Att leda AI-projekt - från strategi till leverans

Utbildningens mål

Kunskaper

Efter fullföljd utbildning med godkänt resultat ska den studerande kunna

• hur AI-initiativ kopplas till verksamhetsmål samt hur nyttorealisering och effekt följs upp med relevanta mått,

• vilka typer av problem och processer som lämpar sig för AI samt vilka centrala avgränsningar och antaganden som avgör ett hållbart AI-use case,

• vilka dataförutsättningar som krävs för en AI-leverans, inklusive datakvalitet, dataägarskap, informationsklassning samt krav på spårbarhet och loggning,

• hur kvalitet i AI-lösningar definieras och verifieras, inklusive acceptanskriterier, golden dataset och kvalitetsmått såsom korrekthet, relevans och robusthet,

• centrala risker, styrningsmodeller och krav på regelefterlevnad i AI-projekt, inklusive roller och ansvar, dokumentationskrav samt principer för ansvarsfull AI såsom bias och human-in-the-loop.

Färdigheter

Efter fullföljd utbildning med godkänt resultat ska den studerande kunna

• ta fram beslutsunderlag för AI-initiativ med prioritering, scope, resurs- och kompetensbehov samt tydliga go/no-go-kriterier,

• planera och strukturera AI-leveranser med backlog, milstolpar, beroenden och beslutsgrindar från discovery och experiment till MVP och skalning, *

• formulera krav, användarflöden och kvalitetskriterier för AI-lösningar samt översätta dem till konkreta acceptanstester för verksamhet och IT,

• genomföra riskarbete i AI-projekt genom att upprätta riskregister, definiera riskreducerande åtgärder och integrera risk- och kvalitetssäkring i arbetssättet,

• kravställa och följa upp leverantörer och interna leveranser genom att formulera krav på SLA, säkerhet, data, drift och uppföljning samt säkerställa leverans mot avtalade kriterier.

Kompetenser

Efter fullföljd utbildning med godkänt resultat ska den studerande kunna

• leda och ansvara för AI-initiativ genom hela livscykeln, från initiering till driftsatt lösning, med tydlig styrning, framdrift och leveransansvar,

• fatta självständiga beslut om scope, prioriteringar och leveransstrategi utifrån affärsvärde, risk, genomförbarhet och organisatoriska förutsättningar,

• samordna och leda tvärfunktionella intressenter såsom verksamhet, IT, data, säkerhet och juridik mot gemensamma mål och tydliga ansvarsfördelningar,

• säkerställa att AI-lösningar införs på ett kontrollerat och hållbart sätt genom att driva förändringsledning, adoption och förankring i verksamheten,

• utvärdera och vidareutveckla organisationens arbetssätt för AI genom att etablera uppföljning, lärloopar och förbättringsåtgärder baserat på resultat och feedback.

AI-strategi, behovsanalys och affärsvärde, 10 yh-poäng

Data- och teknikgrund för AI-ledare (från idé till lösningsdesign), 10 yh-poäng

Genomförande, förändringsledning och leverans till produktion, 12 yh-poäng

Styrning, risk, juridik och leverantörsstyrning i AI-projekt, 8 yh-poäng

Summa: 40 yh-poäng

Standard AI-strategi, behovsanalys och affärsvärde (10p)

Kursen ger de studerande en praktiskt inriktad grund för att initiera och forma AI-initiativ som är tydligt kopplade till verksamhetsmål. Fokus ligger på att identifiera rätt problem att lösa med AI, formulera robusta problemdefinitioner och skapa beslutsunderlag som möjliggör prioritering, finansiering och genomförande. Kursen kombinerar metodik och verktyg med verklighetsnära tillämpning där de studerande arbetar med use case-formulering, värdebedömning och nyttorealisering för att säkerställa att AI-satsningar leder till mätbar effekt.

De studerande tränar på att tydliggöra målbild, målgrupp, processpåverkan, antaganden och avgränsningar samt att väga affärsvärde mot genomförbarhet. Vidare arbetar de med att etablera KPI/OKR, baseline och uppföljningsplan samt att ta fram en genomföranderoadmap med beslutsgrindar för pilot, produkt och skalning. Kursen varvar genomgångar med workshops, casearbete och handledning.

Huvudmoment i kursen är:

• AI som verksamhetsförmåga: typiska användningsmönster och när AI är ett relevant angreppssätt.

• Problemformulering och use case-canvas: mål, målgrupp, process, antaganden och avgränsningar.

• Prioritering: värde kontra genomförbarhet, risk/impact samt go/no-go-kriterier.

• Business case och nyttorealisering: kostnader, nyttor, KPI/OKR, baseline, effektkedja och uppföljning.

• Roadmap: pilot, produkt och skalning samt plan för effektuppföljning.

Data- och teknikgrund för AI-ledare (från idé till lösningsdesign) (10p)

Kursen ger de studerande den data- och teknikgrund som krävs för att kunna leda AI-initiativ med korrekt kravställning, realistiskt scope och kontroll över kvalitet, risk och driftbarhet. Innehållet fokuserar på de förutsättningar som ofta avgör genomförbarheten i AI-projekt: datatillgång och datakvalitet, dataägarskap och ansvar, informationsklassning och spårbarhet samt hur lösningar integreras och driftsätts på ett kontrollerat sätt. Kursen behandlar GenAI/LLM ur ett leveransperspektiv, inklusive begränsningar, kvalitetsrisker och principer för kontextförsörjning, samt hur kvalitet definieras och verifieras för att undvika så kallade demo-fällor och skapa mätbar nytta i produktion.

Vidare omfattar kursen centrala principer för lösningsdesign på ledningsnivå, såsom integrationsmönster, API-lager, åtkomst, identitet och behörighet samt kostnadsstyrning. Kursen behandlar även hur utvärdering och kvalitetssäkring planeras, inklusive etablering av acceptanskriterier, golden set och kvalitetsmått som korrekthet, relevans och robusthet. Driftbarhet och förvaltning ingår som integrerade delar, med fokus på övervakning (observability), versionshantering, incidenthantering och kontinuerlig förbättring.

Huvudmoment i kursen är: • Dataförutsättningar: datakällor, datakvalitet, dataägarskap, metadata och masterdata, loggning samt spårbarhet. • GenAI/LLM i leverans: begränsningar, hallucinationer, kontextfönster samt principer för promptning och RAG.

• Lösningsdesign: integrationsmönster, API-lager, åtkomst, identitet, behörighet och kostnadskontroll.

• Utvärdering och kvalitet: acceptanskriterier, golden set samt kvalitetsmått (korrekthet, relevans och robusthet).

• Driftbarhet: övervakning (observability), versionshantering, incidenthantering och kontinuerlig förbättring.

Genomförande, förändringsledning och leverans till produktion (12p)

Kursen ger de studerande fördjupad förmåga att leda genomförandet av ett AI-initiativ från planering till driftsättning och uppföljd effekt. Innehållet fokuserar på metodik och arbetssätt för tvärfunktionell leverans, där AI ställer särskilda krav på iterativ utveckling, kvalitetssäkring och tydliga acceptanskriterier innan lösningen tas i bruk. Kursen behandlar hur leveransen planeras och styrs genom en strukturerad kedja av aktiviteter och beslutsgrindar – från discovery och experiment till MVP, utrullning och skalning - med hantering av beroenden, resurser och kompetensbehov.

Vidare omfattar kursen kvalitetssäkring och releaseberedskap med fokus på teststrategi, UAT, utvärdering av modell och prompt, säkerhetsgranskning samt kriterier för release readiness. Förändringsledning ingår som en central del för att säkerställa adoption och hållbar effekt, inklusive kommunikation, utbildning, införande av nya arbetssätt och tydlig ansvarsfördelning i linjen. Kursen behandlar även förvaltning och kontinuerlig förbättring efter go-live, med driftprocesser, monitorering, återkopplingsloopar, KPI uppföljning och incidenthantering. Kursen knyter samman utbildningens delar genom en komplett leveransplan som visar hur strategi, krav, risk, design, QA, go-live och effektmätning hålls samman till en styrbar och driftsatt AI-lösning.

Huvudmoment i kursen är:

• Leveransmetodik: agil AI-leverans från discovery och experiment till MVP, utrullning och skalning.

• Planering och styrning: backlog, milstolpar, beroenden, resurs- och kompetensplanering samt beslutsgrindar.

• Kvalitetssäkring: teststrategi, UAT, modell- och promptutvärdering, säkerhetsgranskning samt releaseberedskap.

• Förändringsledning: kommunikation, utbildning, adoption, nya arbetssätt och ansvar i linjen.

• Förvaltning och förbättring: driftprocesser, monitorering, återkopplingsloopar, KPI-uppföljning och incidenthantering.

Styrning, risk, juridik och leverantörsstyrning i AI-projekt (8p)

Kursen ger de studerande fördjupad kunskap om hur AI initiativ planeras och genomförs ansvarsfullt genom att integrera styrning, riskhantering och regelefterlevnad i projektets arbetssätt. Innehållet fokuserar på hur organisationer etablerar governance för AI, med tydliga roller, ansvar och beslutsforum, samt hur risker kopplade till data, modellbeteende, säkerhet och användarpåverkan identifieras, värderas och hanteras. Kursen behandlar även krav på dokumentation, spårbarhet och kvalitetssäkring som följer av interna policyer och regelverk samt hur ansvarsfull AI omsätts i praktiken genom kontroller, tester och human-in-the-loop.

Vidare omfattar kursen leverantörsstyrning och kravställning vid externa AI-tjänster, modeller och utvecklingspartners. Centralt är förmågan att säkerställa kontroll över data, säkerhet, drift, kvalitet och kostnader genom strukturerad due diligence, tydliga avtalskrav och systematisk uppföljning. Kursen tydliggör även hur upphandling och leverantörsrelationer påverkar genomförbarhet, risknivå och långsiktig förvaltningsförmåga.

Huvudmoment i kursen är:

• Governance för AI: roller och ansvar, beslutsforum, styrmodeller och RACI.

• Riskhantering: riskworkshops, riskregister, riskreducerande åtgärder samt kvalitets- och säkerhetsgrindar.

• Regelefterlevnad: dataskydd, informationssäkerhet, dokumentation, spårbarhet och testkrav.

• Ansvarsfull AI: bias och robusthet, transparens, användarpåverkan samt red teaming på relevant nivå.

• Leverantörsstyrning: make/buy-analys, due diligence, kravställning (SLA, data, IP, säkerhet och drift) samt uppföljning.

I utbildningens ledningsgrupp är personer från följande företag och organisationer representerade:

• Försvarsmakten
• Truecaller AB
• Stockholm stad
• Atea
• CGI Sverige AB
• AM Education
• Folkuniversitetet
• Företagsuniversitetet