AI στα δρομολόγια λεωφορείων: μάθημα από την Πολωνία

Στις 22/12/2025 δημοσιεύτηκε ένας διαγωνισμός στην Πολωνία για την παροχή υπηρεσιών δημόσιας συγκοινωνίας με λεωφορεία σε συγκεκριμένες γραμμές μέσα στον Δήμο Lichnowy. Μοιάζει «μικρή» είδηση. Για μένα όμως είναι από τα πιο καθαρά παραδείγματα του πώς η Τεχνητή Νοημοσύνη στις μεταφορές δεν αφορά μόνο μητροπόλεις με μετρό και τεράστια budgets.

Οι μικροί δήμοι και οι ημιαστικές/αγροτικές περιοχές έχουν το πιο δύσκολο πρόβλημα: χαμηλότερη ζήτηση, μεγαλύτερες αποστάσεις, αστάθεια επιβατών (σχολεία, ιατρεία, εποχικότητα) και πίεση να μη «κοπεί» η σύνδεση των οικισμών. Εκεί ακριβώς η AI μπορεί να κάνει τη διαφορά — όχι με εντυπωσιακά demo, αλλά με καλύτερες συμβάσεις, σωστότερη χάραξη δρομολογίων και μετρήσιμη ποιότητα υπηρεσίας.

Τι μας λέει στην πράξη ένας διαγωνισμός λεωφορείων

Ο διαγωνισμός για συγκοινωνία με λεωφορεία σε έναν δήμο όπως το Lichnowy είναι ουσιαστικά ένα ερώτημα πολιτικής και διοίκησης: πώς αγοράζεις “κινητικότητα” με δημόσιο χρήμα.

Δεν αγοράζεις απλώς χιλιόμετρα. Αγοράζεις:

• Αξιοπιστία (να έρχεται το λεωφορείο όταν το χρειάζονται οι κάτοικοι)
• Προσβασιμότητα (σύνδεση με υπηρεσίες, σχολεία, υγεία, εργασία)
• Κάλυψη (να μη μένουν οικισμοί «εκτός χάρτη»)
• Ασφάλεια και ποιότητα στόλου
• Κόστος ανά επιβάτη που να στέκει στον έλεγχο

Κι εδώ μπαίνει η “έξυπνη πόλη” χωρίς να χρειάζεται να είσαι πρωτεύουσα. Η «έξυπνη» πλευρά δεν είναι οι οθόνες. Είναι τα δεδομένα, οι κανόνες απόδοσης, και η συνεχής βελτιστοποίηση.

Από “να βγει το πρόγραμμα” σε “να βγει το αποτέλεσμα”

Οι περισσότεροι δήμοι (και στην Ελλάδα) σχεδιάζουν συγκοινωνία με βάση ιστορικές συνήθειες: «έτσι το κάναμε πέρσι». Το πρόβλημα είναι ότι οι ανάγκες αλλάζουν γρήγορα.

Η σωστή προσέγγιση είναι να περνάς από το ωρολόγιο πρόγραμμα στο επίπεδο υπηρεσίας:

• μέγιστος χρόνος αναμονής,
• πιθανότητα ανταπόκρισης,
• ποσοστό ακρίβειας αναχωρήσεων,
• ελάχιστη κάλυψη για ευάλωτες ομάδες.

Αυτά είναι “μετρήσιμα” και μπορούν να γίνουν ρήτρες μέσα στη σύμβαση.

Πού χωράει η AI σε μια σύμβαση συγκοινωνίας

Η AI δεν είναι ένα κουμπί. Είναι ένα σύνολο εργαλείων που, όταν μπουν σωστά στη σύμβαση και στη λειτουργία, οδηγούν σε καλύτερο αποτέλεσμα για πολίτες και δήμο.

Ο πιο πρακτικός τρόπος να το δεις: η σύμβαση είναι ο μοχλός, η AI είναι η μηχανή βελτιστοποίησης.

1) Πρόβλεψη ζήτησης ανά στάση και ώρα

Η αξία ξεκινά από κάτι απλό: να ξέρεις περίπου πόσοι θα επιβιβαστούν.

Με δεδομένα όπως:

• επικυρώσεις εισιτηρίων ή μετρήσεις επιβατών,
• σχολικά ωράρια,
• τοπικά ιατρεία/υπηρεσίες,
• εποχικότητα (π.χ. αγροτικές εργασίες, τουρισμός),

μοντέλα πρόβλεψης μπορούν να δώσουν ζήτηση ανά χρονικό “slot”. Αυτό επιτρέπει να μην πληρώνεις για άδειες διαδρομές όταν δεν χρειάζονται, αλλά και να μη “σκάει” ο κόσμος από αναμονή στις κρίσιμες ώρες.

2) Βελτιστοποίηση δρομολογίων (route + schedule)

Σε μικρούς δήμους το μεγάλο στοίχημα δεν είναι η συχνότητα τύπου μετρό. Είναι η έξυπνη σύνδεση.

AI/αλγοριθμική βελτιστοποίηση μπορεί να σχεδιάσει:

• διαδρομές που ελαχιστοποιούν κενά χιλιόμετρα,
• ωράρια που πιάνουν ανταποκρίσεις,
• «παράθυρα» εξυπηρέτησης για απομονωμένους οικισμούς,
• σενάρια (χειμώνας/καλοκαίρι, σχολική περίοδος/διακοπές).

Στην Ελλάδα, αυτό είναι κομβικό για περιοχές με διάσπαρτους οικισμούς, όπου κάθε επιπλέον χιλιόμετρο καίει προϋπολογισμό.

3) Δυναμική συγκοινωνία (on-demand) εκεί που δεν “βγαίνει” σταθερή γραμμή

Υπάρχουν γραμμές που, αντικειμενικά, δεν γεμίζουν ποτέ. Αλλά κοινωνικά δεν μπορείς να τις κόψεις.

Η λύση που βλέπουμε όλο και συχνότερα στην Ευρώπη είναι μικτά μοντέλα:

• κορμός με σταθερά δρομολόγια,
• “τελευταίο μίλι” με on-demand μίνι λεωφορείο,
• ενιαία κράτηση/πληροφόρηση.

Η AI εδώ κάνει τη «διανομή» των αιτημάτων σε οχήματα (vehicle routing) με κανόνες: μέγιστη παράκαμψη, μέγιστος χρόνος αναμονής, προτεραιότητα σε ΑμεΑ.

4) Έλεγχος ποιότητας υπηρεσίας με πραγματικό χρόνο

Αν η σύμβαση πληρώνει μόνο χιλιόμετρα, ο δήμος αγοράζει απλώς κίνηση οχημάτων.

Αν η σύμβαση πληρώνει απόδοση, χρειάζεσαι:

• GPS/AVL δεδομένα,
• ακρίβεια αναχωρήσεων,
• ανάλυση καθυστερήσεων ανά τμήμα διαδρομής,
• δείκτες αξιοπιστίας.

Με ανάλυση δεδομένων (και ML) μπορείς να εντοπίσεις μοτίβα: π.χ. «κάθε Τρίτη 07:10 υπάρχει συμφόρηση σε σημείο Χ» και να διορθώσεις πρόγραμμα/διαδρομή. Αυτό είναι “έξυπνη πόλη” στην πράξη.

Μια καλή σύμβαση συγκοινωνίας δεν ζητά “περισσότερα λεωφορεία”. Ζητά λιγότερη αβεβαιότητα για τον πολίτη.

Πώς να σχεδιάσει ένας δήμος “AI-ready” διαγωνισμό λεωφορείων

Αν διαβάσω ανάμεσα στις γραμμές του πολωνικού παραδείγματος, το μήνυμα είναι απλό: ακόμη και ένας μικρός δήμος μπορεί να απαιτήσει επαγγελματισμό. Το θέμα είναι να γράψει σωστά τις προδιαγραφές.

Προδιαγραφές δεδομένων: το σημείο που όλοι υποτιμούν

Η AI χωρίς δεδομένα είναι θεωρία. Για αυτό ο δήμος πρέπει να ζητά ρητά:

• πρόσβαση σε δεδομένα δρομολογίων και πραγματικών διαδρομών (GPS),
• βασικά λειτουργικά δεδομένα (ακυρώσεις, αντικαταστάσεις οχημάτων),
• συγκεντρωτικά στοιχεία επιβατών (χωρίς προσωπικά δεδομένα),
• τυποποιημένη μορφή εξαγωγής (π.χ. αρχεία/αναφορές).

Και κάτι ακόμη: η κυριότητα/δικαίωμα χρήσης των δεδομένων για σκοπούς σχεδιασμού πρέπει να είναι ξεκάθαρη. Αλλιώς, ο δήμος “κλειδώνει” σε έναν πάροχο.

KPI που οδηγούν σε πραγματική βελτίωση

Οι δείκτες απόδοσης πρέπει να είναι λίγοι, καθαροί, και να συνδέονται με πληρωμές/μπόνους.

Ενδεικτικά KPI για δημοτική συγκοινωνία:

• On-time performance (π.χ. αναχώρηση εντός ±3 λεπτών)
• Ποσοστό ακυρώσεων ανά μήνα
• Κάλυψη κρίσιμων μετακινήσεων (σχολεία/υγεία)
• Χρόνος απόκρισης σε βλάβες/αντικαταστάσεις
• Ικανοποίηση επιβατών με σύντομες, επαναλαμβανόμενες μετρήσεις

Το κλειδί είναι να μην τιμωρείς τον ανάδοχο για πράγματα που δεν ελέγχει (π.χ. κλείσιμο δρόμου), αλλά να απαιτείς τεκμηρίωση και προσαρμογή.

Ρεαλιστική ενσωμάτωση “έξυπνων” λειτουργιών

Για να μη γίνει ο διαγωνισμός “επιστημονική φαντασία”, λειτουργεί καλά η κλιμάκωση:

1. Βασική τηλεματική και αναφορές από μήνα 1
2. Πιλοτική βελτιστοποίηση ωραρίων σε 1-2 γραμμές
3. On-demand υπηρεσία σε ζώνη χαμηλής ζήτησης
4. Ενοποίηση πληροφόρησης επιβάτη (ώρες, αξιοπιστία, ενημερώσεις)

Έτσι ο δήμος παίρνει αποτέλεσμα γρήγορα, χωρίς να τινάξει το έργο στον αέρα.

Τι σημαίνει αυτό για την Ελλάδα το 2026

Ο χειμώνας (και ειδικά η περίοδος γιορτών) δείχνει με τον πιο ωμό τρόπο τι πάει στραβά: καθυστερήσεις, περιορισμένη πληροφόρηση, γραμμές που “υπολειτουργούν”, και κάτοικοι που γυρνάνε στο ΙΧ επειδή δεν αντέχουν την αβεβαιότητα.

Η εμπειρία από μικρούς ευρωπαϊκούς δήμους δείχνει τρία πράγματα που αξίζει να υιοθετήσουμε:

1. Η ευφυΐα ξεκινά από τη σύμβαση. Αν δεν ζητήσεις δεδομένα και KPI, δεν θα τα πάρεις ποτέ.
2. Η AI είναι πιο χρήσιμη στη χαμηλή ζήτηση, γιατί εκεί κάθε λάθος δρομολόγιο κοστίζει δυσανάλογα.
3. Η “έξυπνη πόλη” δεν είναι project βιτρίνας. Είναι συνεχής διαδικασία βελτίωσης υπηρεσίας.

Αν δουλεύεις σε δήμο, σε φορέα μεταφορών ή σε εταιρεία που διεκδικεί έργα συγκοινωνίας, εδώ υπάρχει ένα πρακτικό συμπέρασμα: η επόμενη ανταγωνιστική διαφορά δεν θα είναι μόνο η τιμή ανά χιλιόμετρο. Θα είναι η ικανότητα να αποδείξεις, με δεδομένα, ότι παράγεις αξιοπιστία.

Μικρό Q&A που έρχεται πάντα στο τραπέζι

«Χρειάζεται μεγάλος δήμος για να εφαρμόσει AI στη συγκοινωνία;»

Όχι. Μικροί δήμοι έχουν λιγότερη πολυπλοκότητα, άρα μπορούν να κινηθούν πιο γρήγορα. Χρειάζονται όμως σωστές προδιαγραφές και πειθαρχία στα δεδομένα.

«Τι είναι πιο χρήσιμο πρώτο βήμα;»

Τηλεματική + καθαρά KPI + μηνιαίες αναφορές. Μετά έρχεται η βελτιστοποίηση ωραρίων/δρομολογίων.

«On-demand σημαίνει ότι καταργώ τις γραμμές;»

Όχι. Συνήθως δουλεύει ως συμπλήρωμα για περιοχές/ώρες που δεν στηρίζουν σταθερό πρόγραμμα.

Επόμενο βήμα: από την προμήθεια στη στρατηγική κινητικότητας

Στη σειρά «Τεχνητή Νοημοσύνη στις Μεταφορές και τις Έξυπνες Πόλεις» επιμένω σε κάτι: η τεχνολογία αξίζει μόνο όταν κάνει τη μετακίνηση πιο προβλέψιμη για τον πολίτη. Ο διαγωνισμός του Lichnowy είναι μια υπενθύμιση ότι η ποιότητα της δημόσιας συγκοινωνίας χτίζεται στην “κουζίνα” — στο πώς σχεδιάζεις υπηρεσία, πώς την αγοράζεις και πώς την ελέγχεις.

Αν ετοιμάζετε διαγωνισμό, ανανέωση σύμβασης ή ανασχεδιασμό γραμμών, μια συζήτηση γύρω από AI-driven σχεδιασμό δρομολογίων, KPI, και διαχείριση δεδομένων μπορεί να εξοικονομήσει χρήματα και να ανεβάσει την εμπιστοσύνη των κατοίκων.

Ποια γραμμή στην περιοχή σας είναι ο πιο «αδύναμος κρίκος» — και τι θα γινόταν αν την αντιμετωπίζαμε ως πρόβλημα βελτιστοποίησης και όχι ως αναγκαίο κακό;