Norsk industris skjulte KI-fortrinn finnes på fabrikkgulvet

Bildet er KI-generert

Stadig flere virksomheter tar i bruk de samme KI-verktøyene. Da kan et av norsk industris viktigste konkurransefortrinn være kunnskap som aldri er skrevet ned. Den finnes hos operatører, fagarbeidere og ingeniører som kjenner produksjonen fra innsiden. Hvordan kan vi kombinere denne erfaringen med kunstig intelligens for å skape bedre resultater?

Det dataene ikke forteller

I en smelteovn kan temperaturen nærme seg 2000 grader. Store mengder strøm og råmaterialer tilføres, og avanserte systemer overvåker produksjonen. Likevel er det mye inne i ovnen som ikke kan måles direkte. Operatørene må tolke målingene og bruke erfaringen sin til å avgjøre når de bør gripe inn.

Det var utgangspunktet da Elkem startet forskningsprosjektet Smart Furnace i 2019. Tilførselen av strøm og råmaterialer var allerede automatisert. Men styringen av de kjemiske prosessene krevde fortsatt operatørenes vurderinger. Prosjektet skulle gi dem bedre støtte ved å kombinere data, nye målemetoder og modeller med erfaringene deres.

Utfordringen er kjent i industrien: Mer data gir ikke automatisk bedre forståelse. En erfaren operatør kjenner igjen avvik, fanger opp svake signaler og vet hva som bør undersøkes. Men det er ikke alltid lett å forklare hva vurderingen bygger på.

Her kan det ligge en mulighet for norsk industri. Når stadig flere får tilgang til avanserte KI-verktøy, kan den praktiske kunnskapen i hver enkelt virksomhet bli enda mer verdifull.

Samme verktøy, ulik kunnskap

Når alle får tilgang til de samme KI-verktøyene, kan det bli vanskeligere å skille seg ut gjennom analyse alene. Det er et hovedpoeng i en artikkel av Giovanni Gavetti og hans medforfattere i Harvard Business Review fra oktober 2026. KI kan analysere store mengder data, avdekke mønstre og gi støtte til strategiske beslutninger. Men konkurrenter med tilsvarende teknologi og informasjon kan komme frem til mange av de samme svarene.

Forfatterne mener derfor at virksomheter må bygge mer på kunnskap som andre vanskelig kan få tak i, forstå eller kopiere. De kaller det sticky knowledge – kunnskap som er vanskelig å overføre. Det trenger ikke å være hemmeligheter. Ofte er det erfaringer som er bygget opp over lang tid, gjennom praktisk arbeid.

I norsk industri finnes mye av denne kunnskapen hos operatører, fagarbeidere og ingeniører. De vet hvordan en bestemt ovn oppfører seg, hvordan råmaterialene påvirker kvaliteten, eller hvorfor en produksjonslinje av og til gir uventede resultater. Noe står i prosedyrer eller finnes i produksjonsdata. Resten kan være vanskelig å beskrive, fordi det bygger på mange års erfaring.

HBR-forfatterne peker på tre grunner til at slik kunnskap er vanskelig å overføre. Den første er viljen til å dele. I en travel hverdag kan både tid og gode rutiner mangle. Kulturen kan også spille inn: Blir erfaring sett på som noe den enkelte eier, eller som noe kollegene skal få nytte av? Frykt for å bli overflødig kan gjøre det enda vanskeligere å dele.

Den andre er at vi ikke alltid klarer å sette ord på det vi vet. En erfaren operatør kan oppdage at noe er galt uten å kunne forklare alle signalene bak vurderingen. Slik taus kunnskap kommer ikke nødvendigvis frem i et intervju. Ofte må man se hvordan folk arbeider, gå gjennom konkrete hendelser og sammenligne vurderingene med målinger og resultater.

Den tredje er at kunnskapen er knyttet til lokale forhold. Det som fungerer ved ett anlegg, fungerer ikke nødvendigvis ved et annet. Utstyr, råmaterialer, vedlikehold og driftsforhold kan være forskjellige. Erfaringene må forstås i lys av dette.

Forskningsprosjektet ACTIF viser hvor sammensatt slik kunnskap kan være. Furnes, Mandal Castings og Ulefos Jernværk deltok sammen med blant andre Elkem Foundry Products og Sintef. De undersøkte hvordan ulike typer skrap og legeringselementer påvirker støpeprosessen og det ferdige materialet. ACTIF var ikke et KI-prosjekt. Men det illustrerer poenget: For å forstå hvordan et råmateriale oppfører seg i en bestemt ovn, må flere forhold ses i sammenheng.

Erfaring som KI-fortrinn?

Kan KI gjøre denne erfaringen mer verdifull, ikke mindre? HBR-forfatterne mener det. Når alle kan bruke avanserte analyseverktøy, kan virksomhetenes egen kunnskap få større betydning for konkurranseevnen.

En generell KI-modell kan finne mønstre i store datamengder som mennesker lett overser. Men den kjenner ikke nødvendigvis historien til en bestemt produksjonslinje. Den vet kanskje ikke hvorfor driftsproblemer oppsto, eller hvorfor operatørene valgte en bestemt arbeidsmåte. Ofte er denne kunnskapen heller ikke samlet i en form modellen kan bruke.

Det betyr ikke at kunnskapen alltid vil være utenfor KIs rekkevidde. Nye sensorer, bedre data, simuleringer og maskinlæring kan gjøre mer av den tilgjengelig. At vanskelig overførbar kunnskap blir mer verdifull etter hvert som KI utvikles, er derfor en interessant hypotese – ikke en dokumentert sammenheng.

Likevel mener jeg at tanken peker på noe viktig. Det er ikke sikkert at virksomhetene som først tar i bruk de mest avanserte KI-modellene, får størst gevinst. Like viktig kan det være å kombinere teknologien med egen erfaring og prosessforståelse på en måte konkurrentene vanskelig kan kopiere.

Smart Furnace gir et nyttig eksempel. Nye målemetoder ga operatørene bedre grunnlag for å vurdere prosessen. Termiske kameraer ble viktige hjelpemidler, og en pilotløsning viste foreløpige forbedringer i energieffektiviteten på 4–5 prosent. Maskinlæringen ga derimot mindre uttelling enn ventet. Deler av arbeidet ble derfor rettet mot problemer som kunne beskrives og løses med matematiske modeller.

Det betyr ikke at maskinlæring er uegnet til å forbedre produksjonen. Men teknologien må passe til oppgaven. Hvilke data har vi? Hva skal modellen hjelpe oss med? Og hvordan skal resultatene brukes i driften? Det holder ikke å finne statistiske sammenhenger. Anbefalingene må også være pålitelige og nyttige i praksis.

Havbruk gir et annet eksempel. CageEye kombinerer sensormålinger og maskinlæring for å analysere fiskens atferd og gi bedre grunnlag for fôringen. Løsningen bruker hydroakustiske sensorer. Fiskens bevegelsesmønstre, tolket i lys av kunnskap om biologien, kan gi informasjon utover vekt og antall dager i sjøen.

Resultatene er rapportert av selskapet selv og må leses med det forbeholdet. Men arbeidsmåten er interessant: Sensorene fanger opp forhold som tidligere var vanskelige å følge systematisk. Maskinlæring kan finne mønstre. Fagfolkene må tolke funnene og vurdere hva som bør gjøres.

Elkem og Sintef har pekt på det samme behovet: Målinger fra driften må kombineres med prosesskunnskap og modeller som bygger på fysikk. Samtidig gjenstår store utfordringer med datakvalitet og forståelse av kompliserte produksjonsprosesser.

Vi bør derfor være varsomme med å tro at bedre KI-modeller automatisk kan overta vurderingene til erfarne fagfolk. I mange tilfeller vil verdien trolig ligge i bedre beslutningsstøtte – der teknologien og menneskene utfyller hverandre.

Ledelse nær fabrikkgulvet

Hva betyr dette for ledelsen? Ledere kan i dag følge med på produksjonsdata, nøkkeltall og prognoser fortløpende, samtidig som nye analyseverktøy gjør det lettere å se sammenhenger i driften.

Det er et fremskritt. Men hvis tallene erstatter dialogen med dem som kjenner produksjonen, kan ledelsen gå glipp av viktig innsikt. Tallene viser hva som skjer, men ikke alltid hvorfor. En rapport kan vise økt energiforbruk. En operatør kan vite om endringer i råmaterialene eller utstyret som bidrar til å forklare økningen.

HBR-forfatterne fremhever derfor ledere som både har faglig innsikt og er til stede der kunnskapen finnes. Alle trenger ikke å være eksperter på produksjonen. Men de må kunne stille gode spørsmål, forstå verdien av fagfolkenes erfaringer og sørge for at kunnskapen brukes når nye løsninger utvikles.

Her mener jeg mange virksomheter har noe å hente. KI-prosjekter starter lett med et nytt verktøy som noen vil finne en bruk for. Vi bør begynne i den andre enden: Hvilke beslutninger kan bli bedre? Hvor kan bedre informasjon, mer systematisk bruk av erfaring eller raskere analyser gjøre en forskjell?

Fagfolkene må være med fra starten. Ikke bare som intervjuobjekter, men som deltakere i å velge problemer, utvikle løsninger og vurdere resultatene. De kjenner variasjonene i produksjonen og kan oppdage når en anbefaling ikke stemmer med virkeligheten.

Ledelsen må også sørge for at erfaringene blir nyttige for andre. Da holder det ikke å notere hva som ble gjort. Hvorfor ble tiltaket valgt? Hvilke forhold måtte tas hensyn til? Og hva ble resultatet? Slike opplysninger kan gi et bedre grunnlag for opplæring, forbedringer og KI-løsninger.

Dette krever tillit. Medarbeiderne må oppleve at kunnskapen deres blir verdsatt, og at delingen skal gjøre virksomheten bedre. Hvis KI først og fremst presenteres som en måte å erstatte mennesker på, kan det bli vanskeligere å få frem erfaringene teknologien trenger.

Ta vare på erfaringen

Arbeidet haster også av en annen grunn. Mange industrivirksomheter har medarbeidere med flere tiårs erfaring. Når de går av med pensjon, kan kunnskap forsvinne uten at den er dokumentert eller gitt videre.

Industrien har lange tradisjoner for å lære gjennom praktisk arbeid sammen med erfarne kolleger. Det vil fortsatt være viktig. Digitale løsninger kan supplere denne opplæringen og bidra til å ta vare på erfaringene.

Ved Hydros pilotanlegg på Karmøy har operatører blant annet brukt spillbasert simulering i opplæringen. De kunne øve på å forstå og regulere varmebalansen i elektrolysecellene før de møtte slike situasjoner i produksjonen. Dette var ikke KI, men viser hvordan teknologi kan gjøre komplisert prosesskunnskap lettere å lære.

KI kan åpne flere muligheter. Når erfaringer fra driften kobles til målinger, avvik, tiltak og resultater, kan det gi bedre støtte til beslutninger og opplæring. Da kan det også bli lettere å undersøke hvilke erfaringsbaserte vurderinger som lar seg beskrive mer systematisk.

Men ikke all erfaring lar seg skrive ned. Noe vil fortsatt være knyttet til praktiske ferdigheter, skjønn og evnen til å forstå en situasjon. Målet bør ikke være å gjøre erfaringen overflødig, men å la flere få nytte av den.

Fra kunnskap til konkurransekraft

Norsk industri har lange tradisjoner innen metallurgi, energi, havbruk og avansert produksjon. Mange virksomheter har sterke fagmiljøer og kort vei mellom ledelse, ingeniører og operatører. Det kan være et godt utgangspunkt for å utvikle KI-løsninger sammen med dem som kjenner produksjonen best.

Men et godt utgangspunkt er ikke nok. Virksomhetene må ta vare på egen kunnskap og undersøke hvordan teknologien kan brukes til å forbedre produksjonen.

Jeg mener derfor at norsk industri bør legge minst like stor vekt på samspillet mellom mennesker, prosesser og teknologi som på de nyeste KI-verktøyene. Utgangspunktet bør være et konkret problem i produksjonen, med fagfolkene involvert fra første stund. Deretter må resultatene måles: Gir løsningen bedre kvalitet, lavere energiforbruk, mindre svinn, økt sikkerhet eller andre forbedringer som betyr noe i driften?

Når stadig flere får tilgang til avansert analyse, kan det bli vanskeligere å skape varige fortrinn med teknologien alene. Forskjellen kan ligge i hvordan den brukes, hvilke problemer den skal løse, og hvilken kunnskap virksomheten bygger på.

Norsk industri får kanskje ikke størst fordel av å ta i bruk KI først. Fordelen kan ligge i å kombinere KI med erfaringen til folk på fabrikkgulvet.


Kilder og videre lesning

Leave a Reply