Tillverkningsindustrin har en uppdelning som få andra sektorer har. På ena sidan finns den operativa tekniken: styrsystem, sensorer, prediktivt underhåll och kvalitetskontroll med bildigenkänning. Dessa system är ofta formellt upphandlade, inbyggda i maskiner eller produktionslinjer, och underställda befintliga tekniska och säkerhetsprocedurer. På andra sidan finns kontors- och stabsmiljön: inköp, planering, teknikstöd, kundkontakt och administration. Där dyker generativ AI upp på samma sätt som i varje annan organisation — via en webbläsare, ett fristående konto, ett fristående abonnemang.
Förhållandet mellan dessa två lager avgör hur en styrningsmodell bör utformas. Medan den operativa tekniken är relativt väldokumenterad eftersom den är en del av kapitalinvesteringar och underhållsavtal, är kontorslagret ofta inte dokumenterat någonstans. Den som bara tittar på produktionslinjen ser bara en bråkdel av vad som faktiskt används av AI i organisationen.
En förteckning över godkänd programvara berättar sällan hela historien. En ingenjör som låter sammanfatta en ritning, en planerare som använder ett AI-verktyg för att omorganisera leveransschema, en inköpare som låter en extern modell jämföra offerter — det sker ofta utan att någon ansökan lämnats in eller licens registrerats. Det är inte försumlighet; det är en praktisk konsekvens av tidspress och tillgången till gratis eller billiga verktyg.
Denna skugg-AI är den egentliga fokuspunkten för en styrelseledamot eller riskansvarig. Frågan är inte bara vad organisationen har köpt in, utan vad som används dagligen för att utföra arbete snabbare. Att ta reda på detta kräver ett annat tillvägagångssätt än en teknisk granskning: det kräver att människor är villiga att berätta vad de använder, utan att samtalet känns som ett ansvarsutkrävande. Den som frågar "vem har använt något här utan tillstånd" får inget svar. Den som frågar "vad använder du för att utföra ditt arbete" får ett svar.
Inte all AI-användning inom tillverkningsindustrin väger lika tungt. En AI-tillämpning som bidrar till konstruktionsvalidering eller kvalitetskontroll av en slutprodukt påverkar säkerhet och ansvar på ett annat sätt än ett verktyg som skriver ett e-postmeddelande till en leverantör. Ett system som påverkar produktionsplaneringen kan ha konsekvenser för leveranstider och kontraktuella skyldigheter; ett verktyg som sammanfattar interna anteckningar har det oftast inte.
Denna differentiering är grunden för klassificering: inte all AI-användning behöver samma nivå av tillsyn, men skillnaden måste göras, och den bör baseras på vad systemet gör och vad det påverkar — inte på var det anskaffades. Ett verktyg som laddats ner av en enskild medarbetare kan ha lika stor påverkan på det som levereras till en kund som ett system som upphandlats genom en formell process.
Tillverkningsindustrin verkar sällan isolerat. Leverantörer, underleverantörer och kunder är del av samma process, och AI-användning hos en av dessa parter kan påverka vad en organisation själv levererar. Om en leverantör använder AI för att tolka specifikationer eller generera kvalitetsrapporter uppstår ett beroende som inte är synligt i de egna systemen, men som ändå är relevant för den som bär ansvar för slutprodukten.
Detta är en skillnad jämfört med sektorer där den primära processen till stor del sker inom de egna väggarna. En styrningsmodell för tillverkningsindustrin bör därför inte bara kartlägga intern användning, utan även skapa en bild av var i leverantörskedjan AI spelar en roll i beslut som i slutändan berör organisationen.
De flesta tillverkningsföretag har redan riskstrukturer: för produktsäkerhet, för kvalitetsledning, för leverantörsbedömning. AI-styrning fungerar bättre när den ansluter till det som redan finns, istället för att bli en ny, isolerad process. En klassificering av AI-tillämpningar efter risknivå kan till exempel kopplas till befintliga bedömningskriterier för leverantörer eller till kvalitetsledningssystemet, så att rapportering till ledningen eller styrelsen inte blir en separat process vid sidan av befintliga ansvarslinjer, utan integreras i dem.
Hur denna anslutning exakt utformas skiljer sig mellan organisationer och beror på den befintliga styrningsstrukturen. Andra sektorer har liknande frågeställningar utifrån en annan struktur: inom transportsektorn finns en liknande spänning mellan operativa system och kontorsanvändning, inom jordbrukssektorn är beroendet av leverantörskedjan ofta ännu mer direkt märkbart, och inom företagstjänster saknas det operativa lagret till stor del, vilket gör skugg-AI till nästan det enda lagret att kartlägga där.
En inventering av AI-användning och en klassificering efter risk ger en organisation insyn i vad som pågår och var tillsyn behövs. Denna fråga hänger samman med en annan fråga som många tillverkningsföretag ställer sig: vilken del av arbetet, på nivån av enskilda uppgifter, som faktiskt kan tas över av AI. Där styrning kartlägger vad som händer och vem som bär ansvar för det, beräknar FTE TO AI:s arbetsscan per uppgift vilken del som verkligen är lämplig för övertagande — en fråga som först kan besvaras ordentligt när det redan är klart vad som pågår.
Vraag maar. Governance begint bij weten wat er draait — ook wat niemand heeft goedgekeurd.
Answers come from this site’s knowledge base. Not tailored advice, and not a scan of your company.