Sprogmodellen kender ikke dit anlæg — men den kan bygge analysemodellen

Forestil dig et bestyrelsesmøde i fjernvarmeselskabet, hvor et af bestyrelsesmedlemmerne stiller følgende spørgsmål: ”Hvad sker der med vores driftsøkonomi, hvis gasprisen stiger 30 procent, og vi samtidig kvalificerer varmepumpen til at deltage i balancemarkedet?”

I dag vil det typisk være en konsulentopgave, det tager uger eller måneder at komme frem til svaret på. Men sådan behøver det ikke at være.

Sprogmodellerne er ankommet

I løbet af det seneste år er der sket et grundlæggende skifte i, hvad fjernvarmesektoren selv kan stille op med data og analyser.

Sprogmodeller – den teknologi, der kendes fra eksempelvis ChatGPT og Claude, er ikke længere bare høflige chatbots, der formulerer pæne mails for dig. De kan nu samarbejde med en domæneekspert om at bygge rigtigt fungerende software ud fra naturligt sprog.

Det er en ny måde at arbejde med IT på, og den passer overraskende godt til den måde, fjernvarmebranchen i forvejen tænker.

For pointen er ikke, at AI ”klarer det selv”. Pointen er, at en driftsleder, en værkfører eller en planlægger nu kan sætte sig ned med et system, som forstår dansk, beskrive sit anlæg, sine kontrakter, sine antagelser – og få bygget et analyseværktøj, der svarer til netop dén virkelighed. Og det er vel at mærke uden at skulle lære at programmere i eksempelvis Python. Og uden at skulle bruge måneder på et udbud.

Et konkret eksempel

I foråret 2026 fik Billund Varmeværk – i samarbejde med Dansk Fjernvarme – bygget et analyseværktøj fra bunden.

Værktøjet er en driftsoptimeringsmodel, der dækker hele anlægsporteføljen: varmepumpe, elkedler, gaskedler, halmkedel, kommende overskudsvarme, akkumuleringstank.

Modellen henter selv DMI-temperaturer, syntetiserer en varmelast, der er kalibreret mod værkets egne måledata, henter spotpriser og balancepriser fra Energinet og kan oven i dette også optimere bud på balancemarkederne aFRR og mFRR.

Det er ikke legetøj. Modellen løser dispatch som lineær optimering med start/stop-omkostninger, kører unit-commitment, hvor det giver mening, og afleverer resultater som månedstal, timeopløste serier og rapportgrafik.

Simpel vej fra idé til resultat

Den slags værktøjer har hidtil været forbeholdt store rådgivningshuse. Men det interessante er faktisk, hvordan værktøjet blev til.

Der blev ikke skrevet et kravsspecifikationsdokument. Der blev ikke holdt udbud. Der var ingen programmør på opgaven.

Der var bare en domæneekspert med forståelse af fjernvarmedrift, tre intensive dage og en sprogmodel, der kunne diskutere både optimeringsteori og emner som en COP-kurves opførsel ved minus fem grader.

Det korte af det lange er, at sprogmodellen ikke kender dit anlæg. Det gør du. Den kan til gengæld alt muligt andet, og det er netop den arbejdsfordeling, der gør, at samarbejdet virker.

Den rigtige arbejdsfordeling mellem mennesker og AI

Det er fristende at fortælle denne historie helt simpelt som: ”AI bygger værktøjet for dig”. Men det ville være forkert.

Konfigurationen til Billund-modellen er fuld af præcise, faglige vurderinger, som ingen sprogmodel har kunnet finde frem til på egen hånd.

• Hvor stor er den maksimale budstørrelse på aFRR?
• Er det per marked eller samlet med mFRR?
• Hvilken minimumslast skal halmkedlen modelleres med?
• Hvilke start/stop-omkostninger er realistiske?
• Skal varmepumpens COP modelleres med en lineær funktion af udetemperatur, og hvor sætter man fornuftige grænser opad og nedad?
• Hvilken nettarif-struktur er aktuel for elkedler i 2024 mod 2026?

Det var bare seks eksempler på den slags spørgsmål, som en sprogmodel ikke kan svare på alene – men som heller ikke kan slås op i en lærebog.

Svarene findes hos fjernvarmeselskabets egne folk. Hos den eller dem, der har siddet med kontrakterne. Hos driftslederen, der ved, hvilken regulering halmkedlen faktisk kan klare. Hos elhandleren, der ved, hvad tariffer og afgifter reelt summer til lige nu.

Sprogmodellen bidrager med noget andet:

• Den kan på minutter omsætte ”vi har en akkumuleringstank på 3.000 kubikmeter med 45 grader temperaturspring” til en korrekt formuleret lagermodel med alle de nødvendige bi-betingelser.
• Den kan foreslå, hvordan en varmelast bedst kan kalibreres mod måledata.
• Den kan skrive dokumentationen på dansk.

Alt sammen den slags arbejde, der hidtil har taget en konsulent uger. Med andre ord:

• AI håndterer formaliseringen og koden.
• Mennesket leverer virkeligheden og dømmekraften.

Det er en arbejdsdeling, der passer godt til en branche, hvor den vigtigste viden ikke står i bøgerne, men er bygget op gennem års driftserfaring.

Hvad betyder det for branchen?

Den umiddelbare konsekvens af disse nye muligheder er en demokratisering af analysearbejdet.

Et middelstort fjernvarmeværk har sjældent budget til at bestille en fuld driftsoptimerings- eller investeringsanalyse hvert andet år. Men hvis værktøjet ligger hos værket selv, vedligeholdt af værkets egne folk – så kan analysen genkøres, når priserne flytter sig, når en ny enhed skal installeres, eller når bestyrelsen rejser et hvad nu hvis-spørgsmål, der er værd at tage alvorligt.

Det betyder også, at sammenligninger og fælles rammer bliver mere nærliggende. Hvis 50 værker bygger på samme grundskabelon – hver med sine egne tal, sine egne enheder, sine egne kontrakter – bliver det meget lettere at lære af hinanden, at lave benchmark og at diskutere strategi i et fælles sprog.

Og når lovgivning eller markedsregler ændrer sig, kan opdateringerne deles, på samme måde som vi i dag deler regnskabsskabeloner eller standardvilkår.

Endelig rykker det ved forholdet til eksterne rådgivere. Konsulenten skal stadig bruges – til de virkelig komplekse og strategiske spørgsmål, hvor specialviden om finansiering, jura eller tekniske grænseområder er afgørende. Men det daglige analysearbejde, det levende beslutningsgrundlag, kan blive en del af værkets egen værktøjskasse. Det er en sund udvikling. Det gør beslutningerne mere informerede, og det placerer ansvaret hos dem, der i forvejen kender anlægget bedst.

Okay så, men hvad kan alt det her ikke?

Der er samtidig god grund til at være præcis om, hvad denne udvikling ikke er: Den er ikke fejlfri eller parat til at arbejde på egen hånd.

Sprogmodeller laver nemlig fejl. De kan finde på tal, der ikke findes. Og de kan misforstå noget grundlæggende og bygge videre på misforståelsen i 100 linjer kode.

Den eneste forsvarlige måde at arbejde på er, at den, der kender anlægget, læser kritisk med – og er parat til at sige: ”Det her ser forkert ud”.

Det kræver ikke programmeringskompetencer. Det kræver, at man er villig til at validere resultaterne mod virkeligheden: Kør modellen for et historisk år, og sammenlign med det, der faktisk skete på værket.

Hvis afvigelsen er stor, er der noget galt – enten i antagelserne eller i koden. Og svaret skal findes.

Det er heller ikke en udvikling, der gør IT-kompetencer overflødige i sektoren. Tværtimod. Når flere værker selv kører deres egne analyseværktøjer, bliver det vigtigere, at branchen har styr på datasikkerhed, versionsstyring og hvor data ligger henne. Den slags kompetencer skal stadig findes – og må gerne findes hos branchens egne folk, ikke hos en udefrakommende leverandør, hvis værkerne vil bevare suverænitet over deres data.

Ikke en trussel, men en forstærkning

Hvis man løfter blikket lidt, er det en bredere forandring, vi står midt i.

Domæneviden – den faglige forståelse af fjernvarme, drift, marked, regulering – har altid været branchens stærkeste aktiv. Indtil for kort tid siden var den viden bundet op på personer og papirer. Den var svær at omsætte til skalerbare værktøjer, fordi vejen fra, ”Jeg ved, hvordan det fungerer”, til ”Det her er en kørende model”, var lang og dyr.

Den vej er nu kortere. Ikke fordi maskinen kan tænke som en driftsleder, men fordi den kan oversætte driftslederens tankegang til kode. Det betyder, at det vigtigste, et fjernvarmeselskab kan gøre for at blive mere datadrevet, ikke nødvendigvis er at ansætte en data-scientist eller købe en ny softwareløsning. Det er at gøre sine egne folk i stand til at samarbejde med de nye værktøjer – ud fra den viden, de allerede har.

Billund-modellen er ikke en undtagelse. Den er en forsmag på, hvad næsten ethvert fjernvarmeselskab i Danmark vil kunne bygge i de kommende år. Forudsætningen er, at branchen ser denne mulighed som det, den er: ikke en trussel mod faget, men en forstærkning af det.