Varje offert börjar på samma sätt. Ett mejl kommer in med en PDF-ritning, ibland en STEP-fil, och antalen skrivna i fritext. Någon öppnar det, räknar på geometrin i Excel och knappar in resultatet i ERP:et igen. Det tar timmar, och uppskattningen blir aldrig bättre än vad personen var den dagen.
Så uppdraget såg självklart ut: rikta AI mot ritningen och låt den ta fram offerten.
Vi byggde det tre gånger
Vi byggde det. Sen byggde vi det igen, och en tredje gång. De tidiga versionerna lutade sig mot modellen för att tolka ritningen: läsa formerna, härleda måtten, uppskatta arbetet. I en demo var det imponerande. I produktion var det en slump. En modell som är säker och då och då har fel är farligare än en långsam människa som vet när hon ska kolla en extra gång.
Det finns en anledning till att demon smickrade oss. En demo körs på exemplet du valde. Produktion körs på ritningen som dyker upp en tisdag med ett felmärkt lager och halva specen i en marginalanteckning. Tolkningen faller samman precis där ingen tittar.
Svaret fanns redan i filen
Det som vände projektet var att märka var svaret redan fanns. CAD- och STEP-filerna var inte bilder att läsa av. De var exakt geometri: längder, areor, antal, exakta på millimetern och redan liggandes i datan. Modellen hade gissat sig fram till siffror som filen helt enkelt kunde tala om för oss.
Så vi slutade be den gissa. Vi läste geometrin deterministiskt, rakt ur CAD-datan, och behöll modellen bara för de verkligt tvetydiga delarna: fritextanteckningarna, detaljerna en ritning lämnar öppna. Uppskattningen föll från 240-270 timmar till ungefär 40.
Där datan redan är exakt vinner deterministisk kod varje gång.
Lär dig vilken halva som inte borde använda AI
Lärdomen sträcker sig långt bortom offerter. AI förtjänar sin plats där indatan är stökig: språk, bilder, ostrukturerade dokument, det som regler inte kan tolka. Där datan redan är strukturerad och exakt vinner deterministisk kod. Den är snabbare, den är billigare, och den går att granska, för du kan peka på raden som tog fram siffran.
Det svåra i ett AI-projekt är inte att använda modellen. Det är att veta vilken halva av problemet som inte borde.