Analysera maskindata: AI omvandlar sensordata till handfasta rekommendationer

Analys av maskindata: Därför är tidpunkten rätt just nu

Era maskiner talar redan – det gäller bara att lyssna på dem. Varje dag genererar era anläggningar miljontals datapunkter: temperaturer, tryckvärden, vibrationer, energiförbrukning. Idag hamnar dessa värdefulla uppgifter ofta i det digitala tomrummet. Än värre: Era medarbetare drunknar i oändliga Excelark som ingen egentligen förstår. Så varför är just nu det optimala tillfället att börja analysera maskindata systematiskt?

Teknologin är äntligen redo för praktisk användning

För fem år sedan krävdes ett helt data science-team och månader av utveckling. Idag räcker det ofta med några veckor och en erfaren partner som Brixon AI. Maskininlärningsalgoritmer har blivit standardiserade. Molnlösningar sänker tröskeln avsevärt. Och hårdvaran? Den har ni redan – moderna maskiner är fullpackade med sensorer.

Dina konkurrenter ligger inte på latsidan

Enligt en aktuell studie från VDMA (2024) använder redan 34% av tyska maskintillverkare AI för dataanalys – och siffran ökar snabbt. Fördelarna går att mäta: 15–25% färre oplanerade driftstopp, 10–20% energibesparing, 5–15% högre produktkvalitet. Det är inga marknadsföringslöften, utan siffror direkt från industrin. Men se upp: Väntar du för länge hamnar du snabbt på efterkälken. Försprånget inom datakvalitet och algoritmträning ökar exponentiellt.

Kompetensbristen gör pressen tydligare

Erfarna maskinoperatörer går i pension – och tar med sig sin erfarenhet och intuition. AI kan aldrig helt ersätta denna kunskap – men digitalisera den och göra den delbar. Ett vältränat system upptäcker avvikelser som även rutinerade tekniker missar. Frågan är inte längre om du ska analysera maskindata. Frågan är: Gör du det själv – eller lämnar du fältet åt dina konkurrenter?

Förstå sensordata: Från rådata till värdefulla insikter

Maskindata är som ett samtal på ett främmande språk. Du hör orden, men förstår inte innebörden. Dags att lära dig språket.

Vad dina maskiner egentligen berättar

Varje sensor berättar en historia. Huvudlagrets temperatur? Den avslöjar om smörjning fungerar och när det är dags för byte. Spindelns vibrationer? De varnar för obalans långt innan du hör något. Problemet är att dessa berättelser gömmer sig i kolumner av siffror. Utan rätt tolkning förblir de tysta.

Fyra nivåer av datakvalitet

Alla sensordata är inte lika värdefulla. Vi skiljer på fyra kvalitetsnivåer:

Lära sig tolka sensordata på rätt sätt

De flesta företag gör ett grundläggande fel: De tittar bara på enskilda sensorer. Men magin sker först när du kombinerar data. Ett exempel: Huvudspindelns temperatur stiger långsamt vecka efter vecka. Isolerat kan många faktorer vara orsaken. I kombination med vibrationsdata och energiåtgång blir det plötsligt tydligt: Kullagret håller på att slitas. Sådan mönsterigenkänning blir snabbt för komplext för människor. För många variabler, relationer och beroenden – här kommer AI in i bilden.

Från data till kontext: det avgörande steget

Rå sensordata är som pusselbitar utan motiv. Först när du sätter ihop dem i rätt kontext får de värde. Vilket produktionsparti körde? Hur var vädret? Vem bemannade maskinen? Moderna AI-system kan automatiskt koppla denna kontextinformation. De lär sig vilka miljöfaktorer som påverkar – och vilka mönster som faktiskt betyder något. Resultatet? Istället för tusentals datapunkter får du tydliga, handlingsbara insikter. Ditt team kan fokusera på beslut – istället för att drunkna i data.

AI-stött dataanalys: Så blir insikter till konkreta åtgärdsrekommendationer

Att samla maskindata kan alla. Att fatta bra beslut – det är den stora utmaningen. Här visar vi hur AI omvandlar dina sensordata till tydliga åtgärdsförslag.

Maskininlärning vs traditionell dataanalys

Traditionella metoder bygger på fasta regler: Om temperatur > 80°C, ge varning. Det fungerar vid enkla scenarier men misslyckas i komplexa system. Maskininlärning fungerar annorlunda. Den hittar mönster som människor missar. En svag temperaturändring tillsammans med små vibrationsförändringar och en nästan omärkbar ökning av energiåtgången? För ML är det en tydlig signal. Skillnaden är som mellan ett recept och en erfaren kock. Receptet funkar för standardfall. Kocken improviserar och får alltid bästa resultatet – oavsett ingredienser.

AI-analysens tre nivåer

Moderna AI-system arbetar i tre steg:

Steg 1: Deskriptiv analys (Vad har hänt?)

Systemet samlar och strukturerar maskindata. Det känner igen normallägen, dokumenterar avvikelser och skapar tydliga visualiseringar. Typiska resultat: Maskin A hade igår tre oplanerade stopp. Medelcykeltiden låg 12% över det normala.

Steg 2: Diagnostisk analys (Varför hände det?)

Nu blir det intressant. AI söker orsakssamband, korrelerar olika dataströmmar och hittar samband som annars skulle gå obemärkta. Exempel: Den ökade cykeltiden sammanfaller med 3°C högre omgivningstemperatur och 8% lägre hydraultryck.

Steg 3: Prediktiv analys (Vad kommer att hända?)

Det här är den verkliga vinsten. Baserat på realtids- och historiska data prognostiserar AI kommande utveckling. Konkret: Om utvecklingen fortsätter når huvudspindeln kritisk slitagegrad om 8–12 dagar. Underhåll rekommenderas.

Åtgärdsrekommendationer som teamet förstår

Den bästa analysen är värdelös om ingen kan agera på den. Moderna AI-system översätter därför komplexa insikter till enkla åtgärdsanvisningar. Istället för: Korrelationskoefficienten mellan Sensor A och B visar avvikande utveckling. Blir det: Byt kullager på position 3 senast fredag. Reservdel redan beställd. Beräknad arbetstid: 2 timmar.

Confidence level: När du kan lita på AI

Alla AI-rekommendationer är inte lika säkra. Pålitliga system anger alltid en confidence level – alltså säkerhetsnivån i prognosen.

• 90–100%: Agera omedelbart. Klara mönster har identifierats.
• 70–89%: Förbered åtgärder och följ utvecklingen noga.
• 50–69%: Var vaksam, men överreagera inte.
• Under 50%: För osäkert för beslut – samla in mer data.

Denna transparens bygger förtroende. Era team lär sig när de kan förlita sig på AI och när mänsklig expertis behövs.

Continuous learning: AI blir smartare varje dag

Den största fördelen med modern AI? Den lär sig ständigt. Varje underhållsarbete, maskinfel och löst problem förbättrar prognoskvaliteten. Efter 6–12 månader känner ditt system maskinerna bättre än många erfarna operatörer. Det minns ovanliga felmönster, lär sig säsongsvariationer och anpassar sig efter förändringar i produktionen. Det är då verktyget går från användbart till oumbärlig produktionspartner.

Använd produktionsdata smart: Praktiska användningsfall

Nog med teori – låt oss bli konkreta. Så här skapar andra företag verkliga framgångar med AI-baserad maskindataanalys.

Predictive Maintenance: Förebygg fel innan de sker

Klassikern – men ofta underskattad. Hos en medelstor maskintillverkare med 45 CNC-fräsar upptäckte AI-systemet kritiskt spindellager-slitage tre veckor i förväg. Resultat: Planerat underhåll istället för akuta stopp. Kostnadsbesparing: 23 000 € per undviket fel. AI-investeringen tjänade in sig själv efter fyra undvikna stopp. Men kom ihåg: Predictive Maintenance är ingen universallösning. Det passar bäst för slitagedelar med tydliga försämringsmönster. Vid sporadiska fel eller elektriska problem är nyttan begränsad.

Kvalitetskontroll i realtid: Upptäck kassation tidigt

En underleverantör i fordonsbranschen övervakar gjutgodsets ytkvalitet med AI. Systemet känner igen när ett gjutstycke inte uppfyller kvalitetskraven – redan under gjutningen, inte först efter nedkylningen. Defekta delar sorteras ut direkt innan de hunnit kosta mer i efterbearbetning. Besparing: 180 000 € årligen tack vare minskad kassation och mindre omarbetning.

Energioptimering: Använd varje kilowatt smart

Ett pappersbruk analyserar energiförbrukningen i sina produktionslinjer med AI. Systemet identifierar mönster och optimerar driften automatiskt:

• Standbylägen används intelligent utan att produktionen påverkas
• Effekttoppar undviks genom att flytta stödprocesser i tid
• Läckande ventiler och trasiga tryckledningar upptäcks genom avvikande förbrukning

Resultat: 12 % lägre energiförbrukning med oförändrad produktion. Med årliga energikostnader på 2,1 miljoner euro innebär det stora besparingar.

Processoptimering: Hitta rätt balans

En plastbearbetare optimerar sprutgjutningsparametrarna med AI. Systemet varierar temperatur, tryck och hastighet kontinuerligt – men alltid inom säkra gränser. Genom maskininlärning hittar det optimal inställning för varje material och varje miljöfaktor. Det som tidigare tog veckor att optimera sker nu automatiskt. Finessen: Systemet lär sig inte bara från egen erfarenhet utan också från andra maskiner och skift.

Integration med supply chain: Planera i förväg

Ett metallföretag kopplar sina maskindata till affärssystemet (ERP). AI vet inte bara när det behövs service – utan också vilka order som påverkas. Automatisk rekommendation: Genomför underhåll på maskin 3 på torsdag. Order XY-2024 kan slutföras före. Order AB-2025 skjuts två dagar framåt. Integrationen gör att reaktivt underhåll blir till proaktiv produktionsplanering.

Vad kännetecknar dessa framgångshistorier?

Alla framgångsrika projekt har gemensamma drag:

1. Tydligt mål: Inte Vi vill använda AI, utan t ex Vi ska minska stopp med 30%
2. God datakvalitet: Sensornätet fanns redan och fungerade tillförlitligt
3. Medarbetarna var engagerade: Teamen var delaktiga och utbildades tidigt
4. Iterativ implementering: Start med ett användningsfall, sedan utvidgning
5. Mätbara resultat: ROI följdes upp och dokumenterades kontinuerligt

Det viktigaste? Alla hade en erfaren partner vid sin sida. AI-projekt misslyckas sällan på grund av teknologin – utan för att implementeringsrutinen saknas.

Lyckas med maskindataprojekt: Din steg-för-steg-plan

Är du övertygad om att analys av maskindata är rätt för ert företag? Perfekt. Här visar vi hur du strukturerar projektet – utan att fastna i vanliga nybörjarmisstag.

Fas 1: Analysera nuläget (vecka 1–2)

Innan du ens tittar på en algoritm behöver du veta vad du har att arbeta med. Gör en ärlig inventering:

Inventera sensordata

• Vilka maskiner har redan sensorer?
• Vilka data samlas in i dag?
• Vart hamnar dessa data? (CSV-filer, databas, inget sparas alls?)
• Hur är datakvaliteten? (Fullständig, bristfällig, brusig?)

Ett tips: De flesta överskattar sin datakvalitet rejält. Räkna med två veckor för analys – det lönar sig.

Definiera team och kompetenser

Vem ska driva projektet internt? Du behöver:

• En produktionsansvarig (känner maskinerna)
• En IT-koordinator (förstår dataflödena)
• En projektledare (har överblick)

Glöm data scientists – de behövs senare. Börja med det ni har.

Fas 2: Definiera och prioritera användningsfall (vecka 3–4)

Här avgörs projektets framgång. Många vill göra allt samtidigt – men uppnår till sist ingenting.

Bedöm användningsfall efter potential

Börja med det användningsfall som får högst poäng totalt. Inte det mest spännande eller innovationstäta.

Fas 3: Starta pilotprojekt (månad 2–4)

Nu blir det konkret – men undvik big bang. Framgångsrika AI-projekt växer organiskt.

Definiera MVP (Minimum Viable Product)

Vad är det minsta systemet som redan ger nytta? Exempel:

• Övervaka en maskin
• Analysera en sensorsignal
• Generera en typ av rekommendation

Stå emot frestelsen att göra allt perfekt från början. Perfektion är framstegens fiende.

Välj teknologistack

Du har tre alternativ:

1. Molnlösning: Snabbt, skalbart, men löpande kostnader
2. On-premise: Full kontroll, men större startinvestering
3. Hybrid: Kombination av båda

För de flesta medelstora företag rekommenderas en molnlösning som start. Migrering kan alltid ske senare.

Fas 4: Träna teamet & change management (månad 3–5)

Bästa AI:n spelar ingen roll om teamet inte accepterar den. Lägg minst 20% av projektet på change management.

Utbildningsplan

• Ledningen: AI-grunder, ROI-beräkning, beslutsfattande
• Produktionsteam: Använda systemet, tolka rekommendationer
• IT: Teknisk implementation, felsökning

En fungerande strategi: Gör skeptiker till AI-champions. Den som tvivlar blir ofta systemets största förespråkare – om AI lever upp till sitt löfte.

Fas 5: Planera för skalning (månad 6+)

När piloten fungerar och ni ser effekt är det dags att utvidga – men gör det strukturerat:

Strategi för utrullning

1. Nästa maskin av samma typ
2. Fler användningsfall på samma maskin
3. Ny maskintyp
4. Integration med andra system (ERP, MES)

Ordningen är viktig – varje steg bygger på tidigare erfarenheter.

Typisk tidsplan för ditt första projekt

Räkna med 6–9 månader till full produktivitet. Lovar någon snabbare effekt – var skeptisk. Ett sista råd: Dokumentera allt. Erfarenheterna från första projektet är ovärderliga för framtida implementationer.

Kostnader och ROI vid analys av maskindata

Låt oss tala klarspråk om ekonomi. AI-projekt kräver investeringar – men kan löna sig rejält. Här får du verkliga siffror från industrin.

Startkostnader: Vad du kan räkna med

Kostnaderna varierar beroende på projektets omfattning. Här en realistisk uppskattning för ett medelstort företag:

Mjukvara och teknik

Konsultation och implementation

• Strategikonsultation: 8 000–15 000 €
• Implementation: 25 000–60 000 €
• Change management: 10 000–20 000 €
• Utbildning: 5 000–12 000 €

Total startinvestering: 75 000–200 000 € första året. Visst, det är mycket pengar. Därför är ROI avgörande.

Var sparar du pengar?

Vinsterna kommer ofta från flera håll. Här är de viktigaste:

Direkta besparingar

Motverkade driftstopp En timmes oplanerat stopp kostar 5 000–25 000 € på en modern produktionslinje. Om du undviker fyra stopp om året är investeringen snart återbetald. Minskat kassationssvinn I fordonsindustrin kostar en kassationsdel ofta mångdubbelt mot materialpriset. Omarbetning, förseningar, kontroller – snabbt 500–2 000 € per fel. Energibesparingar 10–15 % mindre energi är realistiskt. Med energiutgifter på 500 000 €/år sparar du 50 000–75 000 €.

Indirekta fördelar (svårare att mäta men mycket verkliga)

• Mindre stress tack vare planerade underhåll
• Färre leveransproblem, nöjdare kunder
• Starkare rykte som innovativt företag
• Bättre konkurrenskraft tack vare effektivare processer

Praktiska ROI-exempel

Exempel 1: Maskintillverkare (150 anställda) – Investering: 120 000 € – Årlig besparing: 180 000 € – ROI: 150 % första året – Huvudorsak: Motverkade stopp, minskade underhållskostnader Exempel 2: Underleverantör till fordonsindustrin (400 anställda) – Investering: 200 000 € – Årlig besparing: 280 000 € – ROI: 140 % första året – Huvudorsaker: Kvalitetslyft, energibesparing Exempel 3: Kemiföretag (80 anställda) – Investering: 90 000 € – Årlig besparing: 95 000 € – ROI: 105 % första året – Huvudorsaker: Processoptimering, bättre efterlevnad

När lönar sig inte investeringen?

Ärlighet är viktigt. Alla företag bör inte gå direkt på AI-analys av maskindata: Uteslutningskriterier:

• Färre än 10 övervakningsbara maskiner
• Mycket gamla maskiner utan sensorer (för dyrt att installera nytt)
• Sporadisk produktion, täta byten av produkt
• Teamet har redan problem med IT-systemen
• Redan minimala stilleståndstider (<2 timmar/månad)

Då är rådet: Optimera grunden först, tänk på AI senare.

Finansieringsalternativ för ditt projekt

Den goda nyheten: Du behöver inte finansiera allt själv. Stödprogram (2024):

• Digital Jetzt: Upp till 50 000 € i bidrag för digitalisering
• KI-Lighthouses: Stöd för AI-pilotprojekt
• Regionala program: Möjligt med extra landsstöd

Alternativa finansieringsmodeller:

• Pay-per-use: Betala baserat på faktisk användning
• Success-fee: Betalning först när besparingarna är bevisade
• Leasing: Betala månadsvis istället för engångssumma

En erfaren partner som Brixon AI hittar rätt finansieringsupplägg. Ofta täcker stödprogram 30–50 % av investeringen.

Rimlig tidplan till break-even

Slutsats: Tålamod lönar sig! Du ser ofta resultat på några månader – men full effekt märks först med tiden. Obs: Detta är snittvärden. Faktisk ROI påverkas av många faktorer, från datakvalitet till teamets engagemang.

Vanliga fallgropar – och hur du undviker dem

AI-projekt har hög lyckandefrekvens – om du undviker de vanliga fällorna. Här är de sju vanligaste misstagen och hur du smidigt rundar dem.

Fallgrop 1: Vi behöver först bättre data

En klassiker. Många väntar flera år på perfekta data och startar aldrig. Sanningen: Perfekta data finns inte. Problemet: Du väntar på 100 % datakvalitet innan du börjar. Lösningen: Starta med det du har. Modern AI fungerar med 70–80 % datakvalitet. Datakvaliteten förbättras längs vägen. Exempel: En kund hade sensordata med 15 % avbrott. Istället för att vänta, satte vi igång med tillgänglig data. Efter tre månader kunde algoritmerna själva interpolera luckorna intelligent.

Fallgrop 2: För många användningsfall samtidigt

Ambition är bra – men övertro ger kaos. Många drar igång fem användningsfall på en gång. Problemet: Insatserna splittras och inget realiseras fullt ut. Lösningen: Ett användningsfall i taget. När det lyckas, ta nästa. Ett verkligt exempel: En underleverantör ville införa både predictive maintenance, kvalitetskontroll och energioptimering samtidigt. Resultat: tre halvfärdiga system, ingen produktion. Efter omstart med fokus på predictive maintenance hade företaget ett produktivt system efter fyra månader.

Fallgrop 3: IT och produktion talar olika språk

IT pratar API:er och datamodeller. Produktion jobbar med maskintakt och skiftscheman. Utan översättare blir det problem. Problemet: Kraven missförstås – systemet passar inte verksamheten. Lösningen: Ta in en översättare som kan båda världar. På Brixon AI har vi experter som förstår både produktionsprocesser och IT-arkitektur. Det sparar månader och minskar feltolkningar.

Fallgrop 4: Orimliga förväntningar på AI

Hollywood har gjort sitt. Många tror AI fixar allt – genast och utan ansträngning. Problemet: Besvikelse när AI inte löser allt på en gång. Lösningen: Öppen och ärlig kommunikation om möjligheter och begränsningar från start. AI är kraftfull, men inte magisk. Den behöver tid att lära, bra data och mänsklig tolkning. Accepteras det, uteblir inte resultatet.

Fallgrop 5: Medarbetarnas acceptans saknas

AI tar våra jobb – den rädslan är verklig och måste tas på allvar. Problemet: Motstånd, försenade eller saboterade processer. Lösningen: Transparent kommunikation och tidig delaktighet. Visa konkret hur AI underlättar jobbet istället för att ta över. Maskinoperatören blir AI-stödd expert – löser fel innan de ens uppstår. Tips: Gör skeptikerna till projektambassadörer. En övertygad kollega övertygar bättre än någon presentation från ledningen.

Fallgrop 6: Leverantörsinlåsning vid teknikval

Vissa leverantörer lovar allt – och låser in dig i stängda system. Problemet: Beroende av en leverantör – dyr migrering nästan omöjlig. Lösningen: Välj öppna standarder och teknik. Titta på:

• Standard-API:er för dataexport
• Dokumenterade dataformat
• Moln-agnostiska lösningar
• Transparanta prismodeller

Fallgrop 7: Underskatta förändringsledning

Tekniken är ofta lättast. Det är människor och processer som tar tid att förändra. Problemet: Perfekt teknik, men ingen använder den. Lösningen: Avsätt minst 30 % av projekttiden för change management. Det innebär:

• Regelbunden utbildning (inte bara i början)
• Synliggör och fira framgångar
• Ständiga feedback-slingor
• Löpande förbättringar utifrån användarfeedback

Viktigast av allt: Välj rätt partner

De flesta fallgropar beror på bristande erfarenhet. En partner med dussintals liknande projekt i bagaget kan alla snubbeltrådar och hjälper er att undvika dem. Titta på följande vid val av partner:

På Brixon AI har vi hanterat över 150 AI-projekt, sett de flesta tänkbara fallgropar – och utvecklat effektiva åtgärder. Vår framgångsgrad är över 90 %, eftersom vi lärt oss av andras misstag. Den goda nyheten: Med rätt förberedelse och partner är AI-projekt nu mycket mindre riskfyllda än för fem år sedan. Teknologin är mogen, metoderna beprövade. Vad väntar du på?

Vanliga frågor och svar

Hur lång tid tar det innan vi ser resultat?

Redan efter 4–6 veckor kan du ofta få de första insikterna från din maskindata. Riktigt produktiva rekommendationer tar dock 3–6 månader, eftersom AI:n först måste lära sig just era produktionsmönster. Det krävs tid att bygga en stabil databasmiljö och träna algoritmerna.

Vilken minimikrav har våra maskiner?

Moderna produktionsmaskiner har oftast redan de sensorer som krävs: temperatur-, vibrations-, eller trycksensorer som ger digitala data. De behöver inte vara perfekta – AI kan tolka även 70–80 % datakvalitet med rätt kontinuerlig insamling över minst några månader.

Hur hög är den löpande kostnaden efter införandet?

Räkna med 15–25 % av startinvesteringen som årlig driftkostnad. Det täcker molntjänster, mjukvaruuppdateringar, underhåll och support. Har du t ex investerat 100 000 € innebär det 15 000–25 000 €/år i drift. Dessa kostnader täcks oftast redan av de besparingar som uppnås.

Kan vi driva projektet internt eller behöver vi extern hjälp?

För strategi och implementering rekommenderar vi en erfaren partner. Efter utbildning på 3–6 månader kan den löpande driften ofta skötas internt. Viktigt: Underskatta inte förändringsledning! De flesta projekt misslyckas där – inte på tekniken.

Är våra produktionsdata säkra i molnet?

Seriösa leverantörer använder enterprise-säkerhetsstandarder, kryptering från punkt till punkt, europeiska datacenter och GDPR-efterlevnad. Dina maskindata är ofta anonymiserade och meningslösa för utomstående. Alternativt kan du köra on-premise – men det innebär avsevärt högre startkostnader.

Vad händer om vår produktion ändras?

Moderna AI-system lär sig kontinuerligt och anpassar sig automatiskt. Vid större ändringar (nya maskiner, nya produkter) behövs oftast en omträning på 2–4 veckor. Därför är långsiktigt partnerskap viktigt – så att ni får stöd vid förändringar.

Lönar det sig för små företag med få maskiner?

Från cirka 10 övervakningsbara maskiner blir det ekonomiskt intressant. Även mindre företag kan starta billigt med molnlösningar och modulära upplägg. Det avgörande är besparingspotentialen, inte storleken.

Hur mäter vi projektets framgång och ROI?

Sätt upp tydliga KPI:er före projektstart: kortare stillestånd, lägre kassation, energibesparing eller bättre leveranssäkerhet. Ett bra system dokumenterar automatiskt rekommendationer och åtgärder. Efter 6–12 månader ser du exakt hur mycket som sparats. Transparens kring ROI är avgörande för fortsatt utveckling och acceptans.

Ersätter AI våra erfarna maskinoperatörer?

Nej, AI kompletterar mänsklig expertis men ersätter den inte. Era erfarna kollegor blir AI-stödda experter – de upptäcker och förebygger problem i tid. Besluten är fortfarande deras – men på bättre informationsunderlag. Det gör arbetet roligare och minskar stressen vid oförutsedda stopp.

Varför misslyckas AI-projekt oftast?

Orimliga förväntningar och för lite förändringsledning. Många företag underskattar hur viktig acceptans hos personalen är. Tekniken funkar nästan alltid – men om ingen använder eller litar på systemet får du ingen nytta. Därför lägger vi på Brixon AI minst 30 % av tiden på utbildning och support.