Fra tavs produktionsviden til intelligent planlægning
En global produktionsvirksomhed ønskede at reducere materialespild, frigive kapacitet og gøre en kompleks planlægningsproces mindre afhængig af enkeltpersoner. Munk AI omsatte faglige regler, lagerdata og produktionsplaner til en digital optimeringsassistent.
Se casenIllustrationen viser løsningens princip og indeholder ikke kundedata eller et faktisk produktionsresultat.
- 91
- Timer/år
- ca. 400.000 kr.
- Forventet årlig værdi
- 213
- Timer/år
- < 6 mdr.
- Tilbagebetalingstid
forventet frigivet i produktionsplanlægningen
ved mindre materialespild
forventet frigivet gennem færre omstillinger
estimeret ved projektstart
01Udfordringen
Når den vigtigste viden bor i hovederne på få mennesker
Produktionsplanlægningen byggede på manuelle beregninger, erfaringsbaserede afvejninger og et stort antal indbyrdes afhængige regler.
For hver produktionsordre skulle medarbejderne tage højde for tilgængelige materialer, dimensioner, kombinationsmuligheder, tolerancer, omstillinger, hasteordrer og den efterfølgende anvendelse af eventuelle rester. Den bedste løsning var sjældent åbenlys.
Processen fungerede, fordi nøglemedarbejdere havde opbygget omfattende erfaring. Men den var tidskrævende, svær at skalere og sårbar ved fravær. Samtidig gjorde den manuelle arbejdsform det vanskeligt systematisk at afveje materialespild mod kapacitet og produktionstid.
02Kernen i opgaven
Opgaven var ikke blot at automatisere en beregning.
Den var at gøre faglig dømmekraft eksplicit, beregnelig og anvendelig i den daglige produktion.
Kompleks beslutningslogik
Mange regler og begrænsninger skulle vurderes samtidigt for hver plan.
Tavs viden
De vigtigste arbejdsgange og undtagelser var i høj grad forankret hos enkelte eksperter.
Materialespild
Små forbedringer i udnyttelsen kunne få mærkbar økonomisk og miljømæssig effekt.
Produktionskapacitet
Omstillinger og hastesager reducerede den tid, hvor maskinerne producerede.
03Løsningen
En optimeringsassistent bygget omkring den virkelige produktion
Løsningen kombinerer virksomhedens egne data med formaliseret faglig viden og beregner anbefalinger til den kommende produktion.
Munk AI begyndte ikke med en bestemt AI-model. Arbejdet begyndte på produktionsgulvet med observationer, interviews, dokumenter og konkrete eksempler på gode og dårlige planer.
Den indsamlede viden blev omsat til regler, begrænsninger og økonomiske prioriteringer. Herefter blev der udviklet en algoritmisk optimeringsmotor og et enkelt interface, som kunne give medarbejderne et konkret forslag frem for blot at levere rå data.
Assistenten blev designet som beslutningsstøtte: Brugerne kunne gennemgå anbefalingen, forstå forudsætningerne og anvende deres faglige dømmekraft, før planen blev sat i drift.
Lagerdata
Materialer, mængder, dimensioner og rester.
Produktionsordrer
Behov, prioritet, timing og kombinationsmuligheder.
Optimeringsmotor
Regler, tolerancer, omkostninger og kapacitetsafvejninger.
Anbefalet plan
Et konkret, gennemgåeligt forslag til produktionen.
Forenklet procesillustration · beslutningsstøtte
04Fra ekspertviden til software
Tavs faglig viden blev gjort beregnelig
Den største del af arbejdet lå i at forstå og strukturere de mange beslutninger, som erfarne medarbejdere normalt træffer næsten intuitivt.
- 01
Forstå processen
Observationer, interviews, data og konkrete produktionsscenarier.
- 02
Gør viden eksplicit
Regler, begrænsninger, tolerancer og økonomiske afvejninger.
- 03
Byg og afprøv
Algoritme, interface, brugertest og iteration på virkelige data.
- 04
Gør løsningen driftsklar
Deployment, dataflow, ændringsstyring og løbende forbedringer.
05I praksis
Hvordan påvirker dagens valg den næste ordre?
Hvilke materialer kan kombineres? Hvornår giver en ekstra samling mening? Hvilke tolerancer er acceptable? Hvad koster en omstilling sammenlignet med ekstra spild?
Ved at gøre disse afvejninger eksplicitte kunne de indgå i en ensartet beslutningsmodel. Det skabte både grundlag for softwareløsningen og en mere dokumenteret produktionsproces.
Illustrationen viser løsningens princip og indeholder ikke kundedata.
Beregnet beslutningsforslag
06Oprindelig business case
Den forventede effekt ved projektstart
Tallene indgik i beslutningsgrundlaget og beskriver den forventede effekt. De er ikke dokumentation for efterfølgende realiserede resultater.
Vigtigt: Nøgletallene er estimater fra projektets oprindelige business case. De bør ikke omtales som realiserede gevinster uden en særskilt effektmåling i den faktiske drift.
Forventet effekt
91 timerplanlægningstimer forventet frigivet årligt
ca. 400.000 kr.forventet årlig værdi ved reduceret materialespild
213 timerproduktionstimer forventet frigivet gennem færre omstillinger
ca. 127.800 kr.estimeret årlig kapacitetsværdi af de frigivne produktionstimer
< 6 mdr.estimeret tilbagebetalingstid i den oprindelige business case
07Værdien ud over regnestykket
En mere robust og gennemsigtig produktionsproces
Selv før den fulde effekt måles, skaber arbejdet værdi ved at gøre processen mere dokumenteret, gentagelig og mindre personafhængig.
Faglig viden bliver et fælles aktiv
Regler og undtagelser dokumenteres, så de kan deles, udfordres og forbedres over tid.
Flere muligheder kan vurderes systematisk
Algoritmen kan afprøve kombinationer og afvejninger, som er vanskelige at overskue manuelt.
Planlægningen bliver mindre sårbar
Processen er ikke i samme grad afhængig af, at bestemte nøglepersoner er til stede.
Et fundament for videre integration
Den formaliserede logik kan videreudvikles og kobles tættere til virksomhedens øvrige systemer.
08Samarbejdsmodellen
Forretningens viden og teknisk eksekvering i samme proces
Løsningen blev udviklet iterativt med de mennesker, der kendte produktionen, dataene og den tekniske virkelighed.
Domæneviden og virkelige data
- Produktionsregler og undtagelser
- Lager- og ordredata
- Brugertest og faglig validering
- Prioritering af forretningsbehov
Analyse, software og optimering
- Proces- og behovsafdækning
- Formalisering af beslutningslogik
- Algoritme, backend og interface
- Test, deployment og videreudvikling
Korte læringssløjfer
- Konkrete planer frem for abstrakte krav
- Løbende afklaringer med brugerne
- Iteration på fejl og nye scenarier
- Værdi og anvendelighed som styringsmål
Fra erfaring til skalerbar kapabilitet
Har I en kompleks proces, der stadig afhænger af manuelle beregninger og få eksperter?
Munk AI hjælper virksomheder med at afdække den faktiske beslutningsproces, omsætte faglig viden til software og bygge løsninger, som kan skabe målbar værdi i driften.