Så förändrar AI kvalitetskontrollen inom fordonsindustrin

Kvalitetsbrister är kostsamma. Under 2025 betalade amerikanska fordonstillverkare ut 20,81 miljarder dollar i garantianspråk, och enligt National Highway Traffic Safety Administration återkallades över 29 miljoner fordon. Bakom vart och ett av dessa tal låg en defekt komponent som hade förbisetts eller inte inspekterats ordentligt – oavsett om felet uppstod under konstruktionen och/eller inspektionen eller drabbade fordonet efter att det hade levererats till en kund.

Många alltmer komplexa faktorer spelar in när man försöker hitta defekter i produktionslinjen. När funktioner som tidigare var mekaniska nu styrs av programvara, och toleranserna för mekaniska komponenter och elbilsbatterier blir snävare, finns det litet utrymme för misstag. Dessutom skapar globala leveranskedjor variationer som en enskild fabrik inte helt kan kontrollera. Sammantaget finns det fler skäl än någonsin att se till att ha rätt process på plats för att hitta defekter i produktionslinjen. 

Artificiell intelligens ger kvalitetsteamen en ny uppsättning verktyg. I stället för att kontrollera ett urval av komponenter efter produktionen och hoppas att inga problem slinker igenom kan tillverkare nu övervaka varje komponent i realtid och upptäcka trender eller avvikelser innan de leder till defekter. Efter att ha arbetat i flera år med tillverkare inom fordons-, däck- och batteribranschen med dessa problem vill jag gå igenom vad som faktiskt förändras och vad som krävs för att få de här programmen att fungera.

Upptäck problem innan de växer

Den största förändringen som AI för med sig inom kvalitetskontroll är möjligheten att arbeta i större skala. Genom att granska alla produkter på produktionslinjen kan man upptäcka avvikelser innan de blir defekter. Att fela är mänskligt, så om man bara granskar ett urval från produktionslinjen och förlitar sig på att människor inspekterar produkterna visuellt kan avvikelser missas. Det kan bero på mänskliga misstag, till exempel att någon inte lyckas upptäcka en defekt visuellt, eller på att tröttheten sätter in och gör att medarbetarna inte är lika noggranna som i början av arbetspasset.

Utvecklingen och samverkan mellan kameror och AI kan innebära stora fördelar för fordonsindustrin. Man kan inte bara börja upptäcka fler defekter på produktionslinjen, utan också – och framför allt – upptäcka problem innan de uppstår. Genom att använda AI för att upptäcka defekter vid virtuell testning har tillverkare börjat dra nytta av tekniken för att inte bara förutsäga möjliga fel utan också skapa nya tester av sina produkter. Dessutom kan AI på produktionslinjen göra det möjligt att upptäcka fler defekter än någonsin tidigare. En undersökning från McKinsey visade att tillverkare kunde upptäcka 90 % fler defekter genom att använda AI på produktionslinjen.

Inspektion som blir bättre med tiden

Att upptäcka fler defekter är bara en del av bilden. Den andra förändringen är att AI-driven inspektion blir bättre med tiden i stället för att förbli oförändrad. Inte bara upptäcks fler defekter, utan ett AI-drivet system analyserar alla inlästa data och lär sig. Genom att använda AI för att förutsäga maskinernas resultat kan man upptäcka när maskinerna inte presterar enligt specifikationerna. Om maskinerna börjar hamna utanför toleranserna kan man larma systemet och låta det justera maskinvärdena, så att resultatet åter hamnar inom toleranserna och produkterna uppfyller specifikationerna.

Ett exempel från däckindustrin är skarvning. Genom att använda AI och bildanalys i skarvningsprocessen kan man minska antalet skarvar som ligger utanför toleranserna och samtidigt förbättra prestandan. Ett exempel från fordonsindustrin är hur vi förbättrar springor och nivåskillnader i kaross- eller svetsverkstaden. Eftersom systemet har fått lära sig av både aktuella och historiska data vet det hur en bra skarv och korrekta geometriska toleranser ser ut. Det kan då börja justera maskinernas processparametrar och robotarna i realtid för att hålla sig inom toleranserna. Den här inlärningsloopen är det som skiljer modern AI-inspektion från tidigare automatisering. Standarderna förblir konsekventa mellan arbetsskift, produktionslinjer och till och med fabriker i olika regioner. Det är viktigt för däcktillverkare och fordonstillverkare som använder samma system och modeller vid flera anläggningar runt om i världen.

Från skyddsåtgärd till strategisk fördel

Länge har kvalitetskontroll betraktats som en skyddsåtgärd, en slutkontroll som ska hindra undermåliga komponenter från att nå kunderna. AI gör den till ett verktyg som i högre grad kan användas strategiskt. 

Man kan inte bara upptäcka fler defekter, utan också börja förstå var de uppstår. En bättre förståelse för processen gör det möjligt att upptäcka trender och åtgärda problemen innan de blir allvarliga. När man väl börjar förstå var defekterna uppstår kan man öka utbytet vid första genomgången och minska kassations- och omarbetningsgraden. Genom att minska kassationer och omarbete kan man sedan öka genomströmningen.

De mått som är viktiga här är inte märkvärdiga. Utbyte vid första genomgången, kassations- och omarbetningsgrad, kundklagomål och inspektionsnoggrannhet fanns redan före AI. Det som förändras är hur snabbt och konsekvent tillverkare kan mäta dem och agera utifrån resultaten. En defekt som upptäcks på produktionslinjen kostar mycket mindre än en som upptäcks efter monteringen, och en defekt som upptäcks efter monteringen kostar mycket mindre än en som når en kund och leder till ett garantianspråk eller en återkallelse.

Därför kör många AI-program fast

Självklart sker inget av det här automatiskt. Att köpa kameror och AI-programvara innebär inte i sig att ni kommer att upptäcka fler fel. Det finns ett par viktiga faktorer som skiljer de tillverkare som framgångsrikt har infört dessa processer från andra. De identifierade ett problem på sin produktionslinje och försökte lösa det med AI, i stället för att kasta sig in i AI och försöka hitta något att använda tekniken till. De såg också till att sätta upp mätbara mål som de kunde jämföra resultaten med. När ni vet att pilotprojektet är framgångsrikt kan ni sedan överväga att skala upp processen till andra delar av produktionslinjen.

En annan sak att se till att ni har är rätt kompetens i teamet. Kvalitetsteamet kanske kan allt om processen, men har aldrig använt maskininlärning. Eller så kan datavetenskapsteamet allt om maskininlärning, men vet inte vad som händer på produktionslinjen. Om ni ser till att ha den här tvärfunktionella kompetensen, tillsammans med erfarenhet av hur man skalar upp, kan ni införa processerna på produktionslinjen och i hela verksamheten.

Vad framtiden för med sig

Kvalitet har alltid varit avgörande för anseendet inom fordonsindustrin. En enda avvikelse som når marknaden kan leda till återkallelser som kostar hundratals miljoner dollar och urholka kundernas förtroende, som byggts upp under många år. AI gör det möjligt att upptäcka avvikelsen tidigare, förstå varför den uppstod och förhindra att den återkommer – på varje produktionslinje och i varje fabrik, i stället för att hantera dem en i taget.

De tillverkare som får verkligt värde av AI i dag är inte nödvändigtvis de som har den mest avancerade tekniken. Det är de som ser kvalitet som ett system att förstå och förbättra kontinuerligt, där AI är en del av systemet snarare än hela systemet. I takt med att fordonsarkitekturerna fortsätter att utvecklas och produktionsvolymerna ökar kommer den disciplinen att bli viktigare, inte mindre viktig.