KI leser prøvingsrapporter fra underleverandører

Et konkret brukstilfelle for kunstig intelligens i laboratoriet: modellen leser resultatene i et eksternt laboratoriums prøvingsrapport og fører dem inn på linjene i oppdraget. Mennesket trenger bare å bekrefte.

31. august 2026 CleverLAB-teamet 9 min lesing KI i laboratoriet

KI leser resultatene i en prøvingsrapport for analyser satt ut til et eksternt laboratorium

TL;DR

En analyse hos underleverandør ender med andres PDF. Noen skriver av et dusin tall for hånd — og det er der de dyreste feilene i hele prosessen oppstår.
Modellen leser overskriften, resultattabellen og fotnotene, kobler radene til linjene i oppdraget og forbereder et forslag til registrering. Selv godkjenner den ingenting.
Den normaliserer det som varierer mellom laboratorier: desimaltegn, enheter, skrivemåten «< 0,5», utvidet måleusikkerhet, standardens utgivelsesår.
Resultatet beholder en varig merking «analyse hos underleverandør» og den vedlagte originalrapporten — det krever punkt 7.8.2.1 p i ISO/IEC 17025.
Godkjenningen blir værende hos mennesket. KI korter ned behandlingen av en rapport fra et kvarter til ett minutts kontroll, men fjerner ikke ansvaret.

Hvorfor nettopp rapporter fra underleverandører

Nesten ingen laboratorier har alt kundene spør etter innenfor akkrediteringsomfanget sitt. Tungmetaller, PAH, Legionella, bestemmelser etter en annen standard, sesonganalyser som gjøres én gang i kvartalet — det går til et underleverandørlaboratorium. Kunden får én prøvingsrapport, og du står ansvarlig for alt som står i den.

Og her begynner et problem som ikke synes i noen effektivitetsrapport: underleverandøren sender tilbake en PDF, og noen hos deg skriver av tallene. Som regel er det den samme personen som har mest annet å gjøre — den tekniske lederen eller den som godkjenner prøvingsrapportene. Avskrivningen tar fra noen minutter til et kvarter per dokument, er kjedelig og krever hundre prosent oppmerksomhet. En perfekt kombinasjon for å gjøre feil.

Denne artikkelen beskriver ett enkelt, snevert avgrenset brukstilfelle for KI: å lese resultatene i underleverandørens prøvingsrapport og føre dem inn på linjene i oppdraget. Ingen visjon om et autonomt laboratorium, ingen løfter om en «revolusjon». Én oppgave som maskinen utfører raskere og grundigere enn et trett menneske — forutsatt at beslutningen om godkjenning blir værende hos mennesket.

Fem feil som går igjen oftest

Komma mot punktum. En rapport fra et utenlandsk laboratorium oppgir 0.05, systemet forventer 0,05 — ved en uoppmerksom innliming kan resultatet vokse tusen ganger.
mg/l i stedet for µg/l. Den dyreste feilen i miljøanalyser. Underleverandøren rapporterer mikrogram, omfanget ditt arbeider i milligram — uten omregning blir et godkjent resultat en overskridelse.
Forskjøvet rad. En tabell med femten bestemmelser, blikket glir én linje og resultatet for krom havner ved nikkel.
Glemt mindre enn-tegn. < 0,5 skrevet av som 0,5 betyr ikke lenger «under kvantifiseringsgrensen», men en konkret målt verdi. Det endrer tolkningen og samsvarsvurderingen.
Oversett fotnote. En merknad om avvik fra metoden, om at kunden selv tok prøven, eller om at en bestemt bestemmelse ligger utenfor underleverandørens akkrediteringsomfang — det er som regel liten skrift nederst på siden, men det må med i sluttrapporten.

Hvorfor bedømmeren spør om dette først

Når analyser settes ut til underleverandør, må laboratoriet vise at det har kontroll med den eksterne leverandøren (punkt 6.6 i ISO/IEC 17025) og tydelig merke resultatene i prøvingsrapporten som kommer fra denne leverandøren (punkt 7.8.2.1 p). Manuell avskrivning av tall fra andres PDF mister som regel begge deler: opprinnelsesmerkingen forsvinner, og koblingen til originalen lever bare i hukommelsen til den som gjorde jobben.

Brukstilfellet steg for steg

Nedenfor følger hele veien for ett dokument — fra det kommer inn til resultatet er klart for sluttrapporten. Hele sekvensen tar omtrent like lang tid som det tar å lese dette avsnittet; det siste steget er det eneste der et menneske trengs.

STEG 1

Rapporten kommer inn og kobles til oppdraget

På e-post, fra underleverandørens portal eller som en skannet kopi fra resepsjonen. Dokumentet kobles straks som vedlegg til et bestemt oppdrag og blir liggende der for godt — det er dokumentet, og ikke det avskrevne tallet, som er beviset.

STEG 2

Lesing av dokumentets struktur

Modellen kjenner igjen tre lag: overskriften (hvem som analyserte, rapportnummer, datoer), identifiseringen av prøven og resultattabellen med fotnoter. Den leter ikke etter nøkkelord — den leser sidens oppsett og takler derfor at hvert laboratorium har sin egen rapportmal.

STEG 3

Kobling av rader til linjene i oppdraget

Hver rad i tabellen pares med linjen du har satt ut — etter bestemmelsens navn, metoden og identifiseringen av prøven samtidig. Rader som ikke kan kobles entydig, markeres i stedet for å gjettes.

STEG 4

Normalisering av skrivemåte

Desimaltegn, enheten regnet om til den som gjelder i ditt omfang, bevart mindre enn-tegn og kvantifiseringsgrensens verdi, utvidet måleusikkerhet med oppgitt dekningsfaktor. Det er i dette steget tallets betydning oftest går tapt — og derfor beskrives det for seg, i stedet for å gjemmes i lesingen.

STEG 5

Forslag til kontroll

På skjermen vises en sammenstilling: til venstre den foreslåtte registreringen, til høyre utdraget fra originalrapporten den kommer fra. Du trenger ikke lete i dokumentet — kildestedet er uthevet ved hvert tall.

STEG 6

Menneskets godkjenning

Først når en autorisert person bekrefter, lagres resultatene i oppdraget. Hvert av dem får en varig merking som analyse hos underleverandør, sammen med underleverandørens navn og nummeret på dens prøvingsrapport.

Hva modellen må lese for at resultatet skal være komplett

Tallet alene er ikke nok. Sluttrapporten til kunden må bære langt mer informasjon, og alt finnes i underleverandørens dokument — bare spredt på tre forskjellige steder. Minimumssettet, uten hvilket registreringen ikke gir mening:

Hvem som analyserte — underleverandørlaboratoriets fulle navn og adresse og dets akkrediteringsnummer.
Underleverandørens rapportnummer og dato — identifikatoren bedømmeren bruker for å gjenskape koblingen.
Identifisering av prøven på begge sider — din prøvebetegnelse og betegnelsen underleverandøren ga prøven.
Datoer for mottak av prøven og for analysen — uten dem kan du ikke vurdere om prøvens holdbarhetstid ble overholdt.
Bestemmelse, resultat og enhet — sammen, aldri hver for seg.
Analysemetode med standardens utgivelsesår — «PN-EN ISO 17294-2» uten år er en annen metode enn med år.
Utvidet måleusikkerhet og dekningsfaktor — hvis underleverandøren har oppgitt dem.
Kvantifiseringsgrense og hvordan resultater under den skrives.
Merknader, avvik og erklæringer om samsvar — inkludert opplysningen om hvilke bestemmelser som lå utenfor akkrediteringsomfanget.

En regel uten unntak

Hvis noen av disse opplysningene mangler i dokumentet, får ikke modellen fylle dem ut — den skal melde fra om mangelen. Å gjette standardens år eller legge til en enhet «fordi det pleier å være slik» er nettopp den typen hjelp som gjør at et verktøy ikke lenger egner seg for et akkreditert laboratorium.

Hvor det går galt

En ærlig beskrivelse av et brukstilfelle må ta med situasjonene der automatikken ikke klarer seg. Det er noen få, og alle er forutsigbare:

Skanning av dårlig kvalitet. Et faksdokument, fotografert skrått eller signert med kulepenn på tvers av tabellen. Lesingen er da usikker og må markeres som at den krever full kontroll.
Tabell som brytes mellom sider. Kolonneoverskriftene blir stående på første side, en del av radene havner på den andre — uten at fortsettelsen gjenkjennes, er det lett å føre verdier til feil kolonner.
Gjentakelser og fortynninger. Den samme bestemmelsen forekommer to ganger i rapporten, fordi analysen ble gjentatt. Hvilket resultat som er det riktige, vet bare et menneske — og det er mennesket som må peke det ut.
Samlerapport for mange prøver. Ett dokument, ti prøver i kolonner. Risikoen for å føre et resultat til feil prøve er størst her.
Navn som ser like ut. «Krom» og «Krom(VI)» er to forskjellige bestemmelser med ulike grenseverdier. Å pare kun etter navn er uakseptabelt her — koblingen må gjøres sammen med metoden.

Overordnet regel: KI foreslår, mennesket godkjenner. Et verktøy som lagrer resultater uten bekreftelse, flytter ansvaret for prøvingsrapporten over på programvareleverandøren — og det forutsetter ingen standard, og det godtar ingen bedømmer. Verdien i dette brukstilfellet er ikke å fjerne mennesket fra prosessen, men å bytte arbeidet fra avskrivning til kontroll.

Endringshistorikk

Automatisk lesing gir mening bare hvis det i ettertid er mulig å gjenskape hvor hvert tall kom fra. Derfor lagres det ved hvert godkjente resultat et fullstendig sett med opplysninger om selve lesingen — uavhengig av at originaldokumentet allerede ligger i oppdraget.

Hva som lagres	Hvorfor
Kildedokument	Underleverandørens originalrapport i den formen den kom inn — uten konvertering og uten bearbeiding.
Dato og klokkeslett for lesingen	Gjør det mulig å plassere lesingen i hendelsesforløpet i forhold til mottaket av dokumentet og godkjenningen av rapporten.
Modellversjon	Når verktøyet endrer atferd, vet man hvilke tidligere lesinger som ble gjort med den gamle versjonen.
Foreslått verdi	Lagres ved siden av den godkjente verdien — man ser om mennesket rettet noe, og nøyaktig hva.
Person som godkjente	Personlig ansvar for at resultatet ble ført inn i oppdraget.
Merking av underleveranse	Varig knyttet til resultatet, følger med til sluttrapporten og oppfyller kravet i punkt 7.8.2.1 p.

Prøvingsrapporten må entydig angi resultatene som kommer fra eksterne leverandører — det er et krav i standarden, ikke god praksis. Hvis opprinnelsesmerkingen gjøres manuelt, vil den før eller senere bli glemt.

Tabellens siste rad er den viktigste her. En merking av underleveranse som settes automatisk i det øyeblikket dokumentet leses, kan ikke glemmes, fordi ingen skriver den inn — den følger av hvor dokumentet kom fra. Det er den eneste endringen i hele prosessen som forbedrer samsvaret med standarden gjennom selve konstruksjonen, og ikke gjennom teamets disiplin.

Hva det gir i praksis

Tallene nedenfor er en beregning på et eksempel, ikke et måleresultat hos en bestemt kunde. La oss anta et mellomstort laboratorium som setter ut analyser jevnlig, men ikke i stor skala:

prøvingsrapporter fra underleverandører per måned

bestemmelser i gjennomsnitt per rapport

8 → 1,5

minutter per dokument: avskrivning mot kontroll av forslaget

4 t 20 min

tid som spares per måned med disse forutsetningene

Fire timer i måneden er ikke et tall som er verdt å selge som et gjennombrudd. Den virkelige gevinsten ligger et annet sted: det er fire timers arbeid for laboratoriets dyreste person, utført under tidspress, med en oppgave der én uoppmerksom rad koster en reklamasjon, en ny analyse eller et avvik ved revisjonen. Å bytte avskrivning mot kontroll endrer ikke så mye antallet timer som fordelingen av risikoen.

En bivirkning ingen planlegger

Når alle underleverandørenes rapporter går gjennom ett og samme sted, har du etter noen måneder ferdige data til leverandørvurderingen som kreves i punkt 6.6: hvem som holder fristene, hvem som sender dokumenter som må rettes, hos hvem manglene i metodebeskrivelsen går igjen. Uten å føre et eget register.

Slik kommer du i gang hos deg

Å innføre dette brukstilfellet krever ingen ombygging av laboratoriet. Derimot krever det en rekkefølge — et forsøk på å slå på alt på én gang ender med at teamet mister tilliten til verktøyet:

Velg én underleverandør — den du får flest rapporter med gjentakende oppsett fra. Der ser du effekten raskest.
Samle noen dusin av rapportene fra det siste året og kontroller lesingen på dokumenter der du allerede kjenner resultatene. Det er den eneste ærlige testen: en sammenligning med det som faktisk ble registrert for hånd.
Kjør parallelt i en måned — automatisk lesing ved siden av den hittidige avskrivningen. Forskjellene som dukker opp, er mer verdt enn samsvarene.
Beskriv det i styringssystemets dokumentasjon — hvem som godkjenner, hva som skjer ved en tvetydig lesing, hvordan resultater fra underleverandører merkes. Bedømmeren vil spørre etter prosedyren, ikke etter teknologien.
Legg først deretter til flere underleverandører — én om gangen, og kontroller hver ny rapportmal for seg.

Betyr det at KI godkjenner resultatene?

Nei. Og det er det eneste svaret som gjør at dette brukstilfellet passer for et akkreditert laboratorium. Modellen utfører en teknisk handling — den flytter informasjon fra ett dokument til et annet, grundigere enn et menneske, fordi den ikke blir sliten ved tabellens femtende rad. Samsvarsvurderingen, beslutningen om ny analyse og godkjenningen av prøvingsrapporten forblir oppgaver for en autorisert person, nøyaktig som før innføringen.

Det er også verdt å si hva verktøyet ikke gjør: det vurderer ikke om underleverandøren utførte analysen riktig, det erstatter ikke kontrollen med leverandøren, og det fritar ikke fra plikten til å kontrollere om bestemmelsen lå innenfor dens akkrediteringsomfang. Lesing av et dokument og kontroll med en leverandør er to forskjellige ting — å automatisere det første løser ikke det andre.

Oppsummering

Å skrive av resultater fra andres prøvingsrapporter er en oppgave som har alle kjennetegnene på en god kandidat for automatisering: den er repeterende, tidkrevende, utføres av de mest belastede personene og er utsatt for feil med alvorlige konsekvenser. Samtidig er den så snever at den kan beskrives, testes og dokumenteres — og dermed forsvares overfor en bedømmer.

En fornuftig innføring av KI i laboratoriet ser nettopp slik ut: én konkret oppgave, en tydelig grense for ansvaret, full endringshistorikk. Ikke et «intelligent laboratorium», bare mindre avskrivning av tall fra en PDF klokken to om ettermiddagen.

Hvis du vil se hvordan denne lesingen fungerer på rapportene fra dine underleverandører, skriv til oss — den beste testen er et dusin av deres egne dokumenter.

La oss teste det på rapportene dine

Vi viser lesingen på dokumenter fra dine underleverandører og går gjennom hvordan endringen kan beskrives i styringssystemets dokumentasjon — slik at den holder ved revisjonen.

Grunnlag og kilder

PN-EN ISO/IEC 17025:2018-02 (polsk utgave av ISO/IEC 17025:2017) Generelle krav til prøvings- og kalibreringslaboratoriers kompetanse — punkt 6.6 (eksternt leverte produkter og tjenester) og punkt 7.8.2.1 p (tydelig angivelse i rapporten av resultater fra eksterne leverandører): iso.org/standard/66912.html.
Polskie Centrum Akredytacji (det polske akkrediteringsorganet) — dokumenter og krav til prøvingslaboratorier, blant annet regler for bruk av eksterne tjenester: pca.gov.pl.
European co-operation for Accreditation — tolkningsdokumenter om rapportering av resultater etter punkt 7.8 i standarden: european-accreditation.org.
LabCoda.pl — søkemotor for akkrediterte laboratorier etter analyseomfang: labcoda.pl.

Om artikkelen

Det beskrevne brukstilfellet gjelder lesing av prøvingsrapporter fra underleverandørlaboratorier. De oppgitte tidene og antallet rapporter er en beregning på eksemplet med et mellomstort laboratorium — de viser størrelsesordenen og er ikke et måleresultat hos en bestemt kunde.

CleverLAB-teamet utvikler LIMS-programvare for laboratorier akkreditert etter ISO/IEC 17025. Blant kundene våre er laboratorier for vann, avløpsvann og mikrobiologi, fysikalsk-kjemiske laboratorier og laboratorier for teknisk renhet.