Hvad kan en AI-workshop afdække i et laboratorium?
En AI-workshop for et laboratorium eller en analysevirksomhed går ud på at finde de steder, hvor det samme skrivearbejde gentager sig omkring prøverne - og skille dem skarpt fra det faglige skøn, AI ikke skal blande sig i. I går hjem med tre til fem opgaver fra jeres egne flows, et skøn over hvad hver af dem koster i tid i dag, og en plan for den første. Ikke et oplæg om kunstig intelligens, men en prioritering I kan handle på i næste uge.
Det er den praktiske forskel på en workshop og et foredrag: foredraget giver forståelse, workshoppen giver en beslutning. Er I i tvivl om, hvilken I har brug for først, har vi skrevet om det i AI-foredrag: hvad får I ud af det. Rammerne for selve dagen ligger på AI workshop for virksomheder.
Hvorfor en workshop i et laboratorium ser anderledes ud
En almindelig AI-workshop handler om kontorarbejde: mails, referater, dokumenter. Dem har I også. Men to ting gør dagen anderledes hos jer.
Den første er dokumentationskravene. Arbejder I akkrediteret efter ISO/IEC 17025, er det ikke nok, at et svar er rigtigt - det skal også kunne føres tilbage til en metode, et apparat og en person. Det flytter spørgsmålet fra "kan AI skrive det her" til "kan vi stå inde for, hvordan teksten er blevet til". Svaret er, at AI gerne må lave udkastet, så længe mennesket, der godkender, stadig er den, der godkender, og det kan ses i systemet.
Den anden er, at prøvedata sjældent er jeres egne. De tilhører en kunde, og en prøve kan i sig selv afsløre noget om kundens produktion. Derfor tager vi tidligt på dagen, hvor data må ligge, og hvem der kan se dem. Baggrunden står i AI-datasikkerhed og i AI og GDPR.
Vi arbejder derfor i to spor hele dagen: det administrative arbejde omkring prøverne, hvor AI kan spare tid med lav risiko, og den faglige vurdering af et resultat, hvor den ikke skal være med til at bestemme.
Rapporter: hvor tiden faktisk går
Når vi kortlægger en prøvesag fra modtagelse til afsendt rapport, ligger tiden sjældent i selve analysen. Den ligger før og efter.
Før: at læse rekvisitionen, finde ud af hvad kunden egentlig har bedt om, se om der mangler oplysninger, skrive og bede om dem, og oprette sagen i systemet med de rigtige felter.
Efter: at samle tal fra instrument og regneark, sætte dem ind i den rigtige rapportskabelon, skrive den samme forklarende tekst som sidste gang, og svare på et opkald om, hvad tallet i tabel 2 betyder.
Det er netop den slags arbejde, AI er god til, fordi det gentager sig: sortere rekvisitioner efter type, trække de oplysninger ud der skal i systemet, markere hvad der mangler, og lægge et rapportudkast klar med tallene på plads. McKinsey har målt, at virksomheder, der lægger AI ind i administrative processer, typisk sparer 20-30 procent af tiden på netop de processer. Det er ikke hele laboratoriets tid - det er tiden omkring prøverne.
Metoder og dokumentation: svaret findes, men ingen kan finde det
De fleste laboratorier har svaret på langt de fleste spørgsmål skrevet ned et sted: metodebeskrivelser, interne instruktioner, valideringsrapporter, afvigelsesbehandlinger, kvalitetshåndbogen. Problemet er ikke, at viden mangler, men at den ligger spredt i hundredvis af dokumenter, og at den, der ved hvor, er på ferie.
En AI, der kun svarer ud fra jeres egne dokumenter, løser det. Spørger en ny laborant, hvad opbevaringstiden er for en bestemt prøvetype, kommer svaret med en henvisning til det afsnit, det står i. Står der ikke noget, siger den, at der ikke står noget, i stedet for at gætte. Det er hele pointen, og vi har beskrevet, hvordan det virker, i AI på egne dokumenter.
På workshoppen kigger vi konkret på, hvilke dokumenter der ville være med, og hvem der skal kunne spørge.
Prøvedata: fra regneark ingen læser til svar I kan bruge
Analysevirksomheder sidder på nogle af de mest strukturerede data, der findes - og bruger dem oftest én gang, til én rapport, til én kunde. Spørgsmål som "hvilke prøvetyper fylder mest i vores kapacitet", "hvor tit laver vi en analyse om", og "hvilke kunder sender uklare rekvisitioner" kan besvares med tal, I allerede har.
Det kræver ikke et nyt it-system. Det kræver, at nogen kobler de data sammen og stiller spørgsmålene. Det er den slags, AI til analyse og dataindsigt handler om, og det er typisk den opgave, der overrasker mest på dagen, fordi den ikke sparer tid i laboratoriet, men flytter noget i ledelsen.
Hvor AI ikke skal beslutte noget
Det her afsnit er lige så vigtigt som resten.
AI skal ikke vurdere, om et analyseresultat er validt. Den skal ikke frigive en rapport. Den skal ikke afgøre, om en afvigelse er kritisk, og den skal ikke erklære en prøve for i orden. Det skal et menneske med faglig kompetence, og i et akkrediteret setup skal det kunne dokumenteres, at det var det menneske.
Det, AI skal, er at fjerne arbejdet omkring beslutningen: finde oplysningerne frem, lægge udkastet klar, markere hvad der mangler, og skrive det, der alligevel skrives ens hver gang. Grænsen er ikke teknisk svær at holde. Den skal bare besluttes bevidst og skrives ned, før løsningen bygges - ikke efter.
Samtidig har kravet om AI-kompetencer hos medarbejderne været gældende siden 2. februar 2025 for virksomheder, der bruger AI, uanset risikoniveau. Dansk Industri har et overblik over, hvad det betyder i praksis (AI literacy er lovkrav). Undervisning af medarbejderne er derfor ikke kun en god idé, og det er det, vi laver i AI-Minds.
Sådan ser dagen ud
Vi holder den konkret, uden slides om fremtidens teknologi.
- Vi starter med jeres egne flows: hvad sker der fra rekvisition til afsendt rapport, og hvor står det stille
- Vi sætter tid på: hvor mange gange om måneden, og hvor lang tid pr. gang
- Vi deler op i tre bunker: kan automatiseres nu, kræver data på plads først, skal AI aldrig røre
- Vi vælger én opgave at starte med, og bliver enige om, hvad "det virker" betyder for netop den
- I prøver værktøjerne på jeres eget materiale, ikke på et eksempel fra en anden branche
Deltagerne skal være dem, der kender arbejdet: laboratorieledelsen, kvalitetsansvarlig, en eller to erfarne laboranter og gerne den, der sidder med rapporteringen. Ikke kun ledelsen og ikke kun it.
Hvad I går hjem med
En liste over tre til fem opgaver, et skøn over tiden de koster i dag, en afklaring af hvad der må ligge hvor, og en første opgave med en ejer og en deadline. Ingen rapport på 40 sider, som ingen læser.
Er I nysgerrige, men ikke klar til en hel dag, så tag en gratis AI-afklaring på 30 minutter først. Ingen forpligtelse, og I skal ikke forberede noget - vi finder ud af, om der er nok at hente hos jer til, at en workshop er værd at bruge en dag på. Ring til Alexander på +45 25 54 70 74, eller skriv til os.
Ofte stillede spørgsmål
Hvad koster en AI-workshop for et laboratorium?
Prisen afhænger af antal deltagere, længden og hvor meget forberedelse der skal til. Den største udgift er typisk jeres egen tid i lokalet. Vi har regnet det igennem i hvad koster en AI-workshop.
Kan vi bruge AI, når vi er akkrediteret efter ISO/IEC 17025?
Ja, men det skal gøres så sporbarheden holder. Brug AI til udkast og forarbejde, og hold godkendelsen hos det menneske, der har kompetencen. Hvilke opgaver der falder på hver side af den grænse, er en af de ting, vi afklarer på dagen.
Må prøvedata fra vores kunder bruges i et AI-værktøj?
Det afhænger af, hvilket værktøj og hvilket miljø. Kørt i en lukket opsætning, hvor data ikke forlader jeres eget område, er det en anden samtale end et gratis værktøj i browseren. Det er præcis derfor, vi tager data tidligt på dagen i stedet for bagefter.
Vi er et lille laboratorium med 15 ansatte - er vi for små?
Nej. Det afgørende er ikke antallet af ansatte, men om en opgave gentager sig ofte nok til, at det kan betale sig. Sender I 300 ensartede rapporter om måneden, er der noget at hente. Vi har skrevet tilsvarende indlæg for webshops og forsikringsselskaber, hvis I vil se mønstret i en anden branche.
