Muligheten og grensene for AI i produktutvikling

Hva AI kan godt: Den genererer mange varianter fra et utkast og gjør dermed sammenligninger mulige som det ellers ikke er tid til i prosjekthverdagen. Den gjennomgår normer og datablad, oppsummerer research, leverer første utkast til teknisk dokumentasjon og avlaster rutinearbeid. Riktig brukt sparer den dermed betydelig arbeidstid.

Man bør likevel ikke gjøre den feilen å la innholdet stå ukontrollert. Selv om agentene kan overta arbeidet til medarbeidere, er de ikke selv medarbeidere. En språkmodell genererer altfor ofte tekst som høres troverdig ut – men den kan mangle sannhetsgehalt.

Hva AI ikke kan

AI har ikke ansvar: Den svarer verken for sikkerheten, eller står inne for mennesket som senere skal arbeide med maskinen. Den avgjør ikke målkonflikter, fordi den aldri kjenner den reelle konteksten fullt ut; det den leverer, er et forslag uten bevissthet om konsekvensene.

For mange oppgaver som bygger på ferdige 3D-modeller – renderinger, fargevariasjoner og presentasjoner – er AI etter hvert svært godt egnet. Ved tegningsavledninger støtter den de første visningene, men mål- og toleransesetting forblir konstruktørens oppgave. For å lage funksjonelle 3D-modeller er den derimot foreløpig ikke egnet. Dette skyldes blant annet at dagens modeller først og fremst trenes og styres med språk og bilder, i liten grad med parametriske CAD-data. Komplekse geometrier med randbetingelser, toleranser og produksjonskrav lar seg ikke beskrives pålitelig på denne måten. Til dette vil det «foreløpig» kreves en erfaren konstruktør.

Vår modell

Vi holder rollene atskilt: Maskinen leverer forslag og utkast, ansvarlig for resultatet er ingeniøren. Hvert forslag gjennomgår derfor en faglig kontroll før det tas inn i et produkt – det koster en del av tiden som ble spart tidligere; i våre prosjekter blir det likevel en tydelig besparelse totalt sett.

---

Kilder

1. Xu, Jain, Kankanhalli (2024): Hallucination is Inevitable – formelt bevis på at språkmodeller som generelle problemløsere uunngåelig hallusinerer; feilen kan ikke fjernes fullstendig.
2. Chen et al. (2025): Understanding Design Fixation in Generative AI – generativ AI viser designfiksering og innsnevrer løsningsrommet, på samme måte som menneskelige tankeblokkeringer.
3. Vicente & Matute (2023): Humans inherit artificial intelligence biases – Scientific Reports: Mennesker overtar feilene til et AI-system og beholder dem, selv etter at støtten er borte.