Havtil arrangerte 28. oktober 2025 et arbeidsmøte med deltakere fra myndigheter, operatører og leverandører i petroleumsvirksomheten. Målet var å diskutere hvordan kunstig intelligens (KI) kan forbedre læring etter hendelser. Representanter fra HSEQ, drift, IT og data/AI viste stort engasjement og kom med verdifulle innspill som gir grunnlag for videre arbeid på området.
Havtil sitter på store datamengder, men den mest relevante informasjonen for å finne rotårsaker ligger i selskapenes egne granskningsrapporter og interne hendelsesrapporter. Utfordringen er at denne kunnskapen er fragmentert på tvers av organisasjoner og fagområder.
Å dele læring kan dermed resultere i informasjonsoverbelastning der enkeltpersoner ikke klarer å lese alt, og selv om de gjør det, er det vanskelig å huske og konsolidere informasjonen senere.
Behov for felles taksonomi
En gjennomgående tematikk i arbeidsmøtet var behovet for en felles taksonomi som kan gi industrien et felles språk for årsaksforståelse. Dette er avgjørende for å kunne lære effektivt på tvers av organisasjoner og fagområder.
Taksonomi
Vitenskapen om klassifisering og systematisering av informasjon. I denne konteksten handler det om å etablere et felles språk og rammeverk for å klassifisere hendelser og medvirkende årsaker på en konsistent måte på tvers av ulike selskaper og organisasjoner.
Et standardisert rammeverk kan gi flere fordeler:
- Interoperabilitet: Hendelsesdata fra ulike systemer kan kobles sammen og analyseres på en konsistent måte.
- Bedre læring på tvers: Når årsaksfaktorer og medvirkende elementer beskrives med et felles språk, kan trender og mønstre identifiseres på tvers av organisasjoner og domener.
- Effektiv bruk av KI: KI-modeller trenger struktur og kontekst for å gi pålitelige resultater og redusere risikoen for feilklassifisering og «hallusinasjoner».
- Fleksibilitet for selskapene: Bedriftene kan beholde sine interne klassifikasjoner, men disse bør kunne mappes til den felles taksonomien.
Dette er ikke bare et teknisk spørsmål, men et strategisk grep for å bygge et felles læringsøkosystem som gjør industrien mer robust og proaktiv.
Slik kan KI bidra
DNV presenterte et KI-verktøy utviklet i et prosjekt for Havtil i 2024. Verktøyet demonstrerer hvordan kunstig intelligens kan håndtere prosessen med å konvertere ustrukturert eller semi-strukturert data til strukturert og kontekstualisert data.
Erfaringer fra DNV/Havtil-prosjektet viser at når man strukturerer kunnskap og begreper på en systematisk måte, og kombinerer dette med tydelige rammer, får man bedre svar fra KI-modellen. Ved å definere hvordan ulike begreper henger sammen, får KI-en bedre forståelse og kan svare mer presist – fremfor kun å basere seg på rådata. Resultatet blir en database som ikke bare er organisert, men som også inneholder forklaringer på sammenhengene mellom informasjonen.
Løsningen kan være å trekke ut nøkkeldata som konsekvens, årsaksfaktor og tiltak. I denne prosessen anonymiseres data, slik at læring kan deles uten å dele hele datasett. Resultatet blir et felles læringsøkosystem som kan brukes både reaktivt til å analysere tidligere hendelser og trender, og proaktivt til å oppdatere styrende dokumentasjon og prosesser som kan forbedre planleggingen av nye arbeidsaktiviteter.
Kvalitet og tillit
Felles for de fleste aktørene som deltok i møtet var at erfaringer ved bruk av KI viser at man ikke alltid kan stole på resultatet, eller at det ikke er sporbart. Ønsket om å øke kvaliteten til KI var delt av alle.
Havtil tok opp generelle utfordringer og risiko som industrien har erfart, inkludert feil eller skjevheter i treningsdata, utdaterte data, resultater basert på «hallusinasjoner», uforklarlige resultater og ugjennomsiktige prosesser, mangelfull dokumentasjon, sårbarhet for manipulasjon, og manglende klassifisering av undersøkelser.
Et viktig poeng ble understreket: Datakvalitet er grunnlaget. Uten gode data gir KI dårlige resultater. Generelt brukes KI mest til å øke effektiviteten i kontorarbeid eller som støtteverktøy der mennesket tar den endelige beslutningen.
Hindringer
Gruppediskusjonen identifiserte flere barrierer som kan hindre realisering av et felles læringsøkosystem.
Disse barrierene er både tekniske, organisatoriske og kulturelle:
- Datadeling er en utfordring fordi mange selskaper er tilbakeholdne med å dele detaljerte hendelsesdata på grunn av juridiske, konkurransemessige og sikkerhetsmessige hensyn. Uten en robust mekanisme for anonymisering og klare retningslinjer for bruk, vil datadeling forbli vanskelig.
- Datakvalitet er kritisk, da KI og avanserte analyser kun er så gode som datagrunnlaget. Ufullstendige, inkonsistente eller feilklassifiserte data reduserer verdien av felles læring. Standardisering av begreper og strukturer er avgjørende for å sikre kvalitet.
- Ressursbegrensninger kan være en barriere. Implementering av nye systemer, taksonomier og ontologier krever tid, kompetanse og investeringer. Mindre aktører kan ha begrenset kapasitet til å delta fullt ut i slike initiativer.
- Tillit til KI-resultater er fortsatt en utfordring, spesielt når resultatene oppleves som «svart boks». Transparens, sporbarhet og validering av KI-modeller er nødvendig for å bygge tillit.
- Flere selskaper har allerede egne klassifikasjoner og rammeverk, som «Life Saving Rules». Dette kan skape motstand mot endring. Løsningen er ikke å erstatte interne systemer, men å etablere en felles taksonomi som fungerer som et «oversettelseslag» slik at ulike klassifikasjoner kan kobles til et felles sett.
Veien videre
Det er Havtils inntrykk og forhåpning at arbeidsmøtet har gitt kunnskap og inspirasjon til videre arbeid med å få til bedre læring fra hendelser, inkludert bruk av KI, og at dette jobbes med i den enkelte bedrift og andre samarbeidsfora. Det ble ikke identifisert konkrete videre aktiviteter.