For en frihet å kunne dirigere CAD-agenter i stedet for å drukne i museklikk!

Ingeniørkunst drukner i tusenvis av meningsløse, repeterende museklikk.

Den virkelige verdien ligger i å forstå sammenhenger og ta ansvar, ikke i å være en avansert operatør for tunge CAD-menyer. AI agentene endrer ikke bare verktøyet. De flytter mennesket opp i verdi-kjeden. Er vi snart klare til å gå fra CAD operatører til dirigenter?

For en frihet å kunne dirigere CAD-agenter i stedet for å drukne i museklikk!

Som ingeniør har jeg aldri opplevd kompleksitet som den virkelige fienden. Det er ofte i de komplekse sammenhengene arbeidet blir mest meningsfullt. Frustrasjonen oppstår først når forståelsen er på plass, men veien videre likevel består av en uendelig  lang rekke små, trivielle og manuelle operasjoner.

Vi blir gode til å håndtere menyer, kommandoer, parameterfelt og gjentakende operasjoner, men det betyr ikke at det er der den egentlige verdien vår ligger. Den ligger i å forstå sammenhenger, se konsekvenser, gjøre avveininger og ta ansvar for at noe faktisk vil fungere i virkeligheten.

Derfor mener jeg at problemet sjelden er menneskene. Dyktige ingeniører holdes ofte tilbake av systemer som fortsatt krever at innsikt oversettes manuelt, steg for steg.

Det som er i ferd med å endre seg nå, er at AI-agenter kan ta mer av dette mellomlaget. Det åpner for en arbeidsform der ingeniøren i mindre grad er operatør, og i større grad kan bruke sin kapasitet på det som faktisk skaper verdi.

Flaskehalsene blir synlige

Det var derfor jeg også festet meg ved Andrej Karpathys måte å beskrive dette på. Han er en sjelden kombinasjon av forsker, grunder og pedagog. Han var en av grunnleggerne av OpenAI, og var Sr. Director of AI hos Tesla med ansvar for teamet bak de nevrale nettverkene i Autopilot.

Det som gjør formuleringene hans så treffsikre, er at de ikke bare handler om programmering. De beskriver et bredere skifte i kunnskapsarbeid. Når han sier at arbeidet går fra å utføre hvert steg selv,  til å heller uttrykke vilje, delegere og vurdere, blir flaskehalsen plutselig synlig: Den ligger ikke bare i hva vi vet, men i hvordan vi fortsatt tvinges til å arbeide med primitive verktøy.

I programmering har verdien til dyktige utviklere lenge vært delvis begrenset av hvor raskt de klarer å få tanker ut av hodet og inn i riktig syntaks. Nå peker Karpathy på at flaskehalsen flyttes. Arbeidet går fra micro til macro. Fra å utføre hvert lille steg selv, til å angi retning og vurdere resultatet.

Det samme perspektivet treffer ingeniørfaget med stor kraft. Også her har produktiviteten lenge vært bundet til hvor raskt vi kan betjene verktøyene, ikke bare hvor godt vi forstår oppgaven. Vi har akseptert at høy faglig verdi må kanaliseres gjennom serielle, manuelle handlinger. Men det er ikke sikkert det lenger er sant. Når språkmodeller og agenter nå kan håndtere mer av oversettelsen mellom hensikt og digital utførelse, blir det tydelig at mye av det vi tidligere tok for gitt, i realiteten bare var et teknologisk kompromiss.

Vollgravene som holder utviklingen tilbake

Det er samtidig viktig å forstå hvorfor denne utviklingen har latt vente på seg i CAD-industrien.

CAD-verdenen har i flere tiår bygget opp en maktstruktur som strekker seg langt utover selve modelleringen. Mange tror fortsatt at bransjen først og fremst handler om hvem som kan tegne best. Men de dypeste vollgravene har ligget rundt dataene, historikken og arbeidsflyten. Autodesk beskriver DWG som sitt proprietære format. Siemens beskriver Parasolid som en kjerneteknologi brukt på tvers av et stort økosystem. Dassault beskriver 3DEXPERIENCE som en plattform med én sannhetskilde. Det er der bindingen oppstår. Ikke bare i geometri, men i kontroll over hele livsløpet til modellen.

Når denne kontrollen først er på plass, låses ikke bare dataene. Også arbeidsformen låses. Ingeniøren blir den som må føre modellen frem manuelt gjennom menyer, kommandoer, referanser, revisjoner og prosessledd. Det er dette som har gjort klassisk CAD så seiglivet. Ikke fordi det er den eneste måten å arbeide på, men fordi hele infrastrukturen er bygget for å holde den i live.

Derfor er det heller ikke overraskende at de etablerte nå prøver å trekke AI inn i sine egne systemer. Når ny teknologi oppstår utenfra, er den mest naturlige defensive responsen å kapsle den inn i plattformen, slik at den fortsatt er avhengig av leverandørens dataformater, API-er og prosesser. På den måten blir AI ikke et brudd med den gamle logikken, men en forlengelse av den.

Det er nettopp derfor agentene representerer så mye mere en ny funksjon. De går ikke først og fremst løs på museklikkene. De går løs på sammenhengen mellom intensjon og resultat. Når vi nå får helt nye grunnleggende konsepter for hvordan en konstruksjon og prosess modelleres, utfordres ikke bare verktøyene. Da utfordres hele rollen CAD-industrien lenge har tildelt både seg selv og ingeniøren.

Agentene endrer ikke bare verktøyet. De flytter mennesket oppover.

Det er fristende å omtale dette som enda et nytt lag med AI i CAD-programmene. Men det treffer ikke kjernen. Det som nå er i ferd med å skje, er at arbeidsdelingen mellom menneske og system begynner å forskyves.

Agentene gjør det mulig å løfte bort mer av det manuelle mellomlaget mellom hensikt og resultat. Ikke slik at ingeniøren forsvinner, men slik at ingeniøren i mindre grad brukes som operatør og i større grad som premissgiver. Da flyttes mennesket opp fra utførelse til retning, fra detaljstyring til vurdering.

Det er dette som gjør skiftet så viktig. Det handler ikke bare om å gå fortere. Det handler om å bruke faglig kompetanse der den faktisk skaper verdi.

For ingeniører betyr det at rollen vår blir tydeligere. Vi rolle er ikke først og fremst til å føre løsningen manuelt gjennom et program. Vi rolle er å forstå sammenhenger, formulere mål, se risiko, gjøre avveininger og ta ansvar for helheten.

Fire agent-arter, fire forskjellige måter å organisere arbeid på

Det er samtidig viktig å unngå at «agent» blir et uklart samleord. Hvis vi skal hente læring fra programvareverdenen og bruke den seriøst i ingeniørfaget, må vi være mer presise enn som så. I praksis ser vi minst fire tydelige agent-arter, og de svarer til fire ulike typer arbeid.

1. Den personlige konstruksjonsagenten

I programvareutvikling tilsvarer dette en coding harness: En agent som får tilgang til filer, API-er og tester, og som arbeider under tydelig menneskelig ledelse. Overført til ingeniørfaget betyr det en agent med tilgang til CAD-modellen, delebiblioteker og bedriftens standarder. Du beskriver intensjonen, rammene og kravene. Agenten håndterer modelloppbygging, variantendringer, tegningsgrunnlag og annet rutinepreget arbeid. Dette er den mest direkte oversettelsen fra programmeringsverdenen til CAD: mennesket er fortsatt leder, men slipper å være den som manuelt bærer løsningen gjennom hvert eneste mellomtrinn.

2. Den autonome designlinjen

I programvare kjenner vi dette fra CI/CD-løp, der kode bygges, testes og rulles ut med minimalt manuelt mellomarbeid. I konstruksjon betyr det en autonom designlinje: du mater systemet med krav, laster, grensesnitt og regler, og ut kommer produksjonsunderlag som har passert definerte kontrollsløyfer. Dette egner seg særlig godt for standardiserte komponenter og gjentakende designoppgaver. Mennesket er helt avgjørende i starten, når spesifikasjonen utformes, og i slutten, når løsningen godkjennes. Men mennesket trenger ikke lenger å være inne i de tusen små stegene mellom disse punktene.

3. Den målsøkende optimaliseringsagenten

I programvare brukes slike systemer når målet ikke først og fremst er å lage noe nytt, men å forbedre en bestemt verdi: lavere responstid, mindre minnebruk eller høyere ytelse. I ingeniørfaget ser vi den samme logikken når oppgaven egentlig handler om å finne best mulig balanse mellom vekt, stivhet, pris, materialbruk eller syklustid. Her er ikke poenget at agenten bare lager en løsning, men at den systematisk utforsker et stort løsningsrom og finner kombinasjoner et menneske aldri ville hatt tid til å teste selv. Din rolle flyttes da til å definere hva som faktisk skal optimaliseres, og hva som teller som suksess.

4. System-dirigenten

I programvare oppstår dette når mange spesialiserte agenter må samarbeide, og noen må sørge for at informasjon flyter riktig mellom dem. I ingeniørfaget blir denne rollen særlig viktig i større prosjekter, der mekanikk, elektro, kvalitet, innkjøp og produksjon må henge sammen. Her er agenten ikke bare en utfører, men en koordinator som sørger for at endringer i én del av systemet slår riktig ut i de andre. En modellendring kan oppdatere stykklistene, påvirke kontrollgrunnlaget og justere produksjonsflyten. Da blir ingeniøren mindre en operatør og mer en dirigent som overvåker helheten og tar de store avveiningene.

Poenget er enkelt: Disse fire må ikke blandes sammen. De representerer ulike måter å organisere arbeid på, bærer ulike produkter i seg, og kan eksistere i et uendelig antall optimalisert for hver sin oppgave.

Den agentiske ingeniøren

En tradisjonell CAD-modell kan være helt korrekt og fullt produksjonsklar, men likevel si lite om hvorfor løsningen er som den er, hvilke regler som styrer den, og hva som faktisk skjer når forutsetningene endres. Geometrien kan være riktig. Produksjonen kan gjennomføres. Men logikken bak ligger ofte fortsatt implisitt i hodet på ingeniøren. Først når denne logikken løftes frem og struktureres, får vi et reelt grunnlag for å arbeide systematisk.

Dette blir enda viktigere fordi variasjon ikke lenger er et unntak. Variasjon er normalen. Problemet er sjelden selve variasjonen. Problemet oppstår når hver ny variant fortsatt håndteres manuelt, som om den var et nytt prosjekt. Da blir det menneskene som må kompensere. De jobber raskere, husker mer og dobbeltsjekker alt. Det fungerer en stund. Så slutter det å fungere.

Det er også her agentene blir langt mer enn et produktivitetsverktøy. De tvinger oss til å gjøre det mange virksomheter lenge har utsatt: å gjøre beslutningsgrunnlaget tydeligere, reglene eksplisitte og arbeidsdelingen mer bevisst. Hvis grunnlaget er uklart, hjelper det ikke med mer teknologi. Da får du bare feil raskere. Dette er ikke et argument for å fjerne mennesker fra prosessene, men for å gi dem bedre verktøy og samme virkelighetsforståelse.

Fremtidens sterke ingeniørrolle blir mindre preget av manuell utførelse og mer preget av spesifikasjon, systemforståelse og dømmekraft. Verdien flyttes fra å løse den samme typen problem mange ganger, til å definere hvordan problemet skal løses, og gjøre denne logikken tilgjengelig for flere. Det er ikke mindre fag. Det er å presentere din fagkunnskap på et høyere nivå.

Det som ikke kan delegeres, blir viktigere

Selv om mer av utførelsen kan flyttes ned i systemene, forsvinner ikke ansvaret. Tvert imot. Jo mer som automatiseres, desto viktigere blir det at noen fortsatt forstår forutsetningene, ser de skjulte konsekvensene og kan vurdere om noe faktisk vil fungere i den virkelige verden. Fysikk, produksjon, toleranser, montasje, vedlikehold og konsekvenser i drift krever fortsatt erfarne ingeniører med nøktern dømmekraft.

Derfor svekker ikke agentiske arbeidsformer ingeniørrollen. De skjerper den. Når systemene tar mer av det repeterende mellomlaget, blir menneskets oppgave tydeligere: å definere rammene, vurdere kompromissene, oppdage svakhetene og ta ansvar for sluttresultatet.

Gevinsten er heller ikke bare hastighet. Den er presisjon uten mer byråkrati. Raskere læring i organisasjonen. Mindre avhengighet av enkeltpersoner. Og bedre forutsetninger for tillit mellom avdelinger, fordi flere kan arbeide ut fra samme logikk og samme grunnlag.

Kanskje er det dette som er det mest lovende ved den agenetiske ingeniøren: At det vi gjør blir helt riktig første gang. Hver gang.