AI i broen: Navigation, hvaler og sikker grøn sejlads

I de seneste år har vi talt meget om grøn omstilling og AI i dansk shipping og maritim industri. Men en afgørende brik overses ofte: hvordan vi bruger data og kunstig intelligens til at beskytte det havmiljø, vi sejler i – uden at gå på kompromis med sikkerhed, drift og økonomi.

Et aktuelt eksempel internationalt er integrationen af hval-kollision varsling direkte i navigationssoftware, hvor miljødata, AIS, sensorer og AI kombineres for at reducere risikoen for kollision mellem skibe og store hvaler. Selvom casen kommer udefra, rummer den nogle meget konkrete perspektiver for danske rederier, havne og teknologileverandører.

I dette indlæg ser vi på, hvordan AI-drevet navigationssoftware kan bruges til at forebygge dyrelivskollisioner, øge sikkerheden og samtidig støtte den grønne omstilling i dansk shipping. Vi kobler det til bredere tendenser inden for e-navigation, flådestyring og regulering – og giver bud på, hvordan du kan komme i gang i din egen organisation.

Hvorfor hval-kollisioner er et AI-problem – ikke kun et miljøproblem

Når vi taler om kollisioner mellem skibe og hvaler, lyder det måske som et nicheproblem, der mest vedrører bestemte ruter i Nordamerika eller Stillehavet. Men set gennem en dansk maritim linse er casen interessant af tre grunde:

1. Regulering og omdømme: Internationale krav til miljøbeskyttelse skærpes løbende. Rederier, der proaktivt kan dokumentere brug af avancerede værktøjer – fx AI-baseret risikovarsling – står stærkere både regulatorisk og kommercielt.
2. Data og sikkerhed: De teknologier, der bruges til at undgå hvaler, kan også bruges til at undgå andre farer: is, drivgods, lavvandede områder, fiskeriudstyr eller tæt trafik i trange farvande.
3. Grøn shipping og effektivitet: Når rutevalg optimeres ud fra både sikkerhed, brændstof og miljøhensyn, bliver AI et centralt værktøj i at balancere tid, CO₂ og risiko.

Med andre ord: Hvalerne er kun ét konkret eksempel på, hvordan AI i navigation gør os i stand til at se mere, forudse mere – og træffe bedre beslutninger på broen og i rederiets operationscenter.

Sådan fungerer AI-baseret hval- og risikovarsling i navigation

Selvom den konkrete løsning i den oprindelige nyhed handler om integration mellem en miljøorganisation og en teknologileverandør, følger de fleste systemer samme grundprincipper. Det er de principper, danske aktører kan lade sig inspirere af.

Datakilderne: Mere end bare et elektronisk søkort

En moderne, AI-understøttet navigationsløsning trækker typisk på flere datakilder samtidig:

• AIS-data: Positioner, kurs og fart for eget skib og andre skibe i området.
• Miljø- og biodiversitetsdata: Kendte migrationsruter for hvaler, historiske observationer, beskyttede områder, havtemperatur m.m.
• Hydrografiske data: Dybder, bundforhold, sejlrender og begrænsninger.
• Vejr- og strømdata: Vind, bølger, strømforhold, sigtbarhed.
• Sensorer ombord: Radar, sonar/ekkolod, kameraer og eventuelt akustiske sensorer.

AI-laget ligger oven på disse datakilder og er trænet til at genkende mønstre, der indikerer øget risiko.

Fra data til beslutningsstøtte på broen

For besætningen handler det ikke om algoritmer, men om beslutningsstøtte, der er:

• Tidsnær: Informationer opdateres i realtid eller tæt på.
• Forståelig: Varsler og anbefalinger vises direkte i det eksisterende navigationsdisplay (fx på ECDIS eller et maritimt navigationssystem), ikke i endnu et side-system.
• Handlingsorienteret: Systemet foreslår fx nedsat fart, ændret kurs eller alternativ rute.

Et eksempel på en AI-baseret workflow i broen kunne være:

1. Systemet identificerer, at skibet nærmer sig et område med høj sandsynlighed for hvaler baseret på historiske observationer og årstid.
2. AIS-, vejr- og strømdata viser, at der findes alternative ruter inden for en vis tolereret ekstra sejltid.
3. AI’en beregner forskellige scenarier: nuværende kurs, kurs med nedsat fart, alternativ rute – vurderet på sikkerhed, brændstofforbrug og ETA.
4. Navigatøren modtager en klar anbefaling på skærmen, inkl. konsekvens for ETA og potentielt brændstofforbrug.

Beslutningen træffes stadig af mennesket – men på et bedre grundlag.

Hvad kan danske rederier og havne lære af det?

Selvom Danmark ikke har de samme hvalkorridorer som fx Canada eller USA, er logikken bag AI-varsling direkte relevant for danske farvande og Nordatlanten, hvor danske rederier er aktive.

Overførsel til danske forhold

Tilsvarende AI-baserede varslings- og optimeringsløsninger kan bl.a. bruges til:

• Undgåelse af særligt sårbare naturområder i indre danske farvande, hvor støj og sejlads kan påvirke havpattedyr og fugleliv.
• Dynamiske hastighedsreduktioner i tætte trafikområder (fx Øresund, Storebælt, Limfjorden) for at kombinere sikkerhed, mindre støj og lavere brændstofforbrug.
• Kollision- og grundstødningsforebyggelse ved at kombinere AIS, dybdedata og historik over hændelser i fx snævre løb.
• Is- og vejrbaseret ruteoptimering på Nordatlantiske ruter mod Færøerne og Grønland.

Dette passer direkte ind i temaet AI i dansk shipping og maritim industri, hvor målet ikke kun er automatisering, men smartere, sikrere og grønnere drift.

Samspillet mellem bro, land og regulering

For at få reel effekt skal AI-løsninger i navigation ikke leve isoleret på broen. De bør kobles til:

• Flådestyringssoftware på land: Operationsafdelinger kan definere politikker – fx maksimum tilladt støj i bestemte områder, eller hvornår tid går forud for brændstofbesparelse.
• Compliance og dokumentation: Logning af, hvordan varsler er håndteret, kan bruges over for myndigheder, kunder og klasseselskaber.
• CSR og rapportering: Data kan indgå i ESG-rapportering og dokumentere proaktive tiltag for biodiversitet og havmiljø.

For danske rederier, der allerede arbejder med CO₂-rapportering, er det oplagt at tænke biodiversitet og støj ind som de næste trin – med AI som en nøglekomponent.

Teknologiunder motorhjelmen: AI, e-navigation og flådestyring

Når vi taler om AI i navigation, er det nyttigt at skelne mellem tre lag: data, algoritmer og integration.

1. Datagrundlaget: Kvalitet før kvantitet

Et AI-system er kun så godt som de data, det fodres med. For maritime AI-løsninger betyder det bl.a.:

• Rensede og validerede AIS-data
• Opdaterede dybdedata og farvandsafmærkninger
• Kalibrerede sensorer ombord (radar, ekkolod, kamera)
• Troværdige miljø- og vejrdata

En praktisk anbefaling til danske rederier er at starte med en datainventering: Hvilke datakilder har vi i dag? Hvor ligger de? Hvad er kvaliteten? Kan de tilgås via API’er eller standarder som S-100/S-102 i fremtidens e-navigation?

2. AI-laget: Fra simple regler til avancerede modeller

AI i maritim navigation spænder fra simple regelmotorer til avanceret maskinlæring:

• Regelbaseret logik: Fx “nedsæt fart til X knob i område Y i tidsrum Z”.
• Maskinlæring: Modeller, der lærer mønstre over tid, fx hvor tæt skibe typisk sejler på bestemte ruter, eller hvornår der historisk har været nærved-hændelser.
• Prediktive modeller: Forudser risiko for kollision, grundstødning eller miljøpåvirkning flere timer eller dage frem.

For mange danske aktører vil en pragmatisk tilgang være at starte simpelt (regler + grundlæggende ML) og gradvist øge kompleksiteten, efterhånden som datagrundlaget og erfaringen bliver bedre.

3. Integration i eksisterende systemer

Teknologien lykkes først, når den opleves som en naturlig del af arbejdsgangen for navigatører og operationsmedarbejdere. Det kræver:

• Integration i eksisterende navigationsdisplays og flådestyringssystemer
• Enkelt og konsekvent brugerinterface
• Træning og sikkerhedskultur, hvor AI ses som støtte – ikke erstatning

For både værfter, udstyrsproducenter og softwarehuse i Danmark ligger der et klart forretningspotentiale i at levere mere integrerede, AI-understøttede løsninger fremfor enkeltstående “gadget”-systemer.

Sådan kommer du i gang: Konkrete næste skridt for danske aktører

AI i shipping starter sjældent med et stort “månelandingsprojekt”. De mest succesfulde cases kommer ofte fra små, fokuserede pilotprojekter med tydelig forankring i driften.

Trin 1: Vælg et konkret problem

I stedet for at “implementere AI” bredt kan du vælge et enkelt fokusområde, fx:

• Risikovarsling i et specifikt farvand
• Automatisk anbefaling af fart og rute på en udvalgt linje
• Forudsigelse af nærved-kollisioner omkring en havn eller terminal

Jo mere konkret, jo nemmere er det at måle effekt og få besætning og ledelse med ombord.

Trin 2: Saml de nødvendige data

Kortlæg, hvilke data der skal bruges, og hvor de kommer fra:

• Hvilke sensorer og systemer ombord skal kobles på?
• Hvilke eksterne datakilder (vejrtjenester, miljødata, dybdedata) skal integreres?
• Hvordan skal data lagres og beskyttes i forhold til IT-sikkerhed og GDPR?

Her kan samarbejde med teknologipartnere og eventuelt forskningsmiljøer være en genvej.

Trin 3: Byg og test en prototype

Start med en begrænset pilot:

• Udvælg 1-3 skibe og én rute eller ét havneområde
• Implementér AI-baseret varsling eller optimering i navigations- eller flådestyringssoftwaren
• Inddrag brugerne tidligt – både navigatører, skibsførere og operations

Mål på konkrete nøgletal, fx:

• Antal risikovarsler og hvordan de håndteres
• Ændring i brændstofforbrug på udvalgte strækninger
• Eventuelle reduktioner i hastighed i sårbare områder

Trin 4: Skaler og koble til den grønne og sikre forretningsmodel

Når en løsning virker i lille skala, kan den:

• Udrulles til flere skibe og ruter
• Integreres tættere i rederiets politikker for sikkerhed, miljø og CSR
• Bruges aktivt i dialogen med kunder, myndigheder og finansielle partnere

På den måde bliver AI i navigation ikke et IT-projekt, men en del af kernen i rederiets grønne og sikre forretningsmodel.

Perspektiv: AI som bro mellem sikkerhed, miljø og forretning

Casen med AI-baseret hval-kollisionsvarsling viser, at navigation ikke længere kun handler om at undgå grundstødning og holde tidstab nede. I 2025 og frem er navigation også et spørgsmål om biodiversitet, støj, emissioner – og dokumentation af, at man tager ansvar.

For den danske maritime sektor betyder det, at AI i navigation, flådestyring og havneoperationer vil blive en stadig vigtigere konkurrenceparameter. I denne serie om AI i dansk shipping og maritim industri har vi set, hvordan de samme teknologiske byggesten går igen: data, prediktive modeller, automatisering og integration.

Næste skridt er at omsætte teknologien til praksis: vælge konkrete use cases, bygge små pilotprojekter og lade erfaringerne drive skalering. Spørgsmålet er derfor ikke længere, om AI skal bruges i din navigations- og sikkerhedsstrategi – men hvor du starter, og hvor hurtigt du tør gå frem.

Hvis du i dag sidder med ansvar for flådestyring, sikkerhed, bæredygtighed eller IT i en dansk maritim virksomhed, er det nu, du skal stille spørgsmålet:

Hvilken konkret del af vores sejlads kunne allerede næste år være sikrere, grønnere – og mere konkurrencedygtig – med AI i broen?