I en större livsmedelskoncern fanns en fabrik som länge setts som stabil men svår att förändra. Produktionen var känslig för råvaruvariationer, efterfrågan skiftade snabbt och kvalitetskraven var ständigt ökande. Trots investeringar i moderna linjer kämpade fabriken med svinn, omställningstider och oförutsägbara kvalitetsavvikelser. Ledningen insåg att traditionella förbättringsmetoder inte längre räckte, och att ett verkligt genombrott krävde att data och artificiell intelligens användes på ett helt annat sätt än tidigare.
Radners team fick uppdraget att skapa ett AI-drivet innovationsprogram som både skulle leverera snabba resultat och bygga långsiktig förmåga. Uppdraget handlade inte bara om att införa nya algoritmer, utan om att etablera ett arbetssätt där innovation och hantering av ny teknik blev en naturlig del av fabriken. Första steget blev att förstå vilka beslut i produktionen som hade störst påverkan på svinn, kvalitet och kapacitet. Genom intervjuer med produktionsledare, kvalitetsingenjörer och operatörer identifierades ett antal kritiska beslutspunkter.
Det visade sig snabbt att fabriken satt på stora mängder outnyttjad data. Temperaturkurvor, fuktnivåer, maskinloggar, laboratorieresultat och orderhistorik fanns lagrade i olika system, men användes sällan tillsammans. Radners team genomförde en datainventering och skapade en översikt över vilka datakällor som fanns, hur tillförlitliga de var och hur de kunde kopplas samman. Denna inventering blev grunden för en dataplattform där information från hela fabriken kunde samlas, struktureras och göras tillgänglig för analys.
När datagrunden var lagd startade arbetet med att bygga de första AI-modellerna. Radners team valde medvetet ut tre användningsfall som skulle ge tydlig affärsnytta och samtidigt vara tekniskt genomförbara. Det första handlade om att förutsäga kvalitetsutfall baserat på råvaruegenskaper och processteg. Det andra fokuserade på att optimera omställningar mellan olika produkter för att minska spill och stillestånd. Det tredje syftade till att prognostisera efterfrågan på kort sikt för att bättre styra produktionsplaneringen. Dessa tre spår gav en bra balans mellan kvalitet, effektivitet och flexibilitet.
För att bygga tillförlitliga modeller behövdes både historiska data och djup processkunskap. Radners team arbetade därför tätt tillsammans med fabriksingenjörer och kvalitetsavdelningen. Tillsammans analyserades hur variationer i råvaror påverkade slutproduktens egenskaper, vilka processteg som var mest känsliga och vilka parametrar som var viktigast att övervaka. Denna kombination av domänkunskap och avancerad analys gjorde det möjligt att skapa AI-modeller som inte bara var statistiskt starka, utan också begripliga för dem som skulle använda dem i vardagen.
En viktig princip var att undvika svarta lådor. Radners team la stor vikt vid att visualisera hur modellerna kom fram till sina rekommendationer. Operatörer och produktionsledare kunde se vilka faktorer som vägde tyngst i en viss prognos eller rekommendation. Detta ökade förtroendet för tekniken och gjorde det lättare att upptäcka när något i processen förändrats så mycket att modellen behövde uppdateras. Transparens blev därmed en nyckelkomponent i hur innovation och hantering av ny teknik omsattes i praktiken.
Införandet av AI i produktionen skedde stegvis. Först användes modellerna som beslutsstöd vid sidan av befintliga rutiner. Operatörer fick se rekommenderade inställningar, förväntade kvalitetsutfall och risknivåer, men hade fortfarande sista ordet. Under denna fas samlades feedback in systematiskt. Radners team analyserade när rekommendationerna följdes, när de ignorerades och varför. Denna dialog ledde till justeringar av både modeller och gränssnitt, så att stödet bättre matchade verkliga behov.
När förtroendet växte började vissa beslut delvis automatiseras. Exempelvis kunde temperaturkurvor och blandningstider justeras inom fördefinierade ramar baserat på modellernas rekommendationer. Samtidigt behölls tydliga möjligheter för operatörer att ingripa vid behov. Radners team hjälpte fabriken att definiera säkerhetsgränser, larmnivåer och rutiner för hur avvikelser skulle hanteras. På så sätt kunde automatiseringen ge effekt utan att riskera kvalitet eller livsmedelssäkerhet.
Effekterna på svinn blev snabbt märkbara. Genom att bättre matcha processtider och temperaturer mot råvarornas faktiska egenskaper minskade antalet batcher som behövde kasseras eller reworkas. AI-modellen för kvalitetsprognoser gjorde det möjligt att tidigt upptäcka när en batch var på väg att hamna utanför specifikation. I många fall kunde korrigerande åtgärder sättas in i tid, vilket räddade produktionen. Detta gav både ekonomiska besparingar och minskad miljöpåverkan, något som var viktigt för företagets hållbarhetsmål.
Även omställningarna mellan olika produkter förbättrades avsevärt. Tidigare byggde planeringen ofta på tumregler och erfarenhet, vilket gav varierande resultat. Med hjälp av AI kunde bästa omställningssekvens beräknas utifrån faktorer som rengöringskrav, allergenhantering, maskinkonfiguration och orderstorlek. Radners team integrerade dessa beräkningar i planeringssystemet, så att produktionsplanerare fick konkreta förslag på hur schemat kunde optimeras. Resultatet blev kortare omställningstider, färre fel och bättre utnyttjande av kapaciteten.
Den kortsiktiga efterfrågeprognosen gav i sin tur en mer träffsäker bild av vad som behövde produceras när. Genom att kombinera historisk försäljning, kampanjplaner, väderdata och externa händelser kunde modellen förutse toppar och dalar i efterfrågan. Detta gjorde det möjligt att justera produktionsplanen i tid, undvika överproduktion och minska risken för brist i butik. Radners team säkerställde att prognoserna integrerades i befintliga planeringsprocesser, så att de blev en naturlig del av beslutsunderlaget snarare än ett separat verktyg.
För att göra satsningen hållbar byggdes en intern AI-kompetens upp. Radners team etablerade ett program där dataanalytiker, processingenjörer och IT-specialister från företaget arbetade tillsammans i gemensamma team. Dessa team fick ansvar för att vidareutveckla modellerna, testa nya användningsfall och säkra att lösningarna följde både regulatoriska krav och interna riktlinjer. Genom att kombinera detta med strukturerad innovation och hantering av ny teknik skapades en intern motor för kontinuerlig utveckling.
En aspekt som krävde särskild uppmärksamhet var livsmedelssäkerheten. Alla nya lösningar behövde uppfylla strikta krav på spårbarhet, dokumentation och validering. Radners team arbetade därför nära kvalitetsavdelningen för att integrera AI-lösningarna i befintliga HACCP- och kvalitetssystem. Varje modell dokumenterades noggrant, testades i kontrollerade scenarier och följdes upp efter införande. Detta gjorde att revisioner och kundgranskningar kunde hanteras med full transparens kring hur tekniken användes.
Efter ungefär arton månader kunde fabriken tydligt se hur AI-satsningen förändrat vardagen. Svinnet hade minskat betydligt, särskilt i de mest komplexa produktlinjerna. Kvalitetsavvikelserna blev färre och mer förutsägbara, vilket minskade behovet av akuta insatser. Planeringen blev mer stabil, samtidigt som flexibiliteten att hantera snabba efterfrågeförändringar ökade. Medarbetare beskrev hur besluten kändes mer grundade, och hur samarbetet mellan produktion, kvalitet och planering förbättrats.
Ekonomiskt gav satsningen en stark avkastning. Investeringarna i dataplattform, modellutveckling och kompetensuppbyggnad betalade sig genom minskat svinn, bättre kapacitetsutnyttjande och färre reklamationer. Radners team hjälpte företaget att synliggöra dessa effekter i form av konkreta nyckeltal och rapporter till ledning och styrelse. Detta stärkte viljan att fortsätta investera i datadriven innovation, både i denna fabrik och i andra anläggningar inom koncernen.
Det kanske viktigaste resultatet var dock den kulturella förändringen. Innovation och hantering av ny teknik hade gått från att vara något som drevs av enstaka entusiaster till att bli en del av hur fabriken tänkte och agerade. Operatörer började själva föreslå nya användningsområden för AI, kvalitetsingenjörer såg data som en strategisk resurs och ledningen började planera investeringar med utgångspunkt i hur de skulle stärka den datadrivna förmågan. Radners team lämnade efter sig en fabrik som inte bara använde AI, utan som lärt sig att leva med den som en naturlig del av verksamheten.
Genom denna resa visade livsmedelsproducenten att avancerad teknik kan införas på ett sätt som respekterar branschens krav på säkerhet, spårbarhet och stabilitet. Kombinationen av tydligt affärsfokus, stark datagrund, transparenta modeller och strukturerad innovationsledning skapade ett verkligt genombrott. Fabriken gick från att reagera på problem i efterhand till att proaktivt styra sin produktion med hjälp av AI-baserat beslutsstöd, och därigenom stärka både lönsamhet och hållbarhet.
