AI στη συντήρηση λεωφορειολωρίδων: μάθημα από Ραμπάτ

Στις 22/12/2025, ένας δημόσιος φορέας μεταφορών στο Μαρόκο (Rabat Region Mobility Company) βγήκε στην αγορά για κάτι που πολλοί υποτιμούν: συντήρηση και αποκατάσταση υποδομών για μια γραμμή λεωφορείου υψηλού επιπέδου εξυπηρέτησης (τύπου BRT/High Level Bus). Δεν είναι “βαρετό” έργο. Είναι η στιγμή που μια πόλη αποφασίζει αν το σύστημά της θα παραμείνει αξιόπιστο… ή αν θα μπει στον φαύλο κύκλο βλαβών, καθυστερήσεων και παραπόνων.

Για τη θεματική μας σειρά «Τεχνητή Νοημοσύνη στις Μεταφορές και τις Έξυπνες Πόλεις», αυτή η είδηση έχει ιδιαίτερη αξία: δείχνει ότι οι πόλεις που επενδύουν σε σύγχρονες μετακινήσεις αρχίζουν να αντιμετωπίζουν τη συντήρηση ως στρατηγικό κομμάτι της “έξυπνης πόλης”. Και εκεί, η AI στη συντήρηση υποδομών μπορεί να κάνει τη διαφορά — όχι ως μόδα, αλλά ως πρακτικό εργαλείο που μειώνει κοστοβόρες διακοπές και ανεβάζει την αξιοπιστία.

Η πραγματική πρόκληση: «έξυπνη πόλη» χωρίς “έξυπνη” συντήρηση δεν γίνεται

Η απάντηση είναι απλή: οι δημόσιες μεταφορές κρίνονται στην καθημερινότητα. Μπορεί να έχεις νέα οχήματα, ωραίες στάσεις και προτεραιότητα στα φανάρια, αλλά αν η υποδομή (οδοστρώματα, στηθαία, στάσεις, αποστραγγίσεις, σηματοδότηση, αστικός εξοπλισμός) υποβαθμιστεί, το σύστημα χάνει το βασικό του πλεονέκτημα: τη σταθερότητα.

Σε γραμμές τύπου BRT/High Level Bus, η υποδομή «δουλεύει» πιο σκληρά από μια τυπική λεωφορειακή γραμμή:

• Συγκεντρωμένη καταπόνηση σε συγκεκριμένους διαδρόμους
• Υψηλή συχνότητα δρομολογίων (άρα περισσότερος κύκλος φόρτου)
• Κρίσιμα σημεία (στάσεις, διασταυρώσεις, ράμπες, ειδικές λωρίδες)

Αν η συντήρηση γίνεται με το κλασικό μοντέλο “βλέπουμε-και-φτιάχνουμε”, η πόλη πληρώνει διπλά: και σε χρήμα και σε εμπιστοσύνη πολιτών.

Γιατί οι διαγωνισμοί συντήρησης είναι δείκτης ωριμότητας

Ένας διαγωνισμός σαν αυτόν στο τρίγωνο Ραμπάτ–Σαλέ–Τεμαρά δείχνει ότι ο φορέας κινητικότητας αντιλαμβάνεται κάτι κρίσιμο: η υποδομή είναι προϊόν σε συνεχή λειτουργία, όχι έργο που “τελειώνει” με την παράδοση.

Στην πράξη, αυτό ανοίγει τον δρόμο για:

• συμβόλαια με SLA (Service Level Agreements) και μετρήσιμα επίπεδα υπηρεσίας,
• καταγραφή βλαβών με ψηφιακές ροές,
• και (το σημαντικότερο) πέρασμα σε προληπτική/προγνωστική συντήρηση.

Πού μπαίνει η AI: από τα συνεργεία στην προγνωστική συντήρηση

Η ουσία είναι μία: η AI προβλέπει πότε “χαλάει” κάτι πριν χαλάσει. Όχι με μαγεία, αλλά συνδυάζοντας δεδομένα (λειτουργίας, περιβάλλοντος, ιστορικών βλαβών, εικόνας) για να βγάλει πιθανότητες αστοχίας και να προτείνει το σωστό timing παρέμβασης.

Τι δεδομένα χρειάζεται μια πόλη για “AI-driven maintenance”

Δεν χρειάζεσαι τέλειες υποδομές δεδομένων από την πρώτη μέρα. Χρειάζεσαι συνέπεια. Τα πιο χρήσιμα σήματα είναι:

1. Ιστορικό εργασιών: τι έγινε, πού, πότε, κόστος, διάρκεια, υλικά.
2. Δεδομένα κυκλοφορίας/διέλευσης: συχνότητες, φορτία, ώρες αιχμής.
3. Συμβάντα και παράπονα: tickets πολιτών/οδηγών, φωτογραφίες, γεωεντοπισμός.
4. Περιβαλλοντικά δεδομένα: βροχοπτώσεις, θερμοκρασίες, πλημμυρικοί δείκτες.
5. Οπτικά δεδομένα: κάμερες επιθεώρησης, drones, κινητές καταγραφές.

Από εκεί και πέρα, τα μοντέλα μπορούν να τρέξουν σενάρια όπως:

• «Σε ποιες στάσεις εμφανίζονται επαναλαμβανόμενα προβλήματα ολισθηρότητας/φθοράς;»
• «Ποιο τμήμα λωρίδας θα χρειαστεί αποκατάσταση μέσα στις επόμενες 8 εβδομάδες;»
• «Πότε συμφέρει οικονομικά να γίνει μικρή επισκευή αντί να περιμένουμε για μεγάλη;»

Τι κερδίζει ο πολίτης (και όχι μόνο ο προϋπολογισμός)

Αν θες να το μετρήσεις με απλή γλώσσα: λιγότερες εκπλήξεις.

• λιγότερες καθυστερήσεις από έργα “έκτακτης ανάγκης”,
• πιο σταθερούς χρόνους διαδρομής,
• καλύτερη ασφάλεια σε στάσεις/διαβάσεις,
• λιγότερη οχλήση στην πόλη από συνεχείς παρεμβάσεις.

Μια πόλη δεν γίνεται “έξυπνη” με περισσότερα dashboards. Γίνεται με λιγότερες βλάβες.

Έξυπνες προμήθειες: πώς ένας διαγωνισμός μπορεί να «ζητήσει» AI χωρίς να το πει έτσι

Η απάντηση: με σωστές προδιαγραφές και δείκτες. Πολλοί φορείς κολλάνε επειδή γράφουν «ζητείται AI» και μετά δεν ξέρουν πώς να το αξιολογήσουν. Υπάρχει καλύτερος δρόμος.

Προδιαγραφές που οδηγούν φυσικά σε AI

Αν σχεδιάζεις προμήθεια/σύμβαση συντήρησης για λεωφορειολωρίδες, στάσεις και αστικό εξοπλισμό, οι προδιαγραφές που “σπρώχνουν” προς έξυπνη λειτουργία είναι:

• Υποχρεωτική ψηφιακή καταγραφή εργασιών (CMMS/EAM λογική) με γεωεντοπισμό.
• Asset registry: μητρώο υποδομών (στάσεις, ρείθρα, διαγράμμιση, στοιχεία απορροής).
• Χρονικά όρια απόκρισης ανά κατηγορία βλάβης (SLA) και ποινές/μπόνους.
• Δείκτες αξιοπιστίας: επαναληπτικές βλάβες ανά σημείο, μέσος χρόνος αποκατάστασης.
• Απαίτηση για πρόληψη: ετήσιο πλάνο επιθεωρήσεων + τεκμηρίωση κινδύνου.

Με αυτά, ακόμη και χωρίς να αναφέρεις “AI”, δημιουργείς ένα περιβάλλον όπου η προγνωστική συντήρηση έχει νόημα και μπορεί να αποδειχθεί.

KPI που ξεχωρίζουν τους “σοβαρούς” αναδόχους

Για να έχεις μετρήσιμο αποτέλεσμα, οι KPI πρέπει να είναι επιχειρησιακοί, όχι θεωρητικοί:

• MTTR (Mean Time To Repair): μέσος χρόνος αποκατάστασης
• Repeat failure rate: πόσο συχνά ξαναχαλάει το ίδιο σημείο
• Planned vs unplanned work: ποσοστό προγραμματισμένης έναντι έκτακτης εργασίας
• Availability υποδομής: % διαθεσιμότητας κρίσιμων στοιχείων (στάσεις, προσβασιμότητα)

Αν δεις σε ένα συμβόλαιο ότι στοχεύει να μεταφέρει βάρος από unplanned σε planned εργασίες, τότε μιλάμε για σοβαρή προσέγγιση.

Μαθήματα για Ελλάδα: τι σημαίνει αυτό για λεωφορειολωρίδες, BRT και “έξυπνες πόλεις”

Η απάντηση είναι ότι η Ελλάδα έχει ευκαιρία να κερδίσει χρόνο, αρκεί να μην επαναλάβει τα ίδια λάθη: να φτιάχνουμε υποδομές και μετά να τις αφήνουμε να γερνούν χωρίς συστηματική φροντίδα.

Τρεις πρακτικές κινήσεις που θα έκανα αύριο

1. Μητρώο υποδομών σε επίπεδο “βίδας”

   • Κάθε στάση, κάθε ράμπα ΑμεΑ, κάθε τμήμα λωρίδας να έχει κωδικό και ιστορικό.

2. Ενιαία ροή αναφορών (οδηγοί, τεχνικοί, πολίτες)

   • Ένα ticket δεν είναι “παράπονο”. Είναι δεδομένο για προληπτική συντήρηση.

3. Πιλοτικό AI για 2-3 τύπους βλαβών

   • Π.χ. φθορά οδοστρώματος σε στάσεις, δυσλειτουργίες φωτισμού, προβλήματα απορροής.
   • Όχι όλα μαζί. Μικρό scope, καθαρά KPI.

«People Also Ask» σε συσκέψεις δήμων και φορέων

Η AI στη συντήρηση χρειάζεται αισθητήρες παντού; Όχι. Σε πολλές περιπτώσεις, το 80% της αξίας έρχεται από καθαρά ιστορικά εργασιών και σωστή ταξινόμηση βλαβών. Οι αισθητήρες βοηθούν, αλλά δεν είναι προαπαιτούμενο.

Τι γίνεται με την ποιότητα δεδομένων; Θα είναι μέτρια στην αρχή. Αυτό δεν ακυρώνει το project. Το ακυρώνει μόνο αν δεν ορίσεις από την πρώτη μέρα κανόνες καταγραφής (τι συμπληρώνεται, πώς, από ποιον).

Μπορεί να μπει AI μέσα σε πολυετές συμβόλαιο συντήρησης; Ναι, αν η σύμβαση έχει υποχρέωση ψηφιακής τεκμηρίωσης, KPI και μηχανισμό βελτίωσης (π.χ. ανά εξάμηνο αναθεώρηση προληπτικών πλάνων).

Η “έξυπνη πόλη” φαίνεται στις λεπτομέρειες της λειτουργίας

Η είδηση από το Μαρόκο μπορεί να είναι μικρή σε έκταση, αλλά το μήνυμα είναι μεγάλο: όταν μια πόλη οργανώνει διαγωνισμό συντήρησης για κρίσιμη λεωφορειακή υποδομή, χτίζει την αξιοπιστία της για χρόνια. Και όταν αυτή η συντήρηση σχεδιαστεί με δεδομένα και KPI, η μετάβαση σε AI προγνωστική συντήρηση γίνεται φυσικό επόμενο βήμα.

Αν δουλεύεις σε δήμο, φορέα μεταφορών, τεχνική εταιρεία ή τεχνολογικό πάροχο, δες το ως πρόσκληση: η αξία δεν είναι μόνο να “τρέχει” το δίκτυο. Είναι να μην σταματά.

Το επόμενο βήμα για τις ελληνικές πόλεις είναι να αντιμετωπίσουν τη συντήρηση ως μέρος της στρατηγικής των έξυπνων μεταφορών — με διαδικασίες, δεδομένα και AI εκεί που πραγματικά μετράει. Ποιο κομμάτι της υποδομής στη δική σου πόλη θα έπρεπε να περάσει πρώτο σε προγνωστική συντήρηση;