Guide till automatisering av dokumenthantering – steg-för-steg-implementering

Automatiserad dokumenthantering ersätter manuella dataregistreringar med verktyg som automatiskt fångar och extraherar data. Denna guide visar hur det fungerar och hur du implementerar det så att dina arbetsflöden blir snabbare, mer exakta och skalbara.

Viktiga slutsatser

• Automatisering inom dokumenthantering effektiviserar repetitiva uppgifter såsom dataextraktion, klassificering och överföring, vilket förbättrar hastighet, noggrannhet och skalbarhet i olika avdelningar.
• Ett typiskt automationsarbetsflöde omfattar fem avgörande steg: Fånga dokument, känna igen innehåll, extrahera nyckeldata, validera resultat och leverera till efterföljande system.
• Lösningar som Parseur kombinerar AI-OCR, maskininlärning och mallar för att hjälpa företag att minska handläggningstid från timmar till sekunder utan komplex installation eller utvecklarkompetens.

Manuell dokumenthantering är fortfarande en stor flaskhals i många organisationer. Från fakturor och kvitton till fraktetiketter och jobbansökningar förlitar sig många företag på arbetsintensiva processer där anställda måste läsa, tolka och manuellt skriva in data i olika system. Det här är inte bara tidskrävande – det är även felbenäget och leder till förseningar, risk för bristande efterlevnad samt ökade kostnader.

Som Invensis rapporterat har manuell datainmatning en felfrekvens på cirka 1 %, med variationer mellan 0,04 % och 3,6 % beroende på datakomplexitet och personalens erfarenhet.

Lyckligtvis har automationsteknik blivit alltmer tillgänglig och användarvänlig. Du behöver inte längre vara utvecklare eller ha teknisk expertis för att automatisera dokumenthanteringen i din verksamhet. Med moderna verktyg med kodfria gränssnitt och kraftfull AI-baserad dataextraktion kan alla team införa effektiva automatiserade arbetsflöden som sparar tid, minskar fel och ökar produktiviteten.

Den här guiden tar dig steg för steg genom hela processen med att automatisera dokumenthantering, med konkreta exempel anpassade till ekonomi, HR och logistik. Oavsett om du är operativ chef, IT-ansvarig eller teamledare hjälper denna artikel dig att tryggt ta de första stegen mot automatisering.

Om du är ny inför dokumenthantering, läs gärna vår artikel om dokumenthanteringsgrunderna innan du fördjupar dig i automation.

Manuell vs. automatiserad dokumenthantering: Den verkliga kostnaden

Vid första anblicken verkar manuell dokumenthantering inte dyrt. Det är ju bara några minuter per dokument, eller hur?

Men de där minuterna läggs snabbt ihop, och den verkliga kostnaden är inte bara tid – utan även fel, förseningar och arbetsflöden som fallerar när volymen ökar. För en mer detaljerad genomgång, se kostnaden för manuell datainmatning.

Så här jämförs manuella och automatiserade processer i praktiken:

Verklig kostnad – ett exempel

Låt oss bryta ner detta med ett konkret scenario.

Ett medelstort redovisningsföretag hanterar 500 fakturor per månad:

• Manuell behandling: 10 minuter per faktura = 83 timmar/månad. 83 timmar x $25/timme = $2 083/månad
• Automatiserad dokumenthantering: 30 sekunder per faktura = ~4 timmar/månad. 4 timmar x $25/timme = $100 + $200 mjukvarukostnad = $300/månad

Årlig besparing: $21 396

Det är här ROI för automatiserad dokumenthantering blir uppenbar. Ju fler dokument du hanterar, desto större blir klyftan.

De dolda kostnaderna med manuell hantering

Vad de flesta team underskattar är inte den synliga kostnaden. Det är allt som händer runt omkring.

• Vid hög arbetsbelastning drar handläggningstiden iväg
• Tid som går till att rätta fel och utreda felaktiga data
• Försenade godkännanden påverkar leverantörer och likviditet
• Utbrändhet bland anställda på grund av monotona, repetitiva arbetsuppgifter
• Ökad risk för revision och bristande efterlevnad på grund av inkonsekvenser

Dessa problem visar sig inte omedelbart, men de förvärras över tid.

Därför är detta viktigt

Manuella arbetsflöden kan fungera vid låg volym. Men så snart du skalar upp blir de en flaskhals.

Det är därför allt fler team går över till automatiserad dokumenthantering, inte bara för att spara tid, utan för att bygga arbetsflöden som inte bryter ihop under press.

Vad betyder automatiserad dokumenthantering?

Automatiserad dokumenthantering innebär att man använder programvara och AI-teknik för att extrahera, klassificera och vidarebefordra data från olika dokumenttyper – såsom PDF:er, e-post, inskannade blanketter och fakturor – utan manuella ingrepp. Det ersätter repetitiva, manuella uppgifter som datainmatning, dokumentgranskning och filsortering med automatiserade flöden som är snabba, exakta och enkla att skala.

Denna process består av fyra huvudsakliga steg:

1. Fångst: Dokument anländer via e-post, uppladdningar eller scanning och fångas automatiskt av systemet utan manuella ingrepp.
2. Igenkänning: Optisk teckenigenkänning (OCR) och AI-modeller läser och tolkar innehållet – både tryckt och handskriven text.
3. Extraktion och strukturering: Relevanta datapunkter, såsom fakturanummer, datum, leverantör, belopp eller sökande identifieras, extraheras och struktureras till ett standardiserat format.
4. Leverans: De extraherade uppgifterna skickas automatiskt till valda mål så som Excel, affärssystem (ERP), kundhanteringssystem (CRM) eller dashboards.

I en manuell process behöver personal öppna varje e-post, ladda ner bilagor, tolka dokument och mata in data i olika system. Automatiseringen eliminerar dessa steg och frigör tid för viktigare arbetsuppgifter.

Steg-för-steg-guide till automatiserad dokumenthantering

Att automatisera dokumenthantering kan göra stor skillnad för verksamheten, genom att minska manuella arbetsmoment, minimera fel och effektivisera arbetsflödena. Denna guide visar dig steg för steg de viktigaste momenten för att införa effektiv dokumentautomation anpassat till din organisations behov.

Steg 1: Identifiera ditt användningsområde

Det första och viktigaste steget i automatiserad dokumenthantering är att identifiera ett specifikt användningsfall. Att försöka automatisera allt direkt är ett vanligt misstag och kan leda till överväldigande komplexitet och låg användning.

Börja med att analysera nuvarande arbetsflöden och fundera på:

Var finns dokumenten idag?

Anländer de via inkorgen, lagras de på server, i molnet eller är de spridda på flera enheter? Många team börjar automationen med ett e-postparser-verktyg som automatiskt samlar in dokument från e-post utan manuell nedladdning. Förstå var dina dokument befinner sig idag är avgörande för rätt automationsstrategi.

Vilka dokumenttyper behöver hanteras?

Vanliga exempel inkluderar vardagliga affärsdokument som kräver dataextraktion och vidarebefordran: fakturor, kvitton, inköpsordrar, fraktetiketter, jobbansökningar, avtal och kundformulär.

Tips: Säkerställ att din lösning kan importera dokument automatiskt från där de faktiskt lagras eller tas emot.

Vem ansvarar idag?

Kartlägg vilka team eller personer som sköter dokumenthanteringen: ekonomi, HR, drift, kundservice – samt deras nuvarande rutiner och överlämningar.

Vart tar datan vägen efter extraktion?

Ska data föras in i ett kalkylblad, skickas till ett rekryteringssystem, loggas i CRM eller styras någon annanstans? Det styr integrationsbehovet.

Vilken volym och frekvens gäller?

Uppskatta antalet dokument per dag eller vecka; förekommer perioder med extra hög belastning där kapaciteten måste öka?

Genom att förstå dessa detaljer väljer du lättare ett hanterbart pilotprojekt och sätter tydliga mål.

Omega Healthcare, ett företag inom sjukvårdsintäkter som stödjer över 350 organisationer, automatiserade sitt system för hantering av fakturering och försäkringsdokument. Projektet har hanterat över 100 miljoner transaktioner sedan 2020 och sparar mer än 15 000 arbetstimmar i månaden, vilket minskat dokumentationstiden med 40 % och halverat handläggningstiden, enligt Business Insider.

I en finansfirma från HyperScience studie tog manuell hantering av onboarding-avtal över 90 minuter per ärende, vilket skapade betydande flaskhalsar.

Genom att införa intelligent dokumenthantering (IDP) kunde företaget automatisera klassificering och dataextraktion från komplexa dokumentpaket, uppnå en 10x snabbare process och frigöra 7 200 arbetstimmar per år till mer värdeskapande arbete.

Steg 2: Välj rätt verktyg för dokumenthantering

Val av programvara är avgörande för ditt automationsprojekt. Det finns många lösningar, men plattformen måste passa teamets tekniska nivå, dokumenttyp och arbetsflöde. Leta efter nyckelfunktioner såsom:

• Optisk teckenigenkänning (OCR): Läser av text från skannade eller digitala dokument. Läs mer i vår guide om OCR-teknik.
• Regelbaserad eller AI-driven tolkning: För att extrahera och klassificera relevanta datafält och anpassa sig till olika dokumentformat.
• Integrationsmöjligheter: Måste kunna kopplas till system du redan använder, exempelvis Excel, Google Sheets, ERP, CRM eller automationstjänster som Zapier eller Microsoft Power Automate.
• Kodfritt gränssnitt: Så att även icke-tekniska användare kan bygga mallar, kartlägga fält och konfigurera arbetsflöden snabbt.

Steg 3: Extrahera nyckeldata med AI

När dokumenten är insamlade och digitaliserade är nästa steg att extrahera värdefulla data – exempelvis fakturanummer, kontaktuppgifter, artiklar eller belopp. Här kommer AI-baserade verktyg in i bilden.

Moderna plattformar för dokumenthantering använder maskininlärning och NLP (Natural Language Processing) för att automatiskt identifiera och extrahera strukturerad information – även ur ostrukturerade dokument. Dock erbjuder inte alla verktyg samma upplevelse. Vissa verktyg kräver omfattande träning och annotering av anpassade modeller, vilket fördröjer implementationen och kräver teknisk kompetens.

Verktyg som Parseur erbjuder istället en kodfri, färdig AI-motor som direkt känner igen och extraherar data från många olika dokumentformat utan behov av träning av en anpassad modell. Användare kan skapa smarta mallar och AI-stödd parsing för exakta resultat på några minuter – detta minskar dramatiskt tiden för uppsättning och driftskostnader.

Ett exempel från Indico Data: Ett företag automatiserade hanteringen av försäkringsanspråk och fakturor med en AI-driven IDP-plattform. Genom att träna modellen på endast 200 fakturor lärde sig AI:n hantera olika layouter med hög noggrannhet, vilket sänkte handläggningstiden med 85 % och hjälpte till att eliminera pappersuppbackning. Personalen kunde gå från manuell datainmatning till en enkel granskningsprocess. Läs mer om praktisk tillämpning i vår guide om fakturaautomatisering med AI.

En relevant statistik från PR Newswire visar att marknaden för Intelligent Document Processing förväntas växa från 0,8 miljarder USD 2021 till 3,7 miljarder USD 2026, med en årlig tillväxttakt (CAGR) på 36,8 %, drivet av ökad användning av AI-baserade verktyg som bygger på flexibel mallhantering och AI-träning för snabbare och mer noggrann extraktion.

Steg 4: Sätt upp integrationer för dataexport

Detta steg säkerställer att ditt automatiserade arbetsflöde inte stannar vid extraktion utan levererar informationen direkt till de verktyg och system du redan använder.

Vanliga mål:

• Kalkylblad: Excel eller Google Sheets för analys och rapporter. Du kan automatiskt skicka extraherade data med PDF till Excel-integrationer.
• Affärssystem: ERP, CRM eller ATS där data driver fortsatt arbetsflöde.
• Kommunikationsverktyg: Slack, mejlnotiser eller dashboards för realtidsuppdateringar.

Olika plattformar erbjuder olika integrationsmöjligheter, men oftast finns färdiga kopplingar eller möjligheten att använda automationstjänster som Zapier eller Make (fd Integromat) för att koppla arbetsflödet till hundratals andra appar.

Enligt Gartner, väntas marknaden för intelligent dokumenthantering (IDP) nå 2,09 miljarder USD år 2026, till stor del tack vare att företag integrerar extraherad data direkt i affärssystem som ERP, CRM och kommunikationsplattformar för att förnya arbetsflöden och förbättra operativ effektivitet.

Hur fungerar automatiserad dokumenthantering? Tekniken bakom

Automatiserad dokumenthantering kan nästan kännas magisk: ladda upp en fil och få ut strukturerad data direkt.

Bakom kulisserna arbetar dock flera tekniker i en tydlig kedja – allt från att avläsa rå text till att förstå sammanhang och struktur.

Så fungerar det:

OCR (Optisk teckenigenkänning)

OCR är grunden för automatiserad dokumenthantering.

OCR omvandlar skannade dokument, PDF:er eller bilder till maskinläsbar text. Utan OCR är dokumentet bara en bild. Vill du veta mer? Läs vår guide om vad PDF OCR är och hur det fungerar.

Två typer förekommer:

• Grundläggande OCR: Extraherar rå text, men inte struktur eller kontext
• Intelligent OCR (AI-driven): Känner igen layout, struktur och förbättrar noggrannheten

Modern OCR når 95–99 % noggrannhet för tryckt text och 85–95 % för handskrift (beroende på kvalitet).

Men OCR ensam kan inte tolka innehållet. Det talar bara om vad texten är, inte vad den betyder.

Naturlig språkbehandling (NLP)

När texten är extraherad tar NLP vid för att analysera sammanhang och relationer.

NLP gör det möjligt för systemet att förstå kontext, etiketter och kopplingar mellan ord.

Exempel: "Faktura #12345" identifieras riktigt som fakturanummer, medan "Beställningsnr #12345" tolkas som ordernummer – en kritisk skillnad, särskilt i ekonomi eller verksamhetsdokument där kontext spelar roll.

Maskininlärningsmodeller

Maskininlärning gör att dessa system förbättras över tid.

Det finns två huvudvägar:

• Övervakad inlärning: Modeller tränas på förmärkta exempel (t.ex. fakturor med utmärkta fält)
• Oövervakad inlärning: Identifierar mönster och strukturer utan märkta exempel

Ju fler dokument som behandlas, desto bättre blir systemet på att hitta mönster, minska fel och hantera undantagsfall. Därför blir automatiserad dokumenthantering mer exakt ju mer du använder den.

Datorseende (Computer Vision)

Datorseende hjälper systemet förstå hur ett dokument är strukturerat – inte bara vad det står.

Det gäller att tolka tabeller och hämta rader/kolumner, hitta sektioner som rubriker, totalsummor och artikelrader samt känna igen handstil och visuella mönster.

Detta är särskilt viktigt för t.ex. fakturor och kontoutdrag där layouten kan variera kraftigt.

AI vs. mallbaserad extraktion

Automatisering bygger inte alltid på samma metod. Det finns två huvudvägar:

Mallbaserad extraktion fungerar bäst på dokument med fast utseende. Kräver fördefinierade regler eller layouter, är mycket noggrann men mindre flexibel.

AI-baserad extraktion anpassar sig till olika dokumentformat, klarar variationer och ostrukturerad information – idealiskt för verkliga arbetsflöden med inkonsekventa dokument.

Den bästa metoden (rekommenderas) är en hybrid: använd mallar där det går och AI där flexibilitet krävs. De flesta moderna verktyg jobbar så.

Så hänger det ihop

Hela kedjan ser ut så här: dokumentet fångas, OCR läser av texten, NLP tolkar betydelsen, maskininlärning höjer precisionen och datan struktureras och exporteras.

Teknisk förståelse är inte bara teoretisk. Det hjälper dig välja rätt lösning. Om dina dokument är mycket strukturerade räcker ibland enkel OCR eller mallar. Men om layouten varierar eller volymen är hög krävs ett system som kombinerar OCR, NLP och maskininlärning.

Det är där moderna automatiserade dokumenthanteringsverktyg verkligen visar sitt värde: inte bara extrahera data, utan göra det tillförlitligt i stor skala.

Intelligent dokumenthantering (IDP) vs. traditionell OCR

När du undersöker automatiserad dokumenthantering stöter du snabbt på två termer: OCR och IDP. De är relaterade men skiljer sig i kapacitet. Fel val kan begränsa hur långt du kan automatisera ditt arbetsflöde.

Traditionell OCR omvandlar bilder eller inskannade PDF:er till text. Det är allt. Den förstår inte mening, struktur eller relationer mellan data.

Begränsningar med traditionell OCR:

• Saknar kontext – läser bara text, inte betydelsen
• Kräver manuella regler eller mallar för dataextraktion
• Har svårigheter vid varierande layouter och inkonsekventa format
• Kräver ofta manuell verifiering för hög noggrannhet

Traditionell OCR är lämpligt vid enkla, enhetliga dokument – som standardformulär eller mallar.

Intelligent Dokumenthantering (IDP) går flera steg längre. Det kombinerar OCR med AI, maskininlärning och NLP för att inte bara läsa dokument utan förstå dem. Istället för rå text identifierar IDP struktur, kontext och nyckeldata direkt.

Detta särskiljer IDP:

• Förstår dokumentets struktur (rubriker, tabeller, sektioner)
• Känner kontext (t.ex. fakturanummer vs ordernummer)
• Lär sig av exempel och blir bättre med tiden
• Hanterar flera format och variation i layouten

Välj traditionell OCR om dina dokument följer ett konsekvent format, om du endast behöver grundläggande textextraktion eller arbetar med enkla formulär. Välj IDP när du har variation i layout, krav på fältextraktion, vill bygga robusta arbetsflöden utan ständiga manuella konfigurationer, eller om du hanterar dokument från olika källor, såsom e-post, uppladdningar och scanning.

OCR hjälper dig att läsa dokument. IDP hjälper dig att arbeta med dem. Om ditt mål är att bara konvertera filer till text räcker OCR. Men om du vill automatisera dokumentflöden inklusive extraktion, validering och integration, är det IDP som gör det möjligt.

Se vårt praktiska exempel på att extrahera text från PDF i verkliga arbetsflöden.

Vanliga fallgropar och hur du undviker dem

Även om automatiserad dokumenthantering effektiviserar processer och minskar fel, stöter många team på undvikbara hinder vid implementeringen. Genom att känna till dessa kan du spara tid och resurser.

1. Försöka automatisera allt direkt

Att försöka förändra flera komplexa arbetsflöden samtidigt överbelastar resurser och sänker tempot. Börja istället smalt med ett högeffektivt användningsfall och bygg vidare stegvis.

2. Bara använda OCR utan strukturerad extraktion

OCR omvandlar enbart text till digitalt format, men organiserar eller klassificerar inte datan. Välj verktyg med intelligent extraktion, klassificering och integrationsmöjligheter.

3. Ignorera validering och datakvalitet

Automatiserade arbetsflöden måste ha valideringssteg och felhantering. Använd gärna säkerhetspoäng och manuell granskningsprocess för osäkra data för att bibehålla högt kvalitetsresultat.

Exempel på framgångsrika automatiseringsflöden

Dokumentautomation är inte begränsat till en specifik avdelning eller industri. Team över olika funktioner har framgångsrikt implementerat det för att spara tid och öka noggrannheten. Här är några verkliga användningsfall:

• Ekonomi: Automatisera leverantörsfakturor för att spara timmar på manuell inmatning. Automatiskt extraherade fakturadata skickas till Excel för avstämning och triggar e-postmeddelanden vid förfallodatum.
• Logistik: Extrahera information från fraktsedlar och uppdatera live-dashboards för effektivare leveransuppföljning och snabbare problemlösning.
• HR: Analysera jobbansökningar automatiskt och spara kandidatinformation direkt i rekryteringssystemet (ATS) för enklare process och mindre administrativt arbete.

Hur du väljer rätt verktyg för dokumenthantering till verksamheten

Det finns inte ett enda "bästa" verktyg för automatiserad dokumenthantering. Rätt val beror på dina dokument, volym och hur dina arbetsflöden faktiskt ser ut i vardagen.

Istället för att gissa, använd denna modell för att begränsa urvalet.

1. Utvärdera dina dokumenttyper

Börja med det du hanterar.

• Strukturerade dokument (fakturor, formulär): Mallbaserade verktyg eller enklare IDP fungerar
• Semi-strukturerade dokument (e-post, avtal): Kräver IDP med kontextförståelse
• Ostrukturerade dokument (rapporter, brev): Avancerad NLP och flexibla AI-modeller behövs

Ju fler variationer i dina dokument, desto mer behöver du intelligent dokumenthantering istället för stela mallar.

2. Volym och frekvens

Volymen avgör om automation är valfritt eller nödvändigt.

• Under 100 dokument/månad: Manuell hantering eller enkel OCR kan räcka
• 100–1 000 dokument/månad: Mallbaserad automation blir värdefullt
• 1 000+ dokument/månad: Fullautomatisk plattform (IDP) är nödvändig

Vid högre volymer går manuella arbetsflöden inte bara långsammare. De bryter ihop.

3. Integrationskrav

Ett verktyg är bara användbart om det passar in i ditt befintliga arbetsflöde. Fråga dig själv om du behöver API-åtkomst för anpassade arbetsflöden, vilka system som ska kopplas ihop (ERP, CRM, bokföringsverktyg) och om du behöver realtidsbehandling eller batchuppladdningar.

Till exempel automatiserar många team dokumentinsamling via e-post och skickar utdata direkt till kalkylark eller interna system. Om det stämmer in på dig sparar verktyg med inbyggda integrationer mycket manuellt arbete.

4. Budgetöverväganden

Prissättningen handlar inte bara om månadsabonnemanget. Titta på totalkostnaden: kostnad per behandlat dokument, uppstart eller onboardingavgifter, utbildnings- och implementeringstid samt löpande underhåll eller support.

Det är här ROI för automatiserad dokumenthantering blir viktig. Ett verktyg som verkar dyrt i början kan spara betydligt mer över tid om det eliminerar manuellt arbete. Du kan granska typiska kostnader och planer på prissidan.

5. Tekniska funktioner

Olika verktyg är byggda för olika användare.

• Kodfria verktyg: Bäst för affärsteam som vill ha en snabb igångsättning utan utveckling
• API-först-plattformar: Bättre för utvecklare som bygger anpassade arbetsflöden
• Hybrida lösningar: Erbjuder både flexibilitet och användarvänlighet

Att välja fel typ leder ofta till låg användning eller onödig komplexitet.

6. Noggrannhet och efterlevnad

Noggrannhet är inte valfritt, särskilt för finansiella eller reglerade dokument. Överväg den nödvändiga noggrannhetsgraden, standarder för efterlevnad (GDPR, HIPAA, SOC 2), samt granskningsspår och dataspårbarhet.

Om du hanterar känsliga data bör efterlevnadsfunktioner vara en prioritet, inte en eftertanke.

Verktygsjämförelse i korthet

Här är hur vanliga verktyg ofta positioneras:

• Bäst för icke-tekniska användare: Parseur, Rossum
• Bäst för utvecklare: AWS Textract, Google Document AI
• Bäst för storvolymer: Parseur, UiPath, Automation Anywhere
• Bäst för EU-efterlevnad: Parseur, Doxis (tidigare Klippa)

Att välja rätt verktyg handlar inte om funktioner. Det handlar om passform. Om ditt arbetsflöde är enkelt räcker en lättviktslösning. Men om du hanterar flera dokumenttyper, högre volymer eller återkommande processer förhindrar en tidig investering i automatiserad dokumenthantering framtida flaskhalsar.

Börja smått, skala snabbt

Automatisering av dokumentflöden ger betydande och mätbara vinster för din verksamhet. Du sparar tid på manuell inmatning, minskar risken för fel orsakat av mänskliga misstag och ger dig mer nöjda, produktiva team som kan fokusera på mer värdeskapande uppgifter. Utöver effektivitet vinns även en högre datakvalitet och bättre efterlevnad, vilket gör din verksamhet mer pålitlig och skalbar.

Nyckeln för att lyckas är att börja litet. Fokusera på att automatisera en process eller dokumenttyp i taget – till exempel leverantörsfakturor, HR-formulär eller fraktsedlar. Det gör det möjligt för dig att bygga erfarenhet, trimma processerna och bygga förtroende utan att överbelasta teamet eller resurserna. När du ser positiva resultat kan du successivt expandera automationen till fler områden och multiplicera effekten i organisationen.

När du växer är det också värt att förstå varför single-model document processing mer och mer ersätts av multimodala syntetiska pipelines för högre precision och konsekvens. För praktiska automationsmallar, se våra arbetsflödesexempel med Parseur.

Vänta inte med att göra din dokumentautomatisering snabbare, smartare och mer effektiv. Starta din automatiseringsresa idag genom att testa Parseurs gratistjänst för att förbättra dina arbetsflöden och låsa upp nya nivåer av produktivitet.

Senast uppdaterad 24 juli 2026