Jag ser IoT som ett samlingsnamn för en uppsättning disruptiva teknologilösningar, främst med syftet att möjliggöra digitalisering. I sin enklaste form kan det handla om sensorer – enheter som samlar data med syfte att skapa insikter, insikter som i sin tur kan förändra verksamheter och bidra till en bättre värld. Det handlar om allt från att sänka kostnader, rädda planeten eller transformera hela affärsmodeller till något som både ger mer värde och samtidigt är hållbart. Extremt relevant, ändå står IoT:s superkrafter ofta i skuggan av AI-hypen.
ChatGPT är inte AI – det är bara ansiktet utåt
Vi behöver reda ut två saker om AI. AI är inte bara ChatGPT – men ChatGPT har blivit framgångssagan som drivit intresset för allt som har med AI att göra. Kan vi nämna motsvarande framgångsrika IoT-projekt? Kort sagt, nej, men det behöver inte betyda att IoT inte är vidare spritt än du tror. Apple Watch är ett exempel. En global succé med miljontals användare. Men vi kallar den en smartklocka, inte en IoT-enhet – trots att det i grunden är en sensor med GPS som sitter på din handled.
Tillbaka till AI. ChatGPT är ett verktyg som fungerar – det måste jag erkänna – och det är tillgängligt för vem som helst. Men ändå fumlar ChatGPT ibland till det. Be den rita människor och du får ett varierande antal fingrar på människorna, den ger svar som är helt fel – och vi är på något sätt ändå okej med det.
Ett exempel: medan jag jobbade på denna artikel bad jag ChatGPT att summera en webbsida som ett tag cloud – alltså ett bildmoln med nyckelord. Jag fick en bild som kändes rimlig.
“Vill du ha den i andra färger?” frågade ChatGPT. Jag svarade ja och gav en kodsnutt för färger och typsnitt. Jag fick tillbaka en bild med fjärilar.
Jag frågade vad den höll på med, och svaret blev: “Oh, det var mer *fladdrande fjärilar* än *buzzwords inom teknik*! 😅 Jag misstolkade frågan.”
Som en parallell, om jag skickade ut en sensor som gissade på värden eller inte visste sina egna begränsningar – till exempel rapporterade 500 grader utomhustemperatur – då skulle jag snabbt förlora all trovärdighet. Men i AI-världen verkar vi acceptera en viss nivå av algoritmisk övertro och maskinsjälvsäkerhet. Så är AI verkligen mer moget än IoT? Svaret är: nej. Skillnaden är att AI kom ut på marknaden med en färdig och lättanvänd lösning, medan IoT introducerades innan det fanns några breda, framgångsrika tillämpningar – och de som fanns kallades inte för IoT. Dock är IoT en mycket mognare teknik, och när den används med AI uppstår både möjligheter och risker, och det skall vi gräva oss djupare i nu.
Bortom graferna — när data blir berättelser
IoT genererar värdefulla insikter, enheter skickar data som i slutändan presenteras grafiskt för användaren. Men data i form av stapeldiagram och grafer är inte alltid lätta att tolka – ofta krävs expertkunskap för att förstå vad informationen faktiskt betyder. När vi i stället gör data mer begriplig och tillgänglig, skapar vi ett mer jämlikt samhälle där fler kan dra nytta av den. Genom att kombinera data med berättande kan vi demokratisera förståelsen och se till att informationen inte bara samlas in, utan också gör skillnad och tillgängliggörs.
När AI tolkar det sensorer samlar in
I ett tidigt experiment ville vi undersöka om data kunde göras mer begripligt. Vi beslutade att kombinera IoTs superkrafter med AIs förmåga att hitta mönster.
AI kan i teorin identifiera avvikelser, förklara komplexitet och filtrera bort brus. Men hur fungerar det i praktiken? I ett test tillsammans med en partner lät vi IoT-sensorer samla in data från vårt kontor. Därefter fick AI analysera och tolka informationen – med syftet att presentera den på ett sätt som är enkelt att förstå. Fokus flyttades från att visa värden i staplar och diagram – format som långt ifrån alla kan tolka – till att presentera data i form av lättförståelig text, så att fler kunde ta till sig innehållet.
Här är ett exempel på hur data kan sammanfattas:
Sammanfattning av de senaste 24 timmarna
Inomhus (kontor):
• Batterinivåer: varierade kraftigt mellan 11% och 87%, med ett genomsnitt på 29% nattetid och 42% dagtid.
• Temperatur: låg mellan 19°C och 23°C, med ett snitt på cirka 21°C.
• Luftfuktighet: låg mellan 35% och 44%, med ett genomsnitt på cirka 40%. 
Utomhus:
• Batterinivåer: konstant 100%.
• Temperatur: betydligt lägre, mellan 4,5°C och 12°C, med tydlig skillnad mellan dag (snitt 8°C) och natt (snitt 6°C).
Viktiga iakttagelser:
• Temperaturen inomhus är något högre dagtid, vilket kan bero på solljus eller lokal aktivitet – men ligger inom rekommenderade gränser för kontorsmiljöer.
• Utomhustemperaturen är betydligt lägre nattetid, vilket är helt i linje med förväntan.
• Luftfuktigheten inomhus är förhållandevis stabil mellan dag och natt.
Detta bör tas i beaktande vid justering av uppvärmning och ventilation för att optimera både komfort och energianvändning.
Det här var vårt första försök och nu i efterhand kan man se det som rudimentärt men inspirerande. Men det visar potentialen: när data finns tillgänglig kan AI ge tydliga rekommendationer, sammanställda i textform, som är lätt att ta till sig – oavsett teknisk bakgrund.
När AI hittar mönster – och sensorer avslöjar beteenden
Vid ett test i Linköping Science Park upptäckte vi, genom AI-analys, att inomhusluftens kvalitet (IAQ) försämrades vid exakt samma tid varje dag. Sensorerna visade att både partikelhalter och koldioxidnivåer låg inom normala intervall – men AI noterade en tydlig ökning av TVOC-värden, vilket kan tyda på förekomst av flyktiga kemikalier i luften.
Orsaken visade sig vara att städföretaget, vid några tillfällen, hade använt de starkare rengöringsmedel som tidigare användes under pandemin. Tack vare dessa insikter kunde städfirman snabbt agera och gå tillbaka till produkter som bättre passar dagens arbetsmiljö.
Det här är ett tydligt exempel på vad som händer när AI gör data begriplig och presenterar den så vi kan agera – inte bara tekniker, utan hela organisationen. AI behöver kvalitativ data för att leverera relevanta insikter. När datainsamlingen finns på plats, finns också underlag för beslutsstöd.
AI flyttar in – när basilika möter big data
Sveriges Television sände nyligen ett reportage om Svegro, företaget som med hjälp av IoT och AI odlar livsmedel med imponerande resultat. I ett av Sveriges största växthus övervakas örtodlingen av kameror, samtidigt som AI analyserar bilderna och förstår exakt vad plantorna behöver – i realtid.
På Ekerö odlas sex miljoner basilika-plantor varje år. Kameror följer växternas tillväxt, och det är AI som avgör när det är dags för skörd. Enligt Svegros vd Kristin Orrestig har AI-modellen hjälpt företaget att både minska matsvinnet och sänka energiförbrukningen med 15 procent. En viktig förklaring är att AI undviker att överkompensera – något vi människor ofta gör. Vi höjer temperaturen lite för mycket, vattnar lite för ofta – men AI agerar utifrån faktiska behov, inte magkänsla. Och även om kameror räcker långt i det här fallet, kan man lätt föreställa sig hur sensorer och IoT-enheter skulle kunna förstärka precisionen ytterligare – särskilt vid odling av känsligare eller mer värdefulla grödor.
Smartare beslut snabbare
AI i IoT handlar inte enbart om analys av insamlad data. I allt högre grad byggs AI-funktioner in direkt i själva IoT-enheterna – vilket innebär att även enklare enheter får förmågan att fatta lokala, intelligenta beslut. Genom att bearbeta data nära källan minskas fördröjning (latens) – vilket är helt avgörande i tillämpningar där kontinuerlig drift utan avbrott och snabba reaktionstider krävs. Ta till exempel självkörande fordon eller industriell automation, där pålitlighet och robusthet inte är förhandlingsbara egenskaper. I smarta stadsmiljöer – där sensorsystem styr trafikljus eller övervakar luftkvalitet – gör lokala AI-algoritmer det möjligt att reagera direkt, utan att belasta centrala servrar eller förlita sig på molnet.
Denna form av edge computing lämpar sig särskilt väl för distribuerade AI-system som kräver decentraliserat beslutsfattande. Men det finns också begränsningar. Lokala system har sällan tillgång till de omfattande datamängder som krävs för att kontinuerligt uppdatera och träna komplexa AI-modeller. De enklare edge-enheterna saknar dessutom ofta kraftfull hårdvara som exempelvis GPU-acceleration, vilket gör att beräkningstunga uppgifter blir betydligt mindre effektiva jämfört med att köra dem i ett datacenter.
Ju mer vi förväntar oss att en edge-enhet ska klara av, desto dyrare blir hårdvaran. Därför bör man i dagsläget se lokal AI i IoT-enheter som ett komplement – snarare än ett substitut – till molnbaserad intelligens. En hybridstrategi, där edge och moln samverkar, ger ett flexibelt AI-ekosystem som både kan hantera snabba beslut nära verkligheten och dra nytta av kraftfulla analyser baserade på stora datamängder.
Kan vi lita på AI-beslut om vi inte förstår dem?
När AI kombineras med IoT uppstår en kraftfull teknologisk synergi. Men med den kraften följer också saker vi behöver se upp med – snedvridningar i beslutsunderlag, det vi kallar bias. Bias i AI-system kan uppstå i flera led. Den vanligaste orsaken är redan vid datainsamlingen: sensorer som inte speglar verkligheten korrekt, brist på representativ data eller felaktig märkning av insamlade datapunkter. Att olika system kan benämna data med olika etiketter gör inte heller saken enklare.
Om ett IoT-system tränas enbart på data från vissa geografiska områden, åldersgrupper eller miljöförhållanden riskerar AI att dra slutsatser som inte är giltiga i andra kontexter. Under analysfasen kan dessa snedvridningar förstärkas av algoritmer som saknar transparens och där optimering prioriteras framför rättvisa. Även tolkningen av AIs resultat kan färgas av mänsklig bias – särskilt när beslutsfattare litar blint på AI-system utan att förstå dess begränsningar.
Att hantera bias i AI-system som bygger på IoT kräver ett genomtänkt och mångfacetterat angreppssätt. Det börjar med att säkerställa att sensordata är av hög kvalitet, bred representation och teknisk tillförlitlighet. Standardisering av datainsamling, metadata och ökad transparens i hur data hanteras och bearbetas är grundläggande. Men det räcker inte. Vi behöver även AI-modeller som är förklarbara – så kallad XAI (explainable AI) – där vi inte bara ser vad ett system har kommit fram till, utan även varför.
Man får inte heller glömma att det krävs kontinuerlig utvärdering av AI-algoritmernas prestanda i verkliga miljöer, samt att teknisk innovation kombineras med etiska riktlinjer och ansvarstagande. Det handlar inte bara om att bygga smarta system – det handlar om att bygga rättvisa och inkluderande system.
AI och IoT kommer att spela en avgörande roll i framtidens beslutsfattande. Men för att teknologin ska bli pålitlig, rättvis och användbar måste vi hantera bias som en del av själva designprocessen – inte som ett tillägg i efterhand. Genom att systematiskt arbeta med datakvalitet, insyn och ansvar kan vi skapa intelligenta system som både levererar resultat och inkluderar fler perspektiv.
Teknik har aldrig tidigare erbjudit så många möjligheter, och i rätt kontext, med rätt förutsättningar är IoT och AI ett riktigt dreamteam!