Maskinloggarna går att analysera innan integrationen är byggd

Piloten som stannade gjorde det sällan för att modellen var för svag. Den stannade vid integrationen: levande signaler från maskinerna, orderdata ur affärssystemet, kvalitetsdata ur system som aldrig var byggda för att tala med varandra. Under tiden har maskinerna fortsatt att skriva. Loggar, kvalitetsdata och underhållshistorik ligger kvar i system som redan är betalda. Frågan är inte om materialet finns, utan om någon har ställt en fråga till det.

Att datan ligger oanvänd är känt, men inte hur mycket hos er

Rockwell Automation publicerade i maj 2026 den elfte årliga State of Smart Manufacturing, med 1 560 svarande i sjutton länder, i roller från chefsnivå upp till koncernledning, insamlat av Sapio Research. Rapporten anger att organisationerna fortsätter att samla in växande datamängder medan endast 43 procent av dem används effektivt, och drar slutsatsen att begränsningen ligger i utförandet och inte i tillgången på data.

Talet är en självskattning. Det som mäts är vad respondenter på chefsnivå uppger om sin egen organisation, inte en avläsning ur något system, och Rockwell säljer industriell automation. Fältperioden anges inte i det publicerade materialet; det som står är utgivningsdatumet. Skillnaden mellan vad någon uppger och vad ett register visar är densamma som licensdata gjorde synlig för programvara.

Det gör talet användbart som storleksordning och odugligt som mätning av ett enskilt bruk. En organisation som vill veta hur mycket av sina egna maskindata som ligger till grund för ett beslut får svaret på ett annat sätt, genom att gå till posterna.

Underhållstypen stod fel på var fjärde logg

Ett forskarlag vid Institute for Energy Systems vid University of Edinburgh publicerade i maj 2026, tillsammans med en medförfattare från driftbolaget Nadara, en preprint där en språkmodell fick gå igenom 16 316 underhållsloggar från 280 vindkraftverk på 32 landbaserade vindparker. Materialet sträcker sig från 2017 till 2026 och motsvarar över 22 miljoner drifttimmar.

Modellen rättade underhållstypen på 3 997 loggar, alltså 24,5 procent av hela materialet. Den satte en felmodsprofil, med felmod, dominerande mekanism, observerade symtom och tänkbara orsaker, på 11 662 loggar, alltså 71,5 procent. En granskning av 300 slumpvis valda poster gav 80 till 90 procents överensstämmelse mellan modellens utdata och expertens bedömning.

Det anmärkningsvärda är inte att en språkmodell klarar uppgiften. Det är vad rättningen säger om utgångsläget. Den kategori som all underhållsstatistik vilar på, om arbetet var avhjälpande eller förebyggande, stod fel på var fjärde post. Den som räknat andelen avhjälpande underhåll ur det systemet räknade på en etikett och inte på vad som hände ute vid maskinen.

Dataförordningen ändrade vad som går att hämta från maskinleverantören

Invändningen mot att analysera maskindata är sällan att de saknas. Den är att de sitter i leverantörens system. Sedan den 12 september 2025 tillämpas dataförordningen, förordning (EU) 2023/2854. Europeiska kommissionen beskriver rätten så att användaren av en uppkopplad produkt får åtkomst till de data som användningen genererar, och kan begära att datainnehavaren delar dem med en tredje part som användaren väljer.

Två avgränsningar hör till samma text. Härledda och framräknade data ligger utanför, alltså leverantörens egna analyser och index snarare än avläsningarna. Och en datainnehavare kan vägra att dela om denne kan visa att röjda företagshemligheter sannolikt leder till allvarlig ekonomisk skada. Kravet på att produkten ska vara utformad så att data är åtkomliga gäller dessutom först produkter som släpps ut på marknaden efter den 12 september 2026, enligt artikel 50. Designkravet är alltså begränsat till nya produkter på ett sätt som åtkomsträtten inte är.

Vad som talar emot att loggarna redan bär svaret

Edinburgh-materialet är en preprint och har inte genomgått referentgranskning. Det kommer från en enda flotta, och det är vindkraftverk och inte en verkstad; ingen har mätt om andelen felaktiga etiketter ser likadan ut i ett underhållssystem på ett tillverkande företag. En av de fyra författarna anges på författarraden med hemvist hos energibolaget Nadara och inte vid universitetet.

Att andelen inte är uppmätt i en verkstad är ett skäl att mäta den i er, inte ett skäl att låta bli.

Siffrorna bär också sin egen reservation. Överensstämmelsen med expertbedömningen låg på 80 till 90 procent, vilket betyder att mellan en av tio och en av fem av modellens utdata inte matchade en expert. Och 4 654 loggar, 28,5 procent av materialet, fick ingen felmodsprofil alls.

Ingen av de två mätningarna har svensk population. Rockwells svarande finns i sjutton länder utan att fördelningen redovisas, och Edinburgh-materialet är en enskild flotta. Det som finns för svensk del är SCB:s statistik över AI-användning i företag: 35,0 procent av företagen med minst tio anställda använde någon typ av AI under 2025, upp från 25,2 procent året innan. Talet gäller samtliga näringsgrenar tillsammans och särredovisas inte för tillverkning. Det säger alltså ingenting om maskindata, men det säger att två av tre svenska företag ännu inte använde AI alls det året.

Slutsatsen av invändningarna är inte att låta bli att fråga loggarna. Den är att andelen otolkbara poster hör hemma i leveransen tillsammans med resultatet, och att andelen rättade etiketter ska räknas fram på det egna materialet innan den ligger till grund för ett investeringsbeslut.

Kriteriet: de tre senaste stoppen

Ta de tre senaste oplanerade stoppen på den linje som betyder mest. Gå till systemen och inte till personerna som var där. Går det att avläsa när varje stopp började, när det slutade och vilken orsak som registrerades, utan att någon fyller i luckorna ur minnet?

Ett stopp utan orsakskod räknas i tid men aldrig i orsak, och det är orsaken som avgör vad som åtgärdas.

Är svaret ja på alla tre bär materialet en analys redan i dag, och det första den analysen ska göra är att kontrollera orsakskoderna mot fritexten i stället för att lita på dem.

Är svaret ja på tiderna men nej på orsakerna sitter arbetet i registreringen och inte i modellen. Det är en avgränsad ändring i hur ett stopp kvitteras, och den ger användbart material först efter några månaders registrering.

Är svaret nej på båda är den första frågan var stoppet över huvud taget hamnar. Den frågan har nästan alltid ett svar, och svaret ligger oftast i ett system organisationen redan betalar för.