise risk management perspective, i.e., looking beyond risks associated with patient safety, and proposing risk mitigation strategies. Data was qualitatively collected through different means. Brainstorming sessions were conducted with personnel at the hospital, either directly or indirectly involved with AI, with the purpose of identifying risks. Two external experts with competencies in cybersecurity, machine learning, and the ethical aspects of AI, were interviewed as a complement. Insights were also gained via observations at the hospital and internal documents/information. The risks identified were analyzed according to an enterprise risk management framework adopted for healthcare, that assumes risks to be emerging from eight different domains. Additionally, appropriate risk mitigation strategies were identified and discussed. The findings from the study demonstrates 23 risks associated with the clinical AI implementation in medical imaging and proposes risk mitigation strategies to each identifiedrisk. Not only does the study indicate the emergence of clinical/patient safety risks, but it also shows that there are operational, strategic, financial, human capital, legal, and technological risks. In addition, the study emphasizes the existence of possible synergies between the risks. The study concludes on the significance for hospitals to view risks holistically and to manage them proactively. / Användandet av AI inom bild- och funktionsmedicin är lovande. Det har framför allt skett framsteg inom bröstcancerscreening i takt med att forskare lyckats demonstrera hur kommersiellt tillgängliga AI algoritmer kan detektera bröstcancer på samma nivå som de bästa bröstradiologerna. AI införandet inom klinisk praxis har däremot varit långsam och det finns en avsaknad på forskningsstudier som studerat effekterna av ett AI-införande när det implementeras i den verkliga sjukvårdsmiljön. När ett AI system ska integreras i ett sjukhusarbetsflöde är det sannolikt att nya risker introduceras. Mammografiavdelningen på Capio S:t Görans sjukhus är det första sjukhuset i världen som ska börja använda AI kliniskt i syfte att ersätta en av två radiologer. Planen är att låta ett AI-system agera som en oberoende granskare och därmed ersätta en av de två radiologer som normalt sett granskar mammografibilderna. Syftet med denna studie har därav varit att undersöka hur sjukhus, såsom Capio S:t Göran bör förbereda sig för ett kliniskt införande av AI. Detta har gjorts genom att både identifiera risker från ett Enterprise Risk Managementperspektiv, vilket ur en sjukvårdskontext bland annat innebär att titta bortom patientsäkerhetsrisker, samt identifiera och föreslå riskhanteringsstrategier. För att identifiera risker hölls brainstorming sessioner med personal på Capio S:t Görans sjukhus med antingen direkta eller indirekta kopplingar till AI implementeringen. Detta kompletterades med två expertintervjuer där den ena hade kompetens inom cybersäkerhet och maskininlärning och den andra inom de etiska aspekterna av AI. Dessutom erhölls insikter via observationer gjorda på sjukhuset samt genom tillgång till intern information. Riskerna som identifierades analyserades därefter enligt ett Enterprise Risk Management ramverk som anpassats till sjukvården och som utgår från åtta olika risk domäner. Till sist diskuterades och identifierades lämpliga riskhanteringsstrategier. Resultatet från studien kunde indikera 23 risker relaterade till ett kliniskt användande av AI inom bild- och funktionsmedicin samt föreslå riskhanteringsstrategier till respektive risk som identifierades. Studien kunde identifiera operativa risker, patientsäkerhetsrisker, strategiska risker, finansiella risker, humankapitalrisker, juridiska risker och tekniska risker samt synliggöra eventuella synergier som existerar mellan riskerna. Slutsatsen av studien är att en holistisk syn på riskhantering och att en proaktiv hantering av risker är av avgörande betydelse för sjukhus som ska genomgå en implementering av AI.

New technology and digital transformations create disruptions for businesses, which new artificial intelligence (AI) technology is projected to do. Knowledge management (KM) and professional service firms (PSFs) play a critical role in the innovation-driven era of the knowledge economy. Both KM and PSFs rely on learning and knowledge, which are concepts that the AI-tool ChatGPT is also closely connected to. Since ChatGPT is newly launched, it is an uninvestigated phenomena. The research purpose is therefore to explore what role ChatGPT has in knowledge-creating processes within PSFs. An inductive, qualitative study is conducted through semi-structured interviews on a case study. Through thematic analysis weidentify who, how, when, and why ChatGPT is used in regards to knowledge-creating processes. The study concludes that ChatGPT is used by knowledge workers and primarily those who rely less on tacit knowledge. ChatGPT’s design results in it mainly being used for knowledge-creating processes involving explicit knowledge, and when such knowledge can be verified. Its main benefits are time efficiency and relevance. / Ny teknik och digitala transformationer gör att företag står inför förändring, vilket även ny artificiell intelligens (AI) förväntas orsaka. Knowledge management (KM) och professionella tjänsteföretag spelar en avgörande roll i den innovationsdrivna eran av kunskapsekonomin. Både KM och professionella tjänsteföretag förlitar sig på lärande och kunskap, vilket även AI-verktyget ChatGPT gör. Eftersom ChatGPT är nylanserat är det ett oundersökt fenomen. Forskningssyftet är således att utforska vilken roll ChatGPT har i kunskapsskapande processer inom professionella tjänsteföretag. En induktiv, kvalitativ studie genomförs genom semistrukturerade intervjuer på en fallstudie. Genom tematisk analys identifieras vem som använder ChatGPT, likaså hur, när och varför verktyget används i kunskapsskapande processer. Studien kommer fram till att ChatGPT används av kunskapsarbetare, främst de som förlitar sig mindre på tyst kunskap. ChatGPTs design resulterar i att den primärt används förkunskapsskapande processer som involverar explicit kunskap, samt när sådan kunskap kan verifieras. Dess främsta fördelar är tidseffektivitet och relevans.

Sveriges kommunala spillvattenledningsnät står idag inför en enorm utmaning, då eftersattunderhåll i kombination med klimatförändringar kommer kräva stora framtida investeringaroch tidskrävande analyser. Detta examensarbete har utförts med målet att förenkla dettastundande förnyelsearbete. Som metod har en enkät utformats, och besvarats av totalt 84kommuner, med syftet att presentera en lägesbild. Vidare har ett artificiellt neuralt nätverkutvecklats, och tillämpats på data från Täby kommun, med syftet att förutspå vilkaspillvattenledningar i ett ledningsnät som har behov av förnyelse. Resultatet visar att det finns ett stort förbättringsbehov i det strategiska förnyelsearbetet.Störst behov, och potential, finns i hantering och insamling av data, där artificiella neuralanätverk kan tillämpas och utnyttjas som ett effektivt och intelligent verktyg. Det artificiellaneurala nätverket som utvecklats, och tillämpats, i detta examensarbete uppnådde en högprecision (93 %), och beräknade att Täby kommun har ca 10-20 spillvattenledningar medoupptäckt förnyelsebehov. Detta bör dock tas med viss reservation pga. bristandedatakvalitet. Avslutningsvis kan konstateras att lösningen för framtidens ledningsförnyelserelateradeproblem och utmaningar, ligger i förmågan att effektivt och intelligent samla in, struktureraoch analysera data om ledningsnäten. Artificiella neurala nätverk är ett verktyg som kanoch bör användas för detta ändamål då man, med hjälp av artificiell intelligens, kan göraprecisa analyser och skapa helhetsbilder över ledningsnät, vilket kan spara bådefinansiella, temporala och personella resurser. / Aging sewer systems and deferred maintenance pose one of the greatest challenges toSwedish municipal infrastructure in the future. This degree project has been completedwith the aim to develop a method with which to sufficiently solve these future challenges,and help decision makers to properly invest in the networks, and optimise the pipe renewalprocess. As a methodology, a survey has been created, and answered by 84representatives from various municipalities and water and waste organisations, in order topresent a deeper understanding of the current situation in Sweden. Furthermore, anartificial neural network has been developed, and trained with data from Täby municipality,with the purpose of predicting which pipes in a sewer network that need to be renewed. The results show that there is a great need for improvement in the strategic renewalplanning. The greatest need, and potential, is found in the collection and processing ofdata, where artificial neural networks can be applied as a highly efficient and intelligenttool, which is proven by the high accuracy (93 %) and strong ability to predict pipes withrenewal needs (ca 10-20 pipes for Täby municipality) that the neural network developedfor this degree project showed. It is, however, important to emphasize that the quality ofthe obtained data from Täby was relatively low, and that the results therefore has to beviewed with some skepticism. It is nevertheless reasonable to assume that artificial intelligence, and more specifically,artificial neural networks, will play an important role in tackling future challenges related tostrategic asset management and renewal planning for underground sewer infrastructure.The main solution lies in the ability to efficiently and intelligently collect, structure, andprocess data, and this is a field where artificial neural networks, as made evident by thisdegree project, certainly have abilities to flourish and contribute to savings in bothfinancial, temporal and human resources.

Purpose – This paper explores how creativity is affected by implementing Artificial Intelligence (AI) in the design process. Current usage of AI and desired areas for its use in the Swedish architecture, engineering, and construction (AEC) will be investigated to form an understanding of its effect on creativity in the design process. Methodology – The study conducted five (5) interviews with industry representatives as well as a literature and document study. Findings – The thesis contributes to understanding how new technology such as AI can affect creativity in the design process. It explored how the creative process is currently structured and how it will be affected by the implementation of AI. It provides an overview of the desired applications of AI in the AEC sector and how these can change the design process in the future. / Syfte – Detta arbete syftar till att utforska hur kreativitet påverkas av implementering av artificiell intelligens (AI) i designprocessen. Nuvarande användning av AI och dess efterfrågade användningsområden i den svenska arkitektur, ingenjör och konstruktions (AEC) sektorn kommer utforskas för att forma en förståelse av dess påverkan på kreativitet i designprocessen. Metod – Studien genomförde fem (5) intervjuer med industrirepresentanter, samt genomförde en litteratur- och dokumentstudie. Resultat – Arbetet bidrar till en förståelse av hur ny teknologi så som AI kan påverka kreativitet i designprocessen. Studien bidrar till en överblick av efterfrågade användningsområden för AI i AEC sektorn och hur dessa kan ändra designprocessen i framtiden. Arbetet utforskade hur den kreativa processen är utformad idag och hur den kommer påverkas av införandet av AI.

In a 5 Generation massive Multiple Input Multiple Output radio network, the Channel State Information is playing a central role in the algorithm design and system evaluation. However, Acquisition of Channel State Information consumes system resources (e.g. time, frequency) which in turn decrease the link utilization, i.e. fewer resources left for actual data transmission. This problem is more apparent in a scenario when User Equipment terminals have multi-antennas and it would be beneficial to obtain Channel State Information between Base Station and different User Equipment antennas e.g. for purpose of high rank (number of streams) transmission towards this User Equipment. Typically, in current industrial implementations, in order to not waste system resources, Channel State Information is obtained for only one of the User Equipment antennas which then limits the downlink transmission rank to 1. Hence, we purpose a method based on Deep learning technique. In this paper, multi-layer perception and convolutional neural network are implemented. Data are generated by MATLAB simulator using the parameters provided by Huawei Technologies Co., Ltd. Finally, the model proposed by this project provides the best performance compared to the baseline algorithms. / I ett 5-generationsmassivt massivt multipel-inmatningsradio-nätverk spelar kanalstatens information en central roll i algoritmdesignen och systemutvärderingen. Förvärv av Channel State Information konsumerar emellertid systemresurser (t.ex. tid, frekvens) som i sin tur minskar länkanvändningen, dvs färre resurser kvar för faktisk dataöverföring. Detta problem är mer uppenbart i ett scenario när användarutrustningsterminaler har flera antenner och det skulle vara fördelaktigt att erhålla kanalstatusinformation mellan basstationen och olika användarutrustningsantenner, t.ex. för överföring av hög rang (antal strömmar) till denna användarutrustning. I nuvarande industriella implementeringar erhålls kanalstatusinformation för endast en av användarutrustningens antenner för att inte slösa bort systemresurser, vilket sedan begränsar överföringsrankningen för nedlänkning till 1. Därför syftar vi på en metod baserad på Deep learning-teknik. I detta dokument implementeras flerskiktsuppfattning och inblandat neuralt nätverk. Data genereras av MATLAB-simulator med hjälp av parametrarna som tillhandahålls av Huawei Technologies Co., Ltd. Slutligen ger modellen som föreslås av detta projekt bästa prestanda jämfört med baslinjealgoritmerna.

Predictive maintenance plays a crucial role in preventing unexpected equipment failures and maintaining assets in good operating conditions in various systems. One such scenario where predictive maintenance has been widely used is in battery management systems for electronic vehicles based on lithium batteries, where the risk of failure can be reduced by predicting the remaining useful life of the lithium battery. This project developed a DL model based on Long Short-Term Memory networks which was able to generalize new and various kinds of battery. The model was implemented on a low-cost, low-power using embedded artifcial intelligence, which enables local model execution, reducing costs, time, and risks associated with transferring data to the cloud. To further optimize the model and reduce its memory usage, quantization was applied before porting it to an embedded system based on the STM32 MCU. The results show that the model migration was successful, with low memory cost and no signifcant degradation in accuracy. Finally, the memory usage of the prediction model was also analyzed. / Predictiv underhåll har en avgörande roll för att förebygga oväntade utrustningsfel och bibehålla tillgångar i god driftsvillkor i olika system. Ett scenario där predictivt underhåll har använts mycket är i batterihanteringssystem för elfordon baserade på litiumbatterier, där risken för fel kan reduceras genom att förutsäga den återstående användbarhetsperioden för litiumbatteriet. I det här projektet utvecklades djupinlärningsprediktiva modeller med hjälp av Keras sekventiella modell för att representera en ferlagersneural nätverk och en Lång Korttidsminne modell för tidserieprediktion. Dessa modeller implementerades på en lågkostnad, låglägesmikrokontroller med inbyggd artifcial intelligence, vilket möjliggör lokal modellkörning, vilket reducerar kostnader, tid och risker med att överföra data till molnet. För att ytterligare optimera modellen och minska dess minnesfotavtryck tillämpades kvantisering innan den portades till en inbyggd system baserat på STM32 mikrokontroller. Resultaten visar att modellmigrationen var framgångsrik, med låg minneskostnad och ingen signifkant försämring av precisionen. Slutligen analyserades även minnesanvändningen av prediktionsmodellen.

The digital transformation, providing disruptive digital technologies, changed customer needs, and new digital entrants, is starting to affect the insurance industry. Although, the insurers are struggling to become digital and excel on technologies such as Artificial Intelligence. Therefore, the purpose of this thesis was to identify and investigate the factors necessary for incumbent insurers to achieve digital transformation and excel on related technologies, to stay competitive in the fast-changing environment. The overall theoretical foundation was built on the ability to create dynamic capabilities to achieve digital transformation. The study further linked the dynamic capabilities theory to the context of the change currently happening in the insurance industry, achieved by performing a single case study on a Swedish incumbent insurer. The case study included two units of analysis which investigated (1) how, and under which circumstances, the identified key factors were met, and (2) how the attempts of implementing Artificial Intelligence have been perceived, received and achieved. Both qualitative and quantitative data collections were performed, but where the qualitative was predominate. The findings proved that the incumbent insurer is at the start of its digital transformation and does realise the need to transform. However, it was found that many of the essential dynamic capabilities’ activities are limited at the case company and that hierarchical structures, riskaversion and legacy systems are hindering the insurer’s attempts to transform. Some good initiatives though proved that the insurer is starting to build more dynamic capabilities, but there are also many areas where the company must improve. A central contribution to the study was further the realisation that the implementation of Artificial Intelligence was well related to the parts of the dynamic capabilities’ theory. As digital transformation is an ongoing journey of strategic change, once more dynamic capabilities are in place, the incumbent insurer will be ready to excel on the possibilities that digital transformation entails. / Den digitala transformationen har börjat påverka försäkringsbranschen och medför nya omvälvande digitala tekniker, förändrade kundbeteenden och nya digitala konkurrenter. Många försäkringsbolag kämpar därför med att bli digitala samt att förstå sig på nya tekniker, så som Artificiell Intelligens. Syftet med denna studie var därför att identifiera och undersöka vilka faktorer som är nödvändiga för väletablerade försäkringsbolag att klara sig igenom den digitala transformationen, och adaptera nya uppkommande tekniker som förändringen medför. Detta för att kunna behålla sin marknadsposition och klara sig i en snabbförändlig värld. Huvudsakligen var den teoretiska grunden för detta arbete byggt på förmågan att kunna skapa dynamiska förmågor för att överleva den digitala transformationen. Vidare så sammankopplade studien teorin om dynamiska förmågor till den pågående förändringen inom försäkringsindustrin, genom att utföra en fallstudie av ett väletablerat försäkringsbolag i Sverige. Fallstudien innefattade två analysdelar beskrivna enligt följande: (1) Hur, och under vilka förhållanden, uppfylls de identifierade faktorerna och (2) hur har försöken att implementera Artificiell Intelligens uppfattas, mottagits och uppnåtts av försäkringsbolaget. Både en kvalitativ och kvantitativ datainsamling utfördes, där den kvalitativa delen dominerade. Resultaten visade på att det studerade försäkringsbolaget är i början av sin digitala transformation, men har insett betydelsen av att behöva förändras. Det blev även bekräftat att många av de grundläggande dynamiska förmågorna var begränsade hos företaget samt att hierarkiska strukturer, riskundvikande och legacy förhindrar möjligheten att förändras. En del goda initiativ visar att företaget börjar bygga dynamiska förmågor men att det finns många områden där ytterligare fokus krävs. En stor insikt i studien var att implementationen av Artificiell Intelligens var relaterad och stämde väl överens med faktorerna identifierade i teorin. Den digitala transformationen är en pågående resa av strategiska förändringar, och försäkringsbolaget kommer kunna ta del av dess möjligheter när fler dynamiska förmågor uppnås.

Quality education is one of the United Nations Sustainable Development Goals. In pursuit of reaching this goal there are multiple available techniques today, where one of them is Artificial Intelligence, AI. How it can be used is not established but a potential area of use is explored in this thesis. It is investigated whether an AI, today available to the public, can be used to generate feedback for human produced multiple choice questions. It also reflects on to what extent the feedback produced is sufficient to be helpful to a student when learning. This area of study is of great importance due to feedback being a great contributor to learners' understanding. However, feedback needs to be available when a learner needs it, and it has to be specific for the learner. This is a big challenge and hard to achieve since feedback is hard to produce, and it is therefore of great importance to find a viable option. Multiple questions with feedback were provided and were sent into an AI with three different prompts, to produce new improved feedback. Ratings of the questions were also provided. The generated feedback was evaluated in two ways, it was rated according to criterias for good feedback and a survey was sent out. The survey gave outside opinions on what prompts were preferred and why. The results showed that feedback can be produced with the different prompts and that it was better and often preferred over the feedback created by humans. The feedback produced was mostly correct, but not always, making the AI not always trustworthy. The results also showed that the feedback produced was mostly considered sufficient. This shows that AI can be used to enhance learning. / Att kunna erbjuda utbildning av god kvalitet är ett av Förenta Nationernas Globala mål mot en hållbar framtid. I strävan för att uppnå detta mål har vi idag tillgång till flera nya tekniker, där en av de nyaste är artificiell intelligens, AI. Hur vi kan använda oss av AI för att uppnå målet är ännu inte fastställt, men ett alternativt användningsområde undersöks i detta arbete. Det kommer undersökas om en AI, som är tillgänglig för allmänheten idag, kan användas för att generera återkoppling till flervalsfrågor som är producerade av en människa. Arbetet reflekterar också över till vilken grad som den producerade återkopplingen är tillräckligt bra för att vara till hjälp vid en students inlärningsprocess. Det är av yttersta vikt att detta område fortsätter undersökas, då återkoppling är en bidragande faktor för studenters förståelse. Återkoppling måste finnas tillgängligt när studenterna behöver det. Detta är en utmaning eftersom bra återkoppling är svårt att producera, och det är därför av stor vikt att hitta ett hållbar alternativ. Flervalsfrågor med återkoppling tillhandahölls och skickades in till en AI med tre olika frågeformuleringar, med avsikt att producera ny förbättrad återkoppling. Värderingar av frågorna var också tillhandahållna. Den genererade återkopplingen utvärderades på två sätt, utefter kriterier för en bra återkoppling och med ett formulär. Formuläret gav utomstående åsikter om vilka återkopplingar som föredrogs och varför. Detta för att undersöka vilken inverkan frågeformuleringen hade på den genererade återkopplingen. Resultatet visade att återkoppling kan produceras med de olika frågeformuleringen och att återkopplingen var bättre och oftast föredragen framför återkopplingen skapad av människor. Återkopplingen var till mestadels korrekt, men inte alltid, vilket medför att AI:ns resultat inte alltid kan anses vara helt trovärdig. Resultatet visade också att den producerade återkopplingen vad tillräckligt bra för att kunna vara till hjälp för de svarande. En slutsats som kan dras är därför att AI kan användas för att förbättra inlärningen, även om det ännu finns förbättringspunkter.

The popularity of Artificial Intelligence (AI) technologies in various industries is increasing now more than ever before due to the ability of improving efficiency, enhancing decision-making and automating workflows. This demands that organizations need to be prepared to adopt these technologies to keep their competitive advantage and utilize the benefits in today's fast-paced business environment. There is a lack of guidance for organizations to adopt AI and further research of the organizational readiness factors is therefore needed to make sure the adoption of it is successful. The purpose of this research was to expand the knowledge of key factors that matter when organizations in the software industry want to create the best conditions before adopting the AI technologies in their business processes. The main contexts and factors were investigated with the technology-organizational-environmental (TOE) framework in synthesis with the technological readiness index (TRI) to get the perspective of both readiness and adoption. To answer the research questions that originated from the purpose, a qualitative research method was chosen where semi-structured interviews were conducted with managers with knowledge and experience in the field, as part of the empirical findings process. The most important contributing factor for readiness was communication, and the most obstructing factor was the discomfort of technological innovations such as AI. The main factors for a successful adoption were found to be the availability of slack resources and skilled labor and that the conditions of AI readiness are dealt with before adoption. The factor that could be classified as a main hindering factor in the adoption process was found to be a shortage of skilled labor in the market, with the right kind of knowledge and experience. / Populariteten för teknologier inom artificiell intelligens (AI) ökar nu mer än någonsin tidigare i olika branscher på grund av förmågan att förbättra effektiviteten, förbättra beslutsfattandet och möjligheten att automatisera arbetsflöden. Detta kräver att organisationer måste vara beredda att använda dessa teknologier för att behålla sina konkurrensfördelar och utnyttja fördelarna i dagens affärsmiljö där beslut fattas fort. Det finns dock en brist på vägledning för organisationer att ta till sig AI och ytterligare forskning om organisatoriska beredskaps faktorer behövs därför för att säkerställa att implementeringen av dessa teknologier blir framgångsrik. Syftet med denna forskning var att utöka kunskapen om nyckelfaktorer som verkligen betyder något när organisationer inom mjukvaruindustrin vill skapa de bästa förutsättningarna innan de tar till sig AI-teknologierna i sina affärsprocesser. De huvudsakliga sammanhangen och faktorerna undersöktes med hjälp av technology-organizational-environmental (TOE) ramverket i syntes med technological readiness index (TRI) för att få perspektiv på både beredskap och implementering av AI. För att besvara forskningsfrågorna valdes en kvalitativ forskningsmetod med semistrukturerade intervjuer för att samla in empirisk data. Dessa intervjuer genomfördes med chefer inom mjukvaruindustrin som hade erfarenhet kring implementering av AI. Den viktigaste bidragande faktorn för beredskapen var kommunikation, och den mest hindrande faktorn var obehaget för innovationer som AI. De huvudsakliga faktorerna för en framgångsrik implementering visade sig vara tillgången på överskotts resurser och kvalificerad arbetskraft och att villkoren för AI-beredskap hanteras innan implementering. Den faktor som kunde klassificeras som en huvudsaklig hämmande faktor i implementeringsprocessen visade sig vara brist på kvalificerad arbetskraft på marknaden, med rätt sorts kunskap och erfarenhet.

Advancements in Artificial Intelligence (AI), Machine Learning (ML), and Deep Learning (DL) has emerged into 3D object creation processes through the rise of 3D Generative Adversarial Networks (3D GAN). These networks contain 3D generative models capable of analyzing and constructing 3D objects. 3D generative models have therefore become an increasingly important area to consider for the automation of design processes in the manufacturing and defense industry. This case study explores areas of automation enabled by 3D generative models for an incumbent in the Swedish defense industry. This study additionally evaluates discovered types of implementations of 3D generative models from a sociotechnical perspective by conducting qualitative interviews with employees. This study applies the Unified Theory of Acceptance and Use of Technology (UTAUT) for understanding the adoption and intention to use 3D generative models. A description of 3D objects, CAD, 3D generative models, and point cloud data is given in this study. A literature review is additionally given in the three fields of AI, technology acceptance, and the defense industry to funnel the literature to the context of this study. 21 types of implementations are discovered and categorized into four distinct groups. In conclusion a lot of potential is found for the adoption of 3D generative models for especially AI simulation processes, but challenges with data collection and security are discovered as the most significant obstacle to overcome. / Framsteg inom artificiell intelligens (AI), maskininlärning (ML) och djupinlärning (DL) har resulterat i att 3D-objektskapandeprocesser har utvecklats genom framväxten av 3D Generative Adversarial Networks (3D GAN). Dessa nätverk innehåller 3D-generativa modeller som är kapabla till att analysera och konstruera 3D-objekt. 3D-generativa modeller har därmed blivit ett allt viktigare område att beakta för automatisering av designprocesser inom tillverknings- och försvarsindustrin. Denna fallstudie undersöker automatiseringsområden som möjliggörs av 3D-generativamodeller för en etablerad aktör inom den svenska försvarsindustrin. Studien utvärderar dessutom identifierade typer av implementeringar av 3D-generativa modeller ur ett socio-tekniskt perspektiv genom att genomföra kvalitativa intervjuer med anställda. Denna studie tillämpar Unified Theory of Acceptance and Use of Technology (UTAUT) för att förstå acceptans och avsikt att använda 3D-generativa modeller. En beskrivning av 3D-objekt, CAD, 3D-generativa modeller och punktmolnsdata ges i denna studie. Dessutom ges en litteraturöversikt inom tre områden: AI, teknologianvändning och försvarsindustrin för att rikta in litteraturen mot denna studiens sammanhang. 21 typer av tillämpningar identifieras och kategoriseras i fyra distinkta grupper. Som slutsats finns det stor potential för antagande av 3D-generativamodeller, särskilt inom AI-simuleringsprocesser, men utmaningar med datainsamling och säkerhet identifieras som de mest betydande hindren att överkomma.