Denne case bygger på erfaringerne, som Łukasz Ściebior (MUZA) og Katarzyna Reszka (Warszawas Museum) delte under præsentationen i ERC2026-programmet.
Den beskriver indførelsen af AI-værktøjer i MUZA: først gennem implementeringen med Warszawas Museum i 2024 og derefter gennem videreudviklingen af MUZA i 2026.
AI er kun én del af MUZA. Systemet er et bredere miljø til forvaltning af museumssamlinger, dokumentation og processer i hele organisationen.
Daglige udfordringer i samlingsforvaltningen
Museer arbejder med store mængder forskellig information: genstandsposter, billeder, dokumentation, forskningsresultater, terminologi, konserveringsdata, lån, flytninger og indhold til publicering.
I hverdagen kan teamene møde:
- ufuldstændige eller inkonsistente genstandsposter;
- information spredt mellem systemer, regneark, dokumenter og mapper;
- gentagen kopiering og omskrivning af samme information;
- vanskelig søgning i store samlinger;
- inkonsistent terminologi;
- tidskrævende katalogisering og dokumentation;
- begrænset kapacitet til at udarbejde indhold til forskellige målgrupper;
- adskilte miljøer til at forberede, kontrollere og publicere information.
Problemerne berører mere end registreringsafdelingen. De kan besværliggøre samlingsforespørgsler, udstillingsarbejde, låneforvaltning, publicering af samlingsinformation, digitalt arbejde og videndeling mellem afdelinger.
MUZA samler samlingsdata og tilhørende processer i ét browserbaseret miljø. Det hjælper med at organisere information, standardisere terminologi, samarbejde og gøre data lettere at finde og genbruge.
AI udvider mulighederne ved at understøtte udvalgte opgaver i systemet.
Eksemplet fra Warszawas Museum
Det første AI-arbejde præsenteret på ERC2026 udsprang af implementeringen af MUZA på Warszawas Museum, der begyndte i 2024.
Warszawas Museum forvalter omkring 765.000 genstande. Fotosamlingen er særlig vigtig: den er blandt de største delsamlinger, tiltrækker stor offentlig interesse og kræver ofte kompleks historisk forskning.
Før implementeringen havde museet i mange år brugt et ældre miljø, som ikke gav tilstrækkelig terminologikontrol, datakonsistens eller procesautomatisering. Forskellige registreringsmåder gjorde posterne vanskelige at sammenligne, forbinde og søge i.
Migreringen til MUZA omfattede omkring 300.000 poster fra det tidligere system og andre kilder. Processen tydeliggjorde omfanget af udfordringerne med datakvalitet og katalogisering.
Nogle poster krævede yderligere forskning, supplering eller standardisering. Fotografier kunne indeholde håndskrevne noter, etiketter og stempler med værdifulde spor, som var vanskelige at behandle manuelt i stor skala.
Det skabte et tydeligt behov for værktøjer, som støtter museumsfagfolk uden at overtage deres ansvar for den endelige registrering.
Forberedelse af genstandsposter med AI
Det første AI-modul blev udviklet som en indledende implementering ud fra behovene identificeret under arbejdet med Warszawas Museum.
På baggrund af et fotografi og den tilgængelige kontekst kan modulet foreslå:
- genstandsbeskrivelser;
- nøgleord;
- materialer og teknikker;
- datering;
- muligt ophav;
- dimensioner;
- indhold i udvalgte inventarfelter;
- termer fra kontrollerede vokabularer.
Det kan også foreslå nye opslagsord, hvis en relevant term endnu ikke findes i den konfigurerede ordliste.
Et leveret billede kan være udgangspunktet. Det behøver ikke være en digitalisering af høj kvalitet; et mobilfoto kan være nyttigt, hvis det indeholder relevant kontekst.
Forslagene er ikke endelig museumsinformation. De giver et struktureret udgangspunkt for registrarer, kuratorer og andre fagfolk.
Aflæsning af information fra fotografier
Modulet kan bruge optisk tegngenkendelse til at foreslå transskription af noter, etiketter og stempler på fotografier, også information på bagsiden.
En medarbejder kan sammenligne forslaget med kildebilledet, rette transskriptionen og afgøre, om informationen er relevant for genstandsposten.
AI hjælper med at behandle den synlige information. Det afgør ikke, hvordan et historisk spor skal fortolkes.
Verifikation og faglig kontrol
Drøftelserne med Warszawas Museum understregede, at museumsfagfolk har brug for pålidelig kontrol over samlingsdata.
AI-genereret indhold kan rumme fejl, udeladelser eller udokumenterede påstande. Arbejdsgangen i MUZA omfatter derfor flere kontrolniveauer.
Medarbejderne kan:
- vurdere forslag felt for felt;
- sammenligne dem med yderligere kilder;
- gennemgå indikatorer for forslagenes sikkerhed;
- acceptere, ændre eller afvise enkelte forslag.
Ansvaret kan fordeles mellem forskellige roller:
- kuratoren vurderer indhold og belæg;
- registraren kontrollerer datakvalitet, obligatoriske felter og terminologi;
- en kontrollant forbereder og gennemgår udkastet;
- en publiceringsansvarlig eller autoriseret bruger godkender det endelige indhold i det pågældende felt.
Det skaber en arbejdsgang med menneskelig kontrol. AI støtter forberedelse og gennemgang, men museumsfagfolk har fortsat ansvaret for informationen i posten. Indhold udarbejdet med AI-støtte er tydeligt mærket.
AI-understøttet søgning med RAG
En af AI-funktionerne i MUZA er en AI-chat baseret på retrieval-augmented generation, RAG.
RAG er ikke en generel chatbot med ubegrænset internetadgang. Her fungerer det primært som et søge- og informationshentningslag understøttet af en sprogmodel.
Processen har to hovedtrin:
- systemet søger efter relevant information i udvalgte, tilsluttede museumsdata;
- sprogmodellen bruger den hentede kontekst til at formulere et svar i naturligt sprog.
Den implementerede søgning kan anvende information i MUZA, herunder genstandsbeskrivelser og udvalgte metadata. Brugere kan stille spørgsmål uden at kende den præcise katalogterm, finde genstande, se posterne bag svaret og gemme udvalgte genstande som en arbejdsliste.
Dette kan understøtte:
- forespørgsler om samlingerne;
- forberedelse af udstillinger;
- forskning;
- søgning efter genstande ud fra tema, ophavsperson eller kontekst;
- mindre afhængighed af komplekse filtre og præcis terminologi.
Kildeposterne er fortsat vigtige. Systemet skal gøre samlingsinformation lettere at udforske og samtidig vise, hvor svarene kommer fra.
Kilder, der kan tilsluttes RAG
RAG-laget kan tilføres udvalgte kilder, som institutionen ønsker at gøre søgbare.
Den aktuelle anvendelse bygger primært på:
- genstandsbeskrivelser;
- udvalgte metadata;
- samlingsinformation gemt i MUZA.
Løsningen kan også udvides med yderligere indekserede kilder, såsom:
- digitaliseret dokumentation;
- bibliografiske henvisninger;
- digitaliserede bøger;
- forskningsmateriale;
- udvalgte repositorier eller dokumentmiljøer.
Ekstra kilder udvælges, forberedes og indekseres til hver implementering. Chatten kan søge i dem, når de er konfigureret.
Datasikkerhed og infrastruktur
Opsætningen drøftet under forberedelserne til ERC2026 var designet til lokal drift i infrastruktur administreret af MUZA-teamet eller institutionen. Ved en lokalt hostet model behandles tekstuddrag fra samlingsposter i denne infrastruktur. Hvis en ekstern model konfigureres, behandles de overførte uddrag efter denne konfiguration og leverandørens vilkår for databehandling.
Arkitekturen kan hjælpe institutionen med at bevare kontrollen over:
- hvilke kilder der indekseres;
- hvilke data der er tilgængelige for søgning;
- hvor data behandles;
- hvem der kan anvende modulet;
- hvordan adgangen til systemet administreres.
RAG er ikke i sig selv en automatisk garanti for sikkerhed eller korrekthed. Beskyttelsesniveauet afhænger af valgt infrastruktur, model, adgangskontrol, integration, vedligeholdelse og databehandlingsregler.
Sikkerhed og privatliv skal derfor indgå i implementeringens arkitektur frem for at være et særskilt markedsføringsargument.
Beskrivelser til forskellige målgrupper
Videreudviklingen af MUZA i 2026 tilføjede værktøjer til beskrivelser tilpasset forskellige målgrupper og formål.
De samme genstandsdata kan være udgangspunkt for indhold til:
- børn;
- voksne besøgende;
- forskere;
- formidlere;
- udstillingsteams;
- personer på autismespektret.
Systemet udarbejder et udkast fra oplysninger, som allerede findes i genstandsposten. Medarbejdere gennemgår, redigerer og godkender resultatet før brug i museet eller i onlinesamlinger.
Målet er at mindske gentaget skrivearbejde og gøre eksisterende viden om samlingerne lettere at genbruge.
Indhold til tilgængelighed
MUZA indeholder også værktøjer, der støtter tilgængelighedsarbejdet.
De kan hjælpe med at:
- finde billeder uden alternativ tekst;
- udarbejde forslag til alternativ tekst;
- lave transskriptioner af lyd og video;
- forberede tilgængelige undertekster;
- identificere talere, lydeffekter og baggrundslyde;
- udarbejde forslag til synstolkning af billeder og komplette tidskodede synstolkningsmanuskripter til film.
Til film kan MUZA generere et komplet udkast til et synstolkningsmanuskript. Systemet analyserer videoen i segmenter og beskriver, hvad der ses på hvert tidspunkt, med tidskoder, så medarbejdere kan gå direkte til scenen og kontrollere beskrivelsen mod originaloptagelsen. Manuskriptet kan downloades som en WebVTT-fil.
Værktøjerne løser et praktisk problem: tilgængeligt indhold til en stor digital samling kan kræve meget tid og gentaget manuelt arbejde.
Oversættelse med museumsterminologi
En anden AI-funktion i MUZA støtter oversættelse.
Medarbejdere kan oversætte udvalgte felter eller beskrivelser, sammenligne originalen med forslaget og gennemgå resultatet før publicering. Udvalgte egennavne og udtryk kan bevares på originalsproget.
Terminologien kan også konfigureres til institutionen. En generel oversættelse afspejler ikke nødvendigvis betydningen af en museumsfaglig term.
Processen gør det hurtigere at forberede flersproget samlingsindhold, mens museets medarbejdere bevarer ansvaret for den endelige ordlyd.
MUZA er mere end AI
AI er én gruppe værktøjer i MUZA, ikke definitionen af systemet.
MUZA støtter bredere museumsarbejde, herunder:
- samlings- og inventarforvaltning;
- dokumentation og digitalisering;
- arkiver;
- konservering;
- lån og deponeringer;
- flytning af genstande;
- udstillinger og projekter;
- portaler og offentlig adgang;
- samarbejde mellem afdelinger;
- datamigrering og forbedring af datakvalitet.
Systemet hjælper museer med at skifte mindre mellem adskilte værktøjer, undgå gentagen indtastning, forbedre søgning og filtrering, arbejde med fælles information og genbruge samlingsdata i forskellige processer.
AI-værktøjerne støtter udvalgte aktiviteter i dette miljø. De erstatter ikke samlingsforvaltningssystemet, museets arbejdsgange eller faglige ekspertise.
Videre fra eksperimentet
Eksemplet fra MUZA og Warszawas Museum viser, at praktisk AI-udvikling kan begynde med konkrete driftsproblemer:
- ufuldstændige poster;
- gentaget katalogiseringsarbejde;
- vanskelige søgninger;
- tabt historisk kontekst;
- arbejdsmængden ved tilgængelighed;
- arbejdsmængden ved oversættelse;
- behovet for indhold til forskellige målgrupper;
- fragmenterede kontrol- og godkendelsesprocesser.
Det første modul udsprang af implementeringen med Warszawas Museum i 2024. Flere AI-funktioner blev indført og udviklet som led i MUZAs produktudvikling i 2026.
Den rette løsning afhænger af institutionens data, arbejdsgange, terminologi, infrastruktur, sikkerhedskrav og faglige ansvar.
AI kan hjælpe museer med at spare tid, forbedre adgangen til information og bruge eksisterende viden bedre. Menneskelig kontrol, klare ansvarsområder og kontrol over data er fortsat afgørende.

Lad os tale om AI og samlingsforvaltning på dit museum
Overvejer I AI til katalogisering, samlingsundersøgelser, tilgængelighed, oversættelse eller søgning i samlingerne?
Fortæl os, hvad museet har brug for, og find ud af, om vi kan implementere MUZA hos jer uden beregning.
Kontakt MUZA-teamet:
Jan Sikora
International Business Growth Partner
jan.sikora@mobilems.pl
+48 797 418 825

