De flesta som skriver om AI gör det från skrivbord: från universitet, tankesmedjor, redaktioner eller policyrum. Det är viktiga perspektiv. Men de saknar ibland något avgörande: kontakt med de miljöer där tekniken måste fungera under tidspress, kvalitetskrav och ekonomiskt ansvar.

Jag tillbringar mycket av min tid i förbättringsprojekt nära produktionen: livsmedel, tillverkning, flödesproblem, kvalitetsavvikelser, stillestånd, materialvariation. Det är i den miljön jag ser vad AI redan gör på riktigt — och vad den ännu inte klarar.

Det jag ser är inte att människan försvinner över en natt. Det jag ser är att en erfaren person med AI kan göra betydligt mer förarbete, täcka fler angreppsvinklar och få fram bättre underlag snabbare än tidigare. Det räcker för att börja förändra organisationslogik, bemanning och konkurrenskraft.[1]

Ett representativt förbättringsfall

I ett typiskt processproblem börjar arbetet med frågor som dessa: varför varierar viktutfall, varför ökar svinn, varför driver temperaturprofiler, varför beter sig linjen annorlunda mellan skift, vilka experiment är värda att köra först? Tidigare innebar det ofta flera verktyg, manuella datauttag, hypoteslistor, visualiseringar och rapportskrivning över flera dagar.

I dag kan ett första användbart analysunderlag ofta tas fram samma dag. AI hjälper till att strukturera data, föreslå analysvägar, skriva kodutkast, sammanfatta observationer och omvandla tekniska anteckningar till underlag som går att diskutera med verksamheten. Det betyder inte att AI gör jobbet åt mig. Det betyder att mer av arbetet kan läggas på bedömning, verifiering och förankring i stället för på mekaniskt förarbete.[2]

Multiplikatorn sitter i erfarenheten

Det viktigaste jag ser från fabriksgolvet är därför inte vad AI gör själv, utan vad kombinationen människa plus AI gör jämfört med ett mer traditionellt arbetssätt. En person som vet vad den letar efter kan gå bredare, djupare och snabbare än tidigare.

Det är också därför effekten blir ojämn. En oerfaren användare kan få mycket yta och lite substans. En erfaren användare kan däremot använda samma verktyg som multiplikator för domänkunskap. Därför är frågan inte bara ”hur bra modellen är”, utan hur väl den kopplas till problemformulering, data, processförståelse och kvalitetssäkring.[3]

Där AI fortfarande faller

Det är viktigt att säga tydligt: modeller hallucinerar, missar edge cases och ger ibland svar som låter säkra utan att vara robusta. De förstår inte alltid processens fysiska begränsningar. De ser inte automatiskt den informella verkligheten i en fabrik: skiftkultur, lokala workarounds, underhållsskuld, mätfel, tröghet i organisationen.

Det är därför de bästa resultaten uppstår när AI kombineras med stark domänkunskap. En erfaren operatör eller förbättringsledare ser ofta sådant modellen inte ser: när ett rimligt förslag kommer att fallera på grund av materialvariation, säkerhetskrav eller helt enkelt hur arbetet faktiskt görs på plats.

Vad industrin ser tidigare

Industrin är nyttig som lins därför att den är konkret. Flöde, kvalitet, energi, genomloppstid, skrot och stillestånd går att mäta. Där finns mindre utrymme för fluff. Antingen förbättras processen eller så gör den inte det.

Det är också därför industrinära miljöer ofta ser AI-skiftet tidigare än offentlig debatt. När tekniken sparar tid i ett verkligt arbetsflöde syns det snabbt i genomförande, bemanning och beslutsrytm. Man behöver inte vara överens om alla framtidsscenarier för att se att något redan håller på att ändras.

Det jag drar för slutsats

Jag försöker inte skriva som evangelist eller dystopiker. Jag försöker skriva som ingenjör: observera, jämföra, testa och dra slutsatser. Den slutsats jag drar just nu är enkel: AI fungerar redan tillräckligt bra i delar av industrinära kunskapsarbete för att ändra hur värde skapas.

Det är inte samma sak som att allt automatiseras nu. Men det är mer än tillräckligt för att ledningar, utbildningar och politiker borde tala mindre om experiment och mer om omställning.

Källnoter

Essän kombinerar egna fältiakttagelser med bredare källor om adoption, produktivitet och arbetsuppgifter.

  1. För hur AI omfördelar arbetsuppgifter snarare än enbart ersätter hela jobb, se Anthropic Economic Index, januari 2026 och ILO Working Paper 140.
  2. Om hur AI påverkar produktivitet och värdeskapande, se PwC Global AI Jobs Barometer 2025 och Stanford AI Index 2025.
  3. Översikter över hur generativ AI används i verkliga uppgifter finns hos Anthropic Economic Index; mer generell arbetsmarknadskontext hos WEF och IMF.

Rolf Skogling skriver AI-skiftet ur ett industrinära och praktiskt perspektiv, med utgångspunkt i arbete med AI i skarpa verksamheter.