Under de mer än två åren sedan OpenAI introducerade ChatGPT har generativ AI (GenAI) främst förknippats med att förändra hur tjänstemannayrken fungerar. I en studie från 2024 av Society for Human Resource Management och The Burning Glass Institute noterade författarna att tekniken i stort sett kommer att omvandla nästan alla kategorier av tjänstemannaarbete, medan ”arbetararbete kommer att förbli skyddat från större störningar”.

För tillfället, kanske. Men många branscher som vanligtvis förknippas med fysiskt arbete experimenterar också med GenAI för att lösa till synes svårhanterliga problem. Dessa sträcker sig från att förbättra skördarna inom jordbruket till att minska arbetskraftsbristen inom byggbranschen.

Det följande är en sammanfattning av artiklar om hur fem sådana branscher använder GenAI. Deras kreativa tillvägagångssätt erbjuder lärdomar för alla branscher – tjänstemän som arbetare – om hur man får ut det mesta av denna revolutionerande teknik.

Jordbruk: Öka lantbrukarnas insikter i en föränderlig värld

Hållbar livsmedelsproduktion står i framkant av jordbruksindustrins utmaningar. Dagens jordbrukare måste effektivt använda naturresurser som jord, utsäde och vatten, samt minska den påverkan som jordbruket påför miljön genom metanproduktion, användning av bekämpningsmedel och andra faktorer. Samtidigt måste de anpassa sig till ett förändrat klimat som direkt påverkar deras intäkter.

Dessa påtryckningar har fått organisationer att utforma en rad GenAI-applikationer, allt från chattrobotar för småbönder i Indien till datainsamlings- och analyssystem för multinationella jordbrukskonglomerat.

Digital Green, en ideell organisation som bygger teknik för att hjälpa jordbrukare i utvecklingsländer, har lanserat en virtuell agronom-chatbot till jordbrukare i Indien, Kenya och Etiopien. Målet är att leverera information om viktiga jordbruksprodukter som utsäde, klimat och till och med marknadspriser.

Och i Schweiz undersöker teknikföretaget Datamars hur GenAI kan användas för att förbättra mjölkproduktionen samtidigt som det samlar in hållbarhetsdata som blir allt viktigare, inte bara för köparna utan även för regeringar.

Branschövergripande avhämtningsvägar

• Var beredd att använda ett brett spektrum av data för modellträning.
  Digital Green inledde sitt pilotprojekt genom att träna modellen med tillförlitliga vetenskapliga data från källor som expertgranskad jordbruksforskning. Men eftersom jordbruket är lokalt blir nästa steg att lägga till regionalt specifik information som vädermönster och jordmånsegenskaper. Så småningom hoppas organisationen kunna använda hämtningsutökad generering för att hämta in ständigt föränderliga data, såsom lokala marknadspriser för olika grödor.
• Använd experter för att validera resultaten.
  Inledningsvis är det inte bönderna själva som interagerar med Digital Greens chatbot, utan de jordbruksrådgivare som ger bönderna råd. Agenterna använder chatboten för att få snabbare svar på lantbrukarnas frågor, och tack vare sin agronomiska expertis kan de upptäcka och korrigera eventuella GenAI-hallucinationer.
• Vidta åtgärder för att bygga upp användarnas förtroende.
  Inom jordbruket är det vanligt att samma familj odlar samma grödor på samma mark i generationer. Som ett resultat kan råd från utomstående, än mindre från en chatbot, vara ovälkomna. För att bygga förtroende är det viktigt att möta bönder på deras egna villkor.
  
  Därför stöder chatboten flera språk och kan svara på talade frågor snarare än att bara förlita sig på text. Allt eftersom jordbruksrådgivaren gradvis bekanta bönderna med chatboten kommer bönderna att kunna använda den ute på fältet för att ställa frågor som: "Vilken är den mest lönsamma grödan att odla, med tanke på kostnaderna för utsäde och bekämpningsmedel samt lokala försäljningspriser för vissa grödor eller boskap?"

Byggbranschen: Att bekämpa arbetskrafts- och produktivitetsutmaningar

Byggbranschen har historiskt sett varit ovillig att investera i teknik. Men inför utmaningar inom arbetskraft och produktivitet experimenterar stora byggare med GenAI.

Kvalificerad arbetskraft blir alltmer knapp i takt med att äldre arbetare lämnar branschen och färre yngre människor kommer in i den. Mer än var femte byggnadsarbetare är 55 år eller äldre, enligt forskning från Associated Builders and Contractors. Samtidigt släpar produktiviteten efter, och tidsplanering och kostnadsöverskridanden är normen, där endast 8,5 % av megaprojekten (1 miljard dollar eller mer) uppfyller eller överträffar sina tids- och budgetförväntningar, enligt Bent Flyvbjerg, professor emeritus vid Saïd Business School vid University of Oxford.

Förhoppningen med GenAI är att byggare kan använda den ackumulerade data som samlats in under årtionden för att lösa dessa problem. ”Vi sitter på 40 års byggdata”, säger Kelsey Gauger, nationell chef för operativ excellens på Suffolk Construction. Men för många byggföretag är den informationen isolerad, ostandardiserad och svåråtkomlig.

Branschövergripande hämtmat

• Prioritera dataorganisation och integration.
  Clark Construction bygger ett företagsdatalager och en datastruktur för att koppla samman sina olika IT-system. Med detta på plats hoppas man kunna använda GenAI för att fatta bättre beslut och förbättra verksamheten.
• Identifiera ett akut branschomfattande problem.
  För att förbättra produktiviteten – samt utbilda nyanställda snabbare – lade Suffolk Construction till en copilot i sin samarbetsprogramvara. Den nya funktionen gör det enklare att hitta information, inklusive svar på frågor som arbetare vanligtvis ställer på byggarbetsplatser.
• Leta efter snabba men betydande vinster.
  Turner Construction, som hanterar 30 000 affärer per år med sina arbetskrafts- och materialleverantörer, behövde öka produktiviteten i sin upphandlingsprocess. Den vill använda GenAI för att bearbeta utkast till avtal genom att automatiskt generera text för arbetsbeskrivningar eller huvudavtal om service. Gilbane Building Company testar under tiden en stor språkmodell som hjälper projektteam att hämta uppdaterade byggdokument inom några sekunder.

Tillverkning: Minska kompetensbristen och undvika kostsamma driftstopp

Det råder också brist på kvalificerade arbetare inom tillverkningsindustrin. Enligt Manufacturing Institute, den gren som arbetar med arbetskraftsutveckling inom National Association of Manufacturers, kan brist på kvalificerad arbetskraft leda till att 2,1 miljoner jobb inom tillverkningsindustrin står otillsatta år 2030.

Detta förklarar varför en GenAI-applikation som vinner mark i den här branschen är chatbotar baserade på enorma mängder specifikationer, tekniska manualer och andra detaljer. Dessa robotar kan användas för att utbilda och ge svar i realtid till personal på lägre nivå, och leverera instruktioner om hur man reparerar utrustning och till och med vilka verktyg som behövs. Detta är avgörande i en bransch där förluster på grund av driftstopp kan uppgå till i genomsnitt 532 000 dollar i timmen.

Även om intresset för GenAI är stort (cirka 78 % av cheferna inom industriell tillverkning som KPMG tillfrågade utsåg det till den viktigaste framväxande tekniken), går de flesta fram med försiktighet. ”Organisationer är försiktiga med att tillämpa GenAI på kärnverksamheter som direkt kan påverka deras resultat”, säger Kabali Ganesan, chef för affärsrådgivning på Cognizant.

Branschövergripande hämtmat

• Välj scenarier med låg risk och hög potential.
  En hisstillverkare har utvecklat ett underhållsrådgivningssystem för att förbättra eftermarknadsreparationer. Baserat på användar- och servicemanualer för företagets olika hissmodeller och deras större delsystem, hjälper en chatbot fälttekniker att snabbt diagnostisera och lösa problem. Ett tidigt pilotprojekt rapporterar en minskning av reparationstiderna med 90 %.
• Kombinera traditionell AI med GenAI.
  Enligt Boston Consulting Group (BCG) kommer tillverkare att behöva använda både GenAI och maskininlärning/djupinlärning-baserad AI för att förbättra sin fabriksverksamhet. Till exempel kan traditionell AI förutsäga när en maskin riskerar att gå sönder, men när du lägger till en GenAI-driven chatbot som kan coacha en underhållsingenjör om hur man vidtar åtgärder för att undvika fel, kan det bli en kraftmultiplikator.
  
  ”Chatboten kunde identifiera tre saker som kan behöva justeras eller omkalibreras och sedan hämta dokumentationen som visar ingenjören hur man gör det”, säger Randal Kenworthy, senior partner på West Monroe Partners. "Nu har du ett mer välgrundat och naturligt sätt att hantera underhållsbehoven."
• Uppfinn inte hjulet på nytt.
  Många tillverkare förlitar sig på befintliga mjukvaruleverantörer för att integrera GenAI-funktioner i sina befintliga plattformar, enligt BCG-rapporten. Att GenAI redan är integrerat ökar sannolikheten för att ingenjörer kommer att använda tekniken, säger Kenworthy.

Flyg- och försvarsindustrin: Förbättra komponentdesignen

Tillverkare inom flyg- och försvarsindustrin är särskilt konservativa när det gäller att implementera GenAI. Oavsett om det är flygplan, satelliter, drönare, örlogsfartyg eller arméstridsvagnar, är utrustningen de producerar extremt dyr, i miljontals, till och med miljarder dollar. Lika viktigt är att utrustningen måste uppfylla strikta militära, statliga och datasäkerhetsspecifikationer.

Även om dessa företag ser flera potentiella fördelar med GenAI, inklusive förbättring av prediktivt underhåll och eftermarknadstjänster, är den mest populära tillämpningen idag inom utrustningsdesign. Cirka 41 % av de organisationer inom flyg- och försvarsbranschen som Capgemini tillfrågade uppgav att de testade generativ AI i 3D-modellering för att snabba upp designen, förbättra delarnas aerodynamik och minska kostnaderna.

Branschövergripande hämtmat

• Använd GenAI för att undkomma konventionell (mänsklig) visdom.
  Flyg- och försvarsföretag har börjat använda det som kallas "generativ design" för att få ett nytt perspektiv, ibland bortom vad en mänsklig hjärna hade kunnat föreställa sig. Konceptet blev nyheter 2023 när en NASA-ingenjör visade hur tekniken kunde designa ultralätta rymdskeppsdelar på rekordtid. På Boeing undersöker forskare hur GenAI-modeller kan förbättra flygplansdesignen. ”[AI] kan göra sin elektroniska hjärna mer komplex än en människa; den kan optimera över ett bredare område”, enligt Todd Citron, Boeings teknikchef.
• Se på det gamla, såväl som det nya.
  Att använda GenAI för att skriva ny kod är en självklarhet, men experter menar att tekniken också kan bidra till att modernisera äldre kod. Tillverkning inom flyg- och försvarsindustrin hämmas av den äldre programvara som vissa inbyggda system fortfarande är baserade på. Det gör systemintegration särskilt svår.
  
  GenAI skulle dock kunna fungera som en översättare. ”En interaktiv motor byggd på en underliggande grundläggande modell skulle kunna ta den äldre koden för en kollisionsundvikande modul, till exempel, och omvandla den till ett modernt programmeringsspråk”, säger Raman Ram, chef för EY Americas flyg- och försvarsavdelning.
• Dra nytta av GenAIs besatthet av detaljer.
  Om du någonsin har utarbetat ett statligt kontrakt kanske du förstår varför den proverbiala hammaren från försvarsdepartementet kostar 60 000 dollar. Dessa kontrakt tar avsevärd tid och pengar att utarbeta på grund av den mängd detaljer och anpassningar som krävs. Företag kan använda GenAI för att automatisera åtminstone delar av processen, genom att skapa första utkast baserade på mallar, historiska dokument eller specifika uppmaningar från upphandlingsansvariga, enligt en rapport från Deloittes AI Institute. På liknande sätt skulle GenAI kunna hjälpa till att utarbeta teknisk dokumentation, vilket sparar tid och pengar.

Verksamhetsledning: Förbättra infrastrukturens förvaltning och underhåll

Dagens energibolag står inför en mängd olika utmaningar, bland annat att hantera många nya energikällor och affärsmodeller som utvecklas. Ta West Penn Power, till exempel. Förutom att leverera en pålitlig elkälla måste den 100 år gamla leverantören i Pennsylvania nu erbjuda kunderna en procentandel av elen från alternativa energislag. Den har avtal med ett par dussin leverantörer av vindkraft, solenergi och vattenkraft, utöver konsumenter som genererar sin egen solenergi och säljer tillbaka den till West Penn.

GenAI skulle kunna hjälpa företag att reda ut hur de ska distribuera vilka typer av energi och vilken leverantör som ska betala för den energi som används. Förhoppningen är att GenAI, genom att hantera denna komplexitet, både kommer att minska driftskostnaderna och öka tillförlitligheten. Även energibolag använder GenAI för att förbättra underhåll och reparationer, framför allt genom att analysera video av infrastruktur. Nästan 40 % av de energibolag som Capgemini undersökt har ett dedikerat team och en budget för GenAI, och ett av tre har startat pilotprojekt.

Branschövergripande hämtmat

• Leta efter områden med komplexitet som behöver förenklas.
  Den växande komplexiteten inom energibranschen kan vara förvirrande för konsumenter, med de många energialternativen att välja mellan och olika priser för varje. Med GenAI som samlar in rätt data kan kundtjänstmedarbetare svara på frågor och ge information om kundernas energianvändning, potentiellt i realtid. De kan till och med ge kunder råd om hur de kan spara pengar genom att till exempel identifiera tider utanför rusningstrafik för att ladda sina elbilar.
• Se långt och brett, och ner.
  Se bortom dina fyra väggar för GenAI-fördelar. Att hantera vegetationstillväxt runt kraftledningar är en viktig åtgärd för att minska driftstopp och till och med undvika skogsbränder. Det är dock långsamt och dyrt – Kaliforniens Pacific Gas & Electric Co. spenderade cirka 2,5 miljarder dollar under flera år på att identifiera och beskära träd nära kraftledningar.
  
  Istället kan energibolag använda AI för att identifiera omfattningen av vegetation nära kraftledningar, stolpar eller torn, och snabbt rikta in sig på var ingripanden behövs. Många energibolag använder redan kamerautrustade drönare för att övervaka fysisk infrastruktur utomhus. Den ostrukturerade data de samlar in är dock omöjlig för människor att bearbeta inom rimlig tid, säger Jing Wu, forskningschef vid Info-Tech Research Group i Kanada. Med rätt modeller och utbildning skulle GenAI snabbt kunna analysera denna ostrukturerade data och identifiera en defekt eller hotande fara.
• Förbättra din expertis.
  GenAI-chattrobotar som är utbildade i rätt manualer och data kan hjälpa tekniker ute på fältet att reparera infrastruktur snabbare och mer effektivt. En underhållsarbetare kan till exempel fråga en GenAI-bot hur man reparerar en specifik utrustning på plats. Efter att ha gått igenom data kunde boten ge instruktioner på ett enkelt språk, vilket underlättade tillgången till expertkunskap.