IT-genbrug / Hardware · AI-implementering, procesoptimering
Fra manuelle skøn til AI-assisteret tilstandsvurdering
En dansk SMV inden for IT-genbrug stod med tre stille problemer der åd margin. Sådan løste de det med AI, uden at starte med teknologien.
Resultat: ~10% reduktion i håndteringstid pr. enhed
Case · SMV
Hvordan en dansk virksomhed inden for IT-genbrug brugte AI til at gøre tilstandsvurdering ensartet, hurtigere og mere skalerbar, uden at starte med teknologien.
- Virksomhedstype
- IT-genbrug / hardware
- Metode
- AI-implementering, procesoptimering, dataindsamling
- Investering
- AI-model med ekstern rådgivning, systematisk dataindsamling
- Resultat
- ~10% reduktion i håndteringstid pr. enhed
Udgangspunktet
Tre problemer der ikke brændte, men åd margin
Virksomheden havde ikke en krise. De havde et flow, der fungerede, bare ikke godt nok til at skalere. Tilstandsvurderingen af hvert enkelt stykke udstyr lå udelukkende hos den medarbejder, der stod med maskinen.
- Inkonsistente vurderinger: To medarbejdere kunne nå til forskellig konklusion om samme maskine. Det gav svingende prisniveauer og usikkerhed hos kunder. Ingen ondsindet adfærd, men mangel på en klar standard.
- For lang kontakttid pr. enhed: Medarbejderne brugte unødigt lang tid ved hver maskine, ikke fordi opgaven var kompleks, men fordi beslutningsprocessen ikke var struktureret. Tid der ikke skabte ekstra værdi.
- Skalerbarhed begrænset af hoveder: Mere volumen krævede direkte flere medarbejdere. Der var ingen vej til at øge kapaciteten uden proportionalt at øge bemandingen.
Indsatsen
Hvad der rent faktisk blev gjort
Implementeringen foregik i tæt samarbejde med ekstern AI-kompetence og tog udgangspunkt i den eksisterende arbejdsgang, ikke en blank tavle.
- Kortlægning af det eksisterende vurderingsflow: Inden nogen teknologi kom i spil, blev det nuværende flow dokumenteret. Hvad kigger medarbejderne på? I hvilken rækkefølge? Hvad er beslutningskriterierne? Friktionen her: mange af kriterierne lå udelukkende i folks hoveder og ikke på papir.
- Systematisk dataindsamling og mærkning: For at bygge en AI-model skal man have træningsdata. Virksomheden begyndte at dokumentere vurderinger systematisk, billeder, tilstandskategorier, noter. Det var tidskrævende og kedeligt. Det var også det nødvendige fundament for alt, der kom efter.
- Bygning af AI-model til tilstandskategorisering: Med ekstern specialistrådgivning blev der udviklet en AI-løsning, der automatiserer kategoriseringen. Modellen læser input og returnerer en tilstandsvurdering, medarbejderen behøver ikke selv foretage det manuelle skøn.
- Integration direkte i det daglige flow: Løsningen blev ikke et separat system folk skulle huske at åbne. Den blev en del af den normale arbejdsgang. Det var et bevidst valg fra starten, og en afgørende årsag til, at den rent faktisk blev brugt.
Resultat
Før og efter implementeringen
Før
- Manuel visuel vurdering af hver enhed
- Individuelle skøn, varierende output
- Ingen systematisk datafangst på tilstand
- Skalerbarhed = flere medarbejdere
- Ingen standard for kategorisering
Efter
- AI-assisteret kategorisering af tilstand
- Ensartet output uanset medarbejder
- ~10% kortere kontakttid pr. maskine
- Systematisk datagrundlag opbygges løbende
- Skalerbarhed gennem proces, ikke bemanding
Hvad gjorde forskellen
Indsigt fra implementeringen
Virksomheden gik ikke efter at automatisere alt. De identificerede ét konkret sted i flowet, tilstandskategorisering, og løste det grundigt. Det er en af de mest undervurderede AI-discipliner: at vide præcist hvad man ikke skal automatisere.
Beslutningerne blev styret tæt af dem, der kender produktionen. Ikke en strategi-øvelse. Ikke en præsentationsrunde til bestyrelsen. Et konkret problem, en konkret løsning, en konkret måling.
| Faktor | Hvorfor det betød noget |
|---|---|
| Startede med flowet, ikke teknologien | Forstod beslutningslogikken, før de byggede noget |
| Investerede i dataindsamling | Grundlaget for modellen var solidt inden lancering |
| Integrerede i eksisterende workflow | Ingen ekstra trin, løsningen blev faktisk brugt |
| Itererede efter lancering | Modellen blev bedre over tid frem for at blive lagt i skuffen |
Nøgle indsigter
Hvad andre virksomheder kan lære af det
- Indsigt 1: AI i SMV-kontekst starter ikke med teknologi, det starter med at forstå ét konkret problem, der er værd at løse.
- Indsigt 2: Dataindsamling er det sværeste og mest undervurderede trin. Det er kedeligt, manuelt og absolut nødvendigt.
- Indsigt 3: 10% tidsbesparelse pr. enhed lyder beskedent. På volumen er det en strukturel forbedring af marginen.
- Indsigt 4: Ensartethed: en undervurderet gevinst. Konsistente kategorier giver bedre prissætning og færre reklamationer.
Procesautomatisering, AI-implementering, Hardware-genanvendelse, Operational Excellence, SMV
Teknologi løser ikke dårlige processer, det forstørrer dem. Start med at forstå flowet. Byg løsningen ind i hverdagen. Mål det der virker. Det er sådan AI skaber reel effekt i virkseomheder i vækst, ikke som et projekt, men som en del af driften.