MaaS un AI: kā pilsētas saliek mobilitāti vienā sistēmā

Decembrī pilsētās parasti redz vienu un to pašu ainu: sastrēgumi ap tirdzniecības centriem, pilnas autostāvvietas, pārpildīts sabiedriskais transports, taksometru rindas pie stacijām. Problēma nav tas, ka cilvēki “negrib braukt zaļi”. Problēma ir tā, ka mobilitāte joprojām ir sadalīta pa saliņām — biļete vienā lietotnē, mikromobilitāte citā, vilciens ar trešo noteikumu kopumu, un katram operatoram savi dati.

Tieši tāpēc Mobility-as-a-Service (MaaS) atkal kļūst par centrālu tēmu viedo pilsētu un publiskā sektora digitalizācijas dienaskārtībā. SmartCitiesWorld podkāsta epizodē, kurā Luke Antoniou sarunājas ar Urban Mobility Partnership (UMP) pārstāvi Krisu Pričetu (Chris Pritchett), caur praktisku prizmu izskan trīs lietas: skaidra MaaS definīcija, publiskā un privātā sektora partnerības un digitālā savietojamība.

Šajā ierakstā es to “iztulkošu” mūsu sērijas kontekstā — Mākslīgais intelekts publiskajā sektorā un viedajās pilsētās — un parādīšu, kāpēc MaaS bez datiem un AI bieži paliek par glītu lietotni, bet ar datiem un AI kļūst par pārvaldāmu publisku pakalpojumu.

MaaS nav lietotne. MaaS ir vienošanās par pieredzi un datiem

MaaS būtība nav “viena aplikācija visam”. Būtība ir vienots mobilitātes pakalpojums lietotājam, pat ja fonā darbojas 10 operatori un 3 biļešu sistēmas. Podkāstā Pričets uzsver, ka definīcija ir kļuvusi “šķidra”, un tas nav akadēmisks strīds — tas tieši ietekmē, ko pilsēta iepērk, ko tā regulē un ko iedzīvotājs sagaida.

Praktiska MaaS definīcija, kas strādā publiskajā sektorā:

MaaS ir integrēts mobilitātes piedāvājums, kur plānošana, rezervācija, apmaksa un atbalsts tiek nodrošināts kā viena pieredze, bet dati un atbildības ir sadalītas starp iesaistītajiem.

Kāpēc definīcija ir kritiska pašvaldībai

Ja MaaS tiek saprasts kā “aplikācija”, iepirkums parasti beidzas ar interfeisu. Ja MaaS tiek saprasts kā ekosistēma, tad iepirkumā parādās prasības par:

• datu apmaiņas standartiem (reisu, tarifu, pieejamības, kapacitātes dati),
• identitātes un maksājumu saskaņošanu,
• klientu atbalsta atbildībām,
• pakalpojuma kvalitātes KPI (punktualitāte, pieejamība, atcelšanas, sūdzības),
• drošības un privātuma režīmiem (īpaši, ja tiek izmantots AI).

Šis ir klasisks “AI publiskajā sektorā” jautājums: vai mēs digitalizējam virsmu, vai arī uzbūvējam sistēmu, kas rada pārvaldāmus datus un izmērāmu rezultātu?

Integrācija un savietojamība: kur MaaS satiekas ar AI

Integrācija izklausās garlaicīgi, līdz brīdim, kad saproti efektu: integrācija ir vienīgais veids, kā iedzīvotājam dot reālu alternatīvu privātajam auto. Ja pārsēšanās ir neprognozējama, biļetes nevar nopirkt vienā solī un kavējuma gadījumā nav plāna B, cilvēks izvēlas auto — nevis tāpēc, ka “nemīl sabiedrisko”, bet tāpēc, ka vēlas kontroli.

AI šeit nav dekorācija. AI ir instruments, kas no savietojamiem datiem var izdarīt trīs praktiskas lietas.

1) Multimodāla maršrutēšana ar reāllaika korekcijām

Ja sistēmai ir reāllaika dati (kavējumi, noslodze, satiksmes incidenti, mikromobilitātes pieejamība), AI var ieteikt maršrutu, kas nav tikai “ātrākais”, bet visdrošākais pret nobrukumu.

Konkrēti piemēri, ko pilsētas var prasīt MaaS risinājumam:

• prognozēt pārsēšanās risku (vai paspēs uz reisu),
• automātiski piedāvāt alternatīvu, ja notiek atcelšana,
• ņemt vērā pieejamību (lifts, zems grīdas transports, attālumi starp pieturām),
• optimizēt pēc CO₂ vai gaisa kvalitātes mērķiem noteiktās zonās.

2) Dinamiska kapacitātes un piedāvājuma vadība

MaaS rada redzamību: kur un kad pieprasījums pieaug, kur pārsēšanās “izkrīt”, kur mikromobilitāte tiek izņemta no spēles laikapstākļu dēļ.

AI balstīta analītika ļauj:

• prognozēt pīķus (pasākumi, skolu brīvlaiki, sezonālās plūsmas),
• pārplānot transportlīdzekļus un personālu,
• gudrāk izvietot koplietošanas velosipēdus/skrejriteņus,
• identificēt maršrutus ar augstu latentā pieprasījuma potenciālu.

Decembra kontekstā tas ir īpaši aktuāli: pilsētām ir “pīķu pīķis”, un datu vadīta plānošana ir lētāka nekā haotiska papildreisu likšana pēdējā brīdī.

3) Vienota tarifu loģika un sociālais taisnīgums

Viena no MaaS grūtākajām daļām ir nevis tehnoloģija, bet tarifu saskaņošana. AI var palīdzēt modelēt tarifus un to ietekmi:

• vai integrētā biļete samazina auto braucienus vai tikai pārdala esošos sabiedriskā transporta braucējus,
• kā mainās pieejamība zemāku ienākumu grupām,
• kādas atlaides dot, lai mazinātu sastrēgumus konkrētā laikā/zonā.

Te pilsētai jābūt stingrai: ja publiskais sektors finansē mobilitāti, tad algoritmam jāatbalsta sabiedriskie mērķi, nevis tikai ieņēmumu optimizācija.

Publiskā un privātā sektora partnerības: bez tām MaaS neiziet no pilotēšanas

Podkāstā skaidri izskan UMP perspektīva: partnerības ir kritiskas, lai MaaS pilotprojekti kļūtu par noturīgām shēmām. Es tam piekrītu ar vienu piebildi: partnerības strādā tikai tad, ja pilsēta ir uzrakstījusi spēles noteikumus.

Ko pilsētai nozīmē “laba” MaaS partnerība

Laba partnerība nav “paņemsim platformu no piegādātāja un cerēsim”. Laba partnerība ir līgumu, datu un atbildības arhitektūra.

Pilsētas un valsts iestādes praksē var ieviest šādu minimālo komplektu:

1. Datu koplietošanas politika: kādi dati ir obligāti, kādā kvalitātē, ar kādu latentumu, kādā formātā.
2. Interoperabilitātes prasības: lai MaaS nav piesieta vienam operatoram vai vienam maksājumu risinājumam.
3. Kopējie KPI: ne tikai reisus un pasažierus, bet arī “pārsēšanās veiksmīgumu”, sūdzību laiku, pieejamības rādītājus.
4. Atbildība par klienta pieredzi: kurš risina problēmas, ja ķēdē ir 3 operatori.
5. AI pārvaldība (AI governance): caurskatāmība, auditi, diskriminācijas riski, datu minimizācija.

Vienkāršs princips: privātais sektors var būt ātrs, bet publiskais sektors ir tas, kam jāgarantē taisnīgums un uzticamība.

Kāpēc pēc Covid-19 (un tagad, 2025. gadā) tas atkal ir “logs” rīcībai

Pričets podkāstā runā par iespēju atgūt mobilitātes plānus, pārejot ārā no pandēmijas. 2025. gadā situācija ir nobriedusi citādi: attālinātais darbs ir padarījis pieprasījumu mazāk prognozējamu, bet vienlaikus datu un maksājumu infrastruktūra ir kļuvusi spēcīgāka. Tas nozīmē, ka MaaS vairs nav tikai par “ērtumu” — tas ir par pārvaldību: kā pilsēta vada plūsmas, emisijas un pieejamību ar reāliem instrumentiem.

Ilgtspēja: MaaS strādā tikai tad, ja tas maina uzvedību

MaaS bieži tiek pārdots kā ilgtspējas risinājums, bet realitāte ir stingra: ja MaaS nepadara alternatīvu auto objektīvi vienkāršāku, tas nemainīs uzvedību pietiekamā apjomā.

Tāpēc ilgtspēja MaaS kontekstā nav sauklis, bet dizaina uzdevums:

Kas reāli samazina auto braucienus

• Vienots maksājums (nevis 4 atsevišķi pirkumi).
• Garantēta pārsēšanās vai automātiska pārlikšana uz alternatīvu.
• Integrēta informācija par aizņemtību (cilvēki izvairās no pārpildījuma, ja to redz laicīgi).
• Pirmā/pēdējā kilometra risinājumi (mikromobilitāte + sabiedriskais transports vienā plānā).

Kā AI palīdz ilgtspējai bez moralizēšanas

AI var “pabīdīt” izvēli, nevis nosodīt. Piemēram:

• pēc noklusējuma piedāvāt maršrutu ar zemāku CO₂, ja laika starpība ir minimāla,
• dot cenu stimulus ārpus pīķa laika,
• optimizēt reisu grafikus, lai samazinātu tukšos nobraukumus.

Publiskajā sektorā te ir svarīga robeža: paskaidrojama ieteikumu loģika. Ja iedzīvotājs nesaprot, kāpēc sistēma piedāvā dīvainu maršrutu, uzticība pazūd ātri.

Praktiska “MaaS + AI” ieviešanas kartīte pašvaldībai

Ja jūs strādājat pašvaldībā, ministrijā, plānošanas reģionā vai pie operatora, šis ir īss kontrolsaraksts, ko es izmantotu, lai sarunas par MaaS nepārvērstos tikai par lietotnes dizainu.

90 dienu fokuss: pamati, bez kuriem AI nedos atdevi

• Inventarizējiet datu avotus: grafiki, reāllaiks, tarifi, incidenti, pieejamība.
• Nosakiet “obligātos” datu laukus un kvalitātes sliekšņus.
• Vienojieties par identitātes un maksājumu plūsmu (kas ir “kontrolieris”?).
• Izvēlieties 3 KPI, kas atspoguļo iedzīvotāja pieredzi (ne tikai operatora darbību).

6–12 mēnešu fokuss: no pilotprojekta uz sistēmu

• Ieviesiet savietojamības prasības iepirkumos un atļaujās.
• Izveidojiet AI pārvaldības modeli: audits, monitorings, atbildīgās personas.
• Pielāgojiet tarifus, lai integrācija būtu finansiāli jēdzīga (ar sociāliem drošības tīkliem).
• Sāciet ar vienu koridoru vai zonu, kur var izmērīt efektu (pārsēšanās, kavējumi, auto plūsma).

Mans novērojums: visātrāk rezultātu dod nevis “lielā platforma”, bet vienošanās par datiem + vienots maksājums + pārsēšanās uzticamība.

Kur šis iederas sērijā “Mākslīgais intelekts publiskajā sektorā un viedajās pilsētās”

MaaS ir labs lakmusa papīrs AI izmantošanai publiskajos pakalpojumos. Tas parāda, vai iestāde prot strādāt ar datiem, definēt atbildības un aizsargāt sabiedrības intereses, vienlaikus sadarbojoties ar privātajiem operatoriem.

Ja pilsēta MaaS uztver nopietni, tā iegūst vairāk nekā ērtu maršrutētāju:

• labāku satiksmes plūsmu analīzi un prognozēšanu,
• uz datiem balstītu lēmumu pieņemšanu par grafikiem, tarifiem un infrastruktūru,
• pārskatāmu sadarbības modeli starp publisko un privāto sektoru,
• reālistisku ceļu uz ilgtspējīgu mobilitāti bez piespiedu retorikas.

Nākamais solis ir pavisam konkrēts: izvēlēties vienu pilsētas problēmu (piemēram, pārsēšanās no reģionālā autobusa uz pilsētas transportu), uzlikt tai KPI, sakārtot datus un tikai tad runāt par “AI slāni”.

Pilsētām, kas 2026. gada budžetos plāno viedo pilsētu projektus, šis ir īstais brīdis uzdot sev vienu neērtu, bet produktīvu jautājumu: vai mūsu mobilitātes dati jau ir pietiekami labi, lai AI vispār drīkstētu pieņemt ieteikumus iedzīvotājiem?