AI-parathed begynder med pålidelige produktdata

Producenter investerer massivt i AI, digitale trådinitiativer, automatisering og modernisering af virksomheden for at øge produktiviteten og forbedre beslutningstagningen. Meget af samtalen handler om AI-modeller, infrastruktur og integration. Men mange organisationer overser en grundlæggende forudsætning for disse indsatser: tillid til de underliggende produktdata og forretningsregler, der styrer de operationelle beslutninger.

Udfordringen består ikke blot i at forbinde systemer, men også i at sikre, at produktdefinitionerne, konfigurationslogikken og forretningsreglerne, der flyder mellem dem, forbliver korrekte. AI-parathed begynder med tillid til virksomhedens produktdata. Digital transformation handler ikke kun om at forbinde systemer; den handler også om at bevare betydningen og nøjagtigheden af de oplysninger, der bevæger sig mellem dem.

Når virksomheder moderniserer deres virksomhedssystemer og forbinder platforme til styring af produktlivscyklus (PLM), planlægning af virksomhedens ressourcer (ERP), konfigurering, prissætning og tilbudsgivning (CPQ) samt service, kan uoverensstemmelser i konfigurationslogikken ubemærket undergrave nøjagtigheden af efterfølgende processer og effektiviteten af AI-drevne anbefalinger. Uden pålidelig konfigurationslogik fremskynder AI fejl i stedet for at forbedre beslutningerne.

Hvorfor produktkonfiguration er det skjulte fundament

Nutidens producenter er i stigende grad afhængige af et sammenkoblet økosystem, der omfatter PLM, ERP, CPQ, produktion og service. Produktkonfiguration fungerer som bindevæv, der omsætter ingeniørernes intentioner til krav inden for produktion, salg, prissætning og service.

Hvert system har sit eget syn på produktet: PLM har brug for de tekniske oplysninger og designoplysningerne, produktionen skal vide, hvad der kan fremstilles, og CPQ har brug for reglerne for salg og markeder. Det er konfigurationen, der forbinder disse perspektiver. Når den underliggende logik ændres eller bliver inkonsistent, brydes den digitale tråd, uanset hvor godt systemerne er integreret.

Ældre regler medfører en usynlig risiko

Produktkonfigurationsmodeller afspejler ofte årtiers ophobede viden, som er blevet føjet til over tid: lovkrav, produktionsbegrænsninger, markedsspecifikke undtagelser og prislogik. De personer, der oprindeligt byggede disse modeller, har ofte forladt virksomheden, og organisationerne står derfor tilbage med regler, som ingen længere helt forstår.

Moderniseringsprojekter for virksomhedssystemer, såsom migreringer til SAP S/4HANA, fokuserer typisk på applikationer, infrastruktur og specialudviklet kode, mens konfigurationslogik behandles som sekundær. Resultatet er en overset risiko: Systemer kan migreres uden problemer, samtidig med at konfigurationsadfærden ændres på subtile måder, som er vanskelige at opdage med traditionelle testmetoder.

Migreringer til S/4HANA illustrerer problemet tydeligt, fordi en ny konfigurationsmotor kan fortolke veletablerede regler anderledes, selv om syntaksen er identisk. Forskelle i, hvordan standardværdier anvendes, i rækkefølgen, som begrænsninger evalueres i, og i måden, konflikter mellem regler løses på, kan alle ændre, hvilke kombinationer en model accepterer, uden at en eneste linje i selve reglerne bliver omskrevet.

Det er ikke blot forvirrende; dårlig konfigurationslogik bliver et forretningsproblem. Der er to fejltyper, og begge er dyre:

• En konfiguration giver en virksomhed mulighed for at sælge noget, den faktisk ikke kan fremstille, hvilket fører til ekstraarbejde, manglende overholdelse af forpligtelser og skadede kunderelationer.
• En konfiguration forhindrer fejlagtigt en virksomhed i at sælge noget, den godt kunne fremstille, hvilket fører til tabt omsætning og potentielt tab af konkurrencefordele.

Den første fejltype bliver før eller siden synlig på fabriksgulvet. Den anden er usynlig; intet i ordrebogen registrerer et salg, som konfiguratoren aldrig tillod.

Verifikation bliver en strategisk kompetence

Traditionel validering af migrering bygger i høj grad på manuel testning og stikprøvekontroller, som ikke realistisk kan evaluere det enorme antal mulige produktkombinationer. Verifikation af konfiguration flytter fokus fra, om data blev overført korrekt, til, om forretningshensigten stadig er intakt.

Jeg har set producenter bemande teams, hvis eneste opgave er at bekræfte, at en migreret model stadig genererer de samme gyldige konfigurationer og stadig afviser de samme ugyldige, ganske enkelt fordi de ikke har nogen anden måde at vide det på. Det er detaljeret, dyrt og tidskrævende arbejde, og selv da undersøger det kun et udsnit af problemet.

Det er værd at være præcis om problemets omfang. En model med 30 variabler og fem valgmuligheder for hver tillader cirka 10²¹ kombinationer, langt flere end det anslåede antal sandkorn på Jorden, og virkelige industrielle modeller er betydeligt større. Uanset hvor mange mennesker der klikker sig gennem en brugergrænseflade, kan de ikke gennemgå alle kombinationerne; det tillader matematikken ikke.

Derfor er formelle metoder vigtige. I stedet for at gennemgå stikprøver af kombinationer kan en konfigurationsmodel kompileres til en kanonisk logisk form: en kompakt matematisk repræsentation af alle de gyldige kombinationer, som reglerne tillader. To modeller, der er kompileret på denne måde, kan sammenlignes direkte. Enten beskriver de præcis det samme sæt af gyldige produkter, eller også viser sammenligningen præcist, hvor modellerne afviger fra hinanden, med konkrete eksempler på kombinationer, som den ene accepterer, og den anden afviser. Den samme repræsentation gør kørselstidsadfærden til et opslag i stedet for en søgning. Det gør det muligt for en konfigurator kun at vise gyldige muligheder og aldrig føre brugeren ud i en blindgyde. Det viser sig, at verifikation og korrekthed under kørsel er den samme funktion betragtet fra to forskellige vinkler.

Organisationer har i stigende grad brug for denne type formelle sammenligning, før de bygger AI eller automatisering oven på deres produktregler. Målet er ikke blot at reducere risikoen ved migrering, men også at sikre kontinuitet i driften på tværs af teknik, produktion, salg og service samt at få mulighed for at teste, fejlfinde og verificere konfigurationsmodeller inden lancering i stedet for efterfølgende.

AI hører hjemme oven på en deterministisk motor, ikke i stedet for den

Intet af dette kræver, at AI erstatter konfigurationsmotoren. Det mere holdbare mønster er det modsatte: AI placeres mellem brugeren og en stringent konfigurationsmotor og giver en mere naturlig oplevelse af vejledt salg eller anbefalinger, mens de underliggende regler forbliver deterministiske. Sprogmodellen fortolker, hvad kunden efterspørger; motoren afgør, hvad der faktisk kan bygges. Denne arbejdsdeling sikrer, at den del af processen, hvor korrektheden skal kunne bevises, ikke overlades til et system, der i sagens natur er probabilistisk.

Pålidelige data er afgørende for, at AI-projekter lykkes

AI kan kun generere anbefalinger lige så pålideligt, som den produktviden, den får adgang til. Uverificerede konfigurationsdata får AI til at videreføre fejl i stor skala på tværs af virksomheden og svækker dermed salgsvejledning, beslutninger i produktionen og tilsagn over for kunderne.

Producenter bør betragte dataverifikation som en forudsætning for at implementere AI, på samme måde som softwaretest blev en forudsætning for udvikling af applikationer. I takt med at den digitale omstilling fortsætter, vil konkurrencefordele i stigende grad komme af at implementere AI på et fundament af pålidelig produktviden – ikke af at være først med at implementere AI.