Byg selv eller køb: industrielt AI-visionsystem
Af Tommy Jonsson, Adm. direktør, Byte Motion · Opdateret 2026-08-26
Byg selv eller køb handler om valget mellem at ansætte og oplære et internt team til at udvikle AI-vision- og robotsoftware, eller at hyre en leverandør, der leverer en gennemprøvet platform samt ingeniørarbejde og support. Det rigtige valg afhænger af, hvor meget jeres produkt varierer, hvor hurtigt I skal have et pålideligt system i drift, og om visionsekspertise allerede findes i jeres team.
Hvad "byg selv" reelt koster
At bygge et internt AI-visionsystem er sjældent bare "ansæt én maskinlæringsingeniør". Et fungerende produktionssystem kræver flere specialer, som sjældent sidder hos den samme person: valg af kamera og belysning (billedkvalitetsproblemet, der afgør, om nogen model overhovedet kan lykkes), en pipeline til dataindsamling og mærkning for det produkt, systemet skal inspicere eller håndtere, træning og evaluering af modellen samt integration med de PLC'er, robotter og transportbånd, der allerede kører linjen. Hver disciplin er sin egen fagretning, og de fleste fabrikker har ikke alle sammen internt fra dag ét.
Tiden, det tager at nå det første fungerende system, er den egentlige omkostningsdriver — mere end nogen enkelt budgetpost. Alene opsætning af kamera og belysning tager ofte flere iterationer, før billederne er rene nok til at træne på. At indsamle et datasæt, der reelt dækker den variation, modellen skal kunne håndtere — sæsonskifte, naturlig produktvariation, sjældne defekter — tager typisk længere, end det første overslag regner med. At få en model fra "virker på en bærbar" til "kører pålideligt i linjehastighed" er endnu et selvstændigt projekt, og det rummer et spørgsmål, mange første forsøg springer over: hvad skal systemet gøre, når det er i tvivl? At afgøre om et usikkert emne skal afvises, markeres til en person eller sendes videre — og at koble den beslutning ind i PLC- eller robotlogikken — er ingeniørarbejde i sig selv, ikke en eftertanke, når modellen først virker.
Belastningen slutter ikke ved idriftsættelsen. Produkter ændrer sig, emballage skifter, og lyset i hallen varierer med årstiderne — en model trænet på sidste års billeder forringes umærkeligt, medmindre nogen holder øje med det og gentræner på nye eksempler. Det løbende ejerskab er den del, der oftest mangler i et første byg-estimat.
Intet af dette gør et internt byg til det forkerte valg — masser af visionprojekter bygges succesfuldt internt. Men et ærligt regnskab omfatter specialistansættelserne, iterationstiden frem mod det første fungerende system og den løbende vedligeholdelsesforpligtelse, ikke bare omkostningen ved at træne én model. Den reelle risiko ved det forkerte valg er et system, der går i stå eller stille bliver koblet fra, og et andet forsøg med et helt år allerede brugt — og det er lige præcis det, en gennemførlighedsfase er designet til at forhindre.
Hvad "køb" reelt koster og fjerner af risiko
At købe flytter omkostningsprofilen: i stedet for selv at samle specialerne internt betaler I for en leverandørs platform og ingeniørtimer, og den største risiko — virker det her overhovedet på vores produkt? — bliver afklaret tidligt, før nogen produktionsforpligtelse.
Byte Motion strukturerer dette med et forstudie som første skridt. Det er en afgrænset gennemførlighedsfase, typisk en til tre uger, hvor billeder indsamles fra jeres rigtige linje, et begrænset datasæt annoteres, en forenklet AI-model trænes, og detektionsevnen måles mod jeres godkendelseskriterier. Omkostningen holdes nede — omkring 10.000 euro, ekskl. moms, rejser, specialudstyr og tredjepartsomkostninger — netop fordi opgaven er at besvare ét spørgsmål med dokumentation, før noget større besluttes.
Viser forstudiet, at opgaven er gennemførlig, er næste skridt en produktionscelle: en fuld Optimus-installation med kamera, AI-model, en industriel computer, PLC- eller robotkommunikation og et produktionsdashboard. Installationen løber typisk på 10.000-30.000 euro afhængigt af hardware, integrationsomfang og eventuel skræddersyet udvikling, og inkluderer 15 måneders garanti og licens. Efter den periode fornyes licensen fra 500 til 1.500 euro pr. måned afhængigt af driftsskala og supportbehov — den løbende omkostning til gentræning af modellen, overvågning og kamera-/PLC-support, som et internt team ellers selv skulle bære. Se den fulde prisoversigt for, hvad hvert trin indeholder.
Den struktur fjerner risiko fra to ting på én gang: kapitalbeslutningen (I ser dokumentation for gennemførlighed på jeres egne billeder, før I forpligter jer til en fuld installation) og vedligeholdelsesbyrden (support og modelopdateringer er en del af licensen frem for et åbent internt ansvar).
Hvornår giver det mening selv at bygge?
At bygge internt er et reelt godt valg under et bestemt sæt betingelser, og det ville ikke være ærligt at hævde andet. Det passer til store organisationer, der allerede driver et dedikeret team til AI-vision- eller robotudvikling, og som ønsker den kompetence permanent internt frem for som en projektomkostning. Det passer til en enkelt, meget specifik og stort set uændret opgave, der køres i en skala, hvor det er billigere at afskrive et lille internt team over flere år end en tilsvarende licens over samme periode. Det passer også til virksomheder, der ønsker fuldt ejerskab over de trænede modeller og de underliggende træningsdata, uden nogen leverandørrelation i beslutningskæden overhovedet.
Afvejningen forsvinder dog ikke. Et internt team skal stadig selv løse kamera- og belysningsvalg, datapipelines, PLC- og robotintegration samt løbende modelvedligeholdelse — at bygge selv fjerner leverandørrelationen, ikke det underliggende ingeniørarbejde. Er opgaven reelt smal og stabil, og bliver teamet, der ansættes til den, siddende i årevis frem for kun til ét projekt, kan den løbende interne omkostning være den mest økonomiske vej på lang sigt.
Hvornår giver det mening at købe?
At købe giver mening, når produktet varierer, eller miljøet er ustruktureret — naturlige produkter, deformerbar emballage, blandet affald — hvor mønstret, der adskiller godt fra dårligt, først bliver tydeligt ud fra rigtige produktionsbilleder, og hvor det at finde det ud internt kræver præcis den specialisttid og de kalendermåneder, der er beskrevet ovenfor. Det passer også til virksomheder, der har brug for produktionsstabil drift hurtigt og ikke i forvejen driver et visionteam, samt til situationer, hvor det betyder mere at beholde eksisterende kameraer, robotter og PLC'er end selv at eje modeltræningspipelinen.
Byte Motions installationer viser, hvordan et købt resultat ser ud i produktionsskala. Hos MOWI, en af verdens største lakseproducenter, inspicerer Optimus 100 % af de udgående paller for overhæng, ødelagte kasser og kasseantal, med et foto af hver eneste palle til et distributionsnetværk, der spænder over mere end 25 lande. På IVAR's affaldsanlæg i Norge registrerer et AI-vision- og robotsystem batterier i varierende former, størrelser og farver i blandet affald med over 95 % nøjagtighed, og brandhændelser knyttet til batterikontaminering faldt til nul i de første måneder af driften — en opgave, hvis materialevariation gør et internt byg markant sværere at nå pålideligt frem til (batterisorteringscasen). Og i pølsepluk-installationen havde en fødevareproducent allerede købt et visionsystem fra en anden leverandør — det haltede på præcision, hastighed og rotation, og produktet blev nogle gange ødelagt under plukningen. Byte Motion udskiftede kun kameraerne og AI-modellen; de seks eksisterende ABB IRB 360 FlexPicker-robotter og de tre transportører forblev nøjagtig, som de var. Det er købsargumentet i miniature: løsningen var en anden beslutningsmekanisme, ikke en genopbygget linje.
Kamera- og robotagnostisk levering er, hvad der gør den slags opgradering mulig i stedet for et rip-and-replace-projekt. Optimus er bygget til at koble sig til det udstyr, en fabrik allerede kører, tilføje den intelligens, der mangler, og lade resten af linjen være i fred.
Hvor lang tid tager et forstudie?
Et forstudie fra Byte Motion tager typisk en til tre uger. Det omfatter billedindsamling fra jeres rigtige produktionslinje, annotering af et afgrænset datasæt, træning af en forenklet AI-model eller prototype-pipeline samt en gennemførlighedsrapport med en anbefaling om, hvorvidt der skal gås videre til produktion.
Forstudiet er bevidst holdt i lille skala — omkring 10.000 euro, ekskl. moms, rejser, specialudstyr og tredjepartsomkostninger — fordi formålet er dokumentation, ikke et færdigt system. Det ender med en anbefaling af kamera og belysning, en teknisk gennemførlighedsvurdering og et budgetestimat for næste fase, så beslutningen om at investere i en fuld produktionscelle træffes på baggrund af jeres egne data frem for en leverandørs salgsargument.
Hvad sker der, hvis vi allerede har kameraer eller robotter?
I de fleste tilfælde forbliver eksisterende kameraer, robotter og PLC'er præcis, hvor de er. Optimus, platformen bag Byte Motions installationer, er kamera- og robotagnostisk og integreres over ROS2 og gængse industrielle protokoller frem for at kræve en fuld udskiftning af linjen.
Det tydeligste eksempel er pølsepluk-installationen: de seks eksisterende ABB IRB 360 FlexPicker-robotter og tre transportører blev bevaret nøjagtigt, som de var, og kun kameraerne og AI-modellen blev ændret. Hos MOWI integreres visionsystemet med eksisterende AGV'er, en mærkningsrobot og ERP-systemet i stedet for at erstatte nogen af dem. At købe et AI-visionsystem betyder i praksis som regel en opgradering af beslutningslaget oven på udstyr, I allerede ejer — et mindre og hurtigere projekt, end de fleste byg-vs-køb-sammenligninger antager, før udstyrsbeholdningen rent faktisk er blevet tjekket.
Er jeres udstyrsbeholdning og produktvariation de åbne spørgsmål, er næste skridt et forstudie på jeres egne billeder. Kontakt Byte Motion for at afgrænse det — vi svarer inden for én arbejdsdag — og gennemgå priserne for hvert trin først.