AI til kvalitetsstyring og ISO 9001 i danske virksomheder

Kvalitetsstyring bliver ofte beskrevet som et system af procedurer, audits og formularer. I praksis handler det om noget mere jordnært: at opdage fejl tidligt, forstå hvorfor de opstår og sikre, at de ikke gentager sig. Her kan kunstig intelligens gøre en reel forskel. Den kan læse tusindvis af reklamationer, samle spredte auditfund, finde mønstre i måledata og pege på sager, som fortjener menneskelig opmærksomhed.

Men AI kan også skabe en ny form for kvalitetsproblem. En velformuleret årsagsanalyse kan være forkert. En automatisk opdateret procedure kan mangle en vigtig undtagelse. Og en chatbot kan give medarbejderen et overbevisende svar fra en forældet instruktion. Derfor er målet ikke at lade AI “eje kvaliteten”, men at bruge teknologien som et analyserende lag oven på et velfungerende kvalitetsledelsessystem.

ISO 9001 og AI: understøttelse, ikke en genvej

ISO 9001 er en international standard for kvalitetsledelsessystemer. Standarden kræver ikke bestemte softwareprodukter og heller ikke AI. Den fokuserer på blandt andet kundekrav, processtyring, risikobaseret tænkning, dokumenteret information, intern audit, ledelsens evaluering og løbende forbedring. En virksomhed kan derfor være moden uden AI – og umoden med et imponerende AI-dashboard.

AI passer godt ind som støtte til den såkaldte PDCA-cyklus: Plan, Do, Check, Act. I planlægningsfasen kan den analysere historiske fejl og risici. Under driften kan den overvåge procesdata og dokumenter. I kontrolfasen kan den samle afvigelser og auditfund. I forbedringsfasen kan den hjælpe med at følge effekten af korrigerende handlinger. Ansvaret for beslutningerne ligger fortsat hos virksomheden.

Seks konkrete anvendelser

1. Automatisk klassificering af afvigelser og reklamationer

En kvalitetsafdeling kan modtage afvigelser fra produktion, service, lager, kunder og leverandører i mange forskellige formuleringer. En sprogmodel kan foreslå kategori, proces, produkt, alvor og ansvarlig funktion. Den kan også finde sandsynlige dubletter: tre beskrivelser af “løs forbindelse”, “kontaktfejl” og “intermitterende signal” kan vise sig at være samme problem.

Det reducerer registreringsarbejdet og gør data mere sammenlignelige. Men kategoriseringen skal have en kendt taksonomi. Hvis medarbejderne bruger kategorierne forskelligt, lærer modellen uenigheden. Start derfor med at rydde kategorier, definere eksempler og måle AI-forslag mod menneskeligt validerede sager.

2. Rodårsagsanalyse og CAPA

CAPA står for corrective and preventive action – korrigerende og forebyggende handlinger. AI kan samle relevante historiske sager, foreslå hypoteser og strukturere en 5 x hvorfor-analyse eller et fiskebensdiagram. Den kan eksempelvis opdage, at reklamationer stiger på én produktvariant efter skift til en bestemt råvarebatch eller ved bestemte procesindstillinger.

Det er vigtigt at skelne mellem korrelation og årsag. At to forhold optræder samtidig beviser ikke, at det ene forårsager det andet. En rodårsag bør understøttes af procesviden, data, observation eller test. AI kan forkorte vejen til de bedste hypoteser; den kan ikke erstatte dokumentationen for, at hypotesen er rigtig.

3. Dokumentstyring og ændringskontrol

Kvalitetssystemer indeholder procedurer, instruktioner, formularer, specifikationer og registreringer. AI kan sammenligne versioner, markere modstridende instruktioner, foreslå konsekvensrettelser og gøre godkendte dokumenter søgbare i naturligt sprog. En medarbejder kan spørge: “Hvilken kontrol skal udføres efter omstilling af linje 2?” og få svar med link til den gældende instruktion.

Løsningen skal respektere adgangsrettigheder og kun søge i frigivne versioner. Svaret bør vise kilde, dokumentnummer, version og afsnit. Hvis systemet blander kladder, udgåede dokumenter og gældende instruktioner, bliver den hurtige søgning direkte farlig. Kildehenvisning er derfor et kvalitetskrav – ikke en kosmetisk funktion.

4. Auditforberedelse og mønstergenkendelse

Før en intern audit kan AI samle sidste års fund, åbne handlinger, proces-KPI'er, ændringer, reklamationer og relevante risici. Den kan foreslå spørgsmål og områder, hvor evidensen er svag. Efter audit kan den gruppere observationer og sammenligne dem med tidligere fund på tværs af afdelinger eller lokationer.

AI må ikke gøre audit til en mekanisk dokumentøvelse. En audit vurderer også, om praksis faktisk svarer til proceduren, om medarbejderne forstår processen, og om kontroller virker. Det kræver observation, interviews, stikprøver og faglig dømmekraft. Brug AI til forberedelse og mønstre – ikke som en automatisk konklusion om compliance.

5. Prediktiv kvalitet og visuel inspektion

I produktion kan maskinlæring koble procesparametre som temperatur, tryk, vibration, hastighed og råvarebatch til senere fejl. Modellen kan advare om øget fejlrisiko, før et produkt falder uden for specifikationen. Computer vision kan kontrollere overflader, etiketter, samlinger eller emballage og markere billeder til menneskelig vurdering.

Her skal både falske positive og falske negative måles. For mange falske alarmer stopper flowet og får medarbejderne til at ignorere systemet. Oversete fejl kan nå kunden. Test derfor løsningen på repræsentative produkter, lysforhold, kameraer, materialer og sjældne fejl – også efter ændringer i processen.

6. Leverandørkvalitet og risikosignaler

AI kan samle reklamationer, leveringspræcision, kontrolresultater, certifikater, auditfund og svarhastighed per leverandør. Den kan fremhæve forværring over tid, manglende dokumenter eller det samme problem på tværs af flere varenummer. Det gør leverandøropfølgning mindre afhængig af enkeltpersoners hukommelse.

En leverandørscore bør være gennemsigtig. Volumen, produktkritikalitet og kontrolomfang påvirker tallene. Ti fejl i en million enheder er ikke det samme som ti fejl i hundrede. Brug AI til prioritering, men lad kontraktkrav, teknisk betydning, forsyningsrisiko og leverandørdialog afgøre handlingen.

Datagrundlaget afgør, om AI finder signal eller støj

Kvalitetsdata er ofte fragmenterede. Afvigelser ligger i et QMS, målinger i produktionssystemet, leverandørdata i ERP, kundeklager i CRM og dokumenter i SharePoint. Før AI kan skabe overblik, skal virksomheden definere fælles nøgler: produkt, batch, proces, lokation, leverandør, fejltype og tidspunkt.

• Afvigelser og reklamationer: beskrivelse, kategori, alvor, produkt eller service, dato, lokation og ejer.
• Undersøgelse og CAPA: rodårsag, midlertidig korrektion, korrigerende handling, frist og effektkontrol.
• Proces- og måledata: specifikation, faktisk værdi, udstyr, operatørrolle, batch og procesparametre.
• Dokumenter: dokumentnummer, version, status, godkender, ikrafttrædelsesdato og berørte processer.
• Leverandørdata: modtagekontrol, fejlrate, rettidighed, audit, certifikater og svar på leverandørklager.

Værktøjer og løsningsveje

Der findes ikke ét rigtigt systemvalg. Mange virksomheder kan begynde i den platform, de allerede bruger, mens andre har brug for et specialiseret elektronisk kvalitetsledelsessystem (eQMS).

AI i eksisterende kontor- og dataplatforme

Microsoft 365 Copilot, Copilot Studio, Power BI og Power Automate kan bruges til dokumentsøgning, opsummering, workflows og analyser, hvis data allerede ligger i Microsoft-miljøet. Google Workspace og Gemini kan løse lignende opgaver i Google-miljøer. Generelle assistenter som ChatGPT Business eller Enterprise og Claude for Work kan hjælpe med analyse og udkast, men de skal kobles til godkendte datakilder og virksomhedens sikkerhedspolitik.

eQMS og branchesystemer

Specialiserede QMS-platforme samler dokumentstyring, afvigelser, CAPA, audit, træning og leverandørkvalitet. Eksempler på det internationale marked er ETQ Reliance, MasterControl, Intelex og Ideagen Quality Management. Funktioner og AI-begreber varierer betydeligt. Bed leverandøren vise den konkrete funktion på jeres proces og data – ikke blot en generel produktdemo.

Computer vision og egne modeller

Visuel kontrol og prediktiv kvalitet kræver ofte kameraer, edge-udstyr, historiske fejl og integration til produktionsdata. En egen model kan være relevant, når virksomhedens proces er særlig, og når fejlens økonomi forsvarer udvikling og løbende drift. Medregn mærkning af træningsdata, validering, overvågning, re-træning og håndtering af ændringer i produkt eller udstyr.

Sådan måles forretningsværdien

En AI-pilot bør ikke bedømmes på, om demoen ser intelligent ud. Vælg mål, der forbinder arbejdsgang og kvalitet. For afvigelser kan det være tid fra registrering til klassificering, gennemløbstid, andel for sent lukkede sager og genåbningsrate. For produktion kan det være skrot, omarbejde, first-pass yield, kundereklamationer og cost of poor quality.

Mål også selve modellens kvalitet: præcision i kategorisering, hvor ofte et forslag accepteres, falske alarmer og oversete kritiske sager. En hurtigere proces er ikke en forbedring, hvis den lukker de forkerte sager. Sammenlign med en baseline og følg effekten efter implementering – ikke kun under en kontrolleret test.

GDPR, informationssikkerhed og EU AI Act

Personoplysninger og fortrolige data

Kvalitetssager kan indeholde kundeoplysninger, medarbejdernavne, helbredsoplysninger, billeder eller beskrivelser af fejl begået af identificerbare personer. Dataminimering er derfor vigtig: AI behøver ofte produkt, proces og hændelse, men ikke personens navn. Begræns adgang, fastlæg slettefrister og indgå databehandleraftale med relevante leverandører. Produkttegninger, recepter, procesindstillinger og leverandørvilkår kan desuden være forretningshemmeligheder.

EU AI Act vurderes efter anvendelsen

AI til almindelig analyse af produkt- og proceskvalitet er som udgangspunkt ikke en højrisikoanvendelse efter EU AI Act. Men klassifikationen afhænger af konteksten. Et system kan være underlagt strengere krav, hvis det er en sikkerhedskomponent i et reguleret produkt, indgår i kritisk infrastruktur eller bruges til beslutninger om medarbejdere. Virksomheden bør registrere formål, data, ansvar, leverandør, menneskelig kontrol og risikovurdering for hver anvendelse.

ISO/IEC 42001 kan være relevant som ledelsessystem for ansvarlig styring af AI. Den erstatter ikke ISO 9001, men kan supplere den ved at strukturere ansvar, risici, livscyklus og løbende forbedring omkring AI-systemer.

Seks trin til en robust implementering

1. Vælg én konkret kvalitetsudfordring

Start eksempelvis med at klassificere reklamationer, opsummere ugens afvigelser eller finde gentagne auditfund. Vælg en proces med tilstrækkeligt volumen, tydelig smerte og en ansvarlig procesejer.

2. Fastlæg baseline og acceptkriterier

Mål nuværende tidsforbrug, gennemløbstid, fejlrate og genåbninger. Definér hvad AI skal forbedre, og hvilke kritiske fejl der ikke kan accepteres. Et gennemsnit kan skjule en uacceptabel fejl i den alvorligste kategori.

3. Ryd data og definitioner

Gennemgå kategorier, dubletter, manglende felter og forskellige lokale definitioner. Opret et valideret testsæt med repræsentative og vanskelige sager. Det bliver grundlaget for at måle løsningen før og efter ændringer.

4. Design kildehenvisning og menneskelig kontrol

Kræv, at forslag viser relevante sager, dokumenter eller målinger. Angiv hvem der må godkende hvad, og hvornår en sag skal eskaleres. Kritiske dispositioner, rodårsager og CAPA bør ikke lukkes automatisk.

5. Kør parallelt og dokumentér afvigelser

Lad AI give forslag ved siden af det nuværende flow. Sammenlign resultater, og registrér hvorfor medarbejderen afviser et forslag. Det giver både forbedringsdata og dokumentation for modellens begrænsninger.

6. Overvåg modellen som en proces

Udpeg ejer, følg KPI'er, test efter opdateringer og genvurdér ved ændringer i produkter, processer eller datakilder. En model, der virkede på sidste års fejltyper, er ikke automatisk god til næste års produktsortiment.

De fem hyppigste fejl

1. At generere dokumenter uden at ændre praksis: Flere procedurer er ikke det samme som bedre kvalitet.
2. At tro på en velformuleret rodårsag: En sandsynlig forklaring skal stadig bevises med data eller test.
3. At blande gældende og udgåede dokumenter: AI-søgning skal kende dokumentstatus, version og adgang.
4. At optimere behandlingstid alene: Hurtig lukning er værdiløs, hvis problemet kommer igen.
5. At starte bredt: Et afgrænset workflow giver bedre læring end et løfte om at “AI-transformere kvalitet”.

Kilder og videre læsning

• ISO: ISO 9001 og kvalitetsledelse
• ISO: ISO/IEC 42001 – ledelsessystem for kunstig intelligens
• EUR-Lex: Forordning (EU) 2024/1689 – EU AI Act
• Datatilsynet: Regler og vejledning om databeskyttelse
• ASQ: PDCA-cyklussen i kvalitetsarbejde