Det finns ett gammalt talesätt inom datavetenskap som går tillbaka till de tidigaste stordatorerna. Garbage in, garbage out. Det betyder att en maskin bara kan fungera med det du ger den, och om du matar den med felaktig information kommer den att ge dig felaktiga svar med fullständig tillförsikt. Den principen har aldrig varit viktigare än nu, när artificiell intelligens börjar dyka upp i de verktyg vi använder för att designa, installera och inspektera brandskyddssystem. Tekniken är imponerande. Data under den avgör allt.

Varför datakvalitet är viktig inom brandskydd

Brandskydd är en disciplin som bygger på att få detaljerna rätt. En designproffs som dimensionerar ett system enligt NFPA 13 arbetar utifrån en kunskapsbas som har testats mot verkliga bränder, verkliga fel och verkliga förluster av människoliv. När vi ber ett AI-verktyg att hjälpa till med det arbetet ber vi det att använda den information det tränades på. Om informationen är aktuell, korrekt och grundad i de koder vi faktiskt använder, kan verktyget vara till verklig hjälp. Om det är föråldrat, ofullständigt eller hämtat från overifierade hörn av internet, blir verktyget en källa till tysta, säkra fel. Och säkra fel är den farligaste typen i en livsäkerhetsapplikation.

Vad datakvalitet betyder för AI i livsäkerhetssystem

Tänk på vad "datakvalitet" egentligen betyder i vår värld. Det betyder att standardens utgåva spelar roll. En modell som tränats på en ersatt utgåva av NFPA 13 kan citera avståndsregler eller riskklassificeringar som inte längre gäller. Det betyder att källan spelar roll. Vägledning hämtad från en tillverkares installationsmanual har en annan vikt än en kommentartråd på ett forum, men ett AI-system som inte kan se skillnaden kommer att behandla båda som lika sanna. Det betyder att kontexten spelar roll. En regel som är korrekt för en lätt riskfylld lagring kan vara fel, till och med farlig, när den tillämpas på ett lagringsarrangemang som den aldrig var avsedd att täcka. Maskinen känner inte till skillnaden om inte data lärde den skillnaden.

Hur NFPA och NFSA bygger AI på auktoritativa källor

Det är här branschen börjar göra något värt att lägga märke till. NFPA och NFSA har börjat bygga AI-verktyg baserade på auktoritativa källor snarare än den öppna webben. NFPA beskriver sin CASI-assistent, lanserad i NFPA LiNK, som ett svar som användare kan lita på eftersom den är baserad på officiellt NFPA-innehåll och returnerar citat till de källtexter den förlitade sig på (NFPA, 2026). NFSA har gått en liknande väg med sitt Chat EOD-verktyg för ingenjörs- och designfrågor. När ett verktyg hämtar sina svar från den faktiska mängden koder och standarder ökar kvaliteten på inputen kraftigt, och outputen blir något som en professionell person kan börja arbeta med. Den förankringen är hela poängen. Det är skillnaden mellan ett verktyg som gissar och ett verktyg som resonerar utifrån samma dokument som du skulle sträcka dig efter i hyllan. Värdet av dessa ansträngningar är inte att de drivs av AI. Värdet är att någon var noga med vad som låg till i dem.

Hallucinationsproblemet när data är dålig

Jämför det med vad som händer när datainnehållet är bristfälligt. En allmän modell, som ställs med en brandskyddsfråga, ger ofta ett svar som låter auktoritativt och är lättläst. Den kan referera till en standard vid namn. Den kan använda rätt ordförråd. Och den kan vara fel på sätt som bara en erfaren yrkesperson skulle upptäcka. Detta är hallucinationsproblemet, och det är inte ett ovanligt fel. Det är ett förutsägbart resultat av att be ett system att tala bortom vad dess data kan stödja. Systemet ljuger inte. Det har inget uppfattningssätt om sanning. Det sätter ihop ett rimligt svar från mönster, och när de underliggande mönstren är tunna eller bristfälliga, är svaret också tunt eller bristfälligt, förklätt i ett flytande språk som döljer gapet. Juristkåren fick veta detta offentligt när två advokater lämnade in en domstolsansökan byggd på fall som ett AI-verktyg hade uppfunnit, och domaren godkände dem för det (Mata v. Avianca). De påhittade citaten såg verkliga ut. De existerade helt enkelt inte.

Professionellt ansvar och vårdstandarden

Insatserna gör detta till mer än bara en teknisk kuriosa. Inom vårt område stannar inte ett misstag kvar på skärmen. Det blir en design som stämplas, ett system som installeras, en byggnad som tas i bruk. Den ansvarige experten som förseglar en ritning tar professionellt ansvar för den, och inget AI-verktyg delar det ansvaret. Om data som matade verktyget var skräp, äger experten fortfarande resultatet. Det är en tankeväckande tanke, och den borde forma hur var och en av oss närmar oss dessa verktyg. Vi är ansvariga för vad vi producerar, vad som än hjälpte oss att producera det.

God praxis för att använda AI-verktyg inom brandskydd

Så hur ser god praxis ut när dessa verktyg anländer? Det börjar med att veta var svaret kommer ifrån. Ett verktyg som kan visa sina källor, citera den faktiska standarden och hänvisa dig till det avsnitt det förlitade sig på är mycket mer användbart än ett som bara påstår. Det fortsätter med verifiering. Varje utdata från ett AI-system bör kontrolleras mot den styrande koden på samma sätt som du skulle kontrollera en junior kollegas arbete, eftersom det i huvudsak är vad du gör. Och det beror på omdöme, det slag som kommer från åratal av arbete, som låter en erfaren designer känna av när ett svar känns fel redan innan de kan säga varför. Den instinkten är inte något som maskinen kan ersätta. Det är den sista försvarslinjen när informationen sviker oss.

Datakvaliteten avgör om AI skyddar liv

Inget av detta är en anledning att vända sig bort från tekniken. Verktygen som är baserade på auktoritativa källor visar redan vad noggranna data kan göra, och de kommer att bli bättre. Poängen är enklare och äldre än någon av dem. Ett verktyg är bara så bra som vad du lägger i det. Inom de flesta områden är ett dåligt svar en olägenhet. Inom vårt kan det försätta människor i riskzonen. Det är därför datakvalitet inte är en bakgrundsfråga för vår profession. Det är den oro som avgör om dessa verktyg hjälper oss att skydda liv eller i tysthet undergräver den vårdstandard vi har ägnat årtionden åt att bygga upp.

Maskinerna kommer att fortsätta förbättras. Vår skyldighet förblir densamma. Brandteknikbranschen har redan signalerat var deras uppmärksamhet hör hemma. Vid SFPE AI in Fire Engineering Summit som jag deltog i i Berkeley 2025, framstod verifiering och validering som en gemensam prioritet bland de yrkesverksamma i rummet. De som bor i de byggnader vi skyddar räknar med arbete vi själva har kontrollerat, inte svar som en maskin gett oss i tro. "Skräp in, skräp ut" var sant för stordatoroperatörerna som myntade uttrycket. Det är lika sant idag, och kostnaden för att glömma det har aldrig varit högre.

 Referenser

Chat EOD: Utvecklad av branschen, för branschen. https://nfsa.org/2025/11/06/chat-eod-developed-by-the-industry-for-the-industry/

NFPA presenterar NFPA LiNK 3.0, som främjar digital transformation inom brand- och livsäkerhet. https://www.nfpa.org/about-nfpa/press-room/news-releases/2026/nfpa-unveils-nfpa-link-3-0-advancing-digital-transformation-in-fire-and-life-safety

Praktiska lärdomar från advokatens AI-misstag i Mata v. Avianca. https://www.acc.com/resource-library/practical-lessons-attorney-ai-missteps-mata-v-avianca

Reflektioner kring toppmötet om AI inom brandteknik 2025. https://www.sfpe.org/blogs/amanda-tarbet/2025/08/01/2025-ai-in-fire-engineering-summ