Den mänskliga faktorn: varför AI-projekt inte kan lyckas utan människor och processer

Maskiner som förutspår när underhåll behövs. System som kan svara på komplexa tekniska frågor utan att en specialist behöver spendera timmar på att söka i databaser. Mjukvara som automatiskt skriver kod och föreslår optimeringar... AI erbjuder enorma möjligheter inom tillverkning.

Teknologin finns där, men mellan proof-of-concept och full implementering ligger en stor utmaning. Företag som lyckas med att implementera AI delar alla en sak: de lägger lika stor vikt vid de mänskliga och organisatoriska aspekterna som vid de tekniska.

Från data till intelligenta beslut

Moderna tillverkningsföretag samlar in enorma mängder data, men den verkliga utmaningen ligger i att omvandla det till handlingsbara insikter. Det kräver mer än bara smarta algoritmer.

Ta prediktivt underhåll som exempel. Genom att identifiera mönster i data kan algoritmer förutsäga när en komponent sannolikt kommer att sluta fungera. Detta minskar oplanerade driftstopp och håller produktionslinjer eller logistikprocesser igång smidigt.

En annan tillämpning finns inom kunskapshantering. Vid hantering av incidenter som involverar komplexa maskiner eller ny hårdvara och mjukvara som kräver kalibrering, behöver ofta väldigt specifik information hämtas från stora databaser. Mycket av den kunskapen finns för närvarande hos ett fåtal erfarna specialister. En teknisk fråga kan ta någon tjugo minuter att söka igenom dokument och listor, en manual och en iterativ process. Ett system som är tränat på företagspecifik data kan besvara samma frågor på naturligt språk inom några sekunder.

AI gör också skillnad inom mjukvaruutveckling. Verktyg som hjälper till att skriva script, hitta buggar eller optimera algoritmer kan avsevärt påskynda utvecklarnas arbete.

Utmaningar vid implementering av AI

Många tillverkningsföretag har skaffat sig erfarenhet av AI-piloter. Dessa experiment är ofta framgångsrika, men att gå mot strukturell implementering visar sig vara svårt. Orsakerna är vanligtvis organisatoriska snarare än tekniska.

Begränsade resurser
AI-projekt kräver specialiserad expertis och tid, vilket båda är bristvaror i många organisationer. Bristen på IT-talanger är en utmaning som de flesta företag känner igen.

Inte en högsta prioritet
AI är fortfarande relativt nytt. Det kan fungera, men det kan också misslyckas, och man kan inte veta säkert i förväg. Eftersom AI-applikationer ofta fokuserar på effektivitetsvinster inom specifika team snarare än direkt intäktstillväxt får de inte alltid högsta prioritet. Att övertyga ledningen om behovet kan i sig vara en utmaning.

Kulturellt motstånd
Anställda som är vana vid beprövade metoder kan se AI som ett hot snarare än ett verktyg. Erfaren ingenjörspersonal kan särskilt fråga varför de ska ändra sitt tillvägagångssätt om det alltid har fungerat. Att bygga upp medvetenhet och förtroende för ny teknik tar tid.

Svart låda-problemet
Förtroende spelar en avgörande roll i tillverkningsindustrin. AI-system fungerar ofta som en svart låda: du matar in data och får ett resultat, men det är inte alltid tydligt hur det resultatet har genererats. Det finns en försiktighet kring att låta AI fatta kritiska beslut om produktion eller maskiner. Om något går fel och en maskin stannar sprider sig effekten genom hela leveranskedjan, ända till slutkunderna. Med företagets rykte på spel tenderar beslutsfattare att vara försiktiga.

Utöver detta uppstår organisatoriska utmaningar. AI-projekt kräver samarbete mellan IT, drift, dataanalytiker och ledning. Detta kräver nya processer och tydliga överenskommelser om ansvar. För traditionella organisationer med strikta hierarkier och avdelningar som arbetar isolerat innebär det en betydande förändring.

Framgång börjar med människor

Framgångsrik AI-implementering börjar med människor. Det handlar om att bygga förtroende och öka medvetenheten, inte genom en engångspresentation, utan genom tålamod och uthållighet. Dessa åtgärder kan hjälpa till att göra AI till en framgång:

• Utse AI-ambassadörer: Entusiastiska tidiga användare som experimenterar med tekniken och vägleder sina kollegor. De kan visa vad som är, och inte är, möjligt, vilket förhindrar orealistiska förväntningar.
• Erbjud praktisk utbildning: Alla behöver inte bli dataforskare, men att ha en grundläggande förståelse för hur maskininlärning fungerar är till hjälp. Medarbetare som vet vad AI kan och inte kan göra är bättre rustade att använda det effektivt.
• Börja smått: Istället för att omskapa hela produktionsprocessen på en gång, börja med enkla tillämpningar som ger snabba resultat. Till exempel en intern chatbot för att besvara vanliga tekniska frågor, eller mjukvara som hjälper till att skapa testrapporter.

Det är också viktigt att vara transparent kring begränsningar. AI kommer inte att lösa alla problem och kan göra misstag. Genom att vara öppen med detta förhindrar du besvikelse och bibehåller förtroendet inom ditt team.

Styrning och datakvalitet

Utöver den mänskliga faktorn kräver implementering av AI anpassade processer. Vem är ansvarig om en algoritm fattar fel beslut om en produktionsinställning? Hur säkerställer du att data som systemet tränas på förblir aktuell? Och hur skyddar du integritet och säkerhet?

Dessa frågor blir ännu mer komplexa med ny lagstiftning som AI Act, samt befintliga regler såsom GDPR. Företag måste anpassa sitt styrningsarbete för att uppfylla dessa krav. Det kräver tid och resurser, men det är oundvikligt om du vill använda AI ansvarsfullt.

Och sedan finns frågan om datakvalitet. Algoritmer är bara så bra som informationen de tränas på. Om din datamängd är ofullständig eller partisk kommer systemet att drabbas av konsekvenserna.

Från pilot till produktion

Att gå från proof-of-concept till verklig implementering kräver mer än bara teknisk validering. Det kräver en gedigen implementeringsplan som tar hänsyn till både tekniska och organisatoriska aspekter.

Framgångsrika företag använder ofta ett stegvis tillvägagångssätt. De börjar med processer där misstag inte får stora konsekvenser och riskerna är låga, såsom att optimera underhållsscheman eller automatisera rapporter. När förtroendet har byggts utvidgar de till mer kritiska applikationer.

AI erbjuder enorma möjligheter. Men för att utnyttja dem krävs mer än smarta algoritmer och kraftfulla datorer. Det behövs människor som är öppna för förändring och processer utformade för att stödja dem. Företag som investerar i dessa faktorer skapar de bästa förutsättningarna för framgångsrik AI-implementering.