Exklusiv intervju, IFS Unleashed – Industriell AI handlar inte om att införa så stora AI-lösningar som möjligt, utan om att lösa konkreta problem i verksamheten.
Det är budskapet från Kevin Miller, Strategic tech executive with a focus on AI, technical på IFS.
Kevin vill sätta AI direkt i händerna på dem som bygger, underhåller och servar industrins maskiner och system. Men för att tekniken ska fungera krävs mer än kraftfulla modeller: den måste förstå industrins data, processer och sammanhang.
AI står högt på industrins agenda, men avståndet mellan tekniska demonstrationer och mätbar affärsnytta är fortfarande en central fråga. Under IFS Unleashed diskuterar Kevin Miller, som har arbetat på IFS i sju år, hans ambition är att företaget ska gå från AI-hype till praktisk användning i industriella verksamheter.
IFS, som utvecklar affärssystem för bland annat industri, energi och serviceverksamheter, har valt en pragmatisk väg. I stället för att utgå från storskaliga AI-transformationer ligger fokus på specifika användningsområden där tekniken kan göra konkret skillnad.
– Hype är ett problem och en utmaning för oss. IFS har valt att fokusera på specifika användningsområden och verkliga exempel på var värdet uppstår, säger Kevin Miller.
Det handlar framför allt om att flytta AI närmare de människor som utför det praktiska arbetet.
AI ska hjälpa dem som gör jobbet
I industrin finns en tydlig målgrupp för den här utvecklingen: medarbetarna på fabriksgolvet, teknikerna som underhåller utrustning och servicemedarbetarna som rycker ut när något slutar fungera.
Det är här Miller ser en stor del av AI potential. I stället för att betrakta AI som ytterligare en fristående produkt vill IFS integrera tekniken i arbetsflöden där den kan hjälpa människor att fatta beslut, hitta information och utföra uppgifter mer effektivt.
Det är också ett sätt att knyta AI-investeringarna närmare verksamhetens faktiska behov.
För industriföretag räcker det inte att en AI-modell kan generera övertygande svar. Den måste bidra till att maskiner fungerar bättre, att underhåll blir effektivare och att personalen får rätt information vid rätt tillfälle.
Frågan är därför inte bara vad AI kan göra, utan var tekniken gör störst skillnad.
Den största utmaningen kan vara mänsklig
När samtalet kommer in på de tekniska hindren för att föra in AI i komplexa industrisystem lyfter Miller fram en oväntad faktor: människors sätt att tänka.
Traditionell systemutveckling och automatisering bygger ofta på tydligt definierade steg. En människa eller ett system följer en process från början till slut. AI-agenter kan däremot arbeta på andra sätt och välja en väg genom uppgiften som inte motsvarar den mänskliga föreställningen om hur arbetet ska utföras.
Miller beskriver det som en förändring i perspektiv. I stället för att enbart fråga hur en människa skulle lösa en uppgift behöver företag också fundera över hur en AI-agent skulle kunna nå samma mål.
En agent kan exempelvis hoppa mellan olika delar av en process, gå direkt till relevant information och sedan återvända till ett tidigare steg. Det kan göra arbetet snabbare, men innebär samtidigt att traditionella antaganden om arbetsflöden behöver omprövas.
Det avgörande är att agenten fortfarande förstår vad den ska uppnå.
För industrin är detta särskilt viktigt. I komplexa miljöer kan ett beslut påverka produktion, tillgångar, underhåll och säkerhet. En snabbare process är inte automatiskt en bättre process om systemet tappar bort sammanhanget eller fattar beslut på felaktiga grunder.
Decennier av industridata ska ge AI en fördel
En av IFS viktigaste utgångspunkter är företagets långa erfarenhet av industriella verksamheter.
Under mer än fyra decennier har bolaget utvecklat affärssystem och datamodeller för de branscher det arbetar med. Enligt Miller ger detta en grund där AI kan kopplas till befintlig verksamhetsdata och etablerad branschkunskap, i stället för att behandlas som en isolerad teknik.
– IFS är inne på sitt 43 år och har en mycket omfattande datamodell. Vi har ägnat årtionden åt att bygga upp industriell erfarenhet i de branscher vi stöder. Nu kan vi lägga AI-innovationer ovanpå den befintliga datamodellen, med all den industriella erfarenheten, säger han.
Det är en central del av IFS strategi. En generell AI-modell kan vara skicklig på språk, analys och informationsbearbetning, men den känner inte automatiskt till ett enskilt företags tillgångar, underhållshistorik, processer eller operativa begränsningar.
När AI kopplas till verksamhetens befintliga data kan den få ett mer relevant sammanhang att arbeta inom.
Det är samtidigt ingen garanti för korrekta resultat. Datakvalitet, behörigheter, integrationer och förståelse för verksamhetens regler blir avgörande för hur användbar lösningen faktiskt är.
IFS vill med andra ord dra nytta av kombinationen av AI-utveckling och den industrikunskap som byggts in i företagets system under lång tid.
Från energi till infrastruktur – hela industrin står inför samma skifte
Finns det då vissa branscher där AI kommer att få större betydelse än andra?
Miller pekar inte ut någon enskild vinnare. I stället framhåller han att möjligheterna finns brett inom industrin, inte minst i verksamheter som arbetar med kraftförsörjning, energi och infrastruktur.
Det är sektorer där tillgångarna ofta är komplexa, driften kritisk och konsekvenserna av stillestånd betydande. Där kan bättre tillgång till information och mer effektivt beslutsstöd få stor praktisk betydelse.
Men det innebär inte att en och samma AI-lösning passar överallt. Varje verksamhet har sina egna processer, risker och krav. Det är därför IFS betoning på specifika användningsområden blir central: värdet måste bedömas utifrån den uppgift som ska lösas och det resultat som verksamheten behöver uppnå.
Så ska IFS hålla hallucinationerna i schack
En av de stora frågorna när AI flyttar in i affärskritiska system är tillförlitligheten. Hur kan ett företag förhindra att en AI-modell hittar på information eller utför felaktiga åtgärder?
Miller beskriver IFS arbete med det som i intervjun benämns en AI harness – ett kontrollager runt AI-modellen som sätter ramar för hur den får arbeta.
Modellen kan generera information och föreslå lösningar, men den ska inte lämnas helt fri att agera utan begränsningar. Kontrollagret ska enligt Miller hantera regler, säkerhet, behörigheter och sammanhang, för att minska risken för hallucinationer och olämpliga resultat.
Det är en viktig distinktion. Att använda en avancerad språkmodell är inte samma sak som att bygga ett tillförlitligt industriellt AI-system.
I en företagsmiljö måste tekniken också ta hänsyn till vad användaren har rätt att se och göra, vilka regler som gäller och vilken information som faktiskt finns tillgänglig.
Ett sådant kontrollager kan bidra till att begränsa riskerna, men det eliminerar inte automatiskt alla fel. Resultaten behöver fortfarande utvärderas, och lösningarna måste testas mot de krav som gäller för respektive verksamhet.
För industriella företag är detta inte en detalj i implementationen. Det är en förutsättning för att AI ska kunna användas i arbetsflöden där fel kan få ekonomiska eller operativa konsekvenser.
Nästa steg: AI som en del av det dagliga arbetet
IFS budskap under Unleashed är att industrins AI-resa inte i första hand avgörs av vem som har den mest imponerande modellen. Den avgörs av hur väl tekniken kan integreras med data, processer och människor.
Den långsiktiga potentialen ligger i att göra AI till en naturlig del av det dagliga arbetet – från underhåll och service till produktion och verksamhetsstyrning.
Men vägen dit kräver att företagen går från allmänna ambitioner till tydliga problemformuleringar. Vilket arbete ska förbättras? Vilka data behöver AI? Vilka begränsningar ska gälla? Och hur ska verksamheten mäta att resultatet faktiskt blivit bättre?
Det är frågor som blir allt viktigare när AI går från experiment till operativ teknik.
För Miller är riktningen tydlig: börja med verkliga behov, använd den industriella kontext som redan finns och bygg in kontroller som gör tekniken användbar i praktiken.
Industrins AI-revolution kommer inte att avgöras av hypen kring tekniken, utan av vad den faktiskt klarar av att leverera där arbetet utförs.
Av Annika Guldroth
