Artificial Intelligence (AI) possesses the potential to profoundly reshape numerous established industries, including the video games industry. This transformative potential arises from algorithms that operate not only on a technical level, but also on a creative and artistic level, particularly with the advent of generative AI. To elucidate the current role of AI within the video game industry and identify potential trajectories for development, structured interviews were conducted with programmers, AI experts, and video game professionals. Moreover, the study aimed to discern the areas in which generative AI will have the most significant impact. The primary findings indicate that AI should function as an assistant, offering suggestions rather than making decisions. Furthermore, AI facilitates increased diversity and accessibility within the industry through enhanced representation. Urgent discussions regarding the protection of artists and the ethical implications of these advancements are crucial for timely legislation development. The study also revealed that AI currently assumes a supportive role, augmenting human labor efficiency. It is employed for tasks such as balancing gameplay, matchmaking, debugging, anti-cheat mechanisms, and non-player character (NPC) dialogue. Human input remains indispensable, particularly in the creative domain and quality assurance processes. Lastly, the report underscores the opportunities and challenges presented by these technical advancements and proposes potential solutions. The findings contribute to a comprehensive comprehension of the implications of AI and generative AI within the industry and offer recommendations for their responsible and ethical utilization. / Artificiell intelligens (AI) har potentialen att på ett djupgående sätt omforma flera etablerade branscher, inklusive spelindustrin. Denna transformerande potential uppstår från algoritmer som inte bara fungerar på en teknisk nivå, utan även på en kreativ och konstnärlig nivå, särskilt med framväxten av generativ AI. För att belysa den nuvarande rollen för AI inom spelindustrin och identifiera potentiella utvecklingsriktningar genomfördes strukturerade intervjuer med programmerare, AI-experter och spelbranschens yrkesverksamma. Dessutom syftade studien till att fastställa de områden där generativ AI kommer att ha störst påverkan. De primära resultaten indikerar att AI bör fungera som en assistent och erbjuda förslag istället för att fatta beslut. Dessutom underlättar AI ökad mångfald och tillgänglighet inom branschen genom förbättrad representation. Brådskande diskussioner om skyddet av konstnärer och de etiska konsekvenserna av dessa framsteg är avgörande för en tidig lagstiftningsutveckling. Studien visade också att AI för närvarande antar en stödjande roll genom att öka effektiviteten hos mänskligt arbete. Den används för uppgifter som att balansera gameplay, matchmaking, felsökning, fuskförebyggande mekanismer och dialog för icke-spelarkaraktärer (NPC). Mänsklig input förblir oumbärlig, särskilt inom den kreativa domänen och kvalitetssäkringsprocesser. Slutligen understryker rapporten de möjligheter och utmaningar som dessa tekniska framsteg medför och föreslår potentiella lösningar. Resultaten bidrar till en omfattande förståelse av konsekvenserna av AI och generativ AI inom branschen och erbjuder rekommendationer för deras ansvarsfulla och etiska användning.

Studiens syfte är att bedöma till vilken utsträckning AI kan ersätta en människa i rollen som mjukvaruutvecklare utifrån ett kvalitativt perspektiv på kod. Detta görs genom att besvara forskningsfrågorna som lyder: “Hur använder mjukvaruutvecklare sig av generativ AI vid utvecklingsutmaningar?” och “Vad är mjukvaruutvecklares uppfattning om kvaliteten på autogenererad kod skapad av en generativ AI såsom Chat GPT?”. För att besvara frågorna har en kvalitativ metod applicerats. En litteraturundersökning startade studien och tillsammans med en ny modell som baseras på McCall quality model och Boehm quality model. Från detta har en intervjuguide skapats som används i semistrukturerade intervjuer genomförda med erfarna mjukvaruutvecklare. Resultatet visar att kod skapad av generativ AI är ett bra hjälpmedel och verktyg som kan effektivisera en mjukvaruutvecklare och att det används på det sättet idag. Däremot så visar resultaten också att koden som genereras av en generativ AI inte är tillräckligt bra och kan inte användas utan att förändringar eller åtgärder görs då det saknas kvalitet. Slutsatserna som dras är att mjukvaruutvecklare använder sig av generativ AI som ett hjälpmedel men att AI:n inte är kapabel att hantera en uppgift på egen hand, därav är det inget hot mot någon anställning för mjukvaruutvecklare. Framtida forskning bör göras på autogenererad kod. Fler verktyg bör undersökas för att utvidga kunskapen om dess kapacitet samt bör det undersökas vilken inverkan generativ AI kan ha på andra branscher. / The aim of this study, conducted and written in Swedish, is to assess the potential of replacing a human software developer with generative AI. The study evaluates the quality of code generated by a generative AI model, this is done by answering the following research questions: “How do software developers use generative AI for development challenges'' and “How do software developers perceive the quality of code autogenerated by a generative AI such as Chat GPT”. To answer the questions we employ a qualitative research method. The study began with a literature review and based our evaluation of software quality on a hybrid model that modifies and combines McCall quality model and Boehm software quality model. The literature review and the hybrid model was used as a base to shape an interview guide. The interview guide was used in semistructured interviews conducted with experienced software developers. The results suggest that autogenerated code from generative AI is a viable aid for software developers as it makes them more effective in a number of tasks. However, the results also show that the autogenerated AI code has insufficient quality as a complete solution, and therefore often requires further fine-tuning and improvements from software developers. From the results, we conclude that software developers do use generative AI as a tool while writing code. Generative AI enhances software developers effectiveness but the current state of generative AI cannot fully replace a human software developer hence it is not a threat to any employment. Future research should be conducted on auto generated code. Some more tools should be studied to broaden the knowledge on its capabilities as well as looking at the implications that generative AI have on other industries.

En ökande användning av generativ artificiell intelligens (AI) i olika sektorer har medfört etiska utmaningar som måste hanteras för att säkerställa ansvarsfull och etisk användning av denna teknologi. Syftet med denna studie var att utforska och identifiera de etiska utmaningarna som kan uppkomma genom att analysera ledarnas tidiga erfarenheter av interaktion med och intryck av generativ AI. För att besvara studiens forskningsfråga genomfördes en kvalitativ studie med semistrukturerade intervjuer som samlade in empirisk data. Studien inkluderade också en litteraturöversikt för att belysa relevanta etiska perspektiv och ramar. Genom en tematisk analys av den insamlade datan framkom följande slutsatser: ledare som interagerade med generativ AI ställdes inför etiska utmaningar som inkluderade frågor om källkritik, ansvar och rättvisa. Ledare svarar på dessa utmaningar genom att anta ett etiskt ansvarigt agerande, vilket omfattar erkännandet av mänsklig expertis i AI-assisterade beslutsprocesser, samt engagemang i källkritik och ansvarsfull styrning. Resultaten diskuteras i ljuset av etiska teorier och perspektiv för att förstå de olika aspekterna av de etiska dilemman som generativ AI kan ge upphov till. / An increasing use of generative artificial intelligence (AI) across various sectors has brought about ethical challenges that must be addressed to ensure responsible and ethical utilization of this technology. The purpose of this study was to explore and identify the ethical challenges that may arise by analyzing leaders' early experiences of interacting with and impressions of generative AI. To address the research question of the study, a qualitative study was conducted using semi-structured interviews to collect empirical data. The study also included a literature review to illuminate relevant ethical perspectives and frameworks. Through a thematic analysis of the collected data, the following conclusions emerged: leaders who interacted with generative AI faced ethical challenges that included issues of source criticism, responsibility, and fairness. To address these challenges, leaders adopt an ethically defensible approach by recognizing the value of human expertise in decision-making supported by AI, exercising source criticism, and responsible governance. The results are discussed in light of ethical theories and perspectives to understand the various aspects of the ethical dilemmas that generative AI may give rise to.

Artificiell intelligens (AI) har blivit en central del av utvecklingen hos moderna organisationer, med potential att förändra arbetssätt och öka effektivitet och konkurrenskraft. Generativ AI, som skapar innehåll baserat på mönster i befintliga data, har snabbt utvecklats och väckt stor uppmärksamhet i olika branscher. Trots dess potential för kunskapsarbete används det fortfarande inte i stor utsträckning inom organisationer. Med fokus på individuellt lärande och kunskapsdelning, strävar denna fallstudie efter att bidra med insikter om hur kunskap om generativ AI uppstår och sprids för att främja innovationens integrering i kunskapsarbete. Den teoretiska referensramen baseras på relevanta artiklar om generativ AI i kunskapsarbete och traditionell litteratur om lärande och kunskapsdelning i organisationer. Som ram för analysen används en modell för kunskapsomvandling, som utgår från fyra processer genom vilka kunskap utvecklas: socialisering, externalisering, kombinering och internalisering. Dessa skapar en dynamisk kunskapsspiral där individer inom organisationen interagerar, reflekterar, tar del av och tillämpar kunskap. Studien undersöker hur denna kunskapsspiral drivs framåt och hur generativ AI som kunskapsområde skiljer sig från andra innovationer. För att utforska detta används en interpretativ forskningsfilosofi och kvalitativ ansats. Genom semistrukturerade intervjuer, observationer och enkätundersökning, samlades data in för att bilda en förståelse. Med en iterativ process mellan litteratur och empiri strävar studien efter att bidra till vidare teoriutveckling inom området och praktisk tillämpning i kunskapsarbete. Studien bidrar till en fördjupad förståelse för hur olika initiativ kring kunskap om generativ AI bidrar till lärande och användning av tekniken. Den konstaterar att lärande om generativ AI främst sker på individnivå och är drivet av inre motivation och nyfikenhet att experimentera. Organisationen stödjer lärandet genom viss möjliggörande styrning, men brist på möjligheter att tillämpa kunskapen i det dagliga arbetet kan hindra individens deltagande och därigenom begränsa kunskapsspridningen. Sammantaget är experimenterande centralt för lärandet om generativ AI, dels på grund av dess breda användningsområden och arbetssätt och hur de utvecklas med tiden, dels på grund av variationen i kunskapsarbete. Det finns därmed ett behov av fokus på att främja kombinering, där experimenterandet börjar, och internalisering, där kontinuerligt experimenterande bildar tyst kunskap. Vidare ger studien rika exempel på hur generativ AI används i praktiken, vilket kan inspirera andra kunskapsintensiva verksamheter att utnyttja tekniken. / Artificial intelligence (AI) has become a central part of development in modern organizations, with the potential to change workflows and increase efficiency and competitiveness. Generative AI, which generates content based on patterns in existing data, has rapidly evolved and gained significant attention across industries. Despite its potential for knowledge work, it is not yet widely utilized within organizations. Focusing on workplace learning and knowledge sharing, this case study aims to provide insights into how knowledge about generative AI emerges to promote its adoption in knowledge work. The theoretical framework is based on relevant articles on generative AI in knowledge work and traditional literature on workplace learning and knowledge management. The analysis is based on a model of knowledge creation consisting of four processes through which knowledge develops: socialization, externalization, combination, and internalization. These processes create a dynamic knowledge spiral representing how members of the organization interact, reflect, share, and apply knowledge. The study investigates how the knowledge spiral is driven forward and how knowledge about generative AI differs from other innovations. An interpretative research philosophy and qualitative approach are employed, using semi- structured interviews, observations, and a survey to gather data and form an understanding. Through iterating between literature and empirical data, the study aims to contribute to further theory development and practical application in knowledge work. The study contributes to a deeper understanding of how various initiatives regarding knowledge about generative AI contribute to learning and use of the technology. It suggests that learning about generative AI primarily occurs at the individual level and is driven by internal motivation and curiosity to experiment. The organization supports learning through certain enabling governance, but a lack of opportunities to apply the knowledge in daily work can hinder participation and limit knowledge dissemination. Overall, experimentation is central to learning about generative AI, partly due to its broad applications and approaches and how they evolve over time, and partly due to the variation in knowledge work. Therefore, there is a need to focus on promoting combination, where experimentation begins, and internalization, where continuous experimentation forms tacit knowledge. The study also provides rich examples of how generative AI is used in practice, which can inspire other knowledge- intensive organizations to leverage the technology.

In this study, we tested the performance of ChatGPT-4 on the concept inventory Brief Electricity and Magnetism Assessment (BEMA) to understand its potential as an educational tool in physics, especially in tasks requiring visual interpretation. Our results indicate that ChatGPT-4 performs similarly to undergraduate students in introductory electromagnetism courses, with an average score close to that of the students. However, ChatGPT-4 displayed significant differences compared to students, particularly in tasks involving complex visual elements such as electrical circuits and magnetic field diagrams. While ChatGPT-4 was proficient in proposing correct physical reasoning, it struggled with accurately interpreting visual information. These findings suggest that while ChatGPT-4 can be a useful supplementary tool for students, it should not be relied upon as a primary tutor for subjects heavily dependent on visual interpretation. Instead, it could be more effective as a peer, where its outputs are critically evaluated by students. Further research should focus on improving ChatGPT’s visual processing capabilities and exploring its role in diverse educational contexts.

Titel: Redovisningsstudenter & generativ AI  Nivå: Examensarbete på grundnivå (kandidatexamen) i ämnet företagsekonomi. Författare: Jennifer Roos och Josefine Olsson Handledare: Jan Svanberg Datum: 2024 – maj Syfte: Undersöka hur redovisningsstudenter med olika inlärningsstrategier (ytinlärning och djupinlärning) använder generativ AI i sina studier samt att analysera hur generativ AI bidrar till studenternas lärande.    Metod: Studien utgår från en positivistisk forskningsfilosofi och en deduktiv forskningsansats. Metoden består av en kvantitativ forskningsdesign med en tvärsnittsdesign i form av en enkätundersökning som utformar studiens primärdata bestående av 62 respondenter, varav 10 respondenter uteslöts och räknas som bortfall. Datamaterialet har kodats och analyserats i statistikprogrammet SPSS.   Resultat och slutsats: Studiens resultat indikerar att det finns en jämn spridning mellan inlärningsstrategierna yt- och djupinlärning hos redovisningsstudenter samt att fåtalet redovisningsstudenter tillhör båda inlärningsstrategierna. Resultatet visar att generativ AI kan användas i både ytinlärning och djupinlärning och tenderar att accentuera den aktuella inlärningsstrategin.    Examensarbetes bidrag: Studien bidrar med ny, högaktuell och viktig forskning till forskningsgapet gällande hur generativ AI påverkar redovisningsstudenters inlärningsstrategi. Insikterna från studien bidrar till en ökad förståelse kring utformningen av redovisningsutbildningen för att förbereda redovisningsstudenter inför yrket.   Förslag till fortsatt forskning: Framtida forskning kan utöka urvalet för att bättre representera populationen, redovisningsstudenter. Dessutom bör framtida forskning utforska hur andra inlärningsstrategier kan påverka användningen av generativ AI samt undersöka samband mellan variabler som kön, ålder, geografisk plats och kursämne för att identifiera likheter, skillnader och mönster.    Nyckelord: Chatbotar, Djupinlärning, Generativ AI, Inlärningsstrategier, Redovisningsstudenter & Ytinlärning. / Title: Accounting Students & generative AI  Level: Student thesis, final assignment for Bachelor Degree in Business Administration. Author: Jennifer Roos and Josefine Olsson Supervisor: Jan Svanberg Date: 2024 – May                                                     Aim: To investigate how accounting students with different learning strategies (surface learning and deep learning) use generative AI in their studies and to analyze how generative AI contributes to students’ learning.    Method: The study is based on a positivist research philosophy and a deductive research approach. The method is a quantitative research design with a cross-sectional design in the form of a questionnaire that forms the study's primary data consisting of 62 respondents, of which 10 respondents were excluded and counted as non-valid. The data has been coded and analyzed in the statistical program SPSS.   Results and conclusions: The results of the study indicate that there is an even spread between the learning strategies, surface- and deep learning, in accounting students and that the few accounting students belong to both learning strategies. The result shows that generative AI can be used for both surface learning and deep learning and tends to accentuate the current learning strategy.   Contribution of the thesis: The study contributes to new, highly current and important research to the research gap regarding how generative AI affects the learning strategy of accounting students. The insights from the study contribute to an increased understanding of the design of accounting education to prepare accounting students for the profession.   Suggestions for future research: Future research could expand the sample to better represent the population, accounting students. Additionally, future research should explore how other learning strategies may influence the use of generative AI as well as examine relationships between variables such as gender, age, geographic location, and course subject to identify similarities, differences, and patterns. Key words: Accounting Students, Chatbots, Deep learning, Generative AI, Learning strategies & Surface learning.

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.

The increasing utilization of generative artificial intelligence (AI) in organizations isenhancing productivity and decision-making processes of knowledge workers. However, alimited number of studies have focused on both communicative and organizationalimplications of how knowledge workers’ utilization of generative AI tools is affecting domainexpertise and knowledge sharing within organizations. In collaboration with the Swedishtelecommunications company Ericsson, this study embraces an interdisciplinary approach andimplements a qualitative research strategy based on data from 18 in-depth interviews withknowledge workers employed at a global ICT company. The findings highlight two keydimensions; firstly, knowledge workers perceived that by utilizing generative AI it couldaugment their expertise – both transcending domain boundaries and enhancing specializeddomain expertise. At the same time, they perceived work roles to become moresocio-technical in the future. Secondly, generative AI can facilitate knowledge sharingbetween domains by taking on the role of a mediator when communicating expertise acrossdomains. However, the facilitative knowledge sharing effects of generative AI might bedampened by potential silo effects when turning to generative AI instead of colleagues. Thishighlights the need for clear organizational objectives around generative AI usage and theimportance of collaborative knowledge sharing activities to create common understandings ofthe opportunities and limitations of generative AI tools / Den ökande användningen av generativ artificiell intelligens (AI) inom organisationerförbättrar produktiviteten och beslutsprocesser hos kunskapsarbetare. Däremot har ettbegränsat antal studier utförts som fokuserar på både kommunikativa och organisationellakonsekvenser av hur kunskapsarbetarnas användning av generativa AI verktyg påverkardomänexpertis och kunskapsdelning inom organisationer. I samarbete med det svenskatelekommunikationsföretaget Ericsson tillämpar denna studie ett tvärvetenskapligttillvägagångssätt och implementerar en kvalitativ forskningsansats baserat på data från 18djupintervjuer med kunskapsarbetare anställda på ett globalt ICT-företag. Resultatent visar påtvå huvuddimensioner; kunskapsarbetare uppfattade att de genom generativ AI kundeförstärka sin expertis genom att både överskrida domängränser och förbättra specialiseradexpertis. Samtidigt upplevde kunskapsarbetarna att arbetsroller kan komma att bli mersociotekniska i framtiden. Den andra dimensionen visar hur generativ AI kan faciliterakunskapsdelning som en medlare mellan olika domäner. Brist på tydlighet inomorganisationen gällande användningen av generativ AI i arbetsuppgifter och potentiellasilo-effekter kan däremot hindra verktygets kapaciteter för kunskapsdelning. Detta påvisarvikten av tydliga riktlinjer gällande användningen av generativ AI ochkunskapsdelningsaktiviteter för att skapa en gemensam förståelse av möjligheterna ochbegränsningarna med generativa AI verktyg.

The aim of this study is to examine how the teaching of democracy in social studies has been influenced by generative AI. To achieve the objectives of this study, interviews were conducted with high school social studies teachers who reflected on their experiences with this technology. The theoretical framework of the study is based on Robert Dahl's criteria for a democratic process, from which a selection was made. The study's findings, analyzed using Dahl's framework, led to the study's conclusions. The conclusions indicate a diverse range of opinions among the respondents, with difficulty in reaching a consensus, and often individual teachers are divided in their views on generative AI. Many recognize both the advantages and disadvantages of using generative AI in education, particularly regarding democracy.

Denna studie undersöker hur AI-genererad kod för automatiserad testning av frontend kan kvalitetssäkras genom att utveckla ett ramverk med riktlinjer. Problematiken med kvalitet och trovärdighet i generativ AI-baserade lösningar belyses, där AI ofta producerar kod med varierande kvalitet och anpassning till den specifika kontexten. Genom en kombination av litteraturstudier och en intervju med expert inom området identifieras centrala kvalitetsaspekter såsom kodens läsbarhet, struktur, dokumentation, och underhållbarhet.  Studiens mål är att framställa ett ramverk som praktiskt kan tillämpas för att granska och säkerställa kvaliteten i AI-genererad kod för automatiserad testning av frontend. Ramverket bygger på en kvalitativ analys av både teoretisk och empirisk data och erbjuder vägledning för hur generativ AI kan användas effektivt inom systemutveckling. Det föreslagna ramverket förväntas underlätta testprocessen och minska kravet på manuell kodgranskning, samtidigt som det adresserar de unika utmaningar som generativ AI medför. Framtida forskning rekommenderas för att validera och vidareutveckla ramverket, med särskild tonvikt på praktisk tillämpning och anpassning till olika organisatoriska behov. / This study examines how AI-generated code for automated frontend testing can be quality assured by developing a framework with specific guidelines. The issue of quality and reliability in generative AI-based solutions is highlighted, as AI often produces code with varying quality and contextual accuracy. Through a combination of literature studies and an interview with an expert in the field, central quality aspects such as code readability, structure, documentation, and maintainability are identified.  The aim of the study is to create a framework that can be practically applied to review and ensure the quality of AI-generated code for automated frontend testing. The framework is based on a qualitative analysis of both theoretical and empirical data and provides guidance on how generative AI can be effectively used in system development. The proposed framework is expected to facilitate the testing process and reduce the need for manual code review while addressing the unique challenges posed by generative AI. Future research is recommended to validate and further develop the framework, with particular emphasis on practical application and adaptation to various organizational needs.