Kan AI bruges i fremtidens smarte byer til at fremme bæredygtighed?

Ja, AI kan bruges i smarte byer til at fremme bæredygtighed, men kun når modellerne kobles til målbare bydata, klare klimamål og ansvarlig drift. Den største værdi ligger i bedre beslutninger om energi, trafik, bygninger, vand, affald og luftkvalitet, ikke i teknologien alene.

Hvad betyder en smart by, når bæredygtighed er målet?

En smart by er ikke bare en by med sensorer, apps og digitale skærme. I en bæredygtig smart by bruges data, kommunikationsnetværk og automatiserede systemer til at forbedre byens drift på en måde, der kan måles i lavere ressourceforbrug, bedre service, mindre forurening og højere robusthed over for klimaændringer.

Den praktiske forskel ligger i formålet. Hvis teknologien kun gør eksisterende arbejdsgange hurtigere, er byen digitaliseret. Hvis teknologien hjælper med at styre energi, transport, vand, affald og byplanlægning efter dokumenterede miljømål, nærmer den sig en smart bæredygtig by. AI er et muligt styringslag i denne udvikling, fordi modeller kan finde mønstre i komplekse datasæt og foreslå handlinger, før problemerne bliver synlige i den daglige drift.

Byer er relevante for klimaindsatsen, fordi meget energiforbrug, transport, byggeri og affaldshåndtering samles i byområder. Derfor kan små forbedringer i varmeforbrug, trafikflow, bygningsstyring eller ressourceplanlægning få stor praktisk betydning. AI ændrer ikke dette i sig selv, men kan gøre beslutninger mere præcise, når byen allerede har en tydelig retning.

Hvor kan AI skabe mest værdi i byens klimaindsats?

AI skaber størst værdi i byområder, hvor der findes gentagne beslutninger, store datamængder og tydelige mål. Det kan være tidspunktet for varmeproduktion, styring af trafiklys, prioritering af vedligehold, rutevalg for affaldsbiler eller varsling om dårlig luftkvalitet. Modellen skal ikke bare forudsige noget; den skal kunne føre til en handling, som kan kontrolleres bagefter.

Den fælles pointe er, at AI bør være tæt på et konkret driftsproblem. En generel model uden forbindelse til byens sensorer, geografiske data, serviceaftaler og klimamål vil sjældent give en dokumenterbar bæredygtighedseffekt.

Hvordan arbejder AI med bydata i praksis?

AI i smarte byer bygger typisk på data fra sensorer, energimålere, trafiksystemer, vejrdata, bygninger, vandnet, affaldsbeholdere, kortdata og manuelle registreringer. Dataene samles i platforme, hvor modeller kan opdage mønstre, lave prognoser eller foreslå styring. Det kan være en model, der forudsiger varmebehov seks timer frem, eller en model, der opdager unormale vandtab i et område.

De mest nyttige systemer skelner mellem tre typer arbejde. Først indsamles og renses data, så de kan bruges på tværs af systemer. Derefter analyserer modellen historiske og aktuelle mønstre. Til sidst omsættes resultatet til en beslutning: en alarm, en prioritering, et rutevalg, en anbefaling til planlæggere eller en automatisk justering i et teknisk anlæg.

Dette gør datakvalitet til en del af bæredygtighedsarbejdet. Hvis sensorer er fejlplacerede, hvis data mangler fra bestemte bydele, eller hvis historiske mønstre afspejler skæv service, kan modellen gentage eller forstærke problemet. AI kan derfor ikke behandles som en neutral målemaskine. Den skal testes mod den virkelighed, den skal styre.

Hvad kan AI gøre for energi, varme og bygninger?

Energi er et af de mest oplagte områder, fordi byer har mange systemer, der ændrer sig time for time. AI kan bruges til at forudsige el- og varmebehov, styre ventilation og køling i bygninger, finde unormalt forbrug, planlægge vedligehold og hjælpe forsyningsselskaber med at bruge fleksibelt forbrug bedre. I en by med fjernvarme, sol, vind, elbiler og varmepumper bliver timing en væsentlig del af klimaregnskabet.

En praktisk anvendelse er bygningsstyring. Hvis en skole, et kontor eller et bibliotek har et bygningsstyringssystem, kan AI analysere temperatur, belægning, vejr og energipriser for at undgå unødvendig opvarmning eller køling. Det minder om bredere brug af AI i bæredygtig energiforvaltning, hvor værdien ligger i løbende optimering frem for enkeltstående beregninger.

Effekten afhænger af, om systemet får lov at ændre driften, og om komfort, sundhed og adgang for brugerne stadig er beskyttet. En model kan godt reducere energiforbrug på papiret ved at sænke ventilationen for meget eller flytte belastning til tidspunkter, der ikke passer til brugerne. Derfor skal energibesparelse altid kontrolleres sammen med indeklima, servicekvalitet og faktiske emissioner.

Hvordan kan AI forbedre mobilitet uden at øge trafikken?

AI kan hjælpe mobilitet ved at analysere trafikstrømme, rejsetider, forsinkelser, parkeringsmønstre og belastning på kollektiv transport. Det kan bruges til adaptive trafiklys, bedre ruteplanlægning, prioritering af busser, planlægning af cykelinfrastruktur eller varsling om trængsel. Et lokalt transportsystem kan reagere hurtigere, når data opdateres løbende.

Den bæredygtige gevinst er dog ikke automatisk. Hvis AI primært gør privat bilkørsel hurtigere, kan det øge efterspørgslen efter bilture og modvirke klimaeffekten. Hvis modellen i stedet bruges til at gøre kollektiv transport mere pålidelig, reducere tomgang, samordne varelevering eller styrke gang og cykling, kan den støtte en mere ressourcelet by.

Derfor bør AI-drevet ruteplanlægning vurderes efter byens mobilitetsmål. Den rigtige måling er ikke kun kortere rejsetid. Den bør også omfatte brændstofforbrug, støj, lokal luftforurening, trafiksikkerhed, tilgængelighed og fordeling af gevinster mellem bydele.

Hvordan kan AI hjælpe med vand, affald og luftkvalitet?

Vand, affald og luftkvalitet er områder, hvor AI især kan bruges til overvågning og tidlig varsling. I vandforsyning kan modeller opdage usædvanlige trykfald, forbrugsmønstre eller sandsynlige lækager. I spildevand kan data hjælpe med at forudsige belastning ved kraftig regn. Det kan gøre vedligehold mere målrettet og reducere ressourceforbrug.

Affaldssystemer kan bruge fyldningssensorer, historiske tømningsdata og geografiske forhold til at planlægge ruter og kapacitet. Det kan reducere unødige kørsler og gøre sortering lettere at følge op på, hvis dataene bruges til drift og ikke kun til rapportering. AI kan også hjælpe med billedbaseret sortering på anlæg, men den del kræver særskilt kontrol af fejltyper og materialestrømme. Den bredere vinkel ligner brugen af kunstig intelligens i affaldshåndtering.

Luftkvalitet kræver en anden type forsigtighed. Modeller kan forudsige lokale mønstre ud fra trafik, vejr, industri, terræn og målinger, men de kan ikke erstatte fysiske målepunkter. En model for AI til forudsigelse af luftkvalitet bør derfor bruges som et beslutningsstøtteværktøj, ikke som eneste sandhed om borgernes eksponering.

Hvad er en digital tvilling af en by?

En digital tvilling er en dynamisk digital model af et fysisk system. I en by kan den samle data om veje, bygninger, energiforbrug, forurening, vandløb, skybrud, mobilitet og offentlige services. Når AI kobles på en digital tvilling, kan planlæggere simulere, hvad der kan ske, hvis man ændrer trafikregulering, bygger en ny forbindelse, ændrer varmeforsyning eller forbereder klimatilpasning.

EU-Kommissionen beskriver lokale digitale tvillinger som en central del af arbejdet med smarte byer og fællesskaber. Pointen er, at byer kan afprøve scenarier, før de ændrer den fysiske by. Det gør teknologien relevant for bæredygtighed, fordi fejl i byplanlægning kan være dyre, langvarige og svære at rette, når først veje, bygninger og forsyningsnet er ændret.

En digital tvilling er dog kun så god som dens antagelser. Hvis modellen mangler data om social sårbarhed, brugeradfærd eller lokale flaskehalse, kan den give et teknisk pænt svar på et forkert spørgsmål. Den bør derfor kombineres med faglige vurderinger, borgerinddragelse og test i mindre skala, før større beslutninger træffes.

Hvilke data og målepunkter skal være på plads?

Et AI-projekt i en smart by bør begynde med målepunkter, ikke med modellen. Hvis målet er lavere energiforbrug, skal byen kende sit udgangspunkt, sin målemetode og sin tidshorisont. Hvis målet er mindre trængsel, skal man vide, om gevinsten måles som rejsetid, emissioner, støj, sikkerhed eller adgang til kollektiv transport.

• Baseline: Hvad er det nuværende forbrug, udslip, serviceniveau eller problem?
• Datakilde: Hvilke sensorer, registre eller systemer leverer data, og hvor ofte opdateres de?
• Datakvalitet: Hvor mangler der data, og hvilke bydele eller brugergrupper kan blive underrepræsenteret?
• Beslutningsret: Hvem må handle på modellens forslag, og hvornår kræves menneskelig godkendelse?
• Eftermåling: Hvordan kontrolleres den faktiske effekt efter drift, årstid og ændret brugeradfærd?

Her bliver AI-governance et praktisk spørgsmål. Governance handler ikke kun om politikker, men om hvem der ejer data, hvem der må ændre modeller, hvem der godkender automatiske handlinger, og hvordan fejl opdages. I bydrift kan et lille modelskift påvirke mange mennesker på én gang, så ansvar og dokumentation skal være tydeligt placeret.

Hvilke risici kan gøre teknologien mindre bæredygtig?

AI kan gøre en by mindre bæredygtig, hvis teknologien skaber nye problemer, som ikke indgår i regnskabet. Et trafiksystem kan reducere ventetid for biler, men øge samlet biltrafik. Et overvågningssystem kan give bedre miljødata, men indsamle for mange personoplysninger. En model kan spare energi i én bygning, men kræve datainfrastruktur, integrationer og drift, som samlet set æder gevinsten op.

Der er også risiko for skæv fordeling. Hvis data er bedst i centrale områder, kan modellen prioritere de steder, hvor der allerede er mange sensorer og ressourcer. Hvis historiske servicebeslutninger bruges som træningsdata, kan modellen kopiere gamle prioriteringer. Bæredygtighed i en smart by bør derfor forstås bredt: miljø, robusthed, adgang, gennemsigtighed og social effekt hænger sammen.

• Modeldrift kan gøre en løsning dårligere, når adfærd, vejr, trafik eller bygninger ændrer sig.
• Cyberangreb på bysystemer kan få fysisk betydning, hvis AI er tæt koblet til forsyning eller trafikstyring.
• Leverandørlåsning kan gøre det svært at flytte data, skifte model eller kontrollere resultater uafhængigt.
• Automatisering kan flytte ansvar væk fra de fagpersoner, der forstår byens lokale forhold.

En moden løsning behandler derfor AI som en del af byens risikostyring. Modellen bør have klare grænser, logning, testdata, mulighed for manuel overstyring og en plan for nedlukning, hvis den ikke længere leverer dokumenteret værdi.

Hvordan bør en kommune eller organisation starte?

Den bedste start er et afgrænset problem, hvor effekten kan måles inden for en realistisk periode. Det kan være energistyring i en gruppe bygninger, smartere tømning af affaldsbeholdere, forudsigelse af lokal luftkvalitet eller en digital tvilling til et konkret byudviklingsområde. Et bredt smart city-program uden prioriteret problem bliver hurtigt dyrt og uklart.

1. Beskriv den ønskede bæredygtighedseffekt i almindeligt sprog.
2. Fastlæg baseline og målepunkt, før AI-værktøjet vælges.
3. Undersøg om eksisterende data er tilstrækkelige, lovligt anvendelige og teknisk sammenhængende.
4. Afprøv modellen på et afgrænset område med manuel kontrol.
5. Sammenlign resultatet med en enkel løsning uden AI.
6. Beslut først derefter, om løsningen skal skaleres.

Det sidste punkt er ofte det mest oversete. Hvis en regelbaseret styring, bedre vedligehold eller bedre datadeling løser problemet billigere og mere gennemsigtigt, er AI ikke nødvendigvis det rigtige valg. I en bæredygtig smart by er den bedste teknologi den, der giver dokumenteret effekt med mindst mulig kompleksitet.

Hvad betyder udviklingen for Danmark og EU?

I Danmark er den praktiske relevans især knyttet til fjernvarme, elnet, mobilitet, klimatilpasning, kommunale bygninger, affald og vand. Mange af disse områder er allerede datatunge og drives af offentlige eller forsyningsnære aktører, hvor beslutninger skal kunne forklares. AI kan derfor blive nyttig som beslutningsstøtte, men den skal passe ind i krav om databeskyttelse, indkøb, dokumentation og demokratisk ansvar.

EU-sporet gør udviklingen mere konkret, fordi Kommissionen arbejder med lokale digitale tvillinger, data spaces og fælles værktøjer til smarte byer. Det peger mod en europæisk model, hvor bydata, interoperabilitet og fælles standarder får større betydning end enkeltstående app-løsninger. For mindre byer kan det være afgørende, fordi de sjældent har ressourcer til at opbygge alt fra bunden.

Samtidig er lokal relevans ikke det samme som automatisk udrulning. En løsning, der virker i én by, kan være forkert i en anden på grund af bystruktur, energisystem, datagrundlag, politiske mål og borgernes behov. AI i smarte byer skal derfor oversættes til lokale problemer, ikke kopieres som en færdig pakke.

Hvordan måles om AI faktisk fremmer bæredygtighed?

AI fremmer først bæredygtighed, når effekten kan ses i byens egne målinger. Det kan være lavere energiforbrug pr. kvadratmeter, færre tomgangsminutter, lavere spidsbelastning, mindre vandtab, færre unødige affaldsture, bedre luftkvalitet eller mere robust drift under skybrud og varmeperioder. Målingen skal sammenlignes med en baseline og tage højde for vejr, sæson, befolkningstal og ændret aktivitet.

Der bør også laves et nettoregnskab. AI-modellen bruger strøm, datacentre, sensorer, netværk og driftstid. Hvis løsningen kræver mere infrastruktur end gevinsten kan forsvare, er den ikke bæredygtig i praksis. Det betyder ikke, at små AI-modeller altid er bedre end store, men at ressourceforbrug skal indgå i vurderingen på samme måde som andre driftsomkostninger.

Et solidt målesæt kombinerer tekniske, miljømæssige og sociale indikatorer. Byen bør kunne svare på, hvad der blev forbedret, hvem der fik gavn af det, hvilke nye risici der opstod, og om gevinsten fortsætter efter pilotfasen. Uden den eftermåling bliver AI i smarte byer mest en teknologifortælling. Med eftermåling kan den blive et konkret værktøj til bedre urban drift.

Hvilke kilder ligger til grund?

Artiklen bygger især på ITU’s arbejde med smart sustainable cities, EU-Kommissionens side om smart cities and communities, IEA’s analyse af AI for energy optimisation and innovation og NIST’s AI Risk Management Framework. Kilderne er brugt til definition, tekniske muligheder, energiforbehold, digitale tvillinger og risikostyring.