Tankeledere
Forbi hypen – Hvor AI faktisk fungerer i produksjon

Viktige punkterBruk AI til mønstergjenkjenning, ikke autoritativ resonnering i produksjon.
Vis mer
- Bruk AI til mønstergjenkjenning, ikke autoritativ resonnering i produksjon.
- Del store produksjonsproblemer inn i mindre språktunge oppgaver for AI-agenter.
- Unngå AI i sikkerhetskritiske operasjoner og sanntidskontrollsystemer med trange toleranser.
AI presenteres som den neste industrielle revolusjonen, men mange ledere sliter med å oversette entusiasme til praktiske resultater. Mer enn 80% av lederne i USAs produksjonsindustri sier de planlegger å øke bruken av AI innen de neste to årene, men det gjøres ikke alltid med en tydelig strategi for hva de forventer å oppnå realistisk.
Mellom styrets press for å gjøre noe med AI og virkeligheten av komplekse produksjonsmiljøer, er det et økende gap mellom forventning og gjennomføring. Dette gapet må lukkes hvis produsentene håper å se fordeler av AI i sine forretninger.
Innføring av AI går foran beredskap
Produksjonsledere i dag vet de må ta i bruk AI for å forbli konkurransedyktige. En nylig undersøkelse fra The National Association of Manufacturers (NAM) fant at 51% av produsentene for tiden bruker AI og at 80% vil vurdere AI som essensielt for å utvide eller opprettholde sine forretninger.
Produsenter bruker denne teknologien på mange forskjellige måter. AI har et enormt potensial. Men i mange organisasjoner, leverer investeringer i AI ikke den lovede avkastningen.
En nylig undersøkelse fra PWC og The Manufacturing Institute fant at presset fra ledere for å ta i bruk AI kan gå foran beredskapen for AI-drevet endring. Den samme undersøkelsen fant også, med dens egne ord:
- Ujevn innføring av AI kan bremse integreringen i daglige operasjoner
- Fremgang langs kurven for innføring av AI krever opplæring og kompetansebygging gjennom praktisk erfaring
- Menneskelige mangler og hull i beredskapen kan begrense innføring av AI
- Begrenset frontline-lederinnsats kan begrense innføring av AI og gjennomføring
Finn løsningen
I stedet for å behandle AI som en universell løsning, må ledere skille mellom applikasjoner hvor AI utmerker seg – som forbedring av menneske-system-interaksjon, innsamling av operasjonell kunnskap og forenkling av komplekse arbeidsflyter – og områder hvor det fortsatt er dårlig egnet, inkludert presisjonskontroll og reproduserbar beslutningstaking i produksjonsmiljøer.
En god plass å anvende dette er under salgsprosessen. Mange produsentbedrifter ønsker å forbedre den guidede salgsprosessen ved hjelp av AI. De bør starte med å fokusere på kundens mål eller resultater i stedet for å be kunden velge bestemte parametre om et produkt.
Her er et personlig eksempel: Jeg kjøpte nylig min første elektriske bil (EV). Jeg gikk til EV-produsentens nettsted, og det første jeg så var de tekniske parameterne, som Rekkevidde: 360-558 km. Det er en lang rekkevidde, men jeg forstår hva det betyr. Men hva med hestekrefter? Ingen anelse. Og forbruk? Nå forstod jeg virkelig ikke det; er forbruk bra eller dårlig? Vil det ha noen betydning for min families årlige skitur, som for tiden tar meg rundt syv timer? Det er den type informasjon som ville hjelpe meg å bestemme.
En AI som jeg kunne snakke med om mine prioriteringer, ville hjelpe EV-produsenten med å forstå hva som er viktig for meg og omsette disse prioriteringene til de riktige tekniske spesifikasjonene.
Et annet eksempel er å bruke AI-agenter til å bryte komplekse problemer ned i mindre deler. Agenter planlegger og utfører mål med flere trinn. For å få mest mulig ut av disse agentene, bør oppgavene være preget av språklig arbeid.
Noen ingeniørorganisasjoner tar denne tilnærmingen når det gjelder å håndtere komplekse krav. Noen ganger er informasjonen spredt over hundrevis eller tusenvis av dokumenter, og formatet er ikke standardisert. Hvis du skulle bygge et tradisjonelt programvaresystem for å importere all denne informasjonen, ville det være for mange regler og unntak til disse reglene. Ettersom AI er bra på mønstergjenkjenning, trenger du ikke å skrive ned hver enkelt regel om hvordan du skal tolke disse dokumentene.
Beste praksis for AI i produksjon
Bryt store problemer ned i mindre oppgaver. AI har begrenset arbeidshukommelse. Hvis du gir den for mye data eller et for bredt problem, kan den miste konteksten og begynne å hallusinere mens den fortsatt prøver å gi et svar. For å redusere denne risikoen, deler du store oppgaver inn i mindre komponenter og samler resultatene — et område hvor agentbaserte rammeverk blir spesielt effektive.
Bruk AI for mønstergjenkjenning, ikke autoritativ resonnering. AI er bra på mønstergjenkjenning og å identifisere relasjoner, men det er ikke bra for logikk og resonnering. For eksempel, AI-ens “resonnering” og matematiske evner er prediksjon, ikke beregning. Så, resultatene kan virke innsiktsfulle, men de er ikke garantert å være korrekte, med mindre du kobler AI til et annet system som kan validere resultater. I denne tilnærmingen kan AI koordinere arbeidsflyten, men du har tatt en eksplisitt beslutning om hvor de operative grensene er.
AI i produksjon kan skape virkelig verdi, men det er bestemte scenarier hvor risikoen overstiger fordelen. Disse inkluderer sikkerhets- og kvalitetskritiske operasjoner. Det inkluderer også scenarier med lite data eller helt nye situasjoner fordi AI fungerer dårlig når den ikke har sett nok relevant data. Høyt regulerte miljøer er en annen utfordring fordi AI fortsatt mangler ekte sporbarhet. Sanntidskontrollsystemer med stramme toleranser er et annet sted hvor AI bør unngås ettersom AI-forsinkelse eller ustabilitet kan være uakseptabel i høyhastighetsprosesser
Fra hype til praktisk nytte
AI er ikke en universell løsning for alle produksjonsproblemer. Men ved å vurdere de virkelige bruksområdene og vanlige misforståelser diskutert ovenfor, kan produsenter adoptere en mer balansert tilnærming til AI. På kort sikt er det viktigste å bruke AI til det den er best på: problemer som involverer en høy grad av mønstergjenkjenning. Ikke bruk det til saker som krever forutsigbarhet, konsistens, logikk eller beregninger.
Produsenter kan kutte gjennom støyen og identifisere hvor AI faktisk leverer verdi i dag. Målet er ikke å bremse innføringen, men å sikre at organisasjonene tar i bruk AI der det meningsfullt forbedrer produktivitet og beslutningstaking i stedet for å bare følge industrihype.












