Forebyggende vedligehold møder AI og magi opstår. Måske
Når et fly står på jorden eller en kritisk maskine i en produktion står af, løber selskabets tab hurtigt op i millioner af kroner. Alligevel behandler mange virksomheder vedligehold som en omkostningspost, de helst glemmer. Det er en fejl, lyder meldingen fra konsulenthuset McKinsey. Kunstig intelligens har stort potentiale for kraftigt at forbedre vedligehold. Men der er selvfølgelig også faldgruber.
McKinsey viser, hvad der kan lade sig gøre, når etableringen af vedligeholdelsesmodellen lykkes. Forskning fra Chalmers forklarer, hvorfor det så ofte ikke lykkes, og hvad lederen skal opbygge, før gevinsten indfries.. Foto: 123rf.com
Vedligehold er en af de største kontrollerbare omkostningsblokke i fabrikker og kapitaltunge virksomheder, og den griber direkte ind i omsætningen. Alligevel sidder mange organisationer på guldminer af uudnyttede vedligeholdsdata, mens de læner sig op ad erfaringen hos få og efterspurgte ingeniører. Sådan lyder analysen fra konsulenthuset McKinsey.
Nu har kunstig intelligens rykket grænsen. AI-agenter kan selvstændigt søge efter tilbagevendende fejl og foreslå handlinger, og hos enkelte vedligeholds-ingeniører er produktiviteten ifølge McKinsey i nogle tilfælde vokset med mere end faktor 20. Virksomheder, der omlægger deres driftsvedligehold, har fanget to til fem procentpoint i ekstra dækningsgrad, skriver konsulenthuset med henvisning til egne kundeprojekter.
Potentialet i tal
I minedrift kan vedligehold udgøre op til 30 procent af de samlede transformationsomkostninger, og bedre vedligehold kan øge maskinernes oppetid med op til otte procentpoint. På tværs af kapitaltunge brancher ligger den gennemsnitlige besparelsesmulighed på 10 til 15 procent af de samlede vedligeholdsomkostninger.
Men konsulenterne understreger, at værdien ikke alene kommer fra algoritmer. Det betyder mindst lige så meget, hvordan virksomheden indbygger kunstig intelligens i hverdagen hos ingeniører, planlæggere og teknikere. Fordi værktøjerne kræver lidt eller ingen kodning, kan vedligeholdsteamene selv bygge løsninger, og beslutningsretten flytter ind i vedligeholdsfunktionen.
En flyvende case
Et stort internationalt flyselskab forandrede sin vedligeholdsorganisation fra ende til anden og satte et klart mål: mere oppetid, lavere omkostninger og uændret sikkerhed. Selskabet arbejdede i tre bølger, først centraliserede virksomheden funktioner som planlægning, derefter støtteprocesser som indkøb og til sidst kom selve udførelsen. Rækkefølgen var bevidst: Start med processer, der giver stor effekt og kræver mindre forandringsledelse, byg på de tidlige sejre og gem det sværeste til sidst.
Resultatet: Tiden med fly på jorden faldt 14 procent, lageret faldt 12 procent og besparelsen svarede til 10 procent af vedligeholdets resultatområde. Forløbet overgik den oprindelige forretningsplan 2,5 gange i realiseret effekt.
På samme måde har et amerikansk olie- og gasselskab brugt generativ kunstig intelligens til fejltilstandsanalyse og vedligeholdsplaner fra digitaliseret viden, så tiden til at gennemføre ét anlæg faldt med cirka 80 procent - fra seks måneder til seks uger. Et andet flyselskab har reduceret pålidelighedshændelser med cirka 30 procent med skræddersyede overvågningsmodeller, der ikke blot alarmerer, men foreslår handlinger afvejet mod risici og omkostning. Og en global producent af emballageløsninger har løftet teknikernes produktivitet med 85 procent med en agentbaseret planlægningsplatform.
Faldgruberne mellem model og fabrik
Men rejsen fra god idé til fabriksgulv er længere, end mange tror. Det viser licentiatafhandlingen ’Challenges and Solutions for Integrating Artificial Intelligence into Manufacturing Maintenance’ fra Chalmers Tekniska Högskola. Forskeren Mohan Rajashekarappa konstaterer, at succesfulde implementeringer forbliver sjældne: Mange initiativer, der begynder som vellykkede konceptbeviser, har svært ved at nå frem til fuld produktion, og der ligger et vedvarende gab mellem forventede og realiserede resultater.
Afhandlingen peger på fire indbyrdes forbundne udfordringer:
- begrænsninger i infrastrukturen,
- begrænset skalerbarhed,
- huller i medarbejdernes kompetencer og
- utilstrækkelige strategier for vedligehold af de udrullede kunstige intelligenssystemer.
Pointen er subtil: Kunstig intelligens skal selv vedligeholdes, ellers bliver den endnu en maskine, der svigter. Udfordringerne optræder ikke isoleret, men som et sammenkoblet system, og løsningen skal derfor også være systemisk. Afhandlingen fremhæver MLOps, en operativ ramme for drift af maskinlæringsmodeller, som en særligt velegnet tilgang, og den anbefaler at kombinere overvåget infrastruktur med en menneskecentreret metode.
Læs også: Industriel 3D-print er blevet voksen
Faldgruberne sætter eksemplerne i relief. McKinsey viser, hvad der kan lade sig gøre, når etableringen lykkes. Chalmers-forskningen forklarer, hvorfor det så ofte ikke lykkes, og hvad lederen skal opbygge, før gevinsten indfries:
- en infrastruktur, der kan skalere,
- medarbejdere, der kan bruge løsningerne, og
- en plan for at holde modellerne i live efter lanceringen.
Sådan griber du som leder det an
Konklusionen for produktionslederen er trefoldig. For det første: Behandl vedligehold som en værdikilde, ikke et nødvendigt onde, for besparelsesrummet på 10 til 15 procent ligger derude. For det andet: Start centralt og enkelt, som flyselskabet gjorde, og lad de tidlige gevinster finansiere den sværere del af rejsen. For det tredje: Byg driften af modellerne ind fra starten, for kunstig intelligens vinder kun, hvis menneskene vinder med den. Ellers bliver teknologien endnu et it-projekt, der aldrig når ud på fabriksgulvet.
