Når talen falder på AI i produktionsvirksomheder, handler den næsten altid om maskinerne. Sensorer på anlægget, forudsigende vedligeholdelse, kamerabaseret kvalitetskontrol. Det er reelle teknologier, og de virker. De forudsætter bare et investeringsniveau og et datagrundlag, som en dansk virksomhed med mellem 15 og 40 ansatte sjældent har liggende.
Imens sidder der to eller tre personer på kontoret og skriver den samme oplysning ind flere gange om dagen. Ordrenummeret, varenummeret, mængden, leveringsdatoen. Det er den del, vi i AI Create oftest ender med at pege på, når vi laver en gennemgang i en mindre produktionsvirksomhed.
Hvor giver AI mening i en mindre produktionsvirksomhed?
I mindre produktionsvirksomheder ligger de første realistiske AI-gevinster som regel i administrationen omkring produktionen, ikke i selve produktionen. Årsagen er enkel: papirarbejdet har høj volumen, lav variation og ingen sikkerhedsrisiko, hvis et udkast skal rettes, før det sendes videre.
Maskinsiden er ikke uinteressant. Den er bare et andet projekt, med andre leverandører, andre priser og en helt anden tidshorisont. Hvis I aldrig har automatiseret noget før, er kontoret det sted, hvor I hurtigst finder ud af, om det overhovedet er noget for jer.
Typiske opgaver, vi finder på kontoret i en produktionsvirksomhed:
- Ordrebekræftelser, der tastes ind fra en kunde-e-mail eller en PDF
- Indkøbsordrer og leverandørbekræftelser, der skal holdes op mod hinanden
- Følgesedler, certifikater og datablade, der skal findes frem og sendes med
- Afvigelses- og kvalitetsrapporter, der skrives i fritekst efter hukommelsen
- Produktionsplanen, der justeres manuelt i et regneark hver morgen
- Kundens spørgsmål om, hvor ordren er henne lige nu
Ordren, der skrives ind tre gange
Den samme oplysning bliver skrevet ind flere steder, fordi systemerne ikke taler sammen. Kunden sender en indkøbsordre som PDF eller i en e-mail. Nogen læser den og opretter ordren i ERP-systemet. Nogen skriver den derefter ind i produktionsplanen. Til sidst bliver den tastet igen på følgesedlen eller i faktureringen, hvis den del ikke hænger sammen med resten.
Her kan en sprogmodel læse dokumentet, trække felterne ud og lægge et udkast til ordren klar. Et menneske godkender, retter det, der er galt, og sender videre. Godkendelsestrinnet er ikke en detalje. Det er hele forskellen på en brugbar automatisering og en, der stille sender forkerte mængder i produktion.
Et eksempel: En virksomhed modtager ordrer fra fem faste kunder, der hver især bruger deres eget format. Ingen af dem har tænkt sig at skifte. En model kan håndtere alle fem formater uden at skulle sættes op til hvert enkelt, og det er netop dér, den slår den klassiske integration, som kræver, at nogen bygger og vedligeholder en opsætning pr. kunde.
Til gengæld er den ikke god til at gætte. Mangler der en leveringsdato i dokumentet, skal udkastet stå tomt og markeres, ikke fyldes ud med noget sandsynligt. Den slags detaljer afgør, om folk kommer til at stole på systemet efter tre uger.
Viden findes allerede, den er bare ikke skrevet ned
Afvigelsesrapporter og kvalitetsdokumentation er et oplagt sted at bruge AI, fordi indholdet allerede findes i hovedet på den, der stod med problemet. Det, der tager tid, er at få det formuleret i det rigtige format, i et sprog, der kan stå i en revisionsmappe.
Et eksempel: Værkføreren taler 40 sekunder ind i telefonen om, hvad der skete ved maskine 3 i nat. Ud kommer et udkast til en afvigelsesrapport i virksomhedens eget faste format, med de felter, der plejer at skulle udfyldes. Værkføreren læser det igennem, retter en enkelt sætning og godkender. Rapporten bliver skrevet samme dag i stedet for fredag eftermiddag, hvor detaljerne er blevet mere runde.
Det samme gælder arbejdsbeskrivelser, oplæringsmateriale og de mails, der forklarer en kunde, hvorfor en leverance er forsinket. Ikke fordi teksten er svær, men fordi den skal skrives forfra hver gang af en, der hellere ville lave noget andet.
Hvor meget tid kan I spare på ordreindtastning?
Det kan I regne ud på ti minutter, og I bør gøre det, før I taler med nogen leverandør. Vi har ikke målt tallene i jeres virksomhed, så regnestykket herunder er et overslag, ikke en dokumenteret besparelse.
Sig, at I modtager 20 ordrer om dagen, og at det tager fire minutter at oprette én i ERP fra en e-mail eller en PDF. Det er 80 minutter om dagen. Hvis et udkast i stedet skal læses igennem og godkendes på halvandet minut, er I nede på 30 minutter. Forskellen er 50 minutter om dagen, eller lidt over fire timer på en uge.
Fire timer om ugen ansætter ingen ekstra medarbejder for. Det er heller ikke pointen. Pointen er, at de fire timer i dag ligger hos den person, der også skulle have ringet til leverandøren, fulgt op på den forsinkede levering og svaret kunden, der spurgte i mandags. Det er dér, den reelle værdi ligger i en mindre virksomhed, og det er også derfor, vi hellere taler om flaskehalse end om besparelser.
Regnestykket holder kun under tre betingelser. Volumen skal være høj nok til, at forskellen betyder noget. Opgaven skal ligne sig selv fra gang til gang. Og der skal være en person, der ejer kontrollen af udkastene, ellers bliver godkendelsen til et klik.
Hvornår er AI ikke svaret i en produktionsvirksomhed?
Der er fire steder, hvor vi typisk fraråder AI i den her type virksomhed, i hvert fald som det første skridt.
Produktionsplanlægning med mange bindinger
Når planen skal tage hensyn til opstillingstider, kapacitet, leveringsdatoer og bemanding på samme tid, er det et optimeringsproblem. Den slags løses bedre af et rigtigt planlægningsmodul eller af den erfarne planlægger, I allerede har, end af en sprogmodel.
Vedligehold baseret på maskindata
Forudsigende vedligeholdelse kræver sensorer, historik og som regel flere års data fra jeres egne maskiner. Har I ikke det, er der intet at forudsige ud fra, uanset hvor god modellen er.
Et ERP-system, ingen har ryddet op i
Er stamdata forkerte, varenumre uens og halvdelen af processen kørt uden om systemet i regneark, giver AI ovenpå kun hurtigere rod. Oprydningen er kedelig, men den skal ske først. Til gengæld behøver den kun at dække de data, den konkrete opgave trækker på. Det har vi skrevet mere om i artiklen om, hvorfor jeres data ikke behøver være perfekte, før I går i gang med AI.
Dokumentation med juridisk eller certificeringsmæssigt ansvar
Et udkast er fint. En automatisk godkendelse er det ikke. Her skal et menneske altid skrive under, og systemet skal gøre det svært at springe over.
I vores rapporter har vi et fast afsnit, der hedder “Ikke anbefalet”, netop fordi den slags skal stå sort på hvidt. I kan se, hvordan det ser ud, i vores eksempel på en AI-gennemgang af en virksomhed.
Sådan finder I selv de første steder
I kan kortlægge det selv på en eftermiddag med tre trin. Der er ingen teknisk viden involveret, og I skal ikke tale med en leverandør undervejs.
- Følg én ordre hele vejen igennem. Fra kundens e-mail til fakturaen er sendt. Skriv ned undervejs, hvor mange gange den samme oplysning bliver tastet ind et nyt sted, hvor ordren ligger stille og venter på nogen, hvilke skridt kun én bestemt person kan udføre, og hvad der plejer at gå galt.
- Spørg de to eller tre på kontoret, hvad de ville være fri for. De ved det godt. De er bare sjældent blevet spurgt, og svaret peger næsten altid på noget, der har en volumen, ingen havde lagt mærke til.
- Del listen i tre bunker. Hvad kan klares med en bedre arbejdsgang helt uden teknologi, hvad kræver en simpel automatisering, og hvad kalder reelt på AI. De tre ting bliver ofte blandet sammen, og det er en dyr forveksling.
Vi arbejder med AI-rådgivning for virksomheder, hvor netop den skelnen er selve opgaven, ikke en detalje til sidst.
Ofte stillede spørgsmål om AI i produktionsvirksomheder
Skal en mindre produktionsvirksomhed starte med AI på maskinerne?
Som regel nej. Sensorer, forudsigende vedligeholdelse og kamerabaseret kvalitetskontrol kræver et investeringsniveau og et datagrundlag, som en virksomhed med mellem 15 og 40 ansatte sjældent har, og kontoret er et hurtigere sted at finde ud af, om AI er noget for jer.
Kan AI læse ordrer fra kunder i forskellige formater?
Ja, en sprogmodel kan læse ordrer i forskellige formater og lægge et udkast klar uden at skulle sættes op til hver enkelt kunde. Et menneske skal stadig godkende udkastet, og mangler der en oplysning, skal feltet stå tomt og markeres.
Hvor lang tid tager det at finde de første steder at bruge AI?
En eftermiddag. Følg én ordre hele vejen igennem, spørg de to eller tre på kontoret, hvad de ville være fri for, og del listen op i bedre arbejdsgange, simpel automatisering og reel AI.
Hvad står der på spil?
Hvis intet ændrer sig
Bliver kontoret ved med at køre som i dag, sker der ikke noget dramatisk. Ordrerne bliver tastet ind, rapporterne bliver skrevet om fredagen, og planen bliver rettet i regnearket hver morgen. Prisen er bare, at den viden ligger hos to eller tre personer, som I ikke kan undvære, og at der ikke er luft til at tage imod flere ordrer uden at ansætte.
Når det virker
Når det omvendt er ryddet op, mærkes det ikke som en besparelse. Det mærkes som, at værkføreren skriver afvigelsen samme dag, mens han husker den. At kunden får svar på, hvor ordren er, uden at nogen skal lede. Og at den person, der i dag taster ordrer ind om formiddagen, i stedet når at ringe til leverandøren, før forsinkelsen bliver et problem. Det er dér, en mindre produktionsvirksomhed vinder, ikke på lønbudgettet.
Skal vi kigge på jeres kontor sammen?
Vil I hellere have nogen udefra til at stille spørgsmålene, er det præcis det, der sker på en AI-workshop hos jer. Tre timer med de rigtige folk i lokalet, og derefter en prioriteret rapport med både det, vi anbefaler, og det, vi ikke gør.
Er I i tvivl om, hvorvidt jeres virksomhed overhovedet er det rigtige sted at begynde, så book en uforpligtende samtale på 20 til 30 minutter. Vi siger også fra, hvis svaret er, at I skal bruge pengene på noget andet lige nu.
