När AI blivit ett samlingsbegrepp – ett branschperspektiv från Clean & Facility mässan
Under Clean & Facility-mässan i Jönköping fortsatte vi på PIMA vår kampanjserie Rena Sanningar, där vi granskar myter och sanningar i städbranschen. I samband med mässan samtalade vi med Flavia Shannon, platschef på Tengella, om AI och dess betydelse för branschens framtid.
På PIMA arbetar vi med digitalt verksamhetsstöd för planering, uppföljning och resursoptimering. I det arbetet använder vi Tengellas plattform som stöd i vår schemaläggning och verksamhetsstyrning. Under Clean & Facility-mässan i Jönköping mötte vi Flavia Shannon, platschef på Tengella, för ett samtal om hur begreppet AI används i branschen och vad tekniken faktiskt innebär i praktiken.
AI som samlingsnamn
Ett återkommande tema i samtalet var hur begreppet AI i dag används mycket brett, ibland som ett samlingsnamn för all form av avancerad digital funktionalitet. När vi träffar Flavia i deras monter på mässan beskriver hon en tydlig tendens i branschen att benämna nästan allt som är digitalt eller autogenererat som AI.
”AI tar stormsteg i samhället och på marknaden, det skapar möjligheter men benämningen tar över traditionell automation.”
Enligt Flavia bottnar detta delvis i en begränsad förståelse för vad som faktiskt ligger bakom olika system och funktioner. När den tekniska insynen är låg används AI som ett övergripande begrepp för att beskriva vitt skilda lösningar, trots att de i praktiken kan bygga på helt olika tekniska principer.
Vad tekniken ofta består av i praktiken
Flavia menar att många lösningar som marknadsförs som AI i själva verket bygger på etablerade tekniker som matematik, algoritmer och dataanalys. Tekniker som funnits länge, men som i dag används i nya sammanhang och ofta paketeras under ett mer modernt begrepp.
Ett tydligt exempel är schemaläggning, där system använder matematiska beräkningar för att optimera resurser. Beräkningarna baseras vanligtvis på historisk data, fördefinierade regler och analyser av tidigare mönster, snarare än på självlärande AI i strikt mening.
Historisk data som grund
Historisk data är enligt Flavia en central del i många digitala lösningar inom städbranschen. Genom att analysera tidigare arbetstider, bemanning och uppdrag kan systemen generera förslag som syftar till effektivare planering och bättre resursutnyttjande.
Samtidigt pekar hon på att nästa steg ligger i att använda data mer intelligent över tid. Tengella ser ett stort värde i att kunna ge insikter och rekommendationer baserade på användarmönster, förändringar i data över tid och verksamhetens egna förutsättningar. Den typen av analys kan skapa bättre kvalitet och effektivitet i verksamhetsplaneringen, samt öppna upp för kontinuerliga förbättringar och optimeringar.
AI:s roll i städbranschens utveckling
När samtalet rör sig mot vilka möjligheter AI faktiskt kan bidra med i städbranschen är Flavia tydlig med var gränserna går.
AI kan inte städa åt kunden och den kan inte ersätta utbildning eller ledarskap för att höja leveranskvaliteten. Däremot kan tekniken spela en avgörande roll i att effektivisera verksamhetsplaneringen och det administrativa flödet. Genom att minska manuellt arbete, snabba upp administration och skapa bättre beslutsunderlag kan förutsättningarna för kvalitet, lönsamhet och långsiktig framgång förbättras.
Hon lyfter även att systemleverantörer i dag sitter på mycket stora mängder data som även i anonymiserad form på sikt kan generera värdefulla insikter för branschen som helhet. Samtidigt tror hon att smarta robotar och verktyg så småningom kommer att bli vardag i verksamheterna, även om det är upp till respektive leverantör att driva den utvecklingen.
Begränsningar och utmaningar
Trots möjligheterna ser Flavia också tydliga utmaningar kopplade till AI. En av de största är tiden. Den tekniska utvecklingen går snabbt och förväntningarna är ofta att lösningar ska leverera omedelbart. Samtidigt kräver en AI-motor tid för att tränas, och den behöver kontinuerligt tränas över tid för att kunna generera tillförlitliga och kvalitativa resultat.
En annan utmaning rör datadelning. Att dela data med centrala leverantörer som man inte har full kontroll över, eller där det är oklart hur datan används för att träna modeller, kan innebära risker. Insikter och output som genereras från den egna datan kan i förlängningen potentiellt komma andra till del. Samtidigt är utvecklingen av egna AI-motorer mycket resurskrävande, vilket placerar många aktörer i ett strategiskt dilemma.
Ett perspektiv i en större branschdialog
För oss på PIMA blev samtalet med Flavia ett av flera perspektiv i den pågående diskussionen om digitalisering och AI i städbranschen. Genom att lyfta hur tekniska begrepp används, vad lösningarna faktiskt bygger på och vilka förväntningar som är rimliga, vill vi bidra till en mer nyanserad och verklighetsförankrad dialog.
Mötet på Clean & Facility-mässan i Jönköping blev därmed inte bara ett samtal om teknik, utan också om språk, förståelse och hur branschen tillsammans kan navigera i en snabbt föränderlig digital verklighet.