En visuell guide till hur strukturerad kunskap kan göra kommunal beslutsfattning transparent, spårbar och återupprepningsbar — varje gång.
En kunskapsgraf är ett sätt att representera kunskap som ett nätverk av sammankopplade enheter. Istället för att lagra information i tabeller och dokument kopplar vi ihop fakta, regler och relationer i en graf — precis som våra hjärnor gör.
Saker vi vill representera: personer, platser, regler, beslut, budgetposter, organisationer. Varje nod har en unik identitet.
Kopplingarna mellan noder som beskriver hur saker hänger ihop: "tillhör", "beslutas_av", "finansieras_genom", "kräver".
Metadata på noder och kanter: datum, belopp, ansvarig, status. Ger kontexten som behövs för att fatta rätt beslut.
All kunskap i en kunskapsgraf uttrycks som tripletter — tre delar som tillsammans bildar ett påstående. Det är enkelt, kraftfullt och standardiserat.
Tripletter visar hur kunskap lagras. Här är vad du kan be om när informationen finns strukturerad — frågor som ren textsökning sällan klarar utan att hallucinera eller missa.
"Vilka beslut från kommunfullmäktige de senaste tre åren har påverkat Östra skolan, och vem ansvarar för uppföljningen?"
Grafen traverserar kedjan Beslut → Verksamhet → Ansvarig enhet → Tjänsteperson. En vektorsökning skulle returnera lösryckta textstycken utan att kunna koppla ihop dem.
"Hur många bygglov beviljades i Skönsmon 2025, fördelat på byggnadstyp?"
Räknar och grupperar över strukturerade noder. Svaret finns inte som löpande text någonstans — det måste räknas fram.
"Vilka pågående detaljplaner berör fastigheter där det också finns aktiva miljöärenden?"
Kopplar information från olika förvaltningar via gemensamma entiteter (här: fastigheten). I dokumentform ligger detta utspritt på platser som aldrig möts.
"Vad gällde i delegationsordningen när beslut X fattades?"
Versionerade relationer gör att grafen kan skilja på "nuvarande" och "historiskt". Avgörande vid överklaganden och tillsyn.
"Sammanställ alla ärenden som rör Östra skolan i Bredsand."
Grafen vet att det inte är samma sak som Östra skolan i Skön. Två personer med samma namn hålls också isär. Textsökning blandar lätt ihop dem.
En kunskapsgraf kan koppla ihop lagar, tidigare beslut, konsekvensanalyser och resurser till ett sammanhängande beslutsstöd.
Koppla varje beslut till de lagar, förordningar och policyer det grundas på. Grafen visar automatiskt vilka regler som gäller.
När samma typ av ärende dyker upp visar grafen exakt hur liknande fall har hanterats tidigare — samma logik, varje gång.
Varje beslut har en tydlig kedja: vem beslutade, på vilken grund, vilka som berördes, och vad resultatet blev.
Innan ett beslut fattas kan grafen visa alla berörda entiteter — budget, personal, invånare, infrastruktur — och deras kopplingar.
När personal slutar försvinner inte kunskapen. Grafen bevarar institutionellt minne oberoende av individer.
Lika ärenden behandlas lika. Grafen flaggar avvikelser och säkerställer konsekvent hantering av alla medborgare.
Riktlinjer, taxor och delegationsordningar förändras kontinuerligt. Grafen kan svara på både "vad gäller nu?" och "vad gällde när beslutet fattades?" — avgörande vid överklaganden, tillsyn och historisk granskning.
"Östra skolan i Bredsand" är inte "Östra skolan i Skön". Två personer kan heta samma sak. Grafen håller isär entiteter med liknande namn — något ren textsökning ofta löser dåligt och med risk för felaktiga svar.
Åtkomstregler kan tillämpas på relationer och noder — t.ex. "denna roll får inte se kopplingar mellan en person och socialtjänstärenden". Betydligt enklare än att filtrera textchunks, och stödjer dataminimering enligt GDPR.
Hovra över noderna för att utforska kopplingarna i ett bygglvsärende.
Så här kan en kunskapsgraf stödja handläggningen av ett bygglovsärende steg för steg.
En ny nod skapas i grafen: "Bygglov #2025-042". Automatiskt kopplas den till fastigheten, detaljplanen, sökanden och gällande lagstiftning (PBL).
Genom relationer i grafen listas alla krav automatiskt: grannhörande, strandskyddsdispens, tillgänglighetsutlåtande. Inget missas eftersom kraven är inskrivna som relationer.
Grafen hittar liknande ärenden från samma område, med samma typ av byggnation. Handläggaren ser exakt hur de avgjordes — och om beslutet överklagades.
Beslutet, dess motivering och ansvarig handläggare sparas som nya noder och relationer. Nästa gång ett liknande ärende dyker upp finns hela historiken tillgänglig.
| Aspekt | Traditionellt (dokument/databas) | Med kunskapsgraf |
|---|---|---|
| Kunskapsöverföring | Beroende av individer, informellt Risk | Inbyggd i strukturen Säkert |
| Konsekvensanalys | Manuell, ofta ofullständig | Automatisk, komplett via relationer Komplett |
| Likabehandling | Svårt att verifiera | Jämförelse med prejudikat i realtid Verifierbart |
| Regelefterlevnad | Handläggarens minne/erfarenhet | Automatisk checklista från relationer Automatiskt |
| Spårbarhet | Utspridd i mejl, protokoll, system Fragmenterad | Sammanhängande graf med fullständig historik Centraliserad |
| Skalbarhet | Fler dokument = mer kaos | Fler noder = rikare kunskap Skalbar |
Medborgare kan följa beslutskedjan: från lagstiftning till motivering till beslut. Demokratisk insyn på ett helt nytt sätt.
En kunskapsgraf är det perfekta fundamentet för AI-assistenter. Strukturerad kunskap ger bättre, säkrare och mer tillförlitliga AI-svar.
Pensionsavgångar och personalomsättning hotar inte längre organisationens kunskap. Grafens kollektiva minne består.
Istället för att leta i system och pärmar hämtar handläggaren all relevant information — regler, prejudikat, kopplingar — på sekunder.
De flesta AI-lösningar i offentlig sektor bygger idag på vektor-RAG — semantisk sökning i dokument. Det är kraftfullt, men har tydliga gränser. Kunskapsgrafen kompletterar, snarare än ersätter.
Den realistiska arkitekturen är hybrid. Vektorsök för ostrukturerad text — protokoll, tjänsteskrivelser, riktlinjer. Graf för entiteter, processer och organisation. AI:n orkestrerar båda och låter dem komplettera varandra: grafen blir det auktoritativa skelettet, texten ger nyans och kontext.
AI:n arbetar inte fritt — den navigerar grafen. Varje förslag grundas i verifierbara kopplingar, inte en svart låda. Resultatet: beslut som är spårbara, konsekventa och transparenta.
Kunskapsgrafen blir organisationens kollektiva hjärna — ett levande nätverk av lagar, prejudikat, resurser och beslut. AI:n traverserar detta nätverk istället för att "gissa" baserat på träningsdata.
Det innebär att varje AI-genererat svar kan spåras tillbaka till konkreta noder och relationer. Ingen hallucination, ingen svart låda — bara verifierbar logik genom grafen.
I praktiken orkestrerar AI:n två sökmotorer parallellt: en vektorsökning för fri text — protokoll, tjänsteskrivelser, riktlinjer — och en graftraversering för entiteter och relationer. Grafen fungerar som det auktoritativa skelettet som textfynden hängs upp på. Hallucinationer på nyckelfakta — namn, datum, paragrafer, belopp — minskar specifikt eftersom de hämtas från strukturerade noder snarare än extraheras ur fritext.
Grafen växer med varje beslut: nya prejudikat, nya kopplingar, nya insikter. Organisationen blir smartare över tid, oberoende av personalomsättning.
Klicka på ett steg för att se detaljer.
Från informationssökare till kvalitetsgranskare och expert på gränsfall.
Handläggaren ägnar majoriteten av sin tid åt att leta information, minnas regler och upprepa rutinarbete.
AI:n sköter insamling och analys. Handläggaren fokuserar på det som kräver mänskligt omdöme.
Varje beslut sparas som en "beslutsgraf" — en komplett karta som visar vilken data som låg till grund, vilka regler som tillämpades, vilken AI-modell som användes, och vem som godkände.
Medborgaren kan följa hela kedjan: från indata till slutbeslut. Varje steg är klickbart och verifierbart.
En kunskapsgraf är inte plug-and-play. Utan rätt grundarbete blir den ett underhållsproblem snarare än en tillgång. Det här är värt att veta innan man börjar.
Att modellera vad som är entiteter, relationer och attribut kräver djup verksamhetskunskap. En felaktig modell ger fel svar — och är dyr att rätta i efterhand.
Grafen ärver kvaliteten från källsystemen. Om ärenden saknar diarienummer eller fastigheter har inkonsekvent benämning syns det direkt — och kan inte trollas bort med AI.
Relationer måste hållas aktuella när organisationen förändras: nya roller, nya förvaltningar, nya regelverk. Utan löpande dataförvaltning åldras grafen snabbt.
Frestelsen att "modellera allt" är stor. Det fungerar sällan. Bättre att börja smalt — en process, en ärendetyp, en regelmängd — och växa när värdet är bevisat.
Det krävs både teknisk kompetens (graf, ontologier, SPARQL/Cypher) och djup verksamhetskunskap. Sällan finns båda hos samma person — samarbetet är kärnan.
Börja smått — kartlägg en process, en ärendetyp, ett regelverk. Se hur kopplingarna växer och beslutsstödet förbättras.