AI i norsk kollektivtransport 2026 ruteoptimering, billettfrafall og passasjerinformasjon
Kollektivselskapene sitter på enorme datamengder fra billettautomater, tellepunkter og GPS-sporing. AI gjør dataene handlingsbare — men omstillingen er tregere enn man skulle tro.
AI i norsk kollektivtransport 2026 — ruteoptimering, billettfrafall og passasjerinformasjon
Norske kollektivselskaper har brukt maskinlæring i etterspørselsprognoser og ruteplanlegging i flere år, men de siste 12 månedene har bruken utvidet seg til sanntidsoptimering, vedlikeholdspredikasjon og passasjerdialog. Gevinsten er reell, men selskapene peker på datakvalitet og organisatorisk endringsvilje som de største hindringene.
Ruteoptimering og etterspørselsprognoser
Ruter i Oslo bruker maskinlæringsmodeller til å estimere passasjervolum på ulike strekninger og tidspunkt. Modellene henter inn data fra billettvalidering, manuelle tellepunkter og sanntids-GPS fra busser og trikker. Formålet er å tilpasse kapasitet — sette inn ekstra avganger eller justere turnusplaner — uten å bruke mer ressurser enn nødvendig.
Lignende arbeid pågår hos Skyss i Vestland og Kolumbus i Rogaland. Vy bruker prediktive modeller til å forutse forsinkelser og informere passasjerer i tide.
Vedlikeholdspredikasjon
En av de mer stille revolusjonene i kollektivtransport er prediktivt vedlikehold. Sensorer i vogner og busser sender data om motortemperatur, bremseslitasje og dørmekanismer. Maskinlæringsmodeller kan oppdage mønstre som varsler om forestående feil — og tillate at kjøretøy tas ut av drift planmessig fremfor akutt.
Oslo sporveier har beskrevet at de jobber med denne typen systemer for T-bane og trikk. Kostnadsgevinsten ved å unngå uplanlagte driftsavbrudd er vesentlig.
"Kollektivselskaper i Norden rapporterer at prediktivt vedlikehold kan redusere uplanlagte driftsavbrudd med 20–35 prosent over en treårsperiode." — kilde: NordForsk-rapport om smart mobilitet, 2024
Passasjerinformasjon og reisehjelp
Chatbot og automatisert passasjerinformasjon er et eget felt. Ruter har hatt chatbot-funksjonalitet på sine plattformer, men kvaliteten har vært varierende. Nyere generative AI-løsninger gjør det mulig å svare på naturlig språk om forsinkelser, alternative ruter og tilgjengelighet — uten at brukeren må navigere kompliserte menyer.
En utfordring er sanntidsintegrasjon: en chatbot som ikke vet om en aktuell forsinkelse er til liten nytte. Teknisk integrasjon mellom AI-lag og sanntids-GTFS-data (General Transit Feed Specification) er ikke trivielt.
Billettfrafall og svart reising
Noen selskaper eksperimenterer med maskinlæring for å identifisere mønstre i billettfrafall — altså reisende som unngår å validere. Automatisk analyse av tellekamera-data kombinert med billettvalideringer kan gi estimater. Dette er et sensitivt område, ettersom det grenser mot overvåking, og Datatilsynet har understreket at kameraovervåking i kollektivtransport krever klart hjemmelsgrunnlag.
Hva det betyr for norske bedrifter og kommuner
Kommuner og fylkeskommuner som bestiller kollektivtjenester bør stille krav om at leverandørene dokumenterer bruk av AI i ruteoptimering og vedlikehold — og hva det faktisk gir av effektiviseringsgevinster. Transparens om modellene og datagrunnlaget er viktig når offentlige midler brukes.
For teknologileverandører er norsk kollektivtransport et krevende, men attraktivt marked: høy digitaliseringsgrad, åpne data (Entur) og politisk vilje til innovasjon.
Slik vurderer vi
Vi baserer innholdet på offisielle priser, leverandørenes egne sider og uavhengige kilder, oppdatert løpende. Vi tjener provisjon på enkelte lenker, men det påvirker ikke vurderingen.