Industri

AI på fabriksgulvet. Ikke i ledelsens slides.

Vi arbejder med fabrikker og produktionsanlæg, der allerede har driftsdata – og spilder dem. Prognoser, der skærper indkøbet, afvigelser, der opdages før nedbrud, og vedligeholdelse, der ikke længere kun er afhjælpende. Forretningen først, sensorerne bagefter.

Book et gratis opkald Se AI-rådgivning

AI anvendt i reel fabriksdrift

Udfordringen

Du har dataene. Problemet er, at de stadig bor i Excel.

Industrien har i et årti investeret i MES, ERP og IoT. Dataene er der – men beslutninger træffes stadig på mavefornemmelse, fordi ingen bruger dem til at forudsige, advare eller optimere. AI løser ikke mangel på data. Det løser manglen på udnyttelse af de data, du allerede havde.

  • Prognoser er stadig manuelle

    Indkøb og produktion planlægges i et Excel-ark, der blander historik, salgsafdelingens fornemmelse og »det, vi gjorde sidste år«. Resultat: overlager eller mangel på nøglevarer.

  • Afhjælpende, ikke prædiktiv vedligeholdelse

    Maskiner går i stykker, linjer står stille, teknikere tilkaldes. Omkostningerne ved uplanlagt nedetid er stadig det første punkt på dagsordenen på det månedlige ledelsesmøde.

  • Kvalitetsafvigelser opdages for sent

    Defekte batches opdages for enden af linjen eller, værre, via en kundereklamation. Procesdataene rummer de grundlæggende årsager, men ingen læser dem i realtid.

  • Rapportering, der tager dage

    Ugentlige og månedlige afslutninger, der kræver manuel konsolidering på tværs af systemer. Når ledelsen ser tallene, kan der ikke længere handles på dem.

Use cases

Hvor AI tjener sig hjem på en fabrik

Fem konkrete anvendelser, der giver målbar ROI, når der findes rene driftsdata – og ofte er en del af vores projekt netop den »oprydning«.

  • 01

    Prognoser for efterspørgsel og produktion

    Modeller, der kombinerer din salgshistorik med sæsonudsving, kalender og eksterne signaler (råvarepriser, vejr, helligdage). Indkøb holder op med at gætte.

    Hvad der ændrer sig

    Typisk 20-35 % mindre overlager. Mangel på nøglevarenumre falder 40-60 %. Indkøbsbeslutninger træffes uger tidligere end med den manuelle model.

  • 02

    Registrering af afvigelser i linjen

    Modeller, der lærer linjens normale adfærd – temperaturer, tryk, cyklustider, vibrationer – og advarer i realtid, når mønstret brydes. Længe før operatøren opdager det, eller batchen er ødelagt.

    Hvad der ændrer sig

    Fejl fanges under processen, ikke bagefter. Målbart fald i kassation og reklamationer. Grundlæggende årsager underbygget af data, ikke af »skiftelederens hypoteser«.

  • 03

    Prædiktiv vedligeholdelse

    Ud fra historikken over nedbrud og telemetri fra kritisk udstyr estimerer modellerne det sandsynlige tidsvindue for fejl. Vedligeholdelsen planlægges før nedetiden – ikke efter.

    Hvad der ændrer sig

    Uplanlagt nedetid falder 20-40 % på det udstyr, det anvendes på. De samlede vedligeholdelsesomkostninger falder, fordi nødsituationer undgås.

  • 04

    Optimering af produktionsmix

    Til fabrikker med mange varenumre og kapacitetsbegrænsninger: ugentlige forslag til produktionsmix, der tager højde for margin, leveringsfrister, råvarer og belastning. Mennesker beslutter; modellen giver et datadrevet udgangspunkt.

    Hvad der ændrer sig

    Bedre marginer gennem bedre beslutninger om mix. Færre unødvendige omstillinger. Leveringsfrister overholdes uden overproduktion.

  • 05

    Driftsdashboard i realtid

    Ét samlet overblik over OEE, kvalitet, omkostninger og plan vs. faktisk, hentet fra de eksisterende systemer (MES, ERP, sensorer). Ledelsen ser driften, når det betyder noget, ikke ved månedens udgang.

    Hvad der ændrer sig

    Beslutninger, der før tog en uge, træffes samme dag. Ledelsesmøderne kører på aktuelle data – slut med mandagspræsentationer med tal fra sidste torsdag.

Vores tilgang

Vi starter, hvor der er data. Vi slutter, hvor der er ROI.

Vi sælger ikke »digital transformation«. Vi gennemgår dine data – MES, ERP, SCADA, IoT – og finder ud af, hvor en model giver værdi med det samme. Hvis datakvaliteten ikke er god nok, siger vi det og foreslår at få rørføringen på plads først. Modellerne kommer efter rørføringen.

  • AI-parathed i industrien

    3-4 uger

    Audit af driftssystemer, datatilgængelighed og kritiske processer. Vi finder de 2-3 use cases med bedst ROI over 12 måneder for netop din fabrik.

    • Kortlægning af datakilder (MES, ERP, SCADA, sensorer)
    • Vurdering af datakvalitet pr. proces
    • Katalog over use cases med estimeret ROI
    • 12-måneders roadmap med identificerede quick wins

  • Pilot på én proces

    8-14 uger

    End-to-end-implementering af én use case (prognoser, afvigelser, prædiktiv vedligeholdelse) inden for en afgrænset ramme – én linje, et nøglevarenummer eller en udstyrsfamilie.

    • Datapipeline fra kilde til model
    • Model trænet på din historik
    • Integration med eksisterende MES/ERP
    • Handlingsorienteret dashboard til driftschefen
    • Opfølgning på effekten i 8 uger efter go-live

  • Driftsplatform

    6-9 måneder

    Til industrikoncerner, der vil samle flere cases på et fælles data- og modellag, der opdateres løbende.

    • Samlet dataarkitektur
    • Flere modeller på samme datalag
    • Dashboards til ledelse og drift
    • Løbende support og gentræning
    • Intern forankring og datauddannelse

Resultater

Det, der ændrer sig på fabriksgulvet på 6-9 måneder

  • Prognoser, der reducerer lageret med 20-35 % og samtidig fastholder eller forbedrer serviceniveauet.
  • Uplanlagt nedetid falder 20-40 % på udstyr med prædiktiv vedligeholdelse.
  • Fejlbehæftede batches fanges midt i processen – målbart fald i kassation og reklamationer.
  • Daglige driftsafslutninger i stedet for ugentlige. Ledelsen arbejder med dagens data.
  • Indkøbsplanen følger prognosen tæt – farvel til overlager »for en sikkerheds skyld«.
  • Voksende intern kapacitet til selv at identificere og prioritere nye AI-cases.

Gratis ressource

Tjeklisten til AI-parathed.

De 12 spørgsmål, vi bruger i starten af hvert projekt for at finde ud af, hvor AI har størst effekt. Vi sender den til dig på e-mail.

Få tjeklisten

FAQ

Det, driftschefer spørger os om

  • Skal alt være digitaliseret, før vi kan starte?

    Nej. Du skal have nogle data. Vores indledende audit afdækker, om dine data kan bære en use case. Ofte går de første måneder med at få data-rørføringen på plads – og det siger vi, før vi starter, ikke bagefter.

  • Hvor meget historik skal der til?

    Det afhænger. Prognoser med årlige sæsonudsving kræver 2-3 års rene data. Registrering af afvigelser kan starte med nogle ugers normal drift. Prædiktiv vedligeholdelse kræver historik over nedbrud plus telemetri. Det fastlægger vi i parathedsfasen.

  • Hvad hvis mit MES/ERP allerede siger, at det kan »AI«?

    De fleste tilbyder rapportering med et AI-mærkat. Spørg dig selv: Træffer I andre beslutninger om indkøb, produktion eller vedligeholdelse takket være det? Hvis ikke, bliver deres AI ikke anvendt – som regel et spørgsmål om adoption eller konfiguration. Det gennemgår vi, før du køber noget nyt.

  • Hvad koster det?

    Parathedsanalyse: 6.000-12.000 €. Pilot på én proces: 30.000-70.000 €. Platform med flere cases: 90.000-180.000 € eller mere over flere måneder. Reglen: Hver investeret euro skal have en business case med ROI inden for 18 måneder.

  • Hvad med cybersikkerhed? Jeg vil ikke have OT eksponeret.

    Et ufravigeligt krav. Vi udruller arkitekturer, der respekterer adskillelsen mellem OT og IT, on-premise om nødvendigt, og rører kun driftsnetværkene på en kontrolleret, aftalt og skrivebeskyttet måde. Data forlader kun fabrikken, hvis der er en stærk begrundelse.

Klar til at se, hvad der gør en forskel

på din fabrik? Et opkald på 30 minutter om jeres produktionsmix, driftssystemer og konkrete smertepunkter. Vi går derfra med 2-3 kandidater og et klart billede af investeringen.

Book et opkald Se AI-rådgivning