Epsilon Archive for Student Projects

Abstract

Detta examensarbete undersöker varför artificiell intelligens (AI) ännu inte är fullt ut
implementerat i animalieproduktionen, trots att teknologin visat tydlig potential inom flera andra
branscher, såsom transport, sjukvård och industriell automation. Inom animalieproduktionen
skulle AI kunna bidra till ökad djurövervakning, förbättrad resurseffektivitet och tidigare upptäckt
av sjukdomsförlopp. Trots detta har införandet av AI på gårdsnivå varit långsamt. Syftet med
studien är att identifiera och analysera juridiska och djurvälfärdsrelaterade hinder som påverkar
införandet av AI-baserade system i lantbrukets praktiska tillämpning. Särskilt fokus har lagts vid
EU:s AI-förordning (2024/1689), Dataförordningen (2023/2854) samt relevanta delar av svensk
lagstiftning och vetenskaplig litteratur inom djurvälfärd, teknik och policy.
Metodiken utgår från en kvalitativ litteraturanalys där vetenskapliga artiklar, rapporter från
myndigheter, EU-lagstiftning och tidigare etiska ramverk har granskats. En fiktiv fallanalys
användes som verktyg för att sätta resultaten i en lantbrukspraktisk kontext. Generativ AI
användes som hjälpmedel för att tolka komplex lagtext och stödja struktureringen av
referenshantering. Resultaten visar att AI-teknikens potential är betydande, men implementeringen
hämmas av flera faktorer: rättsliga gråzoner kring dataägande, osäker ansvarsfördelning, bristande
interoperabilitet mellan olika tekniska system, otydlig riskklassificering av AI-produkter samt
avsaknaden av en gemensam och tillämpbar definition av djurvälfärd i teknisk utveckling.
Diskussionen visar att det inte främst är den tekniska kapaciteten som är begränsningen, utan
snarare otillräcklig anpassning av regelverk, avtal och etiska riktlinjer. Det är avgörande att
principen om mänsklig kontroll, Human-in-the-loop (HITL), säkerställs för att AI inte ska ersätta
det mänskliga omdömet vid beslut som rör djurens hälsa och välbefinnande. Studien pekar också
på behovet av förbättrad transparens, krav på loggning i högrisk-AI samt möjlighet till
återanvändning av data. För att AI ska kunna införas på ett ansvarsfullt och djurvälfärdsfrämjande
sätt krävs ett tydligare juridiskt ramverk, praktiskt användarstöd för lantbrukare, och
branschövergripande standardisering av tekniska lösningar.

This thesis investigates why artificial intelligence (AI) has not yet been widely implemented in
livestock production, despite its demonstrated benefits in other sectors such as transport,
healthcare, and manufacturing. In agriculture, AI holds the potential to enhance animal
monitoring, increase efficiency, and enable early detection of disease. However, adoption remains
limited at the farm level. The aim of this study is to identify and analyse the legal and animal
welfare-related barriers that hinder the practical implementation of AI-based systems in livestock
farming. Special focus is placed on the EU AI Act (2024/1689), the Data Act (2023/2854),
relevant Swedish regulations, and current research in animal welfare, policy, and digital
technologies.
The method is based on a qualitative literature review involving scientific publications,
government reports, EU legislation, and ethical frameworks. A fictional case was used to
contextualise theoretical findings and simulate real-world applications. Generative AI tools were
employed to support legal interpretation and reference organisation. The results show that
although AI has strong potential for production optimisation, animal health monitoring, and
decision support, implementation is slowed by legal uncertainty around data ownership, unclear
distribution of liability, lack of interoperability between systems, difficulties in risk classification
of AI products, and the absence of a shared operational definition of animal welfare in the context
of AI design.
The discussion reveals that technological limitations are not the main obstacle; rather, the
issues lie in insufficient regulation, weak contractual clarity, and underdeveloped ethical oversight.
Ensuring the Human-in-the-loop (HITL) principle is essential for upholding ethical responsibility
and legal accountability, particularly in decisions affecting animal health and welfare. The study
also highlights the need for transparency in AI systems, mandatory logging for high-risk
applications, and clearer rights for data reuse. Responsible and welfare-focused AI implementation
in livestock production will require harmonised legislation, improved user guidance for farmers,
and cross-sectoral standardisation of digital infrastructures.