Det talas mycket om AI i industrin just nu. Inte som framtidsspaning, utan som något konkret. Tekniken har lämnat idéstadiet för länge sedan. Frågan för många företag är inte om den är relevant, utan varför det fortfarande är så svårt att få den att fungera i verklig drift.
För det är där många satsningar tappar fart.
I Sverige finns ingen brist på teknisk kompetens. Tvärtom. Industriföretag här är ofta skickliga på automation, processtyrning, kvalitet och effektivitet. Man har koll på sina flöden, man kan sina system och man är van vid att arbeta metodiskt. Just därför ser också många AI-piloter lovande ut i början. Det finns data, det finns struktur och det finns ofta både vilja och nyfikenhet.
Men att få något att fungera i liten skala är inte samma sak som att bygga något som håller över tid.
Det är i övergången från pilot till produktion som det brukar bli svårt. Inte för att tekniken i sig saknar potential, utan för att förutsättningarna runt omkring inte riktigt finns där. Det som såg ut som ett intelligent initiativ visar sig i praktiken vara beroende av manuell handpåläggning, tillfälliga integrationer eller en infrastruktur som aldrig var tänkt att bära den typen av belastning.
Det här är fem återkommande misstag som ofta står i vägen.
1. Pilotmiljön får bära för stora förhoppningar
Många AI-initiativ börjar rätt. Ett avgränsat problem identifieras, en modell tränas, resultaten ser lovande ut och internt väcks känslan av att ”det här kan bli stort”. Men ganska snart visar det sig att lösningen i praktiken bygger på en miljö som är alldeles för skör för att bli permanent.
Det är inte särskilt svårt att få något att fungera under kontrollerade former. Utmaningen ligger i att få samma lösning att fungera vecka efter vecka, med förändrad data, flera användare, krav på tillgänglighet och integration med resten av verksamheten.
Här gör många misstaget att tänka projekt när de egentligen borde tänka plattform. Man bygger något för att bevisa en idé, men glömmer att nästa steg kräver något helt annat: gemensamma arbetssätt, stabil infrastruktur och en teknisk miljö som klarar mer än ett enskilt experiment.
2. Data finns överallt, men går ändå inte att använda
Det brukar heta att industrin sitter på enorma mängder data. Och det stämmer ofta. Problemet är bara att datan sällan finns där man behöver den, i det skick man behöver den, när man behöver den.
En del ligger i affärssystem. Annat finns nära produktionen, i äldre OT-miljöer, i loggar, i kameraflöden, i sensordata eller hos externa leverantörer. Ofta vet olika delar av organisationen att informationen existerar, men inte hur den faktiskt ska knytas ihop.
Det gör att AI-projekt ibland får ett märkligt dubbelliv. På presentationsnivå talar man om datadrivna beslut, men i praktiken går mycket tid åt till att jaga, tolka och flytta information mellan system som inte riktigt pratar med varandra.
Det är också därför många underskattar hur mycket arkitekturfråga detta egentligen är. AI handlar inte bara om modeller. Det handlar lika mycket om hur data rör sig, var den lagras och vem som har tillgång till den.
3. Modellen ses som målet, inte som början
Det finns en tendens att betrakta den färdigtränade modellen som slutpunkten. Som om arbetet i princip vore klart när precisionen ser tillräckligt bra ut i en testmiljö.
Men i verkligheten är det ofta där det riktiga arbetet börjar.
För en modell lever inte i ett vakuum. Den möter förändrad data, nya beteenden, nya produkter, nya avvikelser och ibland helt nya förutsättningar i verksamheten. Det som såg stabilt ut i februari behöver inte fungera lika bra i september. Och om ingen har ansvar för att följa upp det, märks det ofta först när verksamheten redan har börjat tappa förtroendet.
Det är därför MLOps blivit så viktigt, även om begreppet ibland låter mer tekniskt än det behöver göra. I grunden handlar det om något ganska jordnära: att ha ordning på hur modeller sätts i drift, övervakas, uppdateras och förbättras utan att skapa osäkerhet i verksamheten.
Industrin är van vid den logiken i andra sammanhang. Man skulle aldrig acceptera bristande spårbarhet i fysisk produktion. Samma krav behöver gälla även här.
4. Edge behandlas som ett tillval
Det är lätt att prata om AI som något centralt, nästan molnlikt, som om all intelligens bor i ett datacenter långt bort från själva verksamheten. Men inom industrin uppstår värdet ofta i det lokala, nära maskinen, kameran, sensorn eller fordonet.
Det gäller särskilt när besluten måste fattas snabbt. En autonom truck kan inte vänta på att ett svar ska färdas fram och tillbaka genom flera lager av infrastruktur. En visuell kvalitetskontroll på hög hastighet fungerar inte om latensen blir för hög. Och i vissa miljöer är det inte heller realistiskt att skicka allt dataflöde vidare för central bearbetning.
Ändå kommer edge-perspektivet ofta in sent i diskussionen, nästan som en teknisk detalj man kan lägga till senare. I själva verket borde det för många användningsfall vara en av de första frågorna man ställer.
Var ska besluten fattas? Var måste intelligensen finnas? Och vad händer om uppkopplingen inte är perfekt?
Om de frågorna inte besvaras tidigt blir lösningen ofta elegant på papperet, men svår att använda i praktiken.
5. Kontroll över data och infrastruktur tas för given
Under flera år har mycket av teknikdiskussionen handlat om snabbhet, skalbarhet och tillgång till kapacitet. Det är fortfarande viktiga faktorer. Men för många industriföretag väger en annan fråga nu tyngre än tidigare: kontroll.
Det handlar om var data faktiskt ligger, hur känslig information skyddas, vem som har insyn i modeller och träningsflöden och hur beroende man vill vara av externa miljöer som man inte fullt ut styr över.
För vissa verksamheter är det här redan en regulatorisk fråga. För andra är det snarare en strategisk. Men oavsett vilket har det blivit allt svårare att se kontroll som något sekundärt. När AI börjar röra kärnverksamhet, produktionslogik, immateriella tillgångar och framtida konkurrenskraft, blir ägande och suveränitet plötsligt väldigt konkreta frågor.
Det märks särskilt i industrin, där många investeringar görs med lång tidshorisont. Ingen vill bygga framtida förmåga på en struktur som känns snabb i dag men osäker i morgon.
Det som saknas är ofta inte idéer, utan fundament
När AI-satsningar stannar av beror det sällan på att företagen saknar ambition. Ofta finns både visionen och viljan. Det som saknas är i stället de tekniska och operativa förutsättningarna för att göra satsningen uthållig.
Det är också därför nästa steg sällan handlar om ännu ett pilotprojekt. Det handlar oftare om att ställa några mer obekväma frågor:
Är vår data verkligen tillgänglig på ett sätt som går att bygga vidare på?
Har vi en miljö som klarar drift, inte bara demo?
Vet vi hur modeller ska förvaltas över tid?
Och är vår arkitektur byggd för intelligens, eller bara för kontroll?
På Aixia arbetar vi med de frågorna i praktiken, tillsammans med industriföretag som vill ta AI från idé till verklig användning. Det kan handla om allt från AI-plattformar och MLOps till edge, nätverk och den underliggande infrastruktur som krävs för att lösningarna faktiskt ska fungera i vardagen.
För i slutändan är det ofta där skillnaden uppstår. Inte i powerpointen, inte i pilotprojektet, utan i om miljön är byggd för att bära nästa steg.
