Aizpildām viedo pilsētu prasmju plaisu ar AI palīdzību

Publiskajā sektorā ir neērts paradokss: tehnoloģiju iepirkumi bieži notiek ātrāk nekā cilvēku sagatavošana darbam ar tām. Rezultāts ir pazīstams gandrīz katrai pašvaldībai — sensori ir uzstādīti, datu platforma “ir”, pilotprojekts ir palaists, bet ikdienas lēmumos tas viss dzīvo pārāk klusi. Viedās pilsētas prasmju plaisa nav abstrakta problēma. Tā ir iemesls, kāpēc satiksmes analītika netiek izmantota plānošanā, kāpēc enerģijas pārvaldības paneļi paliek “IT lieta”, un kāpēc iedzīvotāji nejūt ieguvumu.

SmartCitiesWorld podkāsts par viedo pilsētu prasmju trūkumu (ar pilsētu un nozares līderu pieredzi no Stavangeras, Tamperes, Itālijas pašvaldībām un ASV) trāpa precīzi: pilsētas nevar transformēties ar tehnoloģiju vien. Manuprāt, 2025. gada kontekstā ir vēl viens slānis — mākslīgais intelekts. AI publiskajā sektorā var gan paātrināt pakalpojumu uzlabošanu, gan… padarīt prasmju plaisu redzamāku un sāpīgāku, ja to ievieš bez cilvēku, procesu un pārvaldības “mugurkaula”.

Šis ieraksts ir daļa no sērijas “Mākslīgais intelekts publiskajā sektorā un viedajās pilsētās”. Mērķis ir praktisks: parādīt, kā pašvaldības var mērķtiecīgi aizpildīt prasmju trūkumu, izmantojot AI kā palīgu (nevis aizvietotāju), un kā sakārtot vadību, lai viedās pilsētas risinājumi tiešām strādātu ikdienā.

Kāpēc viedo pilsētu prasmju plaisa 2025. gadā kļuvusi asāka

Atbilde īsi: jo viedpilsētu projekti arvien vairāk ir par datiem, drošību un pārmaiņu vadību — nevis par “vienu aplikāciju” vai “vienu sensoru”. AI tikai palielina prasību latiņu.

Pirms dažiem gadiem daudz ko varēja “izvilkt” ar motivētu projektu komandu un piegādātāja atbalstu. Tagad pilsētu infrastruktūra kļūst savienota: satiksmes vadība, sabiedriskais transports, komunālie pakalpojumi, drošība, klientu apkalpošana, ģeotelpiskie dati. Tas nozīmē, ka pieaug nepieciešamība pēc cilvēkiem, kuri prot:

• sasaistīt politikas mērķus ar datiem un KPI (ne tikai “mērīt visu”)
• saprast datu kvalitāti, datu koplietošanu un integrācijas
• ieviest AI atbildīgi (privātums, skaidrojamība, aizspriedumi, audits)
• vadīt ieinteresētās puses (departamenti, kapitālsabiedrības, iedzīvotāji)

Vēl viena realitāte: publiskais sektors konkurē par tiem pašiem datu un AI speciālistiem, par kuriem cīnās privātais sektors, bet ar citām algām, citiem atlases tempiem un stingrākiem iepirkumu noteikumiem. Tāpēc “atrodam 5 datu zinātniekus” bieži nav stratēģija. Tā ir cerība.

Kādas prasmes patiesībā trūkst (un kāpēc ar “IT nodaļu” nepietiek)

Atbilde īsi: visvairāk pietrūkst hibrīdo prasmju — cilvēku, kas saprot gan pilsētas pakalpojumu loģiku, gan datus, gan iedzīvotāju vajadzības.

Podkāsta ideja, ka pārmaiņām vajag “pareizos cilvēkus”, ir jāiztulko konkrētos amatos un kompetencēs. Viedās pilsētas un AI publiskajā sektorā nav tikai inženierija. Tās ir arī pārvaldība.

1) Produkta domāšana publiskajos pakalpojumos

Pašvaldībām bieži trūkst cilvēku, kas spēj pakalpojumu uztvert kā “produktu”: definēt lietotājus, ceļus (journeys), mērījumus, iterācijas. Bez tā AI projekti kļūst par demo.

Praktiska pazīme, ka šīs prasmes trūkst: projekts tiek vērtēts pēc “vai piegādātājs piegādāja”, nevis pēc “vai pakalpojums kļuva ātrāks, taisnīgāks, lētāks”.

2) Datu pārvaldība un datu kvalitāte

AI nevar būt labāks par datiem, uz kuriem tas balstās. Pilsētās dati ir izkaisīti pa sistēmām un kapitālsabiedrībām, definīcijas atšķiras, kvalitāte ir nevienmērīga.

Līdz ar to ir vajadzīgi:

• datu īpašnieki (business owners), ne tikai tehniskie administratori
• vienotas definīcijas (piem., kas ir “sūdzība”, “incident”, “pakalpojuma izpildes laiks”)
• datu pieejamības un piekļuves politika

3) AI riska vadība un ētika (praktiski, ne teorētiski)

Publiskajā sektorā AI kļūdas maksā dārgi reputācijā. Tāpēc prasme “ievērot atbildīgā AI principus” nav jurista pielikums prezentācijā — tā ir ikdienas prakse: testēšana, auditi, dokumentācija, skaidrojumi iedzīvotājiem.

Snippet viedajiem iepirkumiem: “Ja nevaram paskaidrot lēmumu, mēs nevaram to automatizēt.”

4) Iepirkumu un partnerību prasmes

Viedpilsētu projekti bieži izgāžas nevis tehniski, bet līgumiski: neskaidri KPI, datu īpašumtiesības, integrācijas atbildības, uzturēšanas izmaksas pēc pilotprojekta.

Šeit vajag cilvēkus, kas prot pasūtīt rezultātu, nevis “rindas iepirkuma specifikācijā”.

Kur AI palīdz aizpildīt prasmju trūkumu (bez ilūzijām)

Atbilde īsi: AI vislabāk strādā kā spēju pastiprinātājs — automatizē rutīnu, strukturē zināšanas un palīdz pieņemt datu pamatotus lēmumus, kamēr cilvēki saglabā atbildību.

Man patīk vienkāršs princips: AI ir īpaši noderīgs tur, kur pilsētai trūkst laika, nevis tur, kur trūkst atbildības. Atbildība publiskajos pakalpojumos paliek cilvēkiem.

AI kā “otrā līmeņa analītiķis” operatīvajos centros

Pilsētās arvien biežāk veidojas satiksmes, drošības vai komunālo pakalpojumu operāciju centri. AI var palīdzēt:

• apvienot signālus no vairākām sistēmām un izcelt anomālijas
• klasificēt incidentus (piem., ielu apgaismojums, bedres, plūdi, sastrēgumi)
• ieteikt nākamo darbību pēc noteiktiem noteikumiem (runbook)

Tas samazina slodzi uz speciālistiem un vienlaikus rada “apmācību” darbā — darbinieks redz, kāpēc AI iesaka konkrētu rīcību.

AI kā palīgs klientu apkalpošanā (ar stingriem noteikumiem)

Pašvaldību e-pakalpojumi un kontaktcentri bieži cieš no sezonālas slodzes (ziemā – ceļu uzturēšana, rēķini; gada beigās – iesniegumi, atskaites, pabalsti). AI var:

• automātiski šķirot iesniegumus pēc temata un steidzamības
• sagatavot atbildes melnrakstus darbiniekiem
• palīdzēt atrast normatīvo pamatojumu un iekšējās procedūras

Svarīgs nosacījums: “cilvēks cilpā” un skaidri definēti gadījumi, kuros AI nedrīkst atbildēt pats (piem., sensitīvi sociālie jautājumi).

AI iekšējām mācībām: no dokumentu haosa uz zināšanu sistēmu

Prasmju plaisa bieži izskatās šādi: pieredzējis kolēģis zina, kā “lietas notiek”, bet tas nav pierakstīts; jaunais kolēģis mācās lēni; kļūdas atkārtojas.

AI balstīts iekšējais asistents (ar piekļuvi tikai pārbaudītiem dokumentiem) var:

• atbildēt uz “kā mēs darām X?” jautājumiem
• piedāvāt procesu soļus un veidlapas
• palīdzēt sagatavot lēmumu projektus un atskaites

Tas ir tiešs ieguldījums kapacitātes celšanā bez milzīga personāla pieauguma.

Kā pašvaldībai uzbūvēt prasmju programmu, kas iztur realitāti

Atbilde īsi: sāciet ar lomām un rezultātiem, izveidojiet 90 dienu prakses ciklu, un tikai tad paplašiniet ar apmācībām un sertifikātiem.

Apmācības pašas par sevi nav slikta ideja. Problēma ir tā, ka tās bieži nav piesaistītas reālām darba situācijām. Strādā pieeja, kas apvieno mācīšanos, piegādi un pārvaldību.

1) Definējiet 6 kritiskās lomas (nevis “vajag vairāk cilvēku”)

Tipiskai pilsētai vai novadam viedās pilsētas un AI publiskajā sektorā kontekstā pietiek sākt ar šādu kodolu (dažreiz vienā personā apvienojot vairākas lomas):

1. Pakalpojuma īpašnieks (business owner) ar KPI atbildību
2. Datu pārvaldnieks (data steward/owner) ar definīcijām un kvalitāti
3. AI produkta vadītājs (AI use-case lead) ar ieviešanas ceļu
4. Drošības un privātuma koordinators (kopā ar DPO/IT drošību)
5. Iepirkumu/partnerību vadītājs digitālajiem risinājumiem
6. Pārmaiņu vadības cilvēks (komunikācija, apmācības, adopcija)

Ja šīs lomas nav skaidras, AI projekti kļūst par “kopīgu atbildību” — un praksē tas nozīmē “neviena atbildību”.

2) Izveidojiet 90 dienu “use-case sprintu” ar reālu piegādi

Vietā, kur parasti taisa pilotu bez turpinājuma, es ieteiktu citu struktūru:

• 1.–2. nedēļa: problēma, lietotāji, KPI, datu audits (kas ir, kas nav)
• 3.–6. nedēļa: prototips ar reāliem datiem + riska izvērtējums
• 7.–10. nedēļa: testēšana, kvalitātes mērījumi, drošības pārbaudes
• 11.–13. nedēļa: ieviešana darbplūsmā, apmācības, atbalsta modelis

Svarīgi: sprinta rezultāts nav slaidu komplekts. Rezultāts ir darbojošs process, pat ja sākumā neliels.

3) Iebūvējiet atbildīgā AI “kontrolpunktus”

Lai AI publiskajā sektorā būtu uzticams, katram lietojumam jābūt:

• skaidram mērķim (kāds lēmums/pakalpojums uzlabojas)
• datu aprakstam (izcelsme, kvalitāte, aizspriedumu riski)
• skaidrojamībai (ko var paskaidrot iedzīvotājam)
• uzraudzībai (monitorings, kļūdu eskalācija)

Šie kontrolpunkti nav “bremze”. Tie ir veids, kā izvairīties no publiskas kļūdas, kas pēc tam iesaldē inovācijas uz gadiem.

Ko var mācīties no pilsētu pieredzes: vadība un sadarbība kā tehnoloģija

Atbilde īsi: labākie rezultāti rodas tur, kur pilsēta izveido pastāvīgu sadarbības modeli starp departamentiem, nevis dzīvo projektos.

Podkāsta dalībnieku profils (pilsētu vadītāji un nozares eksperti) atgādina vienu vienkāršu lietu: viedā pilsēta ir komandas sports. Un AI to pastiprina.

Praktiski tas nozīmē:

• vienu kopīgu pilsētas datu “valodu” (metadati, definīcijas, katalogs)
• kopīgu prioritāšu portfeli (nevis katram departamentam savs pilots)
• kopīgu arhitektūras un drošības rāmi (lai integrācijas nekļūst par parādu)

Ja gribat ātru lakmusa testu: pajautājiet, cik ilgi prasa pieslēgt jaunu datu avotu analītikai vai AI lietojumam. Ja atbilde ir “mēneši, jo jāiziet cauri piecām struktūrām”, tad prasmju plaisa ir arī procesu plaisa.

Nākamais solis: izvēlieties vienu pakalpojumu un uzlabojiet to mērāmā veidā

Viedās pilsētas prasmju plaisa nav jāaizpilda ar grandiozu programmu no nulles. Tā jāaizpilda ar mērķtiecīgu, atkārtojamu ieviešanas modeli, kur AI palīdz cilvēkiem darīt darbu labāk.

Es ieteiktu sākt ar vienu no trim “augstas atdeves” virzieniem, kur AI publiskajā sektorā parasti dod ātru ieguvumu:

• iesniegumu un sūdzību apstrādes ātrums (klasifikācija, maršrutēšana, melnraksti)
• infrastruktūras uzturēšanas prioritizēšana (anomālijas, darbu plānošana)
• satiksmes plūsmas analīze (modeļi, prognozes, scenāriji)

Un tad — disciplinēti — uzbūvēt ap šo lietojumu lomas, datus, drošību un adopciju.

Domāšanas enkurs 2026. gadam: “Viedpilsēta nav sensori. Viedpilsēta ir spēja konsekventi pieņemt labākus lēmumus.”

Kā jūsu pašvaldībā šobrīd izskatās prasmju plaisa — vairāk trūkst datu cilvēku, pakalpojumu īpašnieku, vai pārmaiņu vadības? Atbilde uz šo jautājumu parasti pasaka priekšā arī to, ar ko sākt.