AI beskrivs ofta som en teknik som kan revolutionera transportsystemet – men vilken riktning utvecklingen tar avgörs av vilka frågor vi ställer och vilken data vi väljer att bygga på.
I denna artikel reflekterar Anna Stankovski Clark på Trivector Mobility över AI:s snabba genomslag, dess potential i transportsektorn och risken att vi optimerar fel delar av systemet.
För att AI ska bidra till ett mer hållbart transportsystem krävs inte bara avancerade modeller, utan medvetna prioriteringar, rätt indata och ett tydligt fokus på samhällsnytta.
Text: Anna Stankovski Clark, Värdeskapande digitalisering, Trivector Mobility
Som rådgivare inom värdeskapande digitalisering har jag under de senaste åren följt AI-utvecklingen på nära håll. Ändå minns jag särskilt en tidig morgon för drygt tre år sedan. Min man satt vid datorn och sa: ”Kolla här – OpenAI har släppt något riktigt kul.” I efterhand måste det ha varit i november 2022. Det tog ytterligare någon dag innan jag själv testade.
I dag använder jag AI-verktyg dagligen – precis som de flesta av oss gör, medvetet eller omedvetet. Jag kommer till exempel att ta hjälp av AI för att korrekturläsa den här texten. Den är, krasst sagt, bättre på svensk grammatik än vad jag är. Är det läskigt? Ibland. Det som kanske är mest slående är hur snabbt det har gått. På bara några år har mitt sätt att arbeta redan förändrats i grunden.
Bildgenerering från ChatGPT: Vad ChatGPT tror att Anna ser ut som utifrån prompts och historik om vad hon jobbar med (t.v.) och kollegan Astrid (t.h.).
Som matematiker var jag naturligtvis nyfiken på hur tekniken faktiskt fungerar. Och egentligen är det inget mystiskt: det handlar om mönsterigenkänning och optimering i mycket stora datamängder. Samma typer av modeller som jag studerade för över tjugo år sedan inom tillämpad matematik – men nu extremt mycket snabbare och tränade på ofantligt mycket mer data.
Det som gör moderna AI-modeller så kraftfulla – och ibland upplevt ”magiska” – är att de i stor utsträckning själva formar sin struktur. I stället för att vi människor definierar varje steg i förväg, optimeras modellen automatiskt mot ett mål, baserat på tillgänglig data. När jag skriver ”optimalt” menar jag alltså: optimalt givet det som går att utläsa ur den data som finns.
Samtidigt är det svårt att inte känna viss oro. AI-verktyg upplevs ibland som om de ”tänker”. Nyligen testade jag senaste versionen av Claude Code (mycket imponerande), ungefär samtidigt som nyheten kom att yrkeshögskolor kraftigt minskar antalet platser på IT-utbildningar. Har vi nått den punkt som så ofta diskuteras – där AI inte bara är ett stöd, utan faktiskt ersätter hela yrkesroller?
Den frågan är relevant även för transportsektorn. Men det finns en helt avgörande förutsättning.
Data är grunden – men rätt data är avgörande
Alla AI-modeller bygger på data. De identifierar mönster och optimerar utifrån det de ”ser”. Om indata är skev, ofullständig eller felaktig blir också resultaten det. Det är ett välkänt samband – garbage in, garbage out – men i AI-sammanhang får det konsekvenser som man inte direkt ser eftersom resultatet ändå är ”bra”.
Jag bad till exempel ett AI-verktyg att skapa en bild av mig baserat på mina tidigare instruktioner och användning. Resultatet blev… intressant (se nedan). Min kollega Astrid gjorde samma sak, med liknande utfall. Varför blev det fel? Inte för att modellen ”vill” något, utan för att den tränats på data som speglar befintliga normer, mönster och stereotyper – och för att mina prompts inte kunde väga upp det – även om den vet att jag heter ”Anna”.
Det här är inte ett isolerat exempel. Det är en grundläggande egenskap hos alla AI-system. Data är allt, men rätt data är verkligen allt.
Samma mekanismer gäller i transportsektorn. Vi kan bara optimera det vi har data om. Och här finns en tydlig obalans. Vi har i dag extremt mycket mer detaljerad data om biltrafik än om resor med kollektivtrafik, cykel eller till fots. Vi kan följa ett paket vi köpt på Vinted genom varje lager det passerar – men vi vet ofta inte vilken väg cyklister faktiskt väljer genom staden.
Möjliga tillämpningar av AI i transportsystemet är många. Förutom språkmodeller som stöd i analys och planering finns enorma mängder operativ data: trafikflöden, tidtabeller, beläggning och störningar – data som till exempel kan användas inom kollektivtrafiken. Potentialen är stor, fast i praktiken är det ofta just data som saknas och det är svårt att tillgängliggöra eller samla rätt data utan möjlighet till affärsvinster. Detta leder till att mer fokus läggs på att optimera biltrafik än att optimera cykeltrafik och fokus blir ojämnt fördelad mellan trafikslag.
Det verkligt viktiga: Vad är det vi vill lösa?
Spelar det någon roll att vi inte har fullständig datatäckning? Det beror helt på vad vi faktiskt försöker åstadkomma. Och här är jag ibland tveksam till om vi i transportsektorn egentligen vet det.
Autonoma fordon är ett område som diskuteras intensivt, där AI-modeller är helt avgörande för att tekniken ska fungera. Jag ställer mig frågan: med alla de utmaningar vi står inför (klimat men även mycket annat) är det verkligen där vår fantasi tar slut? Är det mest angelägna användningsområdet för avancerad AI att göra bilar självkörande?
Riskerar vi inte att fastna i ett system där vi optimerar just de delar av transportsystemet som redan är rika på data – snarare än de delar som är mest relevanta för ett hållbart samhälle? Det är baksidan av uttrycket “what gets measured gets managed”. Vi hanterar det som är lätt att mäta, utan att alltid fråga oss om det är det som faktiskt borde prioriteras.
Potential finns
AI har potential att förändra transportsystemet i grunden. Men tekniken i sig gör ingenting på egen hand. Det är våra problemformuleringar, våra värderingar – och inte minst våra data – som avgör vad som blir möjligt att optimera.
Kommer vissa arbetsuppgifter försvinna? Säkert. Och det leder till att roller omstruktureras och att hela värdekedjor förändras. Behovet att förstå, ställa relevanta frågor och se till att vi leder oss i rätt riktning, att vi utforma ett transportsystem utifrån människors behov – det kommer fortsatt vara något som behövs. Vi ska också använda nya verktyg för att stödja oss i rätt riktning och tänk på att en ny värdekedja även innebär nya möjligheter.
