För mycket isolerad data, för lite handlingskraft: Hur kan ledare inom till­verk­ning­sin­dustrin omvandla operativ data till kon­kur­rensför­de­lar med hjälp av industriell AI?

För CTO:er, CIO:er och digitaliseringsledare är det avgörande att generera och samla in högkvalitativ och tillgänglig data. Företag inom diskret och processindustri samt energi- och allmännyttiga sektorer har hanterat data i årtionden, men har ofta fokuserat på operativa aktiviteter på bekostnad av datamognad. 

”Denna stora mängd data används oftast för snäva syften. Mycket data förblir oanvänd i operativa system och loggar, vilket innebär att den aldrig används analytiskt. I slutändan bör data gynna människor på golvet, i fältarbete, inom försäljning, kundsupport, produktutveckling eller i styrelserummet,” säger Matti Partanen, direktör för tjänstelösningar på Etteplan. 

Företag bör nu sträva efter att bli datadrivna och skapa helhetsbilder genom att aggregera data från olika operativa områden som säkerhet, kvalitet, underhåll, eftermarknadsservice och försörjningskedjan. 

Det är inte förvånande att alla vill prova artificiell intelligens (AI), särskilt efter den generativa AI:s framfart. Den lovar att utföra datamagi och leda till värdefulla resultat. 

”Företag förväntar sig flera fördelar med AI, såsom optimerad prestanda, mindre stillestånd, lägre kostnader för material och energiförbrukning samt ökad produktivitet. De söker också affärsomvälvande användningsfall, men ofta är det säkrare att börja med interna operationer,” förklarar Partanen. 

Industriella företag genomför AI-piloter delvis av rädsla för att missa AI-revolutionen. Trots detta visar branschrapporter att en betydande andel AI-initiativ stannar upp och aldrig går vidare från pilotstadiet. Varför? 

Ofta introduceras AI utan att först ha etablerat grunderna, vilket leder till besvikelse. AI kan inte fungera korrekt eller ge meningsfulla resultat om det finns flaskhalsar i tillgången, tillgängligheten och kvaliteten på data. 

Partanen menar att framgång beror på företagets datamognad. Därför bör företag först utvärdera hur väl digital teknik och automatiserade arbetsflöden har integrerats i verksamheten. 

”Jag har sett industrier upptäcka allvarliga brister i sin datamognad. Detta är inte oväntat eftersom produktionsresurser och operativa system ofta är starkt isolerade. Data måste samlas från relevanta källor, exempelvis till en dataplattform eller edge, som AI kan nå,” uppmanar Partanen. 

”Det finns även organisatoriska silos. Att dela data mellan enheter har aldrig varit så relevant som nu.” 

Partanen rekommenderar att utveckla en gedigen data- och AI-strategi från början. Den måste vara tätt kopplad till företagets övergripande strategi för att lyckas. Strategin inkluderar affärsmöjligheter och användningsfall samt riktlinjer för organisation, ledarskap, datastyrning, teknologi, integritet och etik. 

”På företagsnivå finns det ofta en fallgrop där affärsmöjligheter och användningsfall formuleras på en för hög nivå i organisationen. De passar sällan in i fabriksverklighetens verkliga utmaningar eller möjligheter.” 

Det är lätt att fastna i att bygga en perfekt ram för data- och AI-strategin. För att undvika detta bör företag inleda sina AI-projekt med konkreta användningsfall som identifierats utifrån operativa smärtpunkter, samtidigt som de bygger den strategiska ramen. Smärtpunkter kan inkludera avkastningsförluster, oplanerat stillestånd eller överdriven energiförbrukning. 

”Att ha ett tydligt användningsfall är avgörande. AI-verktyg måste styras mot specifika resultat och inte överväldiga slutanvändare med för mycket information. Till exempel kan AI undersöka orsaken till slitage på ett specifikt lager i en industriell maskin och kombinera detta med mänsklig intelligens. Dessutom kan AI aggregera information från flera källor till en servicetekniker inom underhåll eller eftermarknadsservice och presentera fynden i en lättförståelig och handlingskraftig form,” säger Partanen. 

I många fall är det bästa tillvägagångssättet att använda så kallade AI-agenter, som är skräddarsydda och uppdragna för att nå ett specifikt mål. De är mycket mer effektiva och anpassningsbara än traditionell regelbaserad programvara och algoritmer. 

Utveckling av AI-agenter ger ofta snabba vinster, som ökad effektivitet. De kan också integreras i interna arbetsflöden och processer för att hjälpa användare att fatta bättre beslut. 

När AI börjar ge resultat måste människor i organisationen kunna lita på och förstå de AI-drivna rekommendationerna. Detta kräver förändringshantering, transparens, utbildning och feedbackloopar. 

”Att nå dit tar tid och kräver mycket expertis. Framgång med industriell AI förutsätter en djup förståelse för verksamheten, kontextuell kunskap om den industriella miljön och teknik, samt kompetens att arbeta med data och AI-modeller. Mycket få konsultföretag inom tillverknings-, energi- eller verktygssektorerna kan erbjuda detta. På Etteplan kan vi, och vi har en bevisad erfarenhet som bekräftar detta,” avslutar Partanen. 

Vill du veta hur du kan omvandla isolerade operativa data till verkligt affärsvärde med hjälp av Industrial AI? Ladda ner vår kostnadsfria guidebok Create value with Industrial AI för praktiska insikter, användningsfall och en beprövad vägkarta för skalbar påverkan.