AI gør modularisering til en disciplin for SMV’er
En virksomheds største besparelse gemmer sig ofte lige for næsen af ledelsen. Den ligger i de tusindvis af CAD-tegninger, ingen helt har overblik over. Nu har danske forskere sat kunstig intelligens på sporet af de skjulte millioner, og gjort modularisering til en disciplin, som også SMV’er kan mestre.
En velkendt industristrategi – boostet af AI
Et dansk forskningsprojekt har sat AI på en opgave: At give små og mellemstore virksomheder adgang til en disciplin, kun de store hidtil har mestret: Modularisering. Projektet hedder AIMO. Navnet er sammensat af AI og modularisering. Det ejes af modulariseringsnetværket NEM, finansieres af Industriens Fond og Thomas B. Thriges Fond og udføres i et samarbejde mellem DTU og Aarhus Universitet. Arbejdet er delt i to. På DTU ligger den økonomiske del af projektet.
Modellen, der regner de skjulte omkostninger ud. På Aarhus Universitet sidder teknikken. CAD-delen lærer maskinen at genkende industriens komponenter. Det er den sidste del, denne artikel fokuserer mest på. Jeg har talt med to af mændene bag. Daniel Eskildsen fra Aarhus Universitet, der står bag CAD delen, og Christian Eskildsen fra NEM, der har fulgt projektet hele vejen.
Figur 1: Christian Eskildsen (tv.) har fulgt AIMO hele vejen. Han kalder værktøjet ” De to maskiner – CAD-maskinen og Cost-maskinen”. Daniel Eskildsen (th.) har lært CAD-maskinen at genkende Industriens komponenter
Fire virksomheder: Runi, KVM, Exhausto og Terma har lukket forskerne ind i deres data.
Tre af virksomhederne er små eller mellemstore, og det er ingen tilfældighed. Det er præcis dem, projektet er til for.
To discipliner mødes her. Den ene er gammel, den anden ny.
Færre unikke dele betyder lavere kompleksitet, og lavere kompleksitet betyder forøget konkurrencekraft. Samtidig bliver produkterne lettere at genbruge, renovere og tage tilbage, når de er udtjente.
Kunstig intelligens leverer overblikket. Den læser CAD-tegningerne som ren geometri og finder de komponenter, der i virkeligheden er ens. Også når de ligger spredt rundt i forskellige mapper med hvert sit varenummer. Den henter endvidere tallene ud af ERP-systemet og regner ud, hvad hver del i virkeligheden koster.
AI løser dermed en opgave, som intet menneske kan overskue manuelt. Det viser, hvad en beslutning i virkeligheden koster. Før den bliver truffet.
Det lyder abstrakt, men det begynder et meget konkret sted. Ude i en industrivirksomheds tegningsdatabase.
Figur 2: CAD tegningsdelen af AIMO. Det er den del denne artikel fokuserer på
Figur 3: ERP Data er økonomidelen af AIMO
En time sparet. Og en omkostning ingen ser
Forestil dig en ingeniør med en deadline. Han skal bruge et beslag.
Han kan lede efter et, der allerede findes i virksomhedens database. Det tager måske to eller tre timer. Eller han kan tegne et nyt på en time. Han tegner et nyt. Det er hurtigst.
Han har lige sparet en time. Det føles som en god beslutning.
Men det er nu, omkostningerne begynder at vokse et helt andet sted, end han kan se. For den nye komponent skal også fremstilles. Nogen skal vælge materiale. Nogen skal give den en plads på lageret. Nogen skal bygge den ind i produktet, dokumentere den, vedligeholde den i årevis.
Den ene sparede time bliver til mange tabte timer. Spredt ud over kolleger, der aldrig opdager, hvor meromkostningen kom fra.
Det er det, der gør de her omkostninger så svære at få øje på. De optræder aldrig samlet. De pibler frem lidt efter lidt. Som vand fra et utæt rør, der først bliver opdaget, når skaden er sket.
Og ERP-systemet ser det ikke. Det regner på materialer og løn. Det regner ikke på besværet.
Så hvis regningen er usynlig, hvordan finder man den så?
Det første skridt er at finde de poster, ingen vidste, de havde.
Figur 4: Den synlige omkostning er toppen af isbjerget. Under vandlinjen ligger alt det, ERP-systemet ikke regner på: lager, dokumentation, vedligehold, indkøb, planlægning. Det gør AIMO til gengæld
Ingen kendte til tvillingerne
Hver gang en virksomhed tegner en ny komponent, fødes en CAD-fil.
AIMO oversætter CAD-filen til et STEP-format.
Det er en åben standard, som al CAD-software kan tale. Og det gør det muligt at en AI-model kan se på den.
Modellen bygger på Autodesks UVNet og er videreudviklet på Aarhus Universitet.
AIMO gør grundlæggende én ting: Den spørger: ”Hvad ligner den her mest?”
AIMO ser på formen. Og dér finder den noget, ingen havde bedt den om: helt identiske tvillinger og næsten identiske tvillinger. Spredt ud over hele databasen. I hver sin mappe. Med hvert sit varenummer, men i virkeligheden den samme — eller næsten den samme komponent.
”Et menneske ser en tegning og tænker straks: hvad skal den bruges til? AIMO er ligeglad. Den ser på geometrien. Og så kan den finde to dele, der ligner hinanden til forveksling, selv om de hedder noget helt forskelligt,” forklarer Daniel Eskildsen.
AIMO blev sluppet løs på hele KVM’s database som består af 40.000 egne tegninger og norm-parts. Her dukkede et eksempel op, der siger det hele. En komponent var brugt seks gange. Et andet sted i databasen lå dens helt identiske søster.
Den anden var brugt omkring 400 gange.
Samme form, to numre.
Ingen der havde set sammenhængen.
Figur 5: STEP Similarity. AIMO skaber overblik over virksomhedens komponenter, som ligner hinanden
16.000 dele i en kasse, der hed “ukendt”
Men dubletterne var ikke engang det mest overraskende.
For da AIMO havde været hele databasen igennem, dukkede der en kategori op i KVM’s system. Den hed “ukendt”. Og den var ikke lille. Den indeholdt 16.000 dele.
16.000 komponenter, som ingen i den daglige drift havde haft brug for at sætte i system. Tegnet, gemt, glemt.
”Deres første reaktion var nærmest: Hold da op, har vi virkelig så meget liggende?” – fortæller Christian Eskildsen.
Og her vendte historien. For det viste sig at være en gave.
AIMO havde uden at blive bedt om det ryddet op i en database, ingen ellers får ryddet op i.
Figur 6: Overblikket på ét skærmbillede. AIMO har sorteret virksomhedens tegninger i forskellige kategorier: beslag, flanger, rør, hængsler, pumper og talt op, hvor mange der ligger i hver
Der findes nemlig ikke værktøjer til det.
Pludselig kunne en ny medarbejder få overblikket på ét skærmbillede, i stedet for at bruge måneder på at lære mapperne at kende.
Det var noget, KVM selv hæftede sig ved.
”En ny medarbejder kommer ind og spørger typisk: Hvad er det egentlig for nogle dele, vi laver her? Og så har han pludselig overblikket,” fortæller Daniel Eskildsen.
Og overblikket stopper ikke ved formen.
Herfra kan man klikke sig videre og se, hvad der er lavet sidst, hvad der er billigst, hvad der kan holde. Om en del er støbt i metal eller plast.
”Det bliver et resumé. En måde at finde alle detaljerne i de 40.000 tegninger,” siger Christian Eskildsen.
Og virksomheden kan selv fortsat fodre nye tegninger ind og holde det ved lige. Og derved bevare overblikket. Det kræver ikke ret meget: adgang til CAD-biblioteket, styklisterne og tallene fra ERP-systemet.
Men at finde delene er kun det halve.
Det næste spørgsmål er sværere: ”Hvad koster de i virkeligheden?”
Det tal, ingen kunne regne ud
Christian Eskildsen taler om AIMO som ”to maskiner”.
Den første er CAD-maskinen. Den genkender delene på formen og finder tvillingerne. Den anden er Cost-maskinen. Den sætter pris på dem.
Tilsammen svarer de på det spørgsmål, ingen kunne svare på før: Kan det betale sig at genbruge, modularisere eller konstruere nyt?
Cost-maskinen sætter to tal på hver komponent. Det ene henter den direkte fra ERP-systemet, opdateret hver dag. Det andet er sværere. Det er kompleksitetsomkostningen — al den skjulte byrde, en del trækker med sig gennem hele organisationen.
Det tal har altid eksisteret. Men næsten ingen har kunnet regne det ud.
For at finde det måtte man før sætte sig ned i ugevis, interviewe medarbejdere på tværs af afdelinger og kortlægge processer i hånden. Et stort, dyrt stykke arbejde, man måske nåede én gang om året. De største virksomheder kunne sætte tyve mand på opgaven i en måned. De mindre kunne slet ikke.
Det er dét, AIMO laver om. Maskinen kan regne kompleksitetsomkostningen ud løbende — ikke én gang om året, men når som helst.
Cost-maskinen kan mere end at sætte pris. Den kan benchmarke komponenterne mod hinanden — holde én dels omkostning op mod alle de andres. Og lede efter helt konkrete besparelser, for eksempel de dele, der bruger mindst materiale.
Tilsammen peger de to maskiner på det bedste modul: den bedste ydelse, det bedste design, den bedste kvalitet — til den laveste kompleksitet og den laveste samlede kost.
Figur 7: Når virksomheder som Terma skal udvikle en ny radar, der består af tusindvis af komponenter, kan AIMO give indsigt i de faktiske omkostninger ved at skabe et helt nyt produkt kontra at genbruge komponenter fra eksisterende produkter.
Foto: https://www.dtu.dk/english/newsarchive/2025/12/aimo-shedding-light-on-companies-hidden-costs-and-saving-them-millions
15.000 komponenter og et sparet millionbeløb
Et radarsystem fra Terma kan bestå af op til 15.000 komponenter. Og mange af dem trækker en omkostning med sig. Også længe efter, de er monteret.
For en komponent koster mere end det, den koster at lave. Den skal vedligeholdes. Den skal have en plads på lageret. Den skal måske udvikles videre, dokumenteres, holdes i live i årevis. Og jo flere unikke dele en virksomhed slæber rundt på, jo tungere bliver den byrde.
Genbruger man en del, man allerede har, i stedet for at tegne en ny, arver man ikke en ny omkostning. Man deler en, der allerede er betalt.
Her mødes CAD-delen og økonomien. AIMO genkender delene på formen og trækker deres direkte omkostninger ud af ERP-systemet. Og så regner den videre på det, ERP’et ikke selv kan: hvad komponenten koster over hele sin levetid.
Og dér dukker den skjulte regning op.
Ifølge DTU’s egen omtale af projektet anbefalede Termas ERP-system i ét tilfælde at udvikle én bestemt type radar frem for en anden. Men da AIMO lagde vedligehold, udvikling og planlægning og andre skjulte omkostninger oveni og regnede over hele produktets levetid, vendte billedet.
Alternativet var langt billigere. Forskellen løb op i et større millionbeløb. ¹
Den samme beslutning. To vidt forskellige svar. Forskellen var alt det, ERP-systemet ikke kunne se.
Det er pointen i den anden halvdel af AIMO. Ikke at erstatte ingeniørens dømmekraft, men at gøre de skjulte omkostninger synlige, inden beslutningerne træffes.
Data governance bag fabrikkens mure
Der findes en hurtigere genvej end et forskningsprojekt.
Man kan lægge sine CAD-filer op i en åben AI-tjeneste og bede den om at rydde op. Hurtigt. Billigt. Fristende.
Men for en industrivirksomhed er tegningerne ikke bare filer.
De er kronjuvelerne.
Den viden, konkurrenten helst vil have fat i.
Lægger du tegningerne op i skyen, ligger de side om side med data fra hvem ved hvor mange andre. Håndteret efter regler, du ikke selv har skrevet.
”Når konkurrenten en dag spørger, hvad kernen i det næste projekt egentlig er, så ligger svaret jo allerede et sted derude,” som Christian Eskildsen formulerer det.
AIMO er bygget den modsatte vej. Systemet er lukket og virksomhedsspecifikt.
Det lever inden for fabrikkens egne mure. Det er udelukkende trænet på virksomhedens egne data.
Så data kan ikke uden videre kopieres af konkurrenterne.
Figur 8: AIMO holder data inden for virksomhedens egne rammer
Fremtiden gemmer sig i fortiden
AIMO finder dubletterne og sætter pris på dem. Men det er ikke målet i sig selv. Det er midlet.
Målet er en anden måde at bygge produkter på.
I stedet for at konstruere et nyt design, hver gang en kunde har et nyt ønske, kan man vende blikket indad: Hvilke af de design, vi allerede har, er de bedste? Hvilke kan løftes op og blive til faste moduler, vi bygger videre på igen og igen?
Det er tankegangen bag modularisering. Og det er her, AIMO skifter karakter. Fra at rydde op i fortiden til at pege på fremtiden. Hvilke få, gode designs skal virksomheden satse på fremadrettet for at blive mest lønsom.
Christian Eskildsen har set det før. Mange gange. En virksomhed har måske lavet vaskemaskiner i 50 år, uden nogensinde at standse op og spørge, hvilke af løsningerne der faktisk var de bedste. Svaret ligger gemt i deres egne tegninger. AIMO henter det frem.
Håbet er, at AIMO efter forskningsprojektet kan blive til et selvstændig startup.
Og længere ude venter nye muligheder. For eksempel ved at lægge CO2-data på de enkelte komponenter, side om side med kronerne, så virksomheden ikke kun kan se, hvad en beslutning koster i penge, men også hvad den koster i klima.
Kina har hundredvis af bilmærker. VW har modularisering
Det kan blive Europas styrke. Og AIMO kan blive et vigtigt dansk bidrag til den udvikling.
Tænk på Volkswagen.
Koncernen er presset af kinesiske producenter. Men se på Kina: over hundrede bilmærker i en brutal priskrig, med overkapacitet og blødende bundlinjer. En hård oprydning venter, hvor kun en håndfuld overlever.
Volkswagen er bygget anderledes. Mange mærker, men på de samme moduler. Omkostningerne holdt nede på tværs af snesevis af modeller. Og reservedele og service fra en organisation i hele verden. Modularisering er motoren. Den gør koncernen svær at vælte, når told, krige, forsyningskriser og ny konkurrence rammer.
Det er den samme motor, som AIMO nu bygger ind i de små og mellemstore virksomheder. Asien har skalafordele. USA har kapitalen. Men Europa vinder ved at være klogere. Ved at vide, hvad ting koster. Ved at være bæredygtige. Ved at arbejde modulært. Ved at arbejde cirkulært. Hvor moduler bliver renoveret og genbrugt. Det er her, AI og Modularisering bliver nøglen.
Eller som Christian Eskildsen siger: ”Vi kan godt mærke, at vi med AIMO har fat i noget.”
________________________________
Christian Eskildsen
Christian Eskildsen er CEO for North European Modularization (NEM) og har omfattende international ledererfaring fra virksomheder som Danfoss, Teknologisk Institut, samt mere end 30 år hos Electrolux heraf ledet modularisering i over 10 år.
.
Daniel Eskildsen
Daniel Eskildsen er forskningsassistent på AIMO-projektet ved Aarhus Universitet og sidder med den daglige udvikling af CAD-delen af AIMO-projektet. Han har over 9 års erfaring i den danske spilindustri, hvor han har arbejdet med 3D og programmering.
