Samarbete och ekosystem: plattformar, andra myndigheter och externa AI‑tjänster

Varför ekosystemtänk?

I digital handel rör sig varor och data snabbt över gränser. Ingen marknadskontrollmyndighet har hela bilden. Därför behövs ett ekosystemtänk: samarbeten med andra myndigheter, plattformar och externa AI‑leverantörer.

Nya EU‑regler som möjliggörare

Digital Services Act (fullt tillämpad 2024) och AI‑förordningen (stegvis från 2024–2026) skärper plattformarnas ansvar. Det öppnar för mer strukturerad datadelning och gemensamma riskindikatorer.

Tre huvudfrågor i modulen

1. Samarbetsmodeller med plattformar.
2. Samarbete mellan myndigheter och internationella nätverk.
3. Hur externa AI‑tjänster kan utvärderas och jämföras med egenutvecklade lösningar.

Koppling till tidigare moduler

Etikmodulen ger ramar för rättssäker, transparent AI. Organisationsmodulen visar att juridik-, data- och upphandlingskompetens måste samspela för att samarbeten ska fungera i praktiken.

Existerande EU‑nätverk

Myndigheter samarbetar redan via Safety Gate/RAPEX för farliga produkter och ICSMS för inspektionsdata. Dessutom finns sektorspecifika nätverk, t.ex. för leksaker och medicinteknik.

Marknadskontrollförordningen

EU‑förordning 2019/1020, fullt tillämpad från 2021, betonar samordnad marknadskontroll. Myndigheter ska dela inspektionsresultat, koordinera insatser och återanvända data för riskanalys.

AI och gemensam data

För AI innebär detta att träningsdata kan komma från flera myndigheter. Riskmodeller kan byggas på EU‑nivå och delas, så att ingen behöver börja från noll.

Praktiska hinder

Hinder är varierande datakvalitet, GDPR och sekretess, samt olika IT‑mognad. En lösning är att definiera en minsta gemensam datamängd som alla kan dela och bygga AI‑användning runt den.

Scenario: tull + leksakstillsyn

Tullmyndigheten och en leksaksansvarig marknadskontrollmyndighet vill stoppa farliga leksaker vid gränsen med hjälp av AI. De har olika men kompletterande datakällor.

Vilken data finns?

Tullen har deklarationsdata (avsändarland, HS‑koder, volymer). Marknadskontrollen har testresultat, information om farliga produkter och återkommande riskimportörer.

Bygga en gemensam riskmodell

De skapar en riskmodell som kombinerar HS‑kod, avsändarland, importörshistorik, produktkategori och varumärke. Modellen ger en riskpoäng som styr vilka sändningar som kontrolleras.

Datautbyte och AI‑ekosystem

Ett datautbytesavtal reglerar vad som delas och hur länge. När modellen fungerar kan den skalas till EU‑nivå och vidareutvecklas med extern AI‑expertis, med myndigheterna i kontrollsitsen.

DSA och plattformarnas ansvar

Sedan 2024 har DSA skärpt plattformars ansvar för olagligt innehåll och farliga produkter. Stora plattformar måste göra riskbedömningar och samarbeta med myndigheter via tydliga kontaktpunkter.

Grundmodell för samarbete

1. Myndigheten flaggar riskprodukter eller säljare.
2. Plattformen tar ned eller granskar.
3. Plattformen delar aggregerad riskdata tillbaka. Båda parter bidrar med olika styrkor.

Olika styrkor

Plattformen har realtidsdata om beteenden och listningar. Myndigheten har djup regelkunskap och erfarenhet av riskbedömning. Ett bra samarbete kombinerar dessa perspektiv.

AI som samarbetsyta

Plattformar använder egna AI‑system för riskdetektion. Myndigheter kan påverka genom att leverera regler och riskindikatorer som integreras, men måste samtidigt undvika tekniskt beroende och brist på insyn.

Eget vs externt: grundfrågan

Myndigheter måste välja mellan att bygga egna AI‑lösningar eller använda externa tjänster. Valet påverkar kontroll, hastighet, kostnader och hur väl man kan följa regler som AI‑förordningen.

Styrkor med egna lösningar

Egna modeller ger mer kontroll, bättre anpassning till nationella regler och datasuveränitet. Men det kräver kompetens, tid och långsiktigt underhåll.

Styrkor med externa tjänster

Externa tjänster ger snabb start och tillgång till spetskompetens. De kan vara kostnadseffektiva, särskilt om flera myndigheter delar lösningen.

Risker med externa tjänster

Risker är leverantörsinlåsning, bristande insyn i modellerna och dataskyddsproblem. Det kan också bli svårt att visa att AI‑förordningens krav uppfylls om leverantören inte är anpassad.

Behov av tydliga kriterier

När en myndighet köper AI‑tjänster behövs konkreta kriterier. De bör spegla AI‑förordningen, GDPR och krav på god förvaltning, inte bara tekniska prestanda.

Kärnområden 1–3

1. Rättslig efterlevnad: AI‑förordning, GDPR, dokumentation.
2. Transparens: förklaringar, insyn i variabler.
3. Datakontroll: lagringsplats, ägande, säkerhetscertifieringar.

Kärnområden 4–6

1. Mänsklig översyn: human-in-the-loop, spårbarhet.
2. Teknisk kvalitet: resultat på lokala data, robusthet.
3. Leverantörsberoende: möjlighet att lämna, exportera data och modeller.

Använd en jämförelsematris

Ett praktiskt grepp är att betygsätta varje leverantör 1–5 på varje kriterium i en matris. Det gör valet mer transparent och jämförbart, även för icke‑tekniska beslutsfattare.