Förekomsten av artificiell intelligens (AI) blir alltmer påtaglig inom handelssektorn. Tekniker som automatisering, robotisering, maskininlärning och business intelligence lockar företag i alla storlekar. Idag finns många exempel på hur AI används inom handeln, såsom personaliserad marknadsföring, smart produktrekommendation, omnichannel-lösningar, virtuell shopping, returhantering, algoritmer för att minska koldioxidutsläpp, digitala assistenter och prediktionsanalyser för lagerhantering baserat på tidigare leverans- och försäljningsdata. Dessa tillämpningar visar att handeln genomgår ett digitalt skifte som fundamentalt kommer att förändra arbetsmiljön och arbetsvillkoren inom sektorn. Införandet av AI innebär att förutsättningar, genomförande och konsekvenser av arbetsutförandet kommer att förändras dramatiskt. 

Enligt Arbetsmiljölagen (2002:5850) ska arbetsgivaren systematiskt planera, leda och kontrollera verksamheten på ett sätt som leder till att arbetsmiljön uppfyller föreskrivna krav på en god arbetsmiljö. Lagen omfattar även anställdas interaktion med avancerad teknik som AI. Vår utgångspunkt är att AI på flera sätt kan bidra positivt till handelns utveckling men att människors unika förmågor och intelligens är i grunden avgörande. Dock finns det flera utmaningar med att AI används på arbetsplatser som behöver hanteras.

Projektet har inte studerat fysiska aspekter av arbetsmiljöer som till exempel säkerhet och ergonomi. Projektet har i stället fokuserat på organisatoriska och sociala arbetsmiljöer. Arbetsmiljöverket (2015) definierar organisatorisk arbetsmiljö som de villkor och förutsättningar för arbetet som inkluderar ledning och styrning, kommunikation, delaktighet, handlingsutrymme, fördelning av arbetsuppgifter samt krav, resurser och ansvar. Social arbetsmiljö definieras som de villkor och förutsättningar för arbetet som inkluderar socialt samspel, samarbete och socialt stöd från chefer och kollegor. Organisatoriska och sociala aspekter är särskilt relevanta för arbetsmiljöer där AI används eftersom de i hög grad påverkar organisering av anställdas arbete i relation till AI och social interaktion på arbetsplatser. 

Mot denna bakgrund har projektets syfte varit att utifrån organisatoriska och sociala aspekter a) identifiera utmaningar som medarbetare upplever i samband med användning av AI, b) utveckla en modell för uppföljning av arbetsmiljöer där AI används och c) jämföra den utvecklade modellen AI-PROAM med arbetsmiljöverkets modell för systematiskt arbetsmiljöarbete (SAM) för att kunna beskriva hur AI-PROAM kan komplettera SAM.

Projektet har identifierat åtta utmaningar som presenterats på formen förutsättningar, handlingar och konsekvenser samt relaterat dessa utmaningar till varandra för att skapa en övergripande helhetsförståelse. Dessa utmaningar är: kontroll, ansvar, meningsfullhet, deltagande, AI strategi, formell utbildning och kontinuerligt lärande, människa-AI beslutsfattande samt välbefinnande och arbetstillfredsställelse.

Projektets huvudbidrag är en modell (AI-PROAM) för att stödja uppföljning av arbetsmiljöer där AI används. Modellen består av fem faser: förberedelser, risk- och problemanalys, åtgärder, uppföljning av åtgärder samt reflektion och lärande. Modellen bygger på etablerade teorier om goda arbetsmiljöer där digital teknik används, feedback från de medverkande företag och synpunkter från referensgruppen.

Vi har till viss del inspirerats av modellen för systematiskt arbetsmiljöarbete (SAM) som utvecklats av Arbetsmiljöverket. Efter en jämförelse mellan AI-PROAM och SAM kan vi konstatera att AI-PROAM kan komplettera SAM på flera sätt:

·      SAM är en generell modell medan AI-PROAM är en specifik modell för arbetsmiljöer där AI används.​ Detta kan innebära att SAM inte fullt ut stödjer kontextspecifika och komplicerade förhållanden som till exempelanvändning av AI på arbetsplatser. 

·      AI-PROAM specifik orientering mot organisatoriska och sociala arbetsmiljöaspekter. SAM har ingen specifik orientering mot särskilda aspekter utan syftar till att stödja alla typer av arbetsmiljöer.

·      SAM har en övergripande processorientering med en tydlig huvudprocess och ett antal stödprocesser. AI-PROAM är också processorienterad men består av ett mer detaljerat processtöd som inkluderar förslag på aktiviteter, metodik för att utföra aktiviteter och förslag på enkätfrågor som är relatera till de identifierade utmaningarna.

Utifrån våra resultat kan vi dra slutsatsen att AI-PROAM har bidragit till att utveckla kunskap om utmaningar i arbetsmiljöer där AI används och att AI-PROAM utifrån testning bemötts positivt av de medverkande företagen. Därför är vår uppfattning att AI-PROAM bidrar till en praktisk nytta för handelsföretag och anställda. Vårt förslag till fortsatt forskning är att tillämpa AI-PROAM i flera studier för att kunna stärka modellens faser och aktiviteter samt vidareförbarhet till andra företag och sektorer.

One essential element of design science research (DSR) is kernel theory, which plays a critical role in the development of design knowledge. Kernel theory is employed in the theoretical grounding process to justify and guide the development of emergent design knowledge. Another common way to justify design knowledge is empirical grounding. However, these two grounding processes are not mutually exclusive. We argue that there exists a dynamic interplay between the application of kernel theories as a deductive inference strategy and the analysis of empirical data resulting in insights from practice as an inductive inference strategy. Based on an analysis of a DSR project involving nine companies, we have examined this interplay to propose guidelines. These guidelines aim to assist in navigating the complexities of theory and practice, ultimately supporting the development of robust and innovative artefacts. We state that our findings contribute to knowledge about how kernel theories can interplay with practice.

This paper investigates how digital infrastructures, guided by growth tactics, can support trans-situated learning within networks of practice, promoting transparency, collaboration, and knowledge sharing across organizational boundaries. Using a design science research (DSR) approach, we developed and evaluated “SISA News,” an information infrastructure for the Swedish Information Systems (IS) research community. The system aggregates news from 18 IS departments via RSS feeds, social media, and digital signage, facilitating cross-departmental engagement and vicarious learning. The evaluation, based on the FEDS framework [22], includes proof-of-concept, proof-of-use, and proof-of-value stages [13], combining technical tests, social network analysis, and user feedback. Results demonstrate the infrastructure’s effectiveness in enhancing transparency, enabling legitimate peripheral participation, and fostering knowledge exchange. Key challenges include achieving critical mass and maintaining content relevance across diverse stakeholders. This study contributes to theory by advancing understanding of trans-situated learning and the role of growth tactics—such as adding services and providing interfaces—in the scalability and adaptability of digital infrastructures. It also highlights the mutual interplay between social learning processes and platform design. © The Author(s), under exclusive license to Springer Nature Switzerland AG 2025.

In several design science research (DSR) frameworks and methods, the need for generalising problemsand solutions has been emphasised. For example, various DSR studies present generalised designprinciples as nascent theories. Due to the creative and contextual nature of DSR, several scholars reportthat generalisation can be challenging. The challenge is particularly valid for single qualitative studiesbecause the design of an artefact always reflects the circumstances in the context where it is to be used.Therefore, the purpose of this study is to present guidelines regarding generalisation. The suggestedguidelines are: strategically plan the generalisation process, validate the generalised knowledge toaugment the reusability and find an appropriate generalisation level. The formulation of the guidelinesis based on the analyses of three DSR projects and insights from previous knowledge. Our knowledgecontribution consists of prescriptive knowledge (guidelines) as a complement to existing explanativeand descriptive knowledge.

Action Design Research (ADR) is a well-known research method within Design Science Research (DSR). An essential characteristic of the ADR method is the need for researcher-practitioner collaboration (RPC). While there is abundant research on RPC regarding information systems projects in general concerning explanatory and normative knowledge, there is very limited prescriptive knowledge on how to execute RPC in ADR projects. Successful collaboration in ADR projects is imperative since the development of socio-technical IT artefacts requires frequent interaction in organisational contexts. However, RPC can be hard to manage due to competing interests. Therefore, the purpose of this paper is to present prescriptive knowledge for how to manage RPC. We have analysed a collaborative ADR project consisting of several researchers and practitioners. Based on a grounded theory approach, we have developed theoretical models based on challenges identified in an ADR project. The models provide prescriptive knowledge regarding: shape the IT artefact based on organisational intervention, exploit the mutual dependency between developing design principles and IT artefacts, and contextualise and generalise learning. Each model involves logical relationships between: conditions for the challenges, actions taken to address the challenges and consequences of the actions taken. The guidelines were deducted from the models and consist of recommendations that could be considered in future ADR projects.

Design science research (DSR) aims to generate knowledge about innovative solutions to real-world problems. DSR studies usually involve inductive, deductive or abductive inference strategies to generate design knowledge. However, applying these strategies has often remained implicit, which means that the transparency of the research processes could be questioned (e.g. openness, honesty). This study focuses on abductive DSR, which is often regarded as a combination of inductive and deductive strategies. Based on our literature review, we can conclude that there is a lack of prescriptive support for how to conduct abductive DSR. We have also identified that the concept of abduction is omitted in well- known DSR frameworks/methods. To address this research gap, our study applies a qualitative content analysis to analyse two abductive DSR PhD theses. The analysis outcome is a conceptual model describing central relationships and an abductive DSR process model illustrating movements between the theoretical and empirical domains. 

One essential characteristic of the Action Design Research (ADR) method is researcher-practitioner collaboration (RPC). The purpose of this paper is to present theoretical models for RPC collaboration in ADR projects. The models involve conditions, actions, and consequences concerning RPC challenges. A grounded theory approach was applied to identify the RPC challenges. The challenges were identified in a collaborative ADR project consisting of four researchers and nine organizations from the industry sector. The identified main challenges are: researcher intervention in practitioner contexts, reciprocal shaping between artifacts and design principles emerged from theory and practice, and researcher and practitioner learning. The contribution to practice, which consists of future ADR projects involving collaboration between researchers and practitioners, involves specific actions to be taken.

Purpose Action design research (ADR) has become widely accepted as a prominent research method within information systems when managing design-oriented research projects. One purpose of the ADR method is to provide methodological guidance for the building of IT artefacts. However, several scholars have reported a lack of guidance of method support at the micro level. This article aims to complement the macro level of the ADR method by integrating prescriptive method support at the micro level. Design/methodology/approach A qualitative approach including direct content analysis. An empirical ADR project was analysed in order to identify method support that could be integrated into the ADR method. Findings Method support at the micro level was identified for all the stages of the ADR method. The method support consists of procedural support, guiding concepts, and various techniques for the documentation of project tasks stated in the ADR method. Research limitations/implications The contribution to theory consists of aspects concerning the integration of macro and micro levels: relationships between normative and prescriptive support, continuous focus shifts, and method completeness. Practical implications The contribution to practice consists of explicit suggestions for method support that could be integrated into the ADR method. Originality/value This study extends previously provided knowledge by offering empirical evidence concerning theoretical constructions consisting of explicit relationships between ADR tasks and integrated method support, and elaboration on the integration of macro and micro levels.

Advancements within artificial intelligence (AI) enable organisations to reformulate strategies forexploiting data in order to refine their business models, make better decisions and maintain acompetitive advantage. We recognise the technical advantages of AI. However, our view is that thetechnical perspective as a base for decision-making is necessary but insufficient. Several studies inhuman science report that essential human knowledge and competencies that affect decision making arenot represented in AI systems. Based on this observation, we have developed design principles fordeveloping decision-support systems (DSS) that combine human intelligence (HI) with AI. The designprinciples are: design for amplified decision-making, design for unbiased decision-making and designfor human and AI learning. The design principles constitute the scientific contribution to the emergentfield of Human-Centred AI. The contribution to practice consists of a DSS (a digital prototype) thatsupports the combination of HI and AI.