Experten tipsar: Så bör du använda AI i kvalitetsarbetet

Lukas Olofsson är Product Manager på Centuri och arbetar med att utveckla plattformen med den allra senaste funktionaliteten – på ett värdeskapande, ansvarsfullt och säkert sätt. Vi bad honom dela sina främsta insikter om AI inom kvalitetsarbete: hur det har förändrat branschen, var det gör störst skillnad och när man faktiskt inte bör använda det.

Hej Lukas! Du träffar många företag och deras kvalitetsavdelningar i ditt arbete. Hur mogen är branschen när det gäller AI?

Det varierar enormt. Vissa har kommit långt och arbetar aktivt med automatiserade flöden och datadriven uppföljning, medan andra befinner sig i startfasen.

Det jag ser mest av just nu är ett stort intresse kombinerat med en viss osäkerhet kring var man ska börja. Många vet att potentialen finns, men vet inte riktigt hur de ska ta det första steget utan att det blir ett stort och dyrt projekt. 

När vi pratar om AI inom kvalitetsledning – vad menar vi egentligen?

Det finns primärt två områden där AI kan göra verklig skillnad. Det första handlar om att skapa information. Här har många företag redan kommit en bra bit. Med hjälp av modeller som Claude och ChatGPT kan man enkelt ta fram dokument, rutiner och processbeskrivningar.

Det andra handlar om att hantera information: att med hjälp av AI effektivisera analys, generera insikter och driva förbättringsarbete. Det är här den riktigt stora potentialen finns, och det är också där de flesta fortfarande har mycket kvar att hämta. 

AI är överallt idag – men desto mindre inom just kvalitetsledning. Varför är det så?

AI används redan till viss del inom kvalitetsarbete, men långt ifrån i samma utsträckning som inom många andra områden – och det finns en tydlig anledning till det. Inom kvalitetsledning hanterar man ofta känslig data: avvikelser, granskningar, processdokumentation som inte bör lämna sin kontext. Det gör att man inte kan nyttja externa AI-tjänster på samma sätt som i andra funktioner.

För att verkligen ta tillvara på AI:s potential inom kvalitetsledning behöver funktionaliteten finnas inbyggd i själva ledningssystemet, så att all bearbetning sker inom en kontrollerad miljö.

Men det handlar inte bara om teknik. Inom kvalitetsledning är kontroll inte bara önskvärt – det är ett grundkrav. Och det ställer krav på hur man tänker kring AI-användning. Det räcker inte att fråga sig "kan vi använda AI här?" – man måste också fråga sig "är det lämpligt att använda AI här?".

Hur har AI förändrat kvalitetsarbetet?

Kvalitetsarbetet har gått från att handla om att skapa kritisk information till att granska och kvalitetssäkra den. Att ta fram processer, rutiner och liknande är enklare idag än någonsin – men utmaningarna uppstår istället i att säkra att informationen är korrekt, godkänd av rätt personer, har genomgått rätt steg och slutligen når rätt mottagare.

Det ställer nya krav på styrning och kontroll, men öppnar också upp för ett mer strukturerat, konsekvent och värdeskapande kvalitetsarbete.

Vilka risker ser du med AI inom kvalitetsledning?
I reglerade verksamheter med höga krav på säkerhet och kontroll är den centrala frågan hur man bäst tar tillvara på möjligheterna som AI öppnar upp för, utan att kompromissa med styrning och efterlevnad. Det handlar inte om att välja mellan innovation och kontroll, utan om att hitta ett ansvarsfullt sätt att kombinera dem.

Vad är ditt bästa råd till kvalitetschefer som vill börja använda AI i kvalitetsarbetet?

Börja med ett konkret problem, inte med tekniken. Det kan låta självklart, men det är det vanligaste misstaget jag ser, att man startar med att titta på verktyg och sedan försöker hitta ett problem att lösa med dem. Det blir nästan aldrig bra.

Hitta istället en process som är repetitiv, tar onödig tid och där ni redan har viss data. Avvikelserapportering är ett klassiskt exempel. Många team lägger mycket tid på att skriva rapporter, tilldela ärenden och följa upp åtgärder manuellt, och det är precis den typen av arbete som går att automatisera snabbt med tydlig effekt.

Vad ser du att företag missar mest när de inför AI eller automatisering?

Datakvaliteten. Det är nästan alltid datakvaliteten, och det är ju hela grunden. 

AI och automatisering kan göra fantastiska saker – men bara om indata är tillförlitliga och konsekventa. Om avvikelser klassificeras olika beroende på vem som rapporterar dem, om mätdata saknas för vissa perioder, eller om dokumentationen lever i mejlkedjor och Excel-ark – då blir analysen missvisande oavsett hur bra verktyget är.

Mitt råd är att avsätta tid att strukturera och kvalitetssäkra er data innan ni börjar med avancerad analys. Det kan kännas som tråkigt arbete, men det är investeringen som avgör om AI-satsningen ger utdelning eller inte.

Kan du ge ett exempel på ett område inom kvalitetsarbetet där AI gör störst skillnad i praktiken?

Prediktiv kvalitetskontroll är det som imponerar mest när man väl ser det i praktiken. Att ett system kan flagga att en process är på väg att ge underkänd kvalitet baserat på trender i processdata, innan problemet syns i produkten, det är en fundamentalt annorlunda typ av kvalitetsarbete.

Traditionellt reagerar vi när något redan har gått fel. Med prediktiv analys kan man agera redan innan det sker. Det är en stor skillnad, både ekonomiskt och för de team som slipper den reaktiva stressen.

Men det kräver bra data och lite tålamod med att träna och validera modellerna. Det är inte plug-and-play, men potentialen är verklig.

Vad händer med kvalitetschefens roll när AI tar över mer av det operativa?

I en värld av AI blir kvalitetsarbetet och kvalitetsmedarbetarnas roll viktigare än någonsin. Det är min fasta övertygelse.

När systemen hanterar det repetitiva och regelstyrda frigörs tid för det som faktiskt kräver erfarenhet och omdöme – att förstå varför problem uppstår på djupet, att driva förbättringsarbete strategiskt, att bygga en kvalitetskultur i organisationen. Det är saker som AI inte kan göra.

Hur ser du på AI i kvalitetsarbetet om tre till fem år?

Jag tror att prediktiv analys och automatiserade arbetsflöden kommer att vara standard, snarare än en konkurrensfördel. De företag som inte har digitaliserat och automatiserat sina kärnprocesser kommer att ha svårt att hålla takten – både i att leverera kvalitet och i att möta kraven från revisorer och kunder på spårbarhet och dokumentation.

Det jag tycker är mest spännande är kopplingen mellan kvalitetsdata och övriga affärsdata. Idag lever kvalitetssystemet ofta i ett eget silo. Framöver tror jag vi kommer att se mycket tätare integration med produktion, inköp och kunddata – och det kommer att ge en helt annan förmåga att förstå var kvalitetsproblem egentligen uppstår och vad de kostar.

Slutligen: ett råd till den kvalitetschef som känner sig överväldigad av allt prat om AI?

Du behöver inte göra allt på en gång. Välj en process, strukturera era data, automatisera ett flöde och mät effekten. Sedan nästa. Det är så den här typen av förändring faktiskt fungerar i praktiken – steg för steg, inte som ett stort teknikprojekt.

Och glöm inte att grunderna fortfarande gäller. AI förbättrar kvalitetsarbetet, men det ersätter inte genomarbetade rutiner, tydliga standarder och en välfungerande struktur för informationshantering.

Vill du veta var AI kan göra störst skillnad i just er verksamhet och ert arbete med informationshantering och kvalitet? Boka ett möte med oss – vi hjälper er hitta rätt startpunkt.