Fabrikkernes dataproblem kan bremse robotter med physical AI

Marc Kastholm

Robot- og AI-virksomheder har rejst næsten 48 milliarder dollar i 2026, men robotterne kan ikke lære at arbejde selvstændigt på fabriksgulvet, hvis produktionsdata ligger spredt eller slet ikke bliver brugt.

Robot- og AI-virksomheder har rejst næsten 48 milliarder dollar i 2026 indtil nu. Men at få robotter ud af de kontrollerede miljøer og ind på fabriksgulvet er ikke en given. For at en robot kan lære at arbejde selvstændigt, skal den have data fra den virkelige verden, og de fleste produktionsfaciliteter er ikke indrettet til at levere dem.

Tag svejsning som eksempel. En robot, der selv skal forbedre sin teknik, skal forstå, hvordan vinklen på svejsningen, hastigheden og emnets placering påvirker det færdige resultat. Erfarne teknikere har den forståelse efter års arbejde med hænderne, men meget af den viden er ikke gemt på en måde, som robotvirksomheder kan bruge til at træne deres systemer.

Data ligger spredt og bliver ikke brugt

Fabrikker indsamler allerede en masse driftsdata, men meget af den er aldrig struktureret til at lære af. Nogle data bliver samlet ind og aldrig gennemgået. Og de relevante oplysninger ligger ofte i forskellige systemer. En maskine registrerer driftsparametre, mens et kvalitetsstyringssystem gemmer kontrolresultaterne, og det gør det svært at koble beslutninger i processen til kvaliteten af det færdige emne.

Ifølge en undersøgelse fra Manufacturing Leadership Council nævner 37 procent af de adspurgte producenter manglende datainteroperabilitet som en stor forhindring for deres smart factory-strategier. I 2025 var tallet 22 procent. Bedre forbindelse mellem systemerne er dog ikke nok alene. Producenterne skal også kunne knytte produktionsdata til målbare kvalitetsresultater.

Tre ting producenter bør prioritere

Før robotterne sættes i drift, peger artiklen på tre områder:

  • Indsaml data, der afspejler de reelle produktionsforhold, og find sammenhængen mellem procesparametre og kvalitetsresultater.
  • Forbind data på tværs af hele produktionen, så procesdata kan knyttes til kontrolresultater og det færdige emne.
  • Byg feedback-loops om kvalitet og gentagelighed, og aftal på forhånd, hvornår et menneske skal kigge på resultatet.

Lior Susan fra Eclipse siger til The Robot Report: “If your physical asset isn’t generating real-time operational data, it’s a dead asset.”

Netop kontrol og validering kan sætte grænser for, hvor frit en AI må ændre på produktionen. I medicinsk udstyrsproduktion kræver lovgivningen ofte, at processerne valideres, så en ændring kan kræve nye tests. Derfor skal producenterne, ifølge artiklen, definere acceptable driftsgrænser, før robotterne må justere selv.

Det er altså ikke mængden af data, der afgør, om robotterne bliver selvstændige på fabrikken. Det afgør, om robotterne rent faktisk bruger de data, der findes, til at træffe pålidelige beslutninger.