Hvordan KI endrer kvalitetskontrollen i bilindustrien

Svikt i kvaliteten er kostbart. I 2025 utbetalte amerikanske bilprodusenter 20,81 milliarder dollar i garantikrav, og ifølge National Highway Traffic Safety Administration ble mer enn 29 millioner kjøretøy tilbakekalt. Alle disse tallene skyldtes en defekt del som ble oversett eller ikke kontrollert ordentlig – enten feilen oppsto under konstruksjonen og/eller inspeksjonen, eller noe skjedde med kjøretøyet etter at det var sendt til en kunde.

Det er mange stadig mer komplekse faktorer som spiller inn når man skal finne feil på produksjonslinjen. Funksjoner som tidligere var mekaniske, styres nå av programvare, og toleransene for mekaniske komponenter og elbilbatterier er blitt mindre. Dermed er det lite rom for feil. I tillegg fører globale forsyningskjeder til variasjon som én enkelt fabrikk ikke kan kontrollere fullt ut. Alt dette gjør det viktigere enn noen gang å ha en god prosess for å finne feil på produksjonslinjen. 

Kunstig intelligens gir kvalitetsteam nye verktøy. I stedet for å kontrollere et utvalg deler etter produksjonen og håpe at ingen problemer slipper gjennom, kan produsentene nå overvåke hver enkelt del i sanntid og fange opp trender eller avvik før de utvikler seg til feil. Etter å ha jobbet med bil-, dekk- og batteriprodusenter med disse utfordringene i flere år vil jeg gå gjennom hva som faktisk er i endring, og hva som skal til for å få slike programmer til å fungere.

Fange opp problemer før de eskalerer

Den største endringen KI fører med seg innen kvalitetskontroll, er skalaen. Når du undersøker alle produktene på produksjonslinjen, kan du oppdage avvik før de utvikler seg til feil. Det er menneskelig å feile, så hvis du bare undersøker et utvalg fra produksjonslinjen og er avhengig av at mennesker inspiserer produktene visuelt, kan avvik bli oversett. Det kan skyldes menneskelige feil – at man ikke klarer å oppdage en feil visuelt – eller at tretthet setter inn, slik at de ansatte ikke er like oppmerksomme på detaljer som de var ved starten av skiftet.

Utviklingen innen kameraer og KI, og samspillet mellom dem, kan være svært fordelaktig for bilindustrien. Ikke bare kan du begynne å oppdage flere feil på produksjonslinjen, men, enda viktigere, du kan oppdage problemer før de oppstår. Ved å bruke KI til å oppdage feil i virtuell testing har produsenter begynt å utnytte dette til ikke bare å forutsi mulige feil, men også til å lage nye tester for produktene sine. Dessuten kan bruk av KI på produksjonslinjen gjøre det mulig å oppdage flere feil enn noen gang før. Forskning fra McKinsey viste at produsenter kunne oppdage 90 % flere feil ved å bruke KI på produksjonslinjen.

Inspeksjon som stadig blir bedre

Å fange opp flere feil er bare en del av bildet. Den andre store endringen er at KI-basert inspeksjon blir bedre over tid, i stedet for å forbli uendret. Ikke bare finner man flere feil; et KI-drevet system analyserer også alle dataene det har samlet inn, og lærer av dem. Ved å bruke KI til å forutsi maskinenes produksjonsresultater kan du oppdage når maskinene ikke yter i henhold til spesifikasjonene. Hvis maskinene begynner å komme utenfor toleransegrensene, kan du varsle systemet og få det til å justere maskinparametrene, slik at produksjonen igjen holder seg innenfor toleransegrensene og produktene oppfyller spesifikasjonene.

Et eksempel fra dekkindustrien er skjøting. Ved å bruke KI og maskinsyn i skjøteprosessen kan du redusere antallet skjøter som ligger utenfor toleransegrensene, samtidig som ytelsen forbedres. I bilindustrien er et annet eksempel hvordan vi forbedrer spaltebredde og planhet i karosseri- eller sveiseverkstedet. Fordi du har latt systemet lære av både nåværende og historiske data, vet det hvordan en god skjøt skal se ut, og hvilke geometriske toleranser som er gode. Det vil begynne å justere maskinens prosessvariabler og robotene i sanntid for å holde seg innenfor toleransegrensene. Denne læringssløyfen skiller moderne KI-inspeksjon fra tidligere automatisering. Standardene forblir de samme på tvers av skift, produksjonslinjer og til og med fabrikker i ulike regioner. Dette er viktig for dekkprodusenter og bilprodusenter som bruker de samme systemene og modellene ved flere anlegg verden over.

Fra sikkerhetstiltak til strategisk fordel

Kvalitetskontroll har lenge blitt betraktet som et sikkerhetstiltak – en siste kontroll som skal hindre at dårlige deler når kundene. KI gjør kvalitetskontroll til noe som ligner mer på et strategisk virkemiddel. 

Du kan ikke bare oppdage flere feil, men også begynne å forstå hvor de oppstår. Med bedre forståelse av prosessen kan du oppdage trender og rette opp problemene før de utvikler seg. Når du begynner å forstå hvor feilene oppstår, kan du øke førstegangsutbyttet og redusere kassasjons- og omarbeidingsraten. Ved å redusere kassasjon og omarbeiding kan du også øke produksjonsvolumet.

Måltallene som betyr noe her, er ikke spesielt kompliserte. Førstegangsutbytte, kassasjons- og omarbeidingsrate, kundeklager og inspeksjonsnøyaktighet ble målt også før KI. Det som endrer seg, er hvor raskt og konsekvent produsentene kan måle disse faktorene og handle ut fra dem. En feil som oppdages på produksjonslinjen, koster langt mindre enn en som oppdages etter montering. Og en feil som oppdages etter montering, koster langt mindre enn en som når kunden og fører til et garantikrav eller en tilbakekalling.

Hvorfor så mange KI-programmer går i stå

Dette skjer selvfølgelig ikke av seg selv. Det at man kjøper kameraer og AI-programvare, betyr ikke at man kommer til å oppdage flere feil. Produsenter som har lykkes med å ta i bruk slike prosesser, har gjort noen viktige ting annerledes. De identifiserte et problem på produksjonslinjen og forsøkte å løse det med AI, i stedet for å kaste seg ut i AI og lete etter noe å bruke teknologien til. De sørget også for å ha målbare mål som de kunne sammenligne resultatene med. Når du vet at pilotprosjektet er vellykket, kan du se på muligheten for å utvide prosessen til andre områder på produksjonslinjen.

En annen ting du bør sørge for, er at teamet ditt har riktig kompetanse. Kvalitetsteamet ditt kjenner kanskje prosessen ut og inn, men har aldri brukt maskinlæring. Eller kanskje datavitenskapsteamet ditt kan alt om maskinlæring, men ikke vet hva som foregår på produksjonslinjen. Sørger du for at teamet har denne tverrfaglige kompetansen, i tillegg til erfaring med å skalere prosesser, kan du ta i bruk disse prosessene på produksjonslinjen og i hele virksomheten.

Veien videre

Kvalitet har alltid vært avgjørende for omdømmet i bilindustrien. En enkelt feil som når markedet, kan utløse tilbakekallinger som koster hundrevis av millioner dollar, og svekke kundenes tillit, som det har tatt år å bygge opp. AI kan bidra til å oppdage feilen tidligere, forstå hvorfor den oppstod og forhindre at den gjentar seg – på tvers av alle produksjonslinjer og fabrikker, i stedet for én om gangen.

Produsentene som får reell verdi ut av AI i dag, er ikke nødvendigvis de som har den mest avanserte teknologien. Det er de som behandler kvalitet som et system som må forstås og forbedres kontinuerlig, og ser AI som én del av systemet, ikke som hele systemet. Etter hvert som kjøretøyarkitekturene utvikler seg og produksjonsvolumene fortsetter å øke, blir denne arbeidsmåten stadig viktigere.