AI på verkstadsgolvet – eller bara PowerPoint?

Varje år är det samma visa. Industrikonferenserna fyller stora salar med nyfikna chefer och ingenjörer som hoppas få en glimt av framtiden presenterad i eleganta grafer och futuristiska animationer. På scenen står kostymklädda konsulter och teknikföretagets representanter och målar upp stora visioner om artificiell intelligens, AI, och hur den ska förvandla industrin från grunden. I teorin låter det fantastiskt – drönare som inspekterar produktionslinjer, maskiner som själva begär underhåll eller AI-system som optimerar produktionen och gör den mer effektiv än någonsin.

Men vad händer egentligen när man lämnar konferenslokalerna och kliver ut på fabriksgolvet en grådaskig måndagsmorgon? Är det här de avancerade AI-systemen verkligen gör nytta, eller handlar det fortfarande mest om imponerande PowerPoint-presentationer och övertajta kostymer?

Drömmen om AI – när PowerPoints möter verkligheten

AI har blivit lika obligatoriskt inslag vid industrikonferenser som kaffeautomaten vid tio-pausen. Varje konsultfirma eller mjukvaruleverantör som vill visa att man hänger med i tiden slänger sig vant med buzzwords som ”machine learning”, ”deep learning” och ”data-driven manufacturing”. Men hur många svenskar som faktiskt jobbar dagligen med tillverkning känner igen något av det här? En sak är klar – det finns ett glapp mellan AI-visionerna och maskindunket på verkstadsgolven.

En färsk rapport från IndustryWeek understryker just denna dissonans. Där framkommer att hela 67 procent av industriföretagen på global nivå menar sig ha påbörjat någon form av AI-satsning, men när man tittar bakom statistiken visar det sig att ett stort antal projekt aldrig går längre än pilot- eller planeringsstadiet. Eller som Lars, en luttrad verkstadschef från Alingsås, uttryckte det torrt när jag nyligen träffade honom: ”Vad AI betyder här? Ja, jag kan säga så här: Vi har betalat svindyr konsultfaktura – och fått en jäkla snygg PowerPoint.”

”Vad AI betyder här? Ja, jag kan säga så här: Vi har betalat svindyr konsultfaktura – och fått en jäkla snygg PowerPoint.”

Frågan är om det måste vara så här. Behöver AI vara ett modeord som enbart glänser på konferensen, eller finns det tekniska lösningar idag som faktiskt gör skillnad för riktigt arbete – rent konkret, på fabriksgolvet där verkligheten sätter ribban?

Prediktivt underhåll – färre driftstopp tack vare AI?

Ett område där AI däremot i hög grad har släppts in i verkligheten idag är prediktivt underhåll – tekniken som låter maskiner själva rapportera när något är på väg att gå snett. En produktionschef från ett svenskt industriföretag jag nyligen talade med berättade hur de nu slipper gissa sig fram eller fastna i ett stelt schema kring underhållsåtgärder. ”Våra maskiner kan säga till oss att vi har ungefär fyra veckor kvar innan en viss komponent behöver bytas ut,” berättar han med genuin entusiasm. “Det betyder mindre stilleståndstid, mer planerad produktionstid och klart lägre kostnader.”

Svenska industrikoncerner som SKF och ABB är redan idag framstående inom AI-stödd utrustning för prediktivt underhåll. Hos SKF i Göteborg, till exempel, använder man avancerade sensorer och maskininlärning för att övervaka kullagers prestanda på avstånd. Sensorer samlar kontinuerligt data om temperaturer, vibrationer och rotationshastigheter, och AI algoritmer analyserar flödet av data. På så sätt kan små variationer som tyder på skador eller slitage upptäckas i god tid innan de leder till driftstörningar.

Är detta då det stora AI-genombrottet industrin söker? Nja, faktum är att även detta fält har sina utmaningar. Inte sällan visar det sig att god AI behöver bra data – och massvis av den. Mindre industriföretag kan ha svårt att samla och strukturera all data som kan vara relevant, speciellt om man kör äldre maskinparker och utrustning från flera olika leverantörer. Ett annat bekymmer är den mänskliga faktorn: när ska man lita fullt ut på maskinens rekommendationer och när ska man lita på en erfaren tekniker som med hjälp av magkänsla och decennier av erfarenhet kan känna av små skillnader i maskinens beteende och vibrationer?

Så trots att AI-tekniken i just prediktivt underhåll faktiskt tagit steget från futuristisk vision till konkret produkt, är resan för industrin långt ifrån över. Men en sak är säker – här är i alla fall utvecklingen långt förbi PowerPoints och säljsnack.

Optimering av processer – slutar vi någonsin att lita på magkänslan?

När AI-experterna pratar om att optimera produktionsprocesser låter de nästan religiösa i sin iver: produktionsflöden som automatiskt trimmas ner till sista millisekunden, minimal materialåtgång och maskiner som ständigt anpassar sig efter rådande förhållanden. Visst låter det imponerande, men verkligheten är betydligt mer nyanserad. Jag pratade nyligen med Petter Larsson, en erfaren ingenjör på Scania, som berättade om företagets försök med AI-drivna produktionssystem. ”AI kan absolut hitta mönster och förbättringar som vi kanske missar med vår mänskliga intuition,” medger Petter. ”Men ibland begriper inte algoritmerna varför vi väljer en viss metod framför en annan – just för att vi kanske har praktiska hänsyn att ta, såsom säkerhet, snabbare omställning vid behov, eller helt enkelt vår erfarenhet baserad på tidigare incidenter.”

Ett typiskt exempel är när AI-algoritmer räknar fram “optimal” användning av råmaterial för att minska svinn eller spara kostnader. På pappret ser det alltid perfekt ut – tydligt presenterat med snygga stapeldiagram och exakta procenttal. Men när man kommer till produktionen så visar det sig ofta att det som fungerade bra i AI-labbet inte alls matchar den ofta oförutsägbara verkligheten, med varierande kvalitet på inkommande råvaror, slitage på maskiner eller ändrade marknadsförutsättningar. Enligt Petter fungerar AI som ett både smart och frustrerande verktyg: ”Att kasta ut vår magkänsla vore rentav dumt. Med AI behöver vi snarare hitta en balans mellan siffror och empiri. Den mänskliga erfarenheten är fortfarande helt avgörande.”

”Att kasta ut vår magkänsla vore rentav dumt. Med AI behöver vi snarare hitta en balans mellan siffror och empiri. Den mänskliga erfarenheten är fortfarande helt avgörande.”

AI och kvalitetssäkring – bättre produkter eller bara snygga grafer?

AI-baserad kvalitetssäkring låter inte heller så dumt på pappret, speciellt om man pratar med säljarna som lanserar systemen. Idén bygger ofta på kameraövervakning och så kallad “visionteknik”, där maskiner utrustas med automatisk igenkänning av produktionsfel och avvikelser. Företag som Volvo Cars erbjuder konkreta exempel från karossverkstaden i fabriken i Torslanda, där kamerabaserade system med stor precision kan identifiera och kategorisera små defekter på karosserna – något som förr kunde kräva mängder av mänskliga arbetstimmar. Så långt låter det bra, men tekniken fungerar bäst när problemen är välkända och när det finns mycket stora mängder data tillgängligt för AI att träna på.

Hos mindre och mellanstora industriföretag som har stor variation mellan det som produceras kan det snabbt bli uppenbart att AI-systemet inte alltid lever upp till säljarnas löften. Tekniken blir gärna förvirrad av oväntade variantionsnivåer och okända avvikelser, vilket riskerar att skapa ineffektiva stopp i produktionen för ”falska” avvikelser. Och precis som vid processtyrningen är det lätt att låta blända sig av snygga grafer över hur effektiv AI:n fungerar enligt presentationerna, medan den faktiska praktiska nyttan ute på fabriksgolvet ibland uteblir. “Vårt kvalitetsteam kunde snabbt konstatera: ny teknologi är lovande, men vi måste också anpassa våra egna processer för att AI ska leverera”, erkänner en produktionsansvarig på ett medelstort verkstadsföretag i Småland.

När AI-miraklet uteblir – varför teknik ibland bara blir tomma ord

Självfallet handlar mycket av problemet om teknikens mogenhet. AI ses fortfarande som en relativt ny teknik även om idén funnits länge. Men en annan viktig anledning till att AI-lösningar kan bli liggande och aldrig når produktion handlar faktiskt mer om organisation än själva tekniken. Färska siffror från TechCrunch avslöjar att nästan hälften av företagen stöter på stora problem när de vågar ta steget från småskaliga pilotprojekt till verkliga produktionslinjer. Inte sällan handlar det om att det saknas en tydlig strategi från ledningen, att olika avdelningar inte frågat varandra vad som faktiskt behövs, eller att man helt enkelt saknar rätt kompetens och resurser på plats.

En ganska vanlig bild är också att beslut fattas högst upp i organisationen utan att involvera de som verkligen ska hantera tekniken. Det kan skapa en sorts “friktion” i implementeringen, där medarbetare på golvet ser AI som en påtvingad fluga och än mer irrelevant ledningspåfund. Lars, min pragmatiske vän från verkstaden i Alingsås, sammanfattar det bäst: ”Det är lätt att köpa in hightechlösningar, men betydligt svårare att göra dem praktiskt användbara. Om vi verkligen ska få ut något av AI måste ledningen börja lyssna på oss som jobbar med grejerna varje dag, istället för att lyssna på konsulterna med snyggast presentationsslides.”

”Om vi verkligen ska få ut något av AI måste ledningen börja lyssna på oss som jobbar med grejerna varje dag, istället för att lyssna på konsulterna med snyggast presentationsslides.”

”AI i industrin är inte magi – det kräver verklighetsförankring, bra data och tydligt samspel mellan människa och maskin.”

Artikeln belyser gapet mellan industrins visionära löften om artificiell intelligens (AI) och den mer komplexa verkligheten. På konferenser serveras AI-visioner med generösa löften om banbrytande effektivitet, men på fabriksgolvet ser bilden oftast annorlunda ut. Endast 67 procent av industriföretagen på global nivå uppger att de alls startat AI-satsningar, men många av dessa når aldrig bortom pilotstadiet enligt en rapport från IndustryWeek.

Samtidigt finns områden där AI faktiskt levererar reell nytta, särskilt inom prediktivt underhåll och kameraövervakad kvalitetssäkring, där svenska företag som SKF, ABB och Volvo redan nu är föregångare. Utmaningarna är dock fortsatt stora: mindre företag saknar ofta tillräckligt strukturerad data och enhetliga maskinparker för att fullt utnyttja AI-systemens potential. Därtill visar forskning från TechCrunch att nästan hälften av AI-initiativen havererar när de ska skalas upp, ofta på grund av bristande förståelse och samarbete mellan ledningar och medarbetare.

Denna kunskap är kritisk för industriledare som vill skala upp från hajp till verklighamrad nytta. Framgång kräver samarbete, skickligt ledarskap och realistiska förväntningar – inte bara ambitiösa presentationer.

Källor i artikeln:

• IndustryWeek: Rapport kring användande av AI-projekt inom industrin.
• TechCrunch: Analys om hinder vid uppskalning av AI-system inom företag.