Ud over hypen – Hvor AI virkelig fungerer i fremstillingsindustrien

AI bliver positioneret som den næste industrielle revolution, men mange ledere kæmper med at omsætte begejstring til praktiske resultater. Over 80% af USAs fremstillingsledere siger, at de planlægger at øge deres brug af AI inden for de næste to år, men det bliver ikke altid gjort med en klar strategi for, hvad de forventer at opnå i realiteten.

Mellem bestyrelsens pres for at gøre noget med AI og virkeligheden i komplekse produktionsmiljøer, er der en voksende kløft mellem forventning og udførelse. Denne kløft må lukkes, hvis fremstillingsvirksomhederne håber at se fordelene ved AI i deres forretninger.

AI-adoptionshastighed overhaler beredskab

Fremstillingsledere i dag ved, at de må adoptere AI for at forblive konkurrencedygtige. En nylig undersøgelse fra The National Association of Manufacturers (NAM) fandt, at 51% af fremstillingsvirksomhederne i øjeblikket bruger AI, og at 80% vil betragte AI som afgørende for at udvide eller opretholde deres forretning.

Fremstillingsvirksomheder bruger denne teknologi på mange forskellige måder. AI har enorm potentiale. Dog leverer investeringer i AI ikke altid den lovede avkastning i mange organisationer.

En nylig undersøgelse af PWC og Manufacturing Institute fandt, at presset fra ledere for at adoptere AI kan overgå beredskabet for AI-dreven forandring. Den samme undersøgelse fandt også, i deres ord:

• Ulig AI-adoptionshastighed kan langsommere integration i daglige operationer
• At fremme langs AI-adoptionskurven kræver træning og bygning af erfaringer
• Menneskelige og beredskabskløfter kan begrænse AI-adoptionshastighed
• Begrænset input fra frontline-ledere kan begrænse AI-adoptionshastighed og udførelse

At finde løsningen

I stedet for at behandle AI som en universel løsning, må ledere skelne mellem anvendelser, hvor AI udmærker sig – såsom forbedring af menneske-system-interaktion, optagelse af operationel viden og forenkling af komplekse arbejdsgange – og områder, hvor det stadig er dårligt egnet, herunder præcis kontrol og gentagen beslutningstagning i produktionsmiljøer.

Et godt sted at anvende dette er under salgsprocessen. Mange fremstillingsvirksomheder ønsker at forbedre den guidede salgsproces ved hjælp af AI. De bør starte med at fokusere på kundens mål eller resultater i stedet for at bede dem om at vælge bestemte parametre om et produkt.

Her er et personligt eksempel: Jeg købte for nylig min første el-bil. Jeg gik til el-bilproducentens website, og det første, jeg så, var de tekniske parametre, såsom Rækkevidde: 360-558 km. Det er et stort udvalg, men jeg forstår, hvad det betyder. Men hvilken hestekraft? Ingen idé. Og forbrug? Nu havde jeg virkelig ingen idé om, hvad det betød; er forbrug godt eller dårligt? Vil det gøre en forskel for min families årlige skitur, som i øjeblikket tager mig syv timer? Det er den slags information, der ville hjælpe mig med at træffe en beslutning.

At have en AI til at diskutere mine bekymringer med ville hjælpe el-bilproducenten med at forstå, hvad der er vigtigt for mig, og omgøre mine bekymringer til de tekniske specifikationer, der er rette for mig.

Et andet eksempel er at bruge AI-agenter til at bryde komplekse problemer ned i mindre dele. Agenter planlægger og udfører multi-step-mål. For at få det bedste ud af disse agenter bør opgaverne være sprog-tunge.

Nogle ingeniørorganisationer følger denne tilgang, når det kommer til at håndtere komplekse krav. Nogle gange er informationen spredt over hundredvis eller tusindvis af dokumenter, og formatet er ikke standardiseret. Hvis du skulle bygge et traditionelt software-system til at importere al denne information, ville der være alt for mange regler og undtagelser til disse regler. Da AI er god til mønstergenkendelse, behøver du ikke at skrive ned hver eneste regel om, hvordan du skal fortolke disse dokumenter.

Bedste praksis for AI i fremstillingsindustrien

Del store problemer op i mindre opgaver. AI har begrænset arbejdshukommelse. Hvis du giver det for meget data eller et for bredt problem, kan det miste konteksten og begynde at hallucinere, mens det stadig forsøger at give et svar. For at reducere denne risiko bør du opdele store opgaver i mindre komponenter og aggregere resultaterne — et område, hvor agentic-rammer bliver særligt effektive.

Brug AI til mønstergenkendelse, ikke autoritativt resonement. AI er god til mønstergenkendelse og identifikation af relationer, men det er ikke godt til logik og resonement. For eksempel er deres “resonement” og matematiske evner forudsigelse, ikke beregning. Således kan outputtet se indsigtsfuldt ud, men det er ikke garanteret at være korrekt, medmindre du forbinder det til et andet system, der kan validere resultaterne. I denne tilgang kan AI koordinere arbejdsgangen, men du har truffet en eksplizit beslutning om, hvor de operationelle grænser er.

AI i fremstillingsindustrien kan skabe reel værdi, men der er bestemte scenarier, hvor risikoen overvælder fordelene. Det inkluderer sikkerheds- og kvalitetskritiske operationer. Det inkluderer også lav-data eller højst nye scenarier, fordi AI fungerer dårligt, når det ikke har set nok relevant data. Højt regulerede miljøer er endnu en udfordring, fordi AI stadig mangler sand traceability. Realtidskontrolsystemer med stramme tolerancer er endnu et sted, hvor AI bør undgås, da AI-forsinkelse eller ustabilitet kan være uacceptabel i højhastighedsprocesser

Fra hype til praktisk

AI er ikke en universel løsning for alle fremstillingsindustriens problemer. Men ved at overveje de virkelige brugstilfælde og de almindelige misforståelser, der er diskuteret ovenfor, kan fremstillingsvirksomhederne adoptere en mere balanceret tilgang til AI. På kort sigt er det vigtigste punkt at bruge AI til, hvad det er bedst til: problemer, der involverer en høj grad af mønstergenkendelse. Brug det ikke til tilfælde, der kræver forudsigelighed, konsistens, logik eller beregninger.

Fremstillingsvirksomheder kan skære igennem støjen og identificere, hvor AI virkelig leverer værdi i dag. Målet er ikke at slowe adoptionen, men at sikre, at organisationer implementerer AI, hvor det meningsfuldt forbedrer produktiviteten og beslutningstagningen, snarere end at følge branchens hype.