AI-beredskap börjar med tillförlitliga produktdata

Tillverkare investerar stort i AI, initiativ för digitala trådar, automatisering och modernisering av verksamheten för att öka produktiviteten och förbättra beslutsfattandet. Mycket av diskussionen handlar om AI-modeller, infrastruktur och integration. Men många organisationer förbiser en grundläggande förutsättning för de här satsningarna: tilliten till de underliggande produktdata och affärsregler som styr operativa beslut.

Utmaningen handlar inte bara om att koppla samman system, utan också om att se till att produktdefinitioner, konfigurationslogik och affärsregler som förs mellan systemen förblir korrekta. AI-beredskap börjar med tillit till verksamhetens produktdata. Digital omvandling handlar inte bara om att koppla samman system, utan också om att bevara informationens innebörd och korrekthet när den förs mellan systemen.

När företag moderniserar sina verksamhetssystem och kopplar samman produktlivscykelhantering (PLM), affärssystem (ERP), konfigurering, prissättning och offertgivning (CPQ) samt serviceplattformar kan inkonsekvenser i konfigurationslogiken i det tysta undergräva noggrannheten i efterföljande processer och effektiviteten hos AI-drivna rekommendationer. Utan tillförlitlig konfigurationslogik påskyndar AI misstag i stället för att förbättra besluten.

Därför är produktkonfigurering den dolda grunden

Dagens tillverkare förlitar sig alltmer på ett sammankopplat ekosystem som omfattar PLM, ERP, CPQ, tillverkning och service. Produktkonfigurering fungerar som den sammanbindande länken som omsätter konstruktionsavsikter i krav för tillverkning, försäljning, prissättning och service.

Varje system har sin egen bild av produkten: PLM behöver den tekniska informationen och konstruktionsinformationen, tillverkningen behöver veta vad som går att tillverka och CPQ behöver reglerna för försäljning och marknader. Konfigureringen är det som förenar dessa perspektiv. När den underliggande logiken ändras eller blir inkonsekvent bryts den digitala tråden, oavsett hur väl systemen är integrerade.

Äldre regler medför osynliga risker

Produktkonfigurationsmodeller rymmer ofta kunskap som byggts upp under årtionden och lagrats på i lager över tid: myndighetskrav, begränsningar i tillverkningen, undantag för specifika marknader och prissättningslogik. De som ursprungligen byggde modellerna har ofta lämnat företaget, vilket innebär att organisationerna sitter med regler som ingen längre förstår fullt ut.

Projekt för modernisering av verksamhetssystem, till exempel migreringar till SAP S/4HANA, lägger vanligtvis tonvikten på applikationer, infrastruktur och anpassad kod, medan konfigurationslogiken får en underordnad roll. Resultatet är en förbisedd risk: systemen kan migreras utan problem samtidigt som konfigurationsbeteendet förändras på subtila sätt som är svåra att upptäcka med traditionella tester.

Migreringar till S/4HANA illustrerar problemet väl, eftersom en ny konfigurationsmotor kan tolka sedan länge etablerade regler annorlunda trots att syntaxen är identisk. Skillnader i hur standardvärden tillämpas, i vilken ordning begränsningar utvärderas och i hur konflikter mellan regler löses kan alla förändra vilka kombinationer en modell godtar, utan att en enda rad i själva reglerna skrivs om.

Det här är inte bara förvirrande; felaktig konfigurationslogik blir ett affärsproblem. Det finns två typer av fel, och båda är kostsamma:

• En konfiguration gör det möjligt för ett företag att sälja något som det i själva verket inte kan tillverka, vilket leder till omarbete, ouppfyllda åtaganden och skadade kundrelationer.
• En konfiguration hindrar felaktigt ett företag från att sälja något som det skulle kunna tillverka, vilket leder till förlorade intäkter och en potentiellt förlorad konkurrensfördel.

Det första felet blir förr eller senare tydligt på fabriksgolvet. Det andra förblir oupptäckt; orderboken registrerar aldrig någon försäljning som konfiguratorn inte tillät.

Verifiering blir en strategisk förmåga

Traditionell validering vid migrering bygger i hög grad på manuella tester och stickprovskontroller, som inte rimligen kan utvärdera det enorma antalet möjliga produktkombinationer. Konfigurationsverifiering flyttar fokus från frågan om data har överförts korrekt till frågan om affärsavsikten fortfarande är intakt.

Jag har sett tillverkare bemanna team vars enda uppgift är att bekräfta att en migrerad modell fortfarande ger samma giltiga konfigurationer och fortfarande avvisar samma ogiltiga, helt enkelt eftersom de saknar andra sätt att ta reda på det. Det är ett detaljerat, kostsamt och tidskrävande arbete, och även då undersöker det bara ett urval av problemet.

Det är värt att vara noggrann med omfattningen. En modell med 30 variabler och fem val för varje variabel medger ungefär 10²¹ kombinationer, långt fler än det uppskattade antalet sandkorn på jorden, och verkliga industrimodeller är betydligt större. Hur många människor som än klickar sig igenom ett användargränssnitt kan de inte täcka hela det utrymmet; matematiken sätter stopp.

Det är därför formella metoder är viktiga. I stället för att testa ett urval av kombinationer kan en konfigurationsmodell kompileras till en kanonisk logisk form: en kompakt matematisk representation av varje giltig kombination som reglerna tillåter. Två modeller som har kompilerats på det här sättet kan jämföras direkt. Antingen beskriver de exakt samma uppsättning giltiga produkter, eller så visar jämförelsen exakt var de skiljer sig åt, med konkreta exempel på kombinationer som den ena godkänner och den andra avvisar. Samma representation gör om beteendet vid körning till en uppslagning i stället för en sökning, vilket gör att en konfigurator bara kan visa giltiga alternativ och aldrig leda användaren till en återvändsgränd. Verifiering och korrekthet vid körning visar sig vara samma förmåga, betraktad från två håll.

Organisationer behöver i allt högre grad den här typen av formell jämförelse innan de lägger AI eller automatisering ovanpå sina produktregler. Målet är inte bara att minska risken vid migrering, utan också att bevara kontinuiteten i verksamheten inom teknik, tillverkning, försäljning och service samt att kunna testa, felsöka och verifiera konfigurationsmodeller före lansering i stället för efteråt.

AI hör hemma ovanpå en deterministisk motor, inte i stället för den

Inget av detta kräver att AI ersätter konfigurationsmotorn. Den mer hållbara modellen är den motsatta: AI fungerar som ett mellanled mellan användaren och en rigorös konfigurationsmotor och ger en mer naturlig upplevelse av vägledd försäljning eller rekommendationer, medan de underliggande reglerna förblir deterministiska. Språkmodellen tolkar vad kunden efterfrågar; motorn avgör vad som faktiskt går att bygga. Den här arbetsfördelningen ser till att den del av processen som måste kunna bevisas vara korrekt inte hanteras av ett system som till sin konstruktion är probabilistiskt.

Tillförlitliga data är det som får AI-satsningar att lyckas

AI kan bara generera rekommendationer med samma tillförlitlighet som den produktkunskap den får tillgång till. Overifierade konfigurationsdata får AI att sprida fel i stor skala inom företaget, vilket undergräver säljstödet, tillverkningsbesluten och kundåtagandena.

Tillverkare bör se dataverifiering som en förutsättning för att införa AI, ungefär som programvarutestning blev en förutsättning för applikationsutveckling. I takt med att den digitala omvandlingen fortsätter kommer konkurrensfördelar i allt högre grad inte att komma av att införa AI först, utan av att införa AI med en grund i tillförlitlig produktkunskap.