Nr 3 2026 AVFALL OCH MILJÖ | 39 DIGITALISERING ”Har den här kunden fastighetsnära insamling?” Frågan låter enkel. Men för oss i Lund visade den sig vara förvånansvärt svår att besvara. Generativ AI blev räddaren i nöden, som hjälpte till att utveckla ett kartverktyg som ger full koll. TEXT ALEXANDER RANGOL, RENHÅLLNINGSVERKET LUND VAD SOM ÄR fastighetsnära insamling, FNI, kan variera. En kund kan ha flera anläggningar på olika adresser med olika fraktioner på varje ställe. Ibland finns full sortering, men utspritt över närliggande miljörum som behöver räknas ihop. Ibland delar flera kunder på samma fastighet. Lösningar som sopsug betjänar flera fastigheter. Och så finns tumregeln om max 400 meters promenadsträcka till insamlingen för att det ska räknas som fastighetsnära. Vi hade grunddata i vårt verksamhetssystem, men den var svår att överblicka. En enda kund kunde innebära tjugo rader som behövde sättas ihop till en helhetsbild. Det gick att gräva fram svaren, men det tog tid, det var lätt att missa saker, och det skalade inte till en övergripande bild för alla kunder. AI som programmeringshjälp Här kom AI in, men inte på det sätt man kanske tänker sig. Vi använde AI som kodningsassistent för att bygga ett eget webbaserat kartverktyg. Vi fokuserade på vad verktyget skulle göra och hur rådgivarna jobbar, medan AI:n hjälpte med kodningen. Ingen kunddata har skickats till AI-tjänster, AI:n skrev koden, men läste inte vår data. Resultatet är en interaktiv dashboard över FNI-situationen i Lund. Verktyget kan bland annat visa om en kund har full FNI och via vilka anläggningar, automatiskt identifiera full sortering inom 400 meter via grannanläggningar, visa om flera kunder delar fastighet och om någon redan har lösningen, beräkna veckovolymer per lägenhet mot Avfall Sveriges referensvärden, och jämföra utsorteringsgrad mot liknande kunder. Kartan färgkodar anläggningar efter FNI-status och visar framkomlighet för sopbilar. Eftersom vi byggt det själva kan vi lägga till nya lager allteftersom behoven växer. Nästa steg: AI-driven analys Vi experimenterar också med att integrera AI direkt i verktyget. I en prototypversion tar en AI-funktion kundens kärluppsättning, volymer, fraktioner, intervall, jämför mot referensvärden, och föreslår förbättringar. Det ersätter inte en skicklig rådgivare, men hade kunnat göra grundarbetet på hundratals kundbilder och flagga var insatserna behövs mest. Det här är en prototyp, inte en driftsatt produkt, det finns frågor kring bland annat dataskydd att lösa först. Men tekniken finns, och vi tror den har stor potential. Vad vi lärt oss AI kan redan idag vara praktisk hjälp i FNI-arbetet, inte bara som framtidsvision utan för att bygga de verktyg man behöver. Man behöver inte vänta på färdiga systemköp. Det viktigaste vi gjort är att strukturera en komplex datamängd så att rådgivarna snabbt kan ge korrekta svar. AI var verktyget som gjorde det möjligt. Hur AI hjälpte oss att få grepp om FNI Lunds nya webbverktyg gör det lätt att identifiera var det behövs insatser för fastighetsnära insamling. Samtidigt kan man se hur utsorteringen fungerar i praktiken.
RkJQdWJsaXNoZXIy NDg2ODU=