AI i kvalitetskontrol kan finde afvigelser men må ikke definere kvaliteten

Kvalitet er et krav før det er et modeloutput

Når mennesker taler om AI i kvalitetskontrol, forestiller mange sig et kamera, der ser en ridse hurtigere end en medarbejder. Det er en reel anvendelse, men feltet er bredere. En model kan også finde usædvanlige målinger, gruppere reklamationer, opdage manglende felter i dokumentation og pege på processer, hvor fejl opstår oftere.

Den tekniske opgave kan ligne klassifikation: godkendt eller afvist. Den organisatoriske opgave er vanskeligere. Hvad tæller som kvalitet? Hvilken tolerance er acceptabel? Hvornår er et særtilfælde tegn på innovation, og hvornår er det en fejl? Hvilke konsekvenser har en forkert afvisning for kunden, medarbejderen eller produktionen?

ISO beskriver kvalitet som graden af, at noget opfylder krav. Det er en nyttig påmindelse: Modellen kan hjælpe med at sammenligne en observation med et krav, men den bør ikke få lov til at opfinde kravet undervejs. Hvis definitionen er uklar, bliver modellens sikkerhed blot en pæn overflade over en ledelsesopgave, der ikke er løst.

Vælg en opgave hvor en fejl kan undersøges

Begynd ikke med den mest kritiske afgørelse. Vælg en afgrænset opgave, hvor mennesker allerede har eksempler, et nogenlunde stabilt krav og mulighed for at efterprøve resultatet. Det kan være at markere billeder til ekstra kontrol, finde målinger uden for et kendt interval eller samle ens klager til et fælles tema.

God første opgave	Dårlig første opgave
Markér mulige afvigelser til menneskelig kontrol	Kassér automatisk uden mulighed for genvurdering
Prioritér hvilke sager der bør ses først	Afgør alene om en kunde får medhold
Find manglende dokumentation	Antag at manglende data betyder manglende kvalitet
Sammenlign mod tydelige tolerancer	Lær kvalitet ud fra historiske godkendelser alene

En god pilot gør det muligt at se både gevinsten og fejlen. Hvis modellens forslag ikke kan spores tilbage til et billede, en måling eller en konkret kilde, bliver det svært at forbedre processen og svært for medarbejderen at sige imod.

Historiske data er ikke en neutral facitliste

Mange kvalitetsmodeller trænes eller tilpasses på tidligere afgørelser. Det kan være nyttigt, men historikken afspejler også gamle tolerancer, skiftende materialer, forskellige medarbejdere og perioder med tidspres. Hvis et bestemt hold sjældent registrerede små fejl, kan modellen lære, at fejlene ikke findes. Hvis nye produkter ligner gamle på overfladen, kan den overse, at kravet har ændret sig.

Kortlæg mindst disse skift

• Nye leverandører, materialer, maskiner, kameraer eller måleudstyr.
• Ændrede kundekrav, tolerancer, lovkrav eller interne godkendelsesregler.
• Sæson, lys, støv, temperatur eller andre forhold som ændrer inputtet.
• Nye medarbejdere, træning eller praksis for hvordan fejl bliver registreret.

NISTs AI Risk Management Framework anbefaler, at organisationer forstår sammenhængen, måler systemets adfærd og håndterer risici løbende. I kvalitetskontrol betyder det, at en model aldrig er færdigtestet én gang for alle. Processen omkring den ændrer sig, og derfor skal kontrolprøver, fejltyper og grænser genbesøges.

Mål to slags fejl og den skjulte arbejdsbyrde

Det er fristende kun at måle, hvor mange rigtige fund modellen laver. Men to fejltyper har forskellige konsekvenser. En overset fejl kan sende et dårligt produkt videre eller efterlade en alvorlig sag ubehandlet. En falsk alarm kan kassere et godt emne, skabe unødvendig kontakt med en kunde eller fylde medarbejdernes dag med efterkontrol.

• Falsk negativ: En reel fejl bliver ikke markeret.
• Falsk positiv: Noget acceptabelt bliver markeret som mulig fejl.
• Uafklaret: Inputtet er for dårligt eller fremmed til, at modellen bør afgøre noget.

Den tredje kategori er vigtig. En ansvarlig løsning skal kunne sige, at den ikke har et sikkert grundlag. Det kan være et sløret billede, en ny produkttype eller en måling uden kalibreringsoplysninger. Hvis alt tvinges til ja eller nej, forsvinder usikkerheden fra skærmen, men ikke fra virkeligheden.

Mål også den manuelle tid efter modellen. En høj træfsikkerhed kan skjule, at medarbejderne bruger flere timer på at undersøge tvivlsomme markeringer. Kvalitet og produktivitet skal vurderes samlet, ikke hver for sig.

Byg menneskelig kontrol ind i selve arbejdsgangen

Menneskelig kontrol er ikke en sætning i en politik. Det er et konkret design. Medarbejderen skal kunne se det relevante grundlag, vælge en anden afgørelse og registrere hvorfor. Hvis det tager fem minutter at tilsidesætte modellen, men ét klik at acceptere den, vil systemet langsomt skubbe mennesker mod maskinens forslag.

1. Vis observationen og det gældende krav side om side.
2. Vis modellens sikkerhed som et hjælpemiddel, ikke som et facit.
3. Gør godkend, afvis og send til specialist lige tilgængelige.
4. Registrér begrundelser i få men meningsfulde kategorier.
5. Gennemgå uenigheder mellem model og mennesker som læring, ikke som medarbejderfejl.

OECDs principper fremhæver gennemsigtighed, robusthed og ansvarlighed. I praksis betyder det, at nogen skal eje tærsklerne, overvåge fejlene og kunne forklare, hvorfor processen er rimelig. Leverandøren kan hjælpe, men organisationen der bruger systemet, beholder ansvaret for sin egen beslutning og sine egne mennesker.

En pilotplan på fire uger

Uge	Arbejde	Beslutning
1	Definér krav, fejltyper, undtagelser og konsekvenser	Hvad må modellen markere, og hvad må den aldrig afgøre?
2	Test på historiske eksempler og bevidste svære tilfælde	Hvilke fejl og grupper klarer den ikke?
3	Kør parallelt med nuværende proces uden automatisk effekt	Flytter modellen reel kvalitet eller blot arbejdsbyrde?
4	Gennemgå resultater med operatører og kvalitetsansvarlig	Skal piloten justeres, udvides eller stoppes?

Brug eksempler fra både normale og sjældne situationer. Medtag nye varianter, dårlige billeder, grænsetilfælde og bevidste fejl. Lad ikke leverandøren alene vælge testen. De mennesker der håndterer virkelighedens afvigelser, kender ofte de mærkelige tilfælde, som et pænt datasæt mangler.

Når I bør lade være

AI er ikke det rigtige første værktøj, hvis kravene ændres fra person til person, hvis I ikke kan afgøre hvad et korrekt resultat er, eller hvis fejl ikke bliver registreret. I de tilfælde er standardisering, måleudstyr, træning eller en enklere regel ofte vigtigere. En model kan ikke reparere en proces, som ingen kan beskrive.

Lad også være med at automatisere afvisning, hvis konsekvensen er stor og muligheden for at klage er lille. Et forslag til ekstra kontrol er noget andet end en endelig afgørelse. Jo større betydning for mennesker, sikkerhed eller økonomi, desto mere synligt skal ansvar, dokumentation og adgang til genvurdering være.

Lad modellen være den vedholdende medlæser

AI kan være stærk i kvalitetsarbejde, fordi den kan se de samme hundrede detaljer uden at blive træt. Mennesket er stærkt, fordi det forstår kravets formål, kan opdage at verden har ændret sig og kan tage ansvar for undtagelsen. De to styrker skal ikke blandes sammen.

Brug modellen som en vedholdende medlæser, der peger og prioriterer. Giv medarbejderen et tydeligt grundlag og reel ret til at være uenig. Og mål processen på, om den samlet leverer bedre kvalitet med færre skjulte fejl og mere læring. Så bliver AI et værktøj i kvalitetskulturen i stedet for en genvej uden ejer.

Læs også

• AI på egne data – sådan bruges jeres dokumenter som kilder

Kilder og videre læsning

• ISO 9001:2026 – officiel oversigt over den gældende standard for kvalitetsledelse, udgivet 16. september 2026
• NIST AI Risk Management Framework – ramme for løbende styring og evaluering af AI risici
• NIST AI RMF Playbook – praktiske handlinger til at kortlægge, måle og håndtere risici
• OECD AI Principles – principper om gennemsigtighed, robusthed og ansvarlighed