Tre år senare
Tre år in i LGR22 har vardagspraktiken i många skolor blivit mer explicit. Lärare pratar mer självklar om progression, om hur ”kvalitet” ser ut i elevers arbete och om att linjera uppgifter med långsiktiga mål. I klassrummen har det ofta inneburit tydligare framgångskriterier, mer medveten modellering och klarare rutiner för att kontrollera förståelse. Ändå är den levda erfarenheten att LGR22 inte magiskt minskade arbetsbördan. Om något har trycket på tydlighet och dokumentation gjort det ”osynliga” arbetet mer synligt – och därmed tyngre.
Det som inte har förändrats är den grundläggande begränsningen: lärare har fortfarande samma antal timmar, samma klassrumskomplexitet och ett ännu bredare spektrum av elevbehov. Resultatet är förutsägbart. När planeringstiden pressas blir differentieringen trubbig. När kraven på litteracitet ökar i alla ämnen vidgas tillgänglighetsgap. När förväntningarna på kommunikation ökar växer dokumentationen och fyller den tid som blir över. Här kan AI hjälpa, men bara om det används som en uppsättning avgränsade arbetsflöden snarare än en genväg för allmänna ändamål. Om du bygger ett stabilt arbetssätt är inramningen i stabilitetstänkandet i september 2025 en användbar lins: börja smått, stabilisera rutiner, skala sedan.
Friktionskartan
I LGR22-implementeringar återkommer samma smärtpunkter. De syns i personalens återkoppling, i planeringsmöten och i sen kvällsadmin. I praktiken rapporterar de flesta skolor någon kombination av följande: lektions- och arbetsområdesplanering som tar för lång tid; differentiering som är svår att upprätthålla i en hel klass; tillgänglighetsproblem kopplade till litteracitet i icke-språkämnen; att ta fram frågor och facit av hög kvalitet; att anpassa material för SEND utan att sänka den kognitiva nivån; att stödja flerspråkiga elever samtidigt som den akademiska ribban hålls hög; kommunikation med vårdnadshavare och elever som är konsekvent och i rätt tid; dokumentation för utvecklingssamtal och rapportering; samt ”pappersspåret”-problemet – att snabbt hitta evidens när du behöver den.
Det viktiga steget är att behandla detta som systemgap snarare än individuella brister. Om en lärare skriver om samma instruktioner tre gånger för olika läsnivåer är det inte ett motivationsproblem. Det är ett verktygs- och arbetsflödesproblem. Om ett arbetslag inte kan upprätthålla ämnesövergripande sammanhang eftersom arbetsområdesplaner ligger i utspridda dokument är det inte ett professionalitetsproblem. Det är ett informationsarkitekturproblem.
Gap-till-verktyg-kartläggning
Ett användbart sätt att introducera AI utan kaos är att koppla varje friktionspunkt till ett definierat arbetsflöde, med input, output och ett tydligt steg för ”mänsklig kontroll”. Det håller förväntningarna realistiska och gör utvärdering enklare.
För planering kan ett Unit Planner-arbetsflöde skapa en första sekvens: nyckelbegrepp, formativa avstämningar, ord- och begreppsförråd samt sannolika missuppfattningar. Ett Lesson Planner-arbetsflöde kan sedan omvandla en lektion till en strukturerad plan med modellering, guidad övning och exit tickets. Lärarens uppgift är att korrigera, kontextualisera och förenkla – eftersom AI tenderar att överproducera. För differentiering kan ett Difficulty Adjuster-arbetsflöde ta fram parallella uppgifter som bevarar samma begrepp och framgångskriterier men varierar stöttning, språklast eller stegstorlek. För tillgång kopplad till litteracitet kan Reading Comprehension- och Lesson Accessibility-rutiner skriva om instruktioner, förundervisa ord, lägga till ordlistor och skapa versioner som är ”högläsningsvänliga” samtidigt som tankekravet hålls intakt.
För bedömningskvalitet kan ett Answer Key-arbetsflöde skapa bedömningsanvisningar, genomräknade lösningar och anteckningar om vanliga fel. För kommunikation kan Development Talk (Student)-, Student Communication- och Parent Communication-arbetsflöden utforma tydliga, respektfulla meddelanden som matchar skolans ton och minskar bördan av ”tom sida”. För dokumentation och granskningsspår är nyckeln att standardisera mallar och lagra prompts och output på en konsekvent plats, i linje med den typ av evidenspipeline som diskuteras i rapportskrivning och granskningsspår.
Genomarbetade exempel
I en årskurs 7-klass i NO ger en lärare ett kort quiz om partikelteori. Answer Key-arbetsflödet tar quizfrågorna och producerar ett facit med en poäng per nyckelidé, plus ”godtagbara alternativ”. Det lägger också till en kort lista över missuppfattningar (till exempel ”partiklar expanderar” i stället för ”mellanrummen mellan partiklar ökar”). Läraren granskar för korrekthet och justerar språket så att det passar klassen. Använt väl ersätter detta inte bedömningskompetens; det standardiserar den och sparar läraren från att uppfinna samma strukturer varje gång.
I matematik kan Difficulty Adjuster-arbetsflödet ta en enda uppgiftstyp – säg att lösa tvåstegsekvationer – och skapa tre versioner: en med genomgångna exempel och meningsstöd, en standardversion och en med en twist som kontrollerar transfer. Den röda linjen är viktig: du skapar inte ”lätta uppgifter” och ”svåra uppgifter”. Du skapar olika vägar till samma lärandeintention och avgör sedan vem som behöver vilken väg i dag.
För tillgång kopplad till litteracitet kan en Reading Comprehension-rutin ta en kort text i SO och producera: en ord- och begreppsförhandsvisning, tre bokstavliga frågor, tre inferensfrågor och en värderande fråga. Lesson Accessibility-rutinen kan sedan skriva om uppgiftsinstruktionerna med enklare syntax, lägga till en ordlista och erbjuda ett alternativt svarsformat (till exempel meningsstarter eller en strukturerad tabell). Om din skola försöker minska verktygssprawl hjälper det att placera detta i en minsta inkluderingsstack, som beskrivs i guiden för konsolidering av tillgänglighet.
Språk och inkludering
Flerspråkiga elever får ofta antingen för mycket förenkling (vilket sänker den akademiska ribban) eller för lite stöd (vilket blockerar tillgång). Ett starkt AI-arbetsflöde ligger mellan dessa ytterligheter. I en geografilektion om urbanisering kan du till exempel skapa ett ”andraspråks-ordpaket” som innehåller ämnesspecifika termer, elevnära definitioner, exempelsatser och ett snabbt återkallningsquiz. Avgörande är att kärnuppgiften förblir densamma: att analysera orsaker och konsekvenser med stöd i evidens. Stödet ligger i språklig stöttning, inte i att minska tänkandet.
Ett praktiskt klassrumsmönster är att ha samma framgångskriterier på tavlan för alla och sedan erbjuda valfria språkstöd: en ordlista, meningsramar och en modelltext. AI kan snabbt ta fram utkast, men läraren avgör vad som är kulturellt och språkligt lämpligt för eleverna framför sig.
Kommunikation och dokumentation
Kommunikation blir en arbetsbördefälla när varje meddelande är skräddarsytt. Målet är inte att automatisera relationer; det är att minska upprepat skrivande så att lärare kan lägga tid på den mänskliga delen av interaktionen. Ett Development Talk (Student)-arbetsflöde kan omvandla korta punktanteckningar till en strukturerad sammanfattning: styrkor, nästa steg och en specifik strategi eleven kan prova. Ett Student Communication-arbetsflöde kan utforma ett kort meddelande som är tydligt men uppmuntrande efter en missad deadline. Ett Parent Communication-arbetsflöde kan skapa en klar uppdatering utan jargong som undviker skuld och erbjuder ett praktiskt nästa steg.
Om ni redan genomför föräldramöten med en konsekvent struktur kan ni para dessa rutiner med en en-sidig brief som i upplägget i AI-arbetsflödet för föräldrakonsultation. Styrningspoängen är enkel: låt aldrig AI hitta på fakta. Det kan forma språk; det kan inte skapa underlaget.
Planering i skala
Planering ”i skala” är där många LGR22-satsningar vacklar. Arbetsområdesplaner finns, men de glider isär. Arbetslag börjar med gemensamma intentioner och divergerar sedan när terminen blir hektisk. AI kan hjälpa genom att skapa ett konsekvent planeringsskelett över ämnen: begrepp, ord- och begreppsförråd, progression, förståelsekontroller och kopplingar till tidigare lärande. Vinsten är sammanhang, inte perfektion.
Men stabilitet är viktigare än sofistikering. Om personalen fortfarande bygger trygghet: använd ett litet antal arbetsflöden om och om igen och behåll samma mallar för prompts och output. Stabilitet-först-ansatsen i stabilitetstänkandet i september 2025 gäller här: färre verktyg, tydligare rutiner, bättre användning.
Upptäck kraften i Automatiserad Utbildning genom att gå med i vårt community av lärare som tar tillbaka sin tid samtidigt som de berikar sina klassrum. Med vår intuitiva plattform kan du automatisera administrativa uppgifter, personifiera elevinlärning, och engagera dig med din klass som aldrig förr.
Låt inte administrativa uppgifter överskugga din passion för att undervisa. Registrera dig idag och förvandla din utbildningsmiljö med Automatiserad Utbildning.
🎓 Registrera dig GRATIS!
Riskbedömning
Ett minimidatamönster bör vara er standard. Använd anonymiserade eller syntetiska exempel vid testning. Undvik att mata in identifierbara elevuppgifter om ni inte har ett godkänt system, ett tydligt syfte och ett granskningsspår. Lagra prompts och output där skolan redan lagrar planering och dokumentation, med versionshistorik aktiverad.
Granskningsspår spelar roll eftersom LGR22-dokumentation ofta granskas senare, under tidspress. Ni behöver kunna visa vad som genererades, vad som redigerades och vad som till slut användes. För en praktisk policyrytm gynnas många skolor av en årlig uppdatering som checklistan för uppdatering av policy för acceptabel användning.
Röda linjer för ”använd inte AI till detta” bör vara explicita. Använd inte AI för att göra höginsatsbedömningar om elever, för att generera känsligt innehåll kopplat till skydd och säkerhet, för att diagnostisera lärandebehov eller för att skapa rapporter som inte har kontrollerats mot verklig evidens. Klistra inte in konfidentiella ärendeanteckningar i generella verktyg. Om du arbetar i en EU-kontext, anpassa arbetssättet till förväntningarna som sammanfattas i förklaringen av EU AI Act.
Arbetsbördematematik
Påståenden om tidsvinster är ofta överdrivna, så här är en realistisk, konservativ modell. Anta att en lärare använder AI för att skapa första utkast och sedan lägger tid på redigering och kontextualisering. Anta att införandet är partiellt, inte universellt.
| Arbetsflöde | Frekvens | Sparade minuter per gång | Årlig besparing |
|---|
| Första utkast till lektionsplanering | 2 per vecka | 15 | 19.5 timmar |
| Differentierade uppgiftsvarianter | 1 per vecka | 10 | 13 timmar |
| Facit/bedömningsanvisningar | 1 per vecka | 8 | 10.4 timmar |
| Anpassning för litteracitet/tillgänglighet | 1 varannan vecka | 15 | 6.5 timmar |
| Meddelanden till vårdnadshavare/elever | 2 per vecka | 5 | 13 timmar |
| Anteckningar för utvecklingssamtal | 3 per termin | 30 | 4.5 timmar |
| Totalt (illustrativt) | | | 66.9 timmar |
Antaganden: ett läsår på 39 veckor; besparingar är netto efter kontroll- och redigeringstid; möten och gemensamma deadlines för hela skolan är oförändrade. I praktiken kommer många lärare att ”spendera” en del av tiden på bättre resurser snarare än att sluta arbeta. Det är fortfarande en vinst om det höjer kvaliteten utan att öka totala timmar.
Det som inte har fungerat
Vissa misslyckandelägen är nu förutsägbara. Det första är överproduktion: AI genererar långa planer som ser imponerande ut men är oanvändbara klockan 8:30 en tisdag. Det andra är felinriktning: aktiviteter som inte matchar er progression eller ert bedömningssätt, eftersom prompten var vag. Det tredje är likvärdighetsglidning: den ”förenklade” versionen blir en annan uppgift och förväntningarna sjunker i det tysta. Det fjärde är tonmissmatch i kommunikationen, där ett utkast låter polerat men inte som du, vilket kan skada förtroendet. Det femte är datagliding: personal klistrar in mer elevinformation än avsett eftersom det känns bekvämt.
Det finns också områden där AI kan göra saker sämre. Om du använder det för att skapa oändliga arbetsblad kan du öka rättningen. Om du förlitar dig på det för att besluta om insatser kan du undergräva professionellt omdöme. Om du behandlar output som färdig kommer fel att smyga in i material och spridas mellan arbetslag. Den enklaste stopplistan till nästa termin är: sluta be om ”en full lektionsplan” utan begränsningar; sluta generera differentierade uppgifter utan gemensamma framgångskriterier; sluta skicka AI-skrivna meddelanden utan att först läsa dem högt; och sluta använda verktyg som inte kan stödja skolans integritets- och granskningsbehov.
90-dagars nästa steg
En liten plan slår en stor lansering. Under de första 30 dagarna: välj bara tre arbetsflöden – en planeringsrutin, en rutin för differentiering/tillgänglighet och en kommunikationsrutin. Kom överens om gemensamma promptmallar, var output lagras och vad som är ”tillräckligt bra”. Samla evidens lätt: en baslinjeuppskattning av tid, två exempel på före-och-efter-material och en kort personalreflektion.
Under dag 31–60: skala inom en årskurs eller ett ämnesarbetslag. Lägg till bara ett arbetsflöde till om de första tre är stabila. Kontrollera oavsiktliga effekter: blir uppgifter smalare, sjunker förväntningarna, blir meddelanden för generiska? Under dag 61–90: genomför en granskningspunkt. Jämför tidsåtgång, personalens trygghet och indikatorer på elevtillgång (till exempel genomförandegrad på lästunga uppgifter). Bestäm vad som ska behållas, vad som ska skrivas om och vad som ska stoppas.
Om du behandlar AI som en uppsättning avgränsade rutiner som fyller specifika LGR22-gap kan du minska friktion utan att sänka standarder. Målet är inte att göra mer. Det är att göra det som spelar roll, mer konsekvent, med mindre slöseri.
Här är till lugnare planering, tydligare kommunikation och färre sena kvällsomskrivningar.
The Automated Education Team