AI-teknik

Schneider Electric, den globala ledaren inom energiteknik, presenterar idag nya resultat från den globala undersökningen 2026 Industrial AI in CPG Survey . Resultaten visar att tillverkare av konsumentförpackade varor väntar sig betydande ökningar i produktionsineffektivitet och kostnadstryck fram till 2030. Många vänder sig nu till industriell intelligens - kraften i AI, data och automation tillsammans - för att stärka konkurrenskraften i ett decennium präglat av växande volatilitet.

• Ny global undersökning från Schneider Electric bland 1 453 beslutsfattare visar ett växande gap mellan ambitionerna för AI-avkastning och den operativa verkligheten inom sektorn för konsumentförpackade varor.
• Datakvalitet, äldre automationssystem och förändringsledning – inte tillgången till AI – pekas ut som de främsta hindren för framgångsrik AI-användning.
• Sverige ligger över det nordiska snittet: ineffektivitet i tillverkningen motsvarar idag 12,7 procent av intäktsbortfallet och väntas öka till 19,1 procent år 2030.

Undersökningen visar att tillverkare av konsumentförpackade varor ser framför sig en tilltagande marginalpress, där ineffektivitet i form av produktionsförseningar, stillestånd och utrustningsfel redan idag motsvarar uppskattningsvis 20,3 procent av den slutliga tillverkningskostnaden per produkt. Respondenterna uppger att 15,2 procent av genomsnittliga tillverkningsintäkter redan idag går förlorade till följd av förseningar, stillestånd, omarbete, kvalitetsavvikelser eller suboptimal användning av anläggningstillgångar.

Dessa förebyggbara förluster väntas öka kraftigt, till 21,37 procent nästa år och vidare till 29,14 procent år 2030.

Svenska tillverkare ser växande intäktsbortfall till följd av ineffektiv produktion

I Norden motsvarar ineffektivitet i tillverkningen inom sektorn för konsumentförpackade varor i genomsnitt 10,8 procent av tillverkningsintäkterna idag. Andelen väntas stiga till 13,2 procent nästa år och till 18,5 procent år 2030, enligt svar från nordiskt baserade beslutsfattare inom tillverkning i life science-sektorn.

I Sverige är motsvarande andel 12,7 procent idag, 13,1 procent nästa år och 19,1 procent år 2030.

För svenska tillverkare blir det allt viktigare att minska ineffektivitet och förväntade produktionsbortfall, och där kan industriell AI spela en avgörande roll för att stärka konkurrenskraften. Det handlar ytterst om att använda data och automation bättre för att fatta snabbare och mer träffsäkra beslut i produktionen , säger Susanne Dahl, Vice President för industriell automation i Norden och Baltikum på Schneider Electric.

Förväntningarna på AI ökar snabbt – men beredskapen släpar efter

Idag uppger endast ungefär en av åtta (13 procent) tillverkare att AI är fullt integrerat i kärnverksamheten och i beslutsfattandet, från början till slut. Till 2030 förväntar sig mer än en tredjedel (37 procent) att AI ska vara en central del av verksamheten – en tredubbling på bara fyra år.

Respondenterna förväntar sig också att AI-driven avkastning på investeringar (ROI) ska öka kraftigt:

• en tredjedel (32,7 procent) räknar med en avkastning på 50–74 procent på sina AI-projekt till 2030;
• nästan en av tio (7,9 procent) bedömer att avkastningen kommer att överstiga 100 procent, vilket innebär att AI-investeringarna kan betala tillbaka sig på mindre än ett år.

Den här nivån av resultat återfinns idag endast i WEF Lighthouse-fabriker eller autonoma fabriker.

Samtidigt uppger 70 procent av respondenterna att dagens AI-ROI ligger under 20 procent, och nästan en tredjedel (28,4 procent) ser en ROI på 5 procent eller lägre – vilket speglar en bransch som fortfarande får ut begränsat värde av tidiga implementationer.

Tillverkare räknar med att den heltäckande användningen av AI kommer att tredubblas till 2030, samtidigt som de förväntar sig ett tydligt steg upp i avkastningen – i nivå med vad endast de mest avancerade Lighthouse- och autonoma fabrikerna uppnår idag. Det här förväntningsgapet är den tydligaste signalen om hur brådskande frågan är som vi har sett på flera år. AI kan bara bli transformativt när det skapar verklig industriell intelligens: förmågan att omvandla operativa data i realtid, modern automation och AI till samordnade beslut som förbättrar effektiviteten i stor skala. Många organisationer driver fortfarande brownfield-anläggningar med fragmenterad data och äldre system som begränsar AI:s värde och användning. Att minska detta beredskapsgap är nu en av de viktigaste konkurrensfrågorna för sektorn , säger Neil Smith, President, CPG, Schneider Electric.

Grundläggande beredskapen för industriell intelligens utgör hinder

Trots en stark tilltro till AI:s potential pekar respondenterna konsekvent ut strukturella, snarare än tekniska, hinder som de främsta orsakerna till att det är svårt att skala upp användningen:

• kompetensbrist inom AI eller datavetenskap (43, procent)
• äldre automationssystem och infrastruktur (37,5 procent)
• brist på kontextualiserad operativ data (36,3 procent)
• motstånd i organisationen (25,7 procent)
• Samtliga dessa faktorer rankas högre än cybersäkerhets- eller regelefterlevnadsfrågor (21,7 procent)

Resultaten är tydliga: för att leverera den transformativa ROI som förväntas av industriell AI inom bara fyra år krävs ett tydligt steg upp i samarbete, transparens och gemensamma standarder. Genom SE Advisory Services använder vi redan vårt eget Lighthouse-kunnande inom tillverkning tillsammans med kunder runt om i världen, och hjälper dem att omsätta digitala ambitioner i mätbar effekt. Vi tror att delning och införande av bästa praxis samt sektorsspecifik expertis kommer att driva nästa våg av industriell digital transformation , säger Cecile Vercellino, SVP Services, Industrial Automation på Schneider Electric.

Den nya rapporten  “Beyond the Hype: Practical AI for Competitive Consumer Goods Manufacturing”, som publiceras idag av Schneider Electric i samarbete med AVEVA, ger vägledning för framgångsrik AI-implementering inom livsmedel och dryck samt life science. Rapporten beskriver vägen mot autonom drift genom industriell data, modulär automation, elektrifiering och konkreta steg för införande av industriell AI.

Marknaden för AI växer så det knakar, men infrastrukturen riskerar att halka efter. Datacentren som är ryggraden i den nya AI-ekonomin kommer att bli nästa flaskhals om inte gemensamma spelregler skapas. Hanna Oredsson, försäljningsdirektör på Schneider Electric Sverige ser så kallade referensdesigner som en av de viktigaste pusselbitarna för att möta framtidens behov.

Välutbyggda stadsnät, tillgång till fossilfri energi och ett gynnsamt klimat är bara några få anledningar till att Sverige och Norden är idealiskt för att utveckla en konkurrenskraftig AI-infrastruktur. Det som talar emot? Ledtiderna från startat projekt till färdiginstallerad kapacitet.

De senaste årens etableringar från Google, Microsoft, AWS och Metas miljardinvestering i Luleå visar att Sverige är en attraktiv spelare på AI-marknaden. Men nästa våg av investeringar kommer att gå dit där infrastrukturen är mest förutsägbar och snabb att bygga. Där ligger Sverige efter.

Om vi ska kunna vara med och konkurrera behöver våra projekt kunna byggas snabbare, mer förutsägbart och med mindre friktion än i dag. I dag saknar vi fortfarande en sammanhållen strategi för hur datacenter ska designas, optimeras och skalas. Detta innebär i praktiken spretiga krav och dyra speciallösningar som bromsar både innovation och kapitaltillströmning. Och kravbilden kommer inte minska med tiden. McKinsey uppskattar att den globala kraftförsörjningen kommer att bli omkring 3,5 gånger större fram till 2030, en takt få länder är förberedda på, och för att möta den efterfrågan krävs investeringar i datacenter motsvarande drygt 63 biljonerkronor. Här ser jag stor potential i referensdesigner.

I stället för att varje projekt startar på ett blankt papper bygger referensdesigner på färdigtestade modeller för kraftförsörjning, kylning, kapacitet och mjukvara som säkerställer en säker och pålitlig drift. En standardiserad lösning som redan är verifierad och därmed minskar risker och kostnader. Prefabricerade och standardiserade datacenterlösningar används redan av internationella aktörer, där anläggningar kan tas i drift snabbare. Detta gör att projektering och installationstider kan reduceras med upp till 30 procent. 

Ska Sverige behålla sin attraktionskraft, och fortsätta generera investeringar inom AI-området, måste vi snabbare omfamna denna utveckling och lämna dagens projektunika lösningar. Standardisering blir inte bara en teknisk fråga, det är en nödvändighet för att inte halka efter. 

För att lyckas skapa en stabil bas att jämföra, förbättra och göra utvecklingen skalbar krävs dock samordning. Myndigheter måste anpassa regelverk och prövningsprocesser så att standardiserade lösningar premieras snarare än bromsas. Och investerare behöver börja ställa krav på skalbarhet och validerade konstruktioner för att säkra långsiktig lönsamhet.

Sverige har fortfarande möjligheten att ligga i framkant. Men då måste vi sluta se varje datacenter som ett unikt specialprojekt och börja bygga som att tekniken är här för att stanna. Vill vi vara ett förstahandsval för AI-investeringar är det nu som politiken, branschen och näringslivet tillsammans måste ta steget och öka tempot inom AI-infrastrukturen. 

Nu är det dags att vi 1: Utvecklar och delar standardiserade modeller, 2, säkerställer att regelverken stödjer dem, 3, skalar upp infrastrukturen utan att förlora tid. Då har vi en chans att inte bli omsprungna.

Hanna Oredsson, försäljningsdirektör över området datacenter på Schneider Electric i Sverige.

ABB meddelar idag att företaget genom ABB Motion Ventures gör en strategisk investering i OctaiPipe, en brittisk innovatör inom AI-baserad mjukvara för optimering av datacenterkylningssystem. Partnerskapet ger datacenteroperatörer intelligenta verktyg för att uppnå betydande energibesparingar, stärkt operativ motståndskraft och möjlighet att möta ökade krav på hållbarhet och transparens. Transaktionen innebär att ABB tar en minoritetspost i OctaiPipe, med slutförande enligt sedvanliga villkor. Finansiella detaljer offentliggörs inte.

Global efterfrågan på datacenterkapacitet väntas öka med 19–22 procent årligen mellan 2023 och 2030¹. Energiförbrukningen stiger och kylning står för upp till 40 procent av ett typiskt datacenters elförbrukning². ABB:s investering i OctaiPipe innebär ett stort steg framåt: en lokalt installerad AI-lösning som möjliggör upp till 30 procents energibesparing i kylning, med kort återbetalningstid och snabb implementering – utan att kräva ny hårdvara.

Datacenter stod för cirka 1,5 procent av världens elförbrukning 2024, där USA svarade för den största andelen med 45 procent³. Amerikanska datacenters elförbrukning väntas stå för nästan hälften av tillväxten i elbehov till 2030.

”Datacenter är den digitala ekonomins motor, men dess fotavtryck i form av energikonsumtion är ohållbart utan radikal innovation”, säger Eric Topham, vd och medgrundare av OctaiPipe. ”Vår plattform för federerad inlärning⁴ fungerar som en dirigent som justerar kylsystemets prestanda utifrån det faktiska behovet. På så sätt levererar vår AI-drivna mjukvara säker, efterlevnadsbar och handlingskraftig optimering. Genom samarbetet med ABB skalar vi inte bara teknologin, vi gör det möjligt för datacenteroperatörer att framtidssäkra sin infrastruktur och lyckas på en snabbt föränderlig marknad.”

”Energieffektivitet är avgörande för att industrier ska kunna prestera på hög nivå, mer effektivt och hållbart. Det är ett måste, inte en bonus”, säger Dr Angus Gulati, programansvarig för energieffektivitet på ABB Motion Services. ”Genom att integrera OctaiPipes avancerade AI breddar vi vårt erbjudande med avancerad mjukvarukompetens, vilket gör det möjligt för datacenter att optimera energianvändningen i sin kylinfrastruktur. Med prognoser som visar att den amerikanska ekonomin år 2030 kommer att använda mer el för databehandling än för tillverkning av alla energiintensiva produkter tillsammans, är potentialen till påverkan betydande.”

OctaiPipes lösning bygger på avancerad, egenutvecklad AI, inklusive federerad AI, multi-agent förstärkningsinlärning⁵ och digitala tvillingar för att dynamiskt optimera kylinställningar, samtidigt som säkerhet och regulatorisk efterlevnad säkerställs. Plattformens integritetsfokuserade, lokalt installerade arkitektur är utformad för datacenteroperatörer som söker sömlös skalbarhet men är försiktiga med molnbaserade lösningar. Partnerskapet vilar på en solid färdplan vilket ger datacenter flera sätt att öka tillförlitligheten och optimera prestandan.

1. https://www.mckinsey.com/industries/technology-media-and-telecommunications/our-insights/ai-power-expanding-data-center-capacity-to-meet-growing-demand
2. https://www.deloitte.com/us/en/insights/industry/technology/technology-media-and-telecom-predictions/2025/genai-power-consumption-creates-need-for-more-sustainable-data-centers.html
3. https://www.iea.org/reports/energy-and-ai/executive-summary
4. Federerad inlärning är ett maskininlärningsparadigm som möjliggör träning av AI-modeller över ett nätverk av decentraliserade enheter eller servrar. Varje nod bidrar till modellens inlärning med sitt lokala data, utan att dessa datamängder behöver utbytas eller centraliseras.
5. Förstärkningsinlärning är en kraftfull form av AI som lär sig genom att få ett mål med givna begränsningar. Metoden anpassar sina handlingar utifrån kontinuerlig återkoppling för att maximera en belöning och förbättrar därmed sin prestanda över tid.