Många små och medelstora företag står inför samma fråga när det gäller artificiell intelligens: var börjar man egentligen? Precis det handlade den första Rheinland Day i Siegburg om, ett evenemang arrangerat av organisationen Just Forward som samlade runt 300 små och medelstora företag, forskare och unga teknikbolag. Podden “Markt und Mittelstand” talade där med flera gäster – och bilden som växer fram är angenämt nykter: mindre hype, mer struktur. Jag har sammanfattat de praktiskt användbara slutsatserna för beslutsfattare i små och medelstora företag.
- AI-projekt startar inte med programmering, utan med förståelse och en tydlig problemdefinition – först därefter följer genomförandet.
- Före varje projekt kommer arbetet med databasen: gå igenom, granska, bearbeta. Små och medelstora företag sitter ofta på en underskattad dataskatt.
- I stället för ett rent genomförbarhetsbevis (POC) är det Proof of Value som räknas: vilket problem löses, vilken nytta uppstår?
- Verkliga användningsfall sträcker sig från teknisk support över styrning av robotar till lokalt körda modeller som håller företagshemligheter inom huset.
- I små och medelstora företag ersätter AI ofta inga jobb, utan avlastar överbelastade specialister och säkrar kunskap som annars skulle gå förlorad vid pensioneringar.
Utgångspunkten: bra forskning, svag översättning till produkter
En av dagens centrala iakttagelser gäller en strukturell svaghet hos landet. Tyskland har utmärkt forskning, men lyckas inte i tillräcklig grad omsätta resultaten i marknadsdugliga produkter. Mellan forskningsresultat och tillämpning går det regelbundet förlorat kunnande – inte sällan plockar utländska företag upp resultaten och skapar värdet där i stället. Det klassiska exemplet är fortfarande MP3-spelaren.
Innovationsaktiviteten i landet sjunker, samtidigt som det globalt framför allt är teknikbolag som växer i värde och betydelse – företag som alltför sällan uppstår här och alltför sällan blir tillräckligt stora. För små och medelstora företag går det att härleda en konkret rekommendation ur detta: innovation går att aktivt hämta ur forskningen. Samarbetet mellan näringsliv och vetenskap var en gång starkare och har sjunkit i åratal. Även små företag kan börja här – i det nämnda fallet inrättade ett företag med runt 20 anställda en donationsprofessur vid det lokala universitetet.
Så bör AI-projekt starta: tre faser i stället för ett snabbskott
Det kanske mest användbara bidraget för vardagen är en enkel arbetsmodell. Det vanligaste felet: företag börjar direkt med programmeringen. Det är det steg som borde komma sist. I stället rekommenderas ett förlopp i tre faser:
- Discover: Säkerställ att ledning och medarbetare förstår vad AI överhuvudtaget är och vad som händer just nu.
- Define: Definiera konkret var AI löser ett verkligt problem eller skapar ett mätbart mervärde – inte använda AI bara för att använda AI.
- Deploy: Först nu det tekniska genomförandet. På så sätt uppstår ingen “häftig lösning” för sin egen skull, utan en som bevisligen ger nytta.
Först data, sedan projektet
Som komplement betonade flera samtalspartner databasens betydelse. Innan du sätter igång lönar sig en ärlig analys: vilka data finns det som går att bygga vidare på? Den genomgången görs lämpligen tillsammans med en data scientist. Först därefter går arbetet vidare strategiskt – med frågan om rätt use case, visionen och framför allt Proof of Value.
Skillnaden är avgörande: många initiativ rinner ut i sanden därför att ett proof of concept visserligen fungerar tekniskt, men ingen har prövat om det löser ett verkligt problem. Nyckelfrågorna före varje investering lyder därför: sparar vi tid? Blir vi effektivare? Vilken ROI ger det? Och vilka ramvillkor – dataskydd inkluderat – måste beaktas?
Konkreta användningsfall från små och medelstora företag
Abstrakt strategi hjälper föga utan exempel. Följande områden presenterades på evenemanget med praktisk förankring.
Teknisk support och kunskapssäkring
Vid högkomplexa anläggningar, av vilka det ofta bara finns ett enda exemplar, omfattar dokumentationen snabbt hundratusentals sidor. Specialister i eftermarknadssupporten lägger enligt beskrivningarna lätt runt 25 procent av sin tid enbart på att leta i dessa underlag. AI-stödda system kan här leverera rätt svar direkt – förutsatt att den centrala risken behärskas: hallucinationer. Ett svar låter alltid rimligt, men är ibland helt enkelt fel. I säkerhetskritiska miljöer är det inte acceptabelt, och därför måste data bearbetas så att språkmodellen kan läsa dem tillförlitligt.
Anmärkningsvärd är reaktionen hos de berörda specialisterna: i överbelastade supportteam finns praktiskt taget ingen oro för jobben. Tvärtom – AI täpper till luckan som uppstår när erfarna medarbetare går i pension med hela sin företagskunskap och kompetensbristen försvårar återbesättningen. Det handlar inte om att automatisera bort jobb, utan om att hålla team handlingskraftiga.
AI och robotik i produktionen
För många små och medelstora företag är det ett stort hinder att ta robotar eller maskiner från olika tillverkare i drift och programmera om dem – det nödvändiga kunnandet saknas internt och externa integratörer är dyra. Språkmodeller möjliggör här en dialogbaserad styrning: maskiner går att ställa in utan djupa programmeringskunskaper och robotar att styra via foundation-modeller.
Två punkter är centrala här. För det första kontrollen: små och medelstora företag har föga intresse av att kamerabilder från deras produktion flyter ut i molnet eller till amerikanska företag, eftersom företagshemligheter sitter i dem. Lokalt körda system adresserar precis det – inklusive spårbarheten i vilka uppgifter som löses just nu och var det hakar upp sig. För det andra dataskatten: medan amerikanska tillämpningar starkt siktar på kunskapsarbete ligger den större hävstången för tyska små och medelstora företag i produktionshallen. Företag med mycket bakgrundskunskap kan mata modeller med den – en fördel som amerikanska leverantörer utan dessa data inte har.
Marknadsföring: platsdata och geofencing
Inom marknadsföringen togs geofencing upp som exempel. Där definieras platser – till exempel den egna butiken eller en konkurrents – för att nå målgruppen kontextbaserat. Den som uppehåller sig 30 minuter till 2 timmar hos en konkurrerande bilhandlare är med hög sannolikhet en köpbenägen intressent i “lower funnel”. Liknande logik gäller för köksstudior eller det säsongsbetonade däckbytet på bilverkstäder. Förutsättningarna är överblickbara: inget omfattande AI-strategidokument, utan klarhet om målet och den direkta konkurrensen.
Röstbaserade AI-agenter för bokningar och tillgänglighet
Ett annat exempel var telefonbaserade AI-agenter på en färdig, GDPR-konform plattform, styrda via prompting och kopplade till en automatiseringsplattform. Före, under och efter ett samtal går det att utlösa åtgärder – till exempel skicka ett SMS med LinkedIn-profilen eller direkt boka in en tid i kalendern. Det praktiska värdet ligger i skalningen: sådana system arbetar dygnet runt, kan föra många telefonsamtal parallellt och lämpar sig för restaurangbokningar, frisörtider eller en proaktiv påminnelse om däckbytet på hösten.
Varför det personliga utbytet räknas
Trots all teknik betonades en punkt flera gånger: vi är omgivna av artificiell intelligens, men verklig framgång skapas till slut av mänsklig intelligens. Det särskilda värdet i sådana evenemang ligger i kombinationen av två världar – den decennielånga erfarenheten hos etablerade industriföretag och det mer digitala tänkandet hos unga tech-startups. Medvetet hölls Rheinland Day inte i en storstad, utan där de små och medelstora företagen faktiskt finns: ute i regionen.
Slutsats
Budskapet från Rheinland Day är angenämt jordnära: AI i små och medelstora företag lyckas inte genom snabb kod, utan genom förståelse, en ren databas och tydligt definierade use case med påvisbar nytta. Den som börjar med Proof of Value i stället för det rena genomförbarhetsbeviset undviker de projekt som rinner ut i sanden. De mest övertygande tillämpningarna avlastar specialister, säkrar värdefull kunskap och håller känsliga data inom huset. För beslutsfattare i små och medelstora företag betyder det: först problemet, sedan data, sedan tekniken – i den ordningen.
Källa: KI-Lösungen für den Mittelstand – Markt und Mittelstand: Der Podcast (YouTube), på tyska