Predictive Platforms

16-9-2026 af Casper Greve

Hvad kunne I gøre bedre, hvis I vidste det tidligere?

Mange virksomheder ved langt mere om deres forretning i dag, end de er i stand til at bruge. I ordrer, produktionsdata, lagerbevægelser, reparationshistorik, olieprøver og tusindvis af daglige registreringer ligger et detaljeret billede af, hvordan virksomheden fungerer over tid. Ikke bare af, hvad der er sket, men af de mønstre, der går forud: hvordan efterspørgslen udvikler sig, hvornår kapaciteten kommer under pres, hvilke maskiner der kræver opmærksomhed, og hvor planlægningen begynder at skride.

Alligevel bliver mange vigtige beslutninger først truffet, når konsekvensen allerede er synlig. Når en maskine er stoppet. Når en reservedel mangler. Når en ordre er forsinket. Eller når kapaciteten allerede er presset.

Det afgørende er ikke kun, hvor meget data virksomheden har, men hvor tidligt de kan omsættes til viden, der gør det muligt at handle anderledes.  Værdien ligger der allerede - hvis den samles, kombineres og bruges proaktivt.  

Data erstatter ikke erfaring. De udvider den.

En erfaren driftsleder ved ofte, hvilke ordrer der bør prioriteres, hvilke maskiner der kræver opmærksomhed, og hvilke opgaver der bliver svære at gennemføre. Det er viden oparbejdet over mange år - ekstremt værdifuld, men også sårbar, hvis den primært eksisterer hos enkelte medarbejdere, og er vanskelig at overføre. Samtidig er der en naturlig grænse for, hvor mange forhold et menneske kan observere og sammenholde på én gang. Data indeholder til gengæld ikke i sig selv forklaringen på, hvorfor noget skete. Mønstrene skal forstås sammen med de mennesker, der kender forretningen. En maskines alder fortæller kun en del af historien om dens vedligeholdsbehov. Belastning over tid, tidligere reparationer, anvendelses- og produktionsforhold, vibrationer og udviklingen i olieprøver giver tilsammen et langt mere anvendeligt billede. Det er i kombinationen af data og domæneviden, at historik bliver til noget, man kan handle på. Samtidig får medarbejderne mulighed for at se mønstre på tværs af udstyr, lokationer, ordrer og opgaver, som bliver stadig vanskeligere at overskue, efterhånden som datamængden vokser.

Predictive Platforms i praksis

Hos Codellent har vi de seneste tre år hjulpet virksomheder med at omsætte forretningsviden, data og AI til konkrete resultater - fra de første hypoteser til systemer, der i dag bruges dagligt. Hos et stort energiselskab brugte vi historiske data om maskiner, vedligehold, reservedele og olieprøver til at identificere risiko for nedbrud tidligt. I stedet for et akut, uplanlagt stop kunne vedligeholdet lægges i et planlagt vindue, reservedele nå at blive bestilt, og produktionen opretholdes.

Værdien opstår i tiden mellem tidlig indikation og planlagt service. Tiden hvori der kan reageres, før et potentielt nedbrud får konsekvenser. Den reducerede nedetid sparer i dag selskabet +5.000.000 DKK årligt på vedligehold og reparationer. Kunden havde reelt allerede både data og dygtige driftsledere, med stort kendskab til forretningen. Alligevel var potentialet stort, fordi data og viden ikke blev tilstrækkeligt bragt i spil. Det var baggrunden for den første Predictive Platform: ét sted, der samler de afgørende data på tværs af systemer, binder dem sammen med forretningslogik og erfaring, og gør det muligt at træne og bruge AI-modeller til at støtte driftsledernes beslutninger hver dag.

Hos en anden kunde gav et AI forecast over den kommende belastning et bedre grundlag for at disponere ressourcerne. Med historiske ordrer, opgavetyper, maskinernes anvendelse og vagtplaner samlet i én platform byggede vi data- og AI-modeller, der har givet OPEX-besparelser estimeret til over 10% årligt svarende til flere millioner DKK.

Forretningsforståelse først

Udvikling og implementering af en Predictive Platform er et selvstændigt fagligt håndværk – men det bliver aldrig en succes uden dem, der skal bruge løsningen. De mennesker, der kender forretningen og kan bygge bro mellem data og virkeligheden.

Den oversættelse fra forretningskontekst til model og videre til praktisk anvendelse er kernen i arbejdet. Et godt datafundament er en forudsætning. Dårlige data giver dårlige forudsigelser – men datafundamentet afgør ikke alene, om en forudsigelse bliver brugbar. Det gør forretningsspørgsmålene. Derfor starter vi med at afklare: Hvor tidligt skal en risiko opdages, for at nogen kan nå at reagere? Og lige så vigtigt: Hvem handler på svaret, og hvordan? En forudsigelse, ingen agerer på, er værdiløs. Det stiller også et ærligt krav til virksomheden selv. Den vigtigste ressource i starten er ikke et stort budget, men adgang til nogle få mennesker, der kender forretningen og de processer, løsningen skal indgå i, i en afgrænset periode. Det er den investering, der afgør, om resultatet kan anvendes i praksis og skaber værdi.

I virksomheder der arbejder med ”ordrer til produktion” kan afklaringerne handle om historiske gennemløbstider, omstillinger, maskinstop og materialetilgængelighed. De forhold kan bruges til at vurdere risikoen for forsinkelser. Det giver produktionsledelsen mulighed for at undersøge udsatte ordrer tidligere, justere prioriteringer og give kunderne mere realistiske leveringsmeldinger. Hos en virksomhed med en fast leveranceplan, hvor nye højprioritetsopgaver eller eksterne forhold udløser genplanlægning, handler det i stedet om at forstå udfaldsrum, prioriteringer og den forventede ordresammensætning. Når oppetid og reservedele er fokus, er det i stedet relevant at forstå udstyret, processerne omkring service og produktionsstop samt lagerbeholdning.

Predictive Platform - nye muligheder

En Predictive Platform er vores betegnelse for et fælles data-, AI- og infrastruktur-fundament. Det er her, data samles, kombineres og modelleres. Det centrale sted, hvor AI-modeller udvikles, testes, gøres tilgængelige for brugerne, monitoreres og gentrænes. Det tekniske fundament, der gør løsningen operationel og automatiseret - så data og AI kan omsættes til bedre indsigter og bedre forretningsresultater.

En Predictive Platform eller Data Platform kan bygges på mange måder. Nogle gange er svaret en let løsning tæt på kildesystemerne. Andre gange kræver det en mere robust arkitektur til store datamængder, streaming eller tung modeltræning. Der findes ikke én rigtig opskrift - og derfor starter vi aldrig med teknologien, men med udfordringen: Hvilken beslutning skal understøttes? Hvor ofte og hvor hurtigt? Først når dét er klart, giver det mening at vælge værktøjerne og teknologien. Udfordring før værktøj.

En platform skræddersyet til den konkrete use case skaber værdi - mens en platform valgt ud fra en bestemt teknologisk overbevisning, risikerer at blive en omkostning uden retning. Det har vi set mange eksempler på. Især i en tid, hvor store systemleverandører forsøger at gøre netop deres system til monolit-løsningen med nye moduler til planlægning, forecast og analyse. I den virkelige verden er det dog sjældent en skalerbar løsning, fordi data fra mange forskellige kilder skal indgå i AI-modellernes forudsigelser

Machine Learning og Deep Learning driver stadig stor værdi

Selvom GenAI og sprogmodellerne trækker flest overskrifter, har data science disciplinerne; Machine Learning og Deep Learning fortsat stor relevans og værdi. Især i industri- og produktionsvirksomheder, hvor forudsigelser om efterspørgsel, belastning, nedbrud og priser, har stor værdi. Det er de modeller, der finder mønstrene i virksomhedens egne data og omsætter historik til prognoser, man kan planlægge efter.

Deep Learning var i mange år forbundet med to udfordringer: Det var tungt og tidskrævende at træne modellerne - og resultaterne var svære at gennemskue. Derfor blev det ofte fravalgt. Det er dog anderledes anno 2026. I dag kan Deep Learning modeller i mange tilfælde trænes markant hurtigere og billigere end tidligere. Der vil stadig være større krav til data og træningstid sammenholdt med Machine Learning, men potentialet er også endnu større, fordi modellerne er mindre begrænsede. Især med anvendelsen af fx Claude Code, er det blevet muligt, meget hurtigere at teste Deep Learning arkitekturer, såvel som at opnå bedre resultater.

Det betyder ikke, at udfordringen med forklarbarhed og validering er løst. Når modellernes output indgår i konkrete beslutninger, skal resultaterne fortsat kunne efterprøves og valideres. Det der ofte krævede et omfattende udviklingsprojekt, er derfor blevet langt mere tilgængeligt i praktisk anvendelse.

Sprogmodeller giver nye muligheder for automatisering og interaktion

De store sprogmodeller har tilføjet et nyt lag af muligheder. De har gjort automatisering bedre, hurtigere og mere ”agentisk”. Det betyder at modellerne kan implementeres, så de er i stand til at ræsonnere sig gennem en opgave, kalde de rette modeller og systemer - og handle mere selvstændigt end før. Samtidig har sprogmodellerne også givet mulighed for at interagere med både data og forudsigelser på nye måder. Både skriftligt og med tale.

I en Predictive Platform kontekst betyder det, at en forudsigelse ikke nødvendigvis kun præsenteres, men kan kobles til en automatisk eller delvist automatisk handling. En øget risiko kan udløse et forslag til vedligehold. En prognose kan blive til et udkast til en indkøbsordre - klar til et menneske at godkende - og igangsætte. Det ændrer også på, hvordan brugerne møder data. Interaktionen behøver ikke længere ske gennem dashboards og tabeller alene. Den kan foregå i prosa og naturligt sprog. Der kan stilles spørgsmål, gives forklaringer og i det hele taget bare interageres med både data og indsigter på en ny og meget mere tilgængelig måde, der bringer avanceret analyse ned på gulvet i øjenhøjde.

Ovenstående muligheder kan lyde som ren upside. Derfor er det afgørende at understrege, at en Predictive Platform ikke løser alt. Uklare processer, dårlig data kvalitet, udokumenterede processer eller manglende ejerskab er stadig afgørende! Er datagrundlaget for tyndt, eller er der ingen, der handler på forudsigelsen, skaber den ingen værdi uanset hvor god modellen er. De projekter, der lykkes, er dem, hvor udfordringen er skarpt defineret, datagrundlaget er godt nok til formålet, og der er en konkret beslutning i den anden ende, som nogen har ansvaret for at træffe.

Potentialet eksisterer allerede

For rigtig mange virksomheder er den vigtigste pointe måske denne: Virksomheden har allerede det mest værdifulde - data og viden. Potentialet er gemt i ordrer, reparationshistorik, olieprøver, vagtplaner og tusindvis af daglige registreringer.
En Predictive Platform er dét, der gør værdien tilgængelig. Den er et informationsmæssigt knudepunkt i virksomheden. Det er her, data samles, kombineres og omsættes til brugbare indsigter. Og det er her, viden bevæger sig mellem systemer, modeller og mennesker og bliver til beslutninger, man kan handle på. Uanset om det er AI af den ene eller anden slags.

Det lyder teknisk. Og en del af det er det også. Men i sin kerne er det et forretningsprojekt. De vigtigste afklaringer - hvor tidligt en risiko skal opdages, hvilke beslutninger der skal understøttes og hvem der skal handle på dem, kan aldrig lykkes uden den viden, der sidder hos dem, der kender forretningen og de konkrete processer.

Teknologien er der. Potentialet er bevist. Det, der mangler nu, er, at virksomhederne fokuserer på, hvad de ville ønske, de vidste tidligere.