Living Digital Twins og Agentic AI: Hvordan industrianlæg lærer at styre sig selv

Når fabrikken lærer at ånde: Konceptet om den levende digitale tvilling

Industrianlæg har altid haft en slags eget liv – de slides ned, svinger sig ind, reagerer på temperaturer og belastningstoppe. Denne organiske adfærd var i årtier kun mulig at kortlægge for ingeniører med betydelig indsats. Digitale tvillinger lovede tidligt at løse dette dilemma, men levede længe ikke op til deres potentiale: klassiske implementeringer var statiske, forsinkede og designet til simulation frem for intervention.

Det er ved at ændre sig fundamentalt. Living Digital Twins – levende digitale tvillinger – kombinerer en højopløselig, dynamisk realtidsrepræsentation af komplekse driftsprocesser med evnen til direkte at gribe ind i fysiske systemer. De er ikke længere blot et spejlbillede af virkeligheden, men en aktiv del af driftsføringen. Det muliggøres af en kombination af billigere IoT-sensorik, kraftfulde softwareplatforme og – afgørende – anvendelsen af moderne Agentic AI.

Ifølge aktuelle rapporter fra industrien, blandt andet publiceret af MIT Technology Review i samarbejde med industrissoftwareleverandøren AVEVA, udvikler disse systemer sig til adaptive modeller, der vokser med et anlægs leveforhold. Sensordata fra industrielle styresystemer strømmer løbende ind i modeller, der er både fysisk funderede og AI-beriget. Resultatet er en slags industriel homeostase – en tilstand, hvor små, kontinuerlige justeringer holder et anlæg stabilt og effektivt, ligesom biologiske reguleringskredsløb holder en organisme i balance.

Agentic AI i industrien: Fra rådgiver til selvstændig aktør

Det egentlige paradigmeskift ligger i overgangen fra diagnostiske systemer til agentiske systemer. Mens konventionelle AI-løsninger genkender anomalier og afgiver anbefalinger, kan Agentic-AI-systemer på baggrund af definerede Guardrails selvstændigt iværksætte foranstaltninger – uden at være afhængige af menneskelig godkendelse for hver enkelt beslutning.

Industrien reagerer på denne tendens med bemærkelsesværdig høj parathed: Ifølge en undersøgelse fra Manufacturing Leadership Council fra 2026 angiver 66 procent af de adspurgte producenter, at de allerede anvender Agentic AI eller planlægger at gøre det. 40 procent forventer en vis grad af fabriksautonomi inden 2030. Disse tal signalerer ikke en fjern fremtid, men en igangværende transformation.

Dr. Maik Bunzel, grundlægger og administrerende direktør for mabucon.eu, følger denne tendens nøje med blik for mellemstore virksomheder: „Det, der allerede afprøves i store anlæg som raffinaderier eller kemiske anlæg, vil i de kommende år også nå frem til mellemstore produktions- og logistikvirksomheder – ofte hurtigere end forventet, fordi de teknologiske byggesten i stigende grad bliver standardiserede og overkommelige." Det afgørende spørgsmål for virksomheder er ikke om, men hvordan de struktureret indfører denne autonomi.

„The 'S' in SCADA means supervisory, and supervisory means there's a human in the middle." – Rob McGreevy, Chief Product Officer, AVEVA

Dette citat rammer kernen i den aktuelle udviklingsfase præcist. Agentic AI overtager i industrien indledningsvis opgaver i en Advisory Mode: Den anbefaler, foreslår, handler inden for snævert definerede parametre – men et menneske bevarer den overordnede kontrol. Fuld autonomi forbliver foreløbig begrænset til stærkt repetitive, velstyrede processer.

Praktiske eksempler: Hvad der gemmer sig bag tallene

Abstrakte koncepter får kontur, når man ser på konkrete implementeringer. De publicerede casestudier viser en imponerende bredde:

• Saudi Aramco (Yanbu-raffinaderiet): Optimeringsalgoritmer styrer produktionen i en lukket reguleringskredsløb. Operatører griber kun ind efter behov – en klassisk model for begrænset, men reel autonomi.
• Saudi Aramco (Ras Tanura): Her anbefaler systemet foranstaltninger, som operatører selvstændigt vurderer og implementerer – eller lader være. Samme teknologileverandør, to forskellige autonominiveauer, afhængigt af risikovillighed og proceskarakter.
• Nestlé Nesquik: KI-understøttet optimering af industrielle tørretumblere førte til en energibesparelse på 16 procent – med samtidig forbedring af kvalitet og udbytte. Et mønstereksempel på, hvordan bæredygtighedsmål og effektivitet kan forenes gennem KI-optimering.
• SCG Chemicals (Thailand): En virksomhedsdækkende digital tvilling spænder over engineering, drift og vedligeholdelse. Virksomheden rapporterer om 99 procent anlægstilgængelighed og ni gange return on investment inden for seks måneder.
• National Laboratory of the Rockies: Generativ KI understøtter netværkskontrolrum ved overvågning af vedvarende energikilder og estimering af nettilstande – et tegn på KI's voksende betydning for kritisk infrastruktur.

Disse eksempler viser: Der findes ingen standardmodel for KI-autonomi i industrien. Governance-spørgsmålet – hvem beslutter hvad, under hvilke betingelser – besvares på ny for hver anlæg, hver proces og hver risikoklasse.

Governance og menneskelig tilsyn: Den undervurderede udfordring

Den teknologiske modenhed vokser – den organisatoriske halter bagud. Det er et af de mest markante fund fra aktuelle studier om emnet. I en undersøgelse foretaget af AVEVA og IMD Business School angav 43 procent af organisationerne, at KI næsten ikke eller slet ikke havde ændret beslutningstagning og ansvarlighed på tværs af økosystempartnere. Kun 27 procent udveksler data substantielt med partnere.

Det er et strukturelt problem. Agentic AI udfolder nemlig sin fulde værdi først, når systemer er forbundet på tværs af silogrænser – når engineering-data, driftsdata og vedligeholdelsesoplysninger flyder som en sammenhængende Digital Thread gennem et anlægs samlede livscyklus. Uden denne datatråd forbliver digitale tvillinger isolerede løsninger.

Regulatorisk sætter EU med AI Act de første rammer: KI-sikkerhedskomponenter i kritisk infrastruktur betragtes som højrisikosystemer og er underlagt strenge krav om menneskelig tilsyn. Det er et vigtigt signal – men også kun et udgangspunkt for det, virksomheder selv skal opbygge internt: klare definitioner af, hvilke beslutninger KI må træffe autonomt, hvordan disse handlinger logges og gøres reviderbare, og hvem der hæfter ved afvigelser.

Dr. Maik Bunzel, grundlægger og administrerende direktør for mabucon.eu, understreger i denne sammenhæng betydningen af procesmæssig klarhed som forudsætning for vellykket KI-automatisering: „Før en KI-agent kan handle autonomt, skal virksomheder forstå og dokumentere deres processer så grundigt, at de kan definere, hvad et godt resultat overhovedet er. Det lyder trivielt, men er i praksis ofte den hårdeste del af arbejdet."

Fremtidens operatør: Fra specialist til systemtænker

I takt med stigende KI-autonomi ændres også operatørernes rollebillede. Den, der tidligere overvågede en enkelt proceslinje, kan i dag overskue flere discipliner – fordi KI overtager rutinebeslutninger, og mennesket kan koncentrere sig om at definere rammer, fortolke afvigere og vurdere systemiske risici.

Det er ikke en afmagt, men en opgradering – forudsat at virksomheder investerer i den nødvendige kompetenceudvikling. Evnen til at forstå, hvad KI-systemer gør og hvorfor, bliver en kernekompetence for industrielle operatører. Human-in-the-Loop forbliver ikke en regulatorisk indrømmelse, men en operationel nødvendighed: Kun mennesker kan vurdere, om det, et model fortolker som „normalt", faktisk svarer til det, organisationen definerer som en sund driftstilstand.

Perspektiv: Hvad virksomheder bør forberede sig på nu

Konvergensen af Living Digital Twins, Agentic AI og fysiske KI-systemer – nøgleord: droner til ledningsinspektion, KI-styret robotik – tegner en industriel fremtid, hvor anlæg i stigende grad opererer som forbundne, selvregulerende systemer. Det er ingen utopi, men en gradvis virkelighed, der allerede materialiserer sig i pilotprojekter verden over.

For virksomheder, der ønsker at forberede sig på denne forandring, opstår der konkrete handlingsfelter:

• Datainventering: Hvilke procesdata foreligger, i hvilken kvalitet og hvor tilgængelige er de for KI-systemer?
• Procesdokumentation: Er kritiske driftsprocesser beskrevet så præcist, at autonomigrænser kan defineres meningsfuldt?
• Governance-strukturer: Hvem er ansvarlig for KI-beslutninger? Hvordan opdages og eskaleres afvigelser?
• Kompetenceopbygning: Hvilke teams skal sættes i stand til at overvåge, stille spørgsmål ved og videreudvikle KI-systemer?
• Regulatorisk compliance: Hvilke krav i EU AI Act er relevante for ens eget anvendelsesområde?

Budskabet er klart: Industriel KI-autonomi er hverken noget, der sker af sig selv, eller science fiction. Den opstår der, hvor teknologisk excellens møder organisatorisk klarhed – og hvor virksomheder er parate til at betragte spørgsmålet om menneskelig kontrol ikke som en bremse, men som en designopgave.