Volymen av upphandlingsärenden ökar, kraven på transparens skärps och tiden räcker inte till. Samtidigt kan leverantörer med generativ AI ta fram fler och längre anbud på kortare tid. AI för offentlig upphandling hjälper er att hantera dokumentflöden, risker och dialog – utan att tumma på rättssäkerhet. I denna artikel får ni konkreta case, siffror och en steg-för-steg-modell för att komma igång.

Ni får veta var AI gör störst nytta i upphandlingscykeln, hur andra länder har fått mätbara resultat och vilka styrmekanismer som krävs för att undvika bias och “svarta lådor”. Vi visar också hur svenska företag kan förbereda sig för mer datadrivna upphandlingar.

Varför AI i upphandling nu – nuläge och drivkrafter

Offentlig upphandling motsvarar cirka 13% av BNP i OECD-länderna, vilket gör effektivitet och kostnadskontroll avgörande^[1]. AI används redan för att förbättra beslutsstöd, avlasta personalbrist och göra upphandling mer dynamisk genom hela livscykeln^[1]. En studie av AI-funktioner i upphandlingsplattformar visar att 54% stöttar förberedelser och planering, 31% tenderfasen, medan endast 4% fokuserar på leveransfasen; 11% stödjer hela livscykeln^[1]. Slutsatsen: börja där datamängderna är stora och regelstyrningen stark.

Samtidigt ökar arbetsbelastningen. I USA har antalet kontraktsåtgärder vuxit snabbare än budgeten, och 2022 hanterade en federal upphandlare i snitt ca 2 000 kontraktsåtgärder per år (300 år 2013)^[8]. Det ställer krav på verktyg som hanterar stora datavolymer med förklarbar logik och mänsklig kontroll.

AI för offentlig upphandling – praktiska användningsfall

Klassificering och spendanalys: Maskininlärning kan standardisera klassificeringen av inköp för bättre uppföljning och transparens. Ukrainas ProZorro förutsäger korrekt CPV-kod (Common Procurement Vocabulary) med ML för att underlätta rätt matchning mellan behov och leverantörer^[1].

Dokument- och anbudsstöd: Generativ AI kan sammanfatta anbud, flagga saknade delar och skapa utkast till förfrågningsunderlag. North Carolina och andra myndigheter använder AI för att analysera leverantörsproposer och minska tiden för initial granskning^[3]. Det frigör tid till strategi och kvalitativ utvärdering^[8].

Chatbotar för dialog och service: AI-chattbotar kan ge 24/7-stöd, besvara vanliga frågor, guida till rätt blanketter och förkorta svarstider. Exempel som “Ask Laura” i El Paso och NCDIT:s stödchatbot visar hur frågor om tidslinjer, undantagsansökningar och formulär besvaras direkt^[1]. För myndigheter som vill bygga egna botar, se Bygga AI chatbot.

Risk- och regelefterlevnad: AI kan automatiskt flagga avvikelser, fel och misstänkt beteende. Forskning visar att kartellbildning i upphandlingsauktioner kan upptäckas med 81–95% träffsäkerhet när algoritmer tränas på öppna data^[1]. I Storbritannien använder konkurrensmyndigheten ett ML-verktyg för att flagga bid-rigging över kontrakt värda över £300 mdr^[3]. Resultatet är snabbare identifiering av risker med bibehållen mänsklig prövning.

Prisbänkning och leverantörsprofilering: AI kan jämföra priser mellan regioner och historik för att varna vid överprissättning. Indien har infört AI i Government e‑Marketplace (GeM) för att rensa och sortera leverantörsdata – prisjämförelser och regelefterlevnad kontrolleras på sekunder^[3].

Steg-för-steg: från pilot till skala

Börja med en strukturerad modell. En “Scan–Pilot–Scale”-ansats rekommenderas i flera regeringssatsningar: scanna behov och marknad, pilota i högeffektområden och skala vinnande lösningar med centralt stöd^[4]. Ett första pilotpaket kan innehålla:

• Spendklassificering (CPV) och spendanalys för utvalda kategorier.
• Compliance-screening som kontrollerar bilagor, kvalifikationskrav och outliers.
• Leverantörs- och frågechatbot som avlastar e‑post och telefon.

Förberedelser: Säkerställ datakvalitet, samla representativa kontrakt och historik för finjustering, och etablera human-in-the-loop vid alla beslut. Utse en AI-ansvarig, definiera mätetal (t.ex. “time‑to‑award”, antal flaggade anomalier, besparingar) och planera interoperabilitet mellan upphandlings‑, ekonomi‑ och leverantörsdatabaser^[8]. För stöd i upplägg, se AI pilot-projekt och AI roadmap.

Resurs- och kompetensplan: Kombinera upphandlingsjuridik, datastyrning och modellering. Shoosmiths visar att automation av repetitiva uppgifter kan minska tidsåtgången i vissa processer med upp till 60% och reducera teknisk support/hanteringskostnader med upp till 40% när AI nyttjas fullt ut^[4]. Utbilda team i etik och förklaring av AI‑beslut, se AI utbildning.

Transparens, rättssäkerhet och styrning

Rättssäker upphandling kräver att beslut kan motiveras. Algoritmer får inte bli “svarta lådor”. Upprätta policy för förklarbarhet, loggning och manuell omprövning. Shoosmiths varnar för att bristande insyn försvårar överprövningar och kan hota legitimiteten^[4]. Deloitte betonar “trustworthy AI” med kontinuerlig övervakning för att undvika bias och modelldrift^[8]. För dataskydd och informationsdelning, se AI GDPR guide.

Riskkontroller: Skydda konfidentiella data (anbud, leverantörers affärshemligheter). Begränsa modellernas åtkomst, använd säkra miljöer och klargör vilka beslutsmoment som kräver mänsklig sign-off. CAPPO lyfter även frågor om bias, kontextförståelse och motstånd mot förändring – hanterat med utbildning, tydlig governance och säkra processer^[5].

Internationella exempel och siffror

ProZorro (Ukraina): Ett öppet upphandlingssystem med BI‑moduler som möjliggör realtidsanalys och AI‑driven riskbedömning. 30 000 användare analyserar årligen marknaden; transaktioner motsvarande EUR 21 mdr (2023); över 80 studier har lett till regleringsförbättringar och policykorrigeringar med besparingar om EUR 250 mn sedan 2021^[1].

ChileCompra (Chile): Central plattform som över tid infört AI‑stöd och etiska mallar för AI‑upphandlingar. Omfattade ca 850 offentliga enheter 2014, med ~810 000 inköpsorder värda USD 1,8 mdr per år; antalet transagerande leverantörer ökade ~180% 2010–2015. Omdesign av ramavtal sänkte priser med upp till 28% jämfört med marknadspris^[1].

Storbritannien: ML‑verktyg används för att flagga anbudskarteller; automatiserad granskning omfattar kontrakt över £300 mdr^[3]. Indien: GeM nyttjar AI för leverantörsdata, prisjämförelser och snabb compliance^[3]. Exempel visar att AI ger konkreta resultat utan att ersätta mänskligt omdöme.

AI för offentlig upphandling bör matcha dessa lärdomar: börja där datan finns, bygg förklarbarhet, mät resultat och skala det som fungerar. För kopplingar till digital förvaltning, se AI för e‑förvaltning och AI för myndigheter.