Sådan ændrer AI kvalitetskontrollen i bilindustrien

Kvalitetsfejl er dyre. I 2025 udbetalte amerikanske bilproducenter 20,81 mia. dollars i garantikrav, og ifølge National Highway Traffic Safety Administration blev mere end 29 millioner køretøjer tilbagekaldt. Alle disse tal skyldtes en defekt del, der var blevet overset eller ikke undersøgt ordentligt – uanset om det skyldtes en fejl i design- og/eller inspektionsprocessen eller noget, der skete med køretøjet, efter at det var sendt til en kunde.

Der er mange stadig mere komplekse faktorer, der spiller ind, når man skal finde fejl på produktionslinjen. Funktioner, der tidligere var mekaniske, styres nu af software, og tolerancerne for mekaniske komponenter og batterier til elbiler er blevet mindre, så der er kun ringe plads til fejl. Dertil kommer, at globale forsyningskæder skaber variationer, som den enkelte fabrik ikke kan kontrollere fuldt ud. Alt dette gør det vigtigere end nogensinde at have de rette processer på plads til at finde fejl på produktionslinjen. 

Kunstig intelligens giver kvalitetsteams et nyt sæt værktøjer. I stedet for at kontrollere et udsnit af delene efter produktionen og håbe på, at ingen problemer slipper igennem, kan producenter nu overvåge hver eneste del i realtid og opdage tendenser eller afvigelser, før de udvikler sig til fejl. Efter i årevis at have arbejdet med bil-, dæk- og batteriproducenter om disse problemer vil jeg gennemgå, hvad der rent faktisk ændrer sig, og hvad der skal til for at få disse programmer til at fungere.

Opdag problemer, før de vokser sig større

Den største ændring, AI medfører for kvalitetsarbejdet, er skalaen. Ved at undersøge alle produkter på produktionslinjen kan man opdage afvigelser, før de udvikler sig til fejl. Mennesker begår fejl, så hvis man kun undersøger et udsnit af produktionslinjen og lader medarbejdere foretage visuel kontrol af produkterne, kan afvigelser blive overset. Det kan skyldes menneskelige fejl, fordi man ikke kan se en defekt, eller træthed, der sætter ind og får medarbejderne til at være mindre opmærksomme på detaljer, end de var ved skiftets begyndelse.

Udviklingen inden for kameraer og AI samt samspillet mellem dem kan være en stor fordel for bilindustrien. Man kan ikke blot begynde at opdage flere fejl på produktionslinjen, men også – og ikke mindst – finde problemer, før de opstår. Ved at bruge AI til at opdage fejl i virtuel afprøvning er producenter begyndt at udnytte teknologien til ikke alene at forudsige mulige fejl, men også at udvikle nye test, der kan køres på deres produkter. Desuden kan brugen af AI på produktionslinjen gøre det muligt at opdage flere fejl, end man tidligere kunne. En undersøgelse fra McKinsey viste, at producenter kunne opdage 90 % flere fejl ved at bruge AI på produktionslinjen.

Inspektion, der løbende bliver bedre

At opdage flere fejl er kun en del af historien. Den anden ændring er, at AI-drevet inspektion bliver bedre med tiden i stedet for at forblive uændret. Ikke alene findes der flere fejl; et AI-drevet system analyserer også alle de indsamlede data og lærer af dem. Ved at bruge AI til at forudsige maskinernes output kan man opdage, når maskinerne ikke præsterer inden for specifikationerne. Hvis maskinerne begynder at overskride tolerancerne, kan man give systemet besked og få det til at justere maskinernes indstillinger, så outputtet igen ligger inden for tolerancerne, og produkterne overholder specifikationerne.

Et eksempel fra dækbranchen er samling af dæk. Ved at bruge AI og billedanalyse i samlingsprocessen kan man reducere antallet af samlinger, der overskrider tolerancerne, og samtidig forbedre ydeevnen. Et andet eksempel fra bilindustrien er, hvordan vi forbedrer spalte- og planhedsmålene i karrosseri- eller svejseværkstedet. Fordi systemet har fået mulighed for at lære af både aktuelle og historiske data, ved det, hvordan en god samling ser ud, og hvilke geometriske tolerancer der er gode. Det begynder derfor at justere maskinernes procesparametre og robotterne i realtid, så de holder sig inden for tolerancerne. Det er denne læringssløjfe, der adskiller moderne AI-inspektion fra tidligere automatisering. Standarderne forbliver ensartede på tværs af skift, produktionslinjer og endda fabrikker i forskellige regioner. Det er vigtigt for dæk- og bilproducenter, der bruger de samme systemer og modeller på tværs af flere fabrikker verden over.

Fra sikkerhedsnet til strategisk fordel

I lang tid er kvalitetskontrol blevet betragtet som et sikkerhedsnet – en afsluttende kontrol, der skal forhindre, at defekte dele når ud til kunderne. AI gør kvalitetskontrol til noget, der i højere grad fungerer som et strategisk redskab. 

Man kan ikke blot opdage flere fejl, men også begynde at forstå, hvor de opstår. En bedre forståelse af processen gør det muligt at opdage tendenser og løse problemerne, før de udvikler sig. Når man begynder at forstå, hvor fejlene opstår, kan man øge førstegangsudbyttet og sænke kassations- og omarbejdningsraten. Når kassations- og omarbejdningsraten falder, kan man også øge produktionskapaciteten.

De vigtigste målepunkter her er ikke specielle. Førstegangsudbytte, kassations- og omarbejdningsrate, kundeklager og inspektionsnøjagtighed blev alle målt, allerede før AI kom til. Det, der ændrer sig, er, hvor hurtigt og konsekvent producenter kan måle dem og handle på resultaterne. En fejl, der opdages på produktionslinjen, koster langt mindre end en fejl, der opdages efter samlingen. Og en fejl, der opdages efter samlingen, koster langt mindre end en fejl, der når ud til en kunde og fører til et garantikrav eller en tilbagekaldelse.

Derfor går så mange AI-programmer i stå

Selvfølgelig sker intet af dette automatisk. Bare fordi man køber kameraer og AI-software, betyder det ikke, at man kommer til at opdage flere fejl. Der er et par afgørende faktorer, som de producenter, der har implementeret disse processer med succes, har grebet anderledes an. De identificerede et problem på produktionslinjen og forsøgte at løse det med AI i stedet for at kaste sig ud i AI og først derefter prøve at finde ud af, hvad de kunne bruge teknologien til. De sørgede også for at opstille målbare mål, som de kunne sammenholde resultaterne med. Når man ved, at pilotprojektet er en succes, kan man derefter undersøge, om processen kan udbredes til andre områder på produktionslinjen.

En anden ting, man skal sikre sig, er, at teamet har de rette kompetencer. Kvalitetsteamet kender måske processen ud og ind, men har aldrig arbejdet med maskinlæring. Eller måske ved datavidenskabsteamet alt om maskinlæring, men kender ikke til arbejdet på produktionslinjen. Hvis man sikrer sig, at teamet har disse tværfaglige kompetencer samt erfaring med at skalere løsninger, bliver det muligt at implementere processerne på produktionslinjen og på tværs af driften.

Hvad fremtiden bringer

Kvalitet har altid været afgørende for omdømmet i bilindustrien. En enkelt fejl, der når ud på markedet, kan føre til tilbagekaldelser, der koster hundredvis af millioner dollars, og svække kundernes tillid, som er opbygget gennem årevis. AI gør det muligt at opdage fejlen tidligere, forstå, hvorfor den opstod, og forhindre, at den gentager sig på tværs af alle produktionslinjer og fabrikker i stedet for at tage ét sted ad gangen.

De producenter, der i dag får reel værdi ud af AI, er ikke nødvendigvis dem med den mest avancerede teknologi. Det er dem, der betragter kvalitet som et system, der skal forstås og løbende forbedres, og ser AI som en del af systemet snarere end som hele systemet. I takt med at køretøjernes arkitekturer fortsat udvikler sig, og produktionsmængderne bliver ved med at stige, bliver denne disciplin vigtigere, ikke mindre vigtig.