Det er blitt lett å si at et produkt bruker AI. Det kan bety nesten hva som helst. En chatbot i hjørnet. Et søkefelt som svarer litt smartere enn før. En knapp som oppsummerer en rapport. Alt dette kan være nyttig, men det sier lite om hvorvidt systemet faktisk er bygget for å forstå det brukeren står i.
I brannsikkerhet er den forskjellen avgjørende. Et bygg er ikke en løs tekststreng. Det har historikk, bruk, tegninger, tekniske anlegg, brannkonsept, leverandører, roller, avvik og tiltak som må ses i sammenheng. Når en bruker spør hva som gjelder, er ikke det beste svaret nødvendigvis en pen forklaring. Ofte er det viktigere å vite hvilket dokument svaret bygger på, hvem som har ansvar, hva som er bekreftet, hva som mangler, og hva som bør gjøres videre.
Det er her skillet mellom et AI-lag og et AI-native system blir tydelig. Et AI-lag legges på toppen av et eksisterende produkt. Det kan lese, skrive, forklare og foreslå. Men hvis resten av systemet ikke vet hva som er et avvik, hva som er en oppgave, hvilken rolle brukeren har, eller hvilket faglig grunnlag som er styrende, blir AI-en fort en flink assistent uten nok kontekst.
Et AI-native system starter et annet sted. Det bygges rundt at informasjon skal forstås, kobles og brukes. AI-en skal ikke bare svare. Den skal hjelpe systemet å sortere dokumentasjon, finne hull, foreslå neste steg og vise hva som må bekreftes av mennesker eller fagpersoner. OECD beskriver et AI-system som et maskinbasert system som, ut fra input, kan generere for eksempel anbefalinger, beslutningsgrunnlag eller innhold som kan påvirke digitale eller fysiske miljøer. Det er en nyttig definisjon, men i sikkerhetsdomenet er det bare starten på spørsmålet.
For når anbefalinger kan påvirke hvordan et bygg følges opp, må systemet tåle mer enn gode formuleringer. Det må skille mellom generelle råd og konkret grunnlag. Det må vite forskjellen på en rutine som er dokumentert, en rutine som bare er antatt, og en rutine som burde vært fulgt opp for lenge siden. Det må også gjøre det tydelig når noe er usikkert.
Det er derfor FireHub ikke skal fremstå som en AI som “godkjenner” bygg. Det ville vært feil retning. FireHub skal heller være et system som gjør grunnlaget synlig, organiserer arbeidet og hjelper mennesker å ta bedre beslutninger. Branningeniørens vurdering, brannkonseptet, dokumentasjonen og de praktiske forholdene i bygget må fortsatt ha sin plass. AI-en skal støtte dette hierarkiet, ikke late som det ikke finnes.
Den største verdien ligger kanskje i noe langt mindre spektakulært enn mange forbinder med kunstig intelligens. Den ligger i at viktig informasjon ikke forsvinner når en styreleder byttes ut, en vaktmester slutter, en leverandør skiftes eller en leietaker bygger om lokalene. Kompetansen om hvordan systemet skal brukes, og hva bygget faktisk trenger, blir værende i strukturen.
Det gjør også brukeropplevelsen annerledes. I tradisjonell programvare må mennesker lære seg hvor ting ligger. I et AI-native system bør de kunne spørre, forklare, laste opp og bekrefte. Systemet bør kunne si: Dette har vi. Dette mangler. Dette er uklart. Dette bør du sjekke med fagperson. Dette er neste naturlige steg.
For FireHub handler AI derfor ikke om å gjøre brannsikkerhet magisk. Det handler om å gjøre den mer sporbar, mer forståelig og lettere å følge opp. I en bransje der mye ansvar ligger hos mennesker som ikke er branneksperter, kan det være forskjellen på at dokumentasjon bare finnes, og at dokumentasjonen faktisk blir brukt.
