Studien ”The State of AI in Warehousing” avslöjar: Varför AI-investeringar i lagerhållning lönar sig efter bara 2 år

Eran av experimentell teknologi är över: Hur artificiell intelligens omdefinierar modern lagerhållning.

Länge ansågs artificiell intelligens (AI) inom lagerhållning vara ett futuristiskt experiment eller ett exklusivt verktyg för ett fåtal teknikjättar. Men en ny, omfattande studie målar nu upp en helt annan bild: Vi befinner oss mitt i en grundläggande omvandling där AI har blivit en oumbärlig grund för konkurrenskraftiga leveranskedjor.

Den nyligen genomförda studien "The State of AI in Warehousing", som utförts av lagerteknikspecialisten Mecalux i samarbete med Intelligent Logistics Systems Lab (ILS) vid det välrenommerade Massachusetts Institute of Technology (MIT), ger imponerande data om detta ämne. Rapporten, som baseras på erfarenheter från över 2 000 yrkesverksamma från 21 länder, visar att tekniken för länge sedan har vuxit ur sin linda. Nio av tio lager använder redan AI-stödda lösningar – inte längre bara i isolerade pilotprojekt, utan som en integrerad del av den dagliga verksamheten.

Studiens resultat motbevisar ihärdiga myter och avslöjar den enorma potentialen hos intelligent logistik. I motsats till farhågor om att automatisering skulle förstöra jobb rapporterar företag ökad medarbetarnöjdhet och till och med en ökning av personalstyrkan. Samtidigt är de ekonomiska indikatorerna övertygande: med en genomsnittlig återbetalningstid på bara två till tre år visar sig investeringar i AI och maskininlärning vara extremt effektiva drivkrafter för produktivitet och kostnadsminskning.

Men utvecklingen slutar inte där. Medan traditionell maskininlärning redan optimerar processer som orderplockning och underhåll, är generativ AI redo att bidra till nästa innovationsvåg. Den lovar inte bara att förutsäga problem utan också att proaktivt utveckla lösningar.

Denna rapport belyser marknadens nuvarande mognadsnivå, analyserar de specifika konkurrensfördelarna med AI och visar vilka strategiska steg företag nu måste ta för att förbli motståndskraftiga och lönsamma i en alltmer komplex och volatil global ekonomi.

Vad visar den aktuella studien ”The State of AI in Warehousing” (AI:s tillstånd inom lagerhållning)?

Den nya studien, ”The State of AI in Warehousing”, genomfördes av Mecalux, en ledande leverantör av lagerteknik och logistikprogramvara, i samarbete med Intelligent Logistics Systems Lab (ILS) vid Massachusetts Institute of Technology. Denna omfattande forskning bygger på svar från över 2 000 experter inom leveranskedjor och lagerhållning som är verksamma i 21 länder. Studiens resultat ger en tydlig bild: Artificiell intelligens och maskininlärning har för länge sedan gått bortom statusen som experimentella verktyg och har blivit viktiga drivkrafter för produktivitet, precision och personalutveckling inom lagerhållning. Studien visar att lageroperatörer världen över inte längre befinner sig i fasen av isolerade pilotprojekt utan i allt högre grad implementerar AI i sin dagliga verksamhet.

Hur mogen är den nuvarande marknaden för AI-lösningar inom lagerdrift?

Marknaden för AI-lösningar inom lagerdrift har nått en imponerande mognadsnivå. Enligt studien använder mer än nio av tio lager någon form av AI eller avancerad automatisering. Detta visar inte bara en hög implementeringsgrad utan också branschens förtroende för dessa tekniker. Särskilt anmärkningsvärt är att mer än hälften av de undersökta företagen rapporterar att de arbetar med ökande eller fullständig automatisering. Denna höga automatiseringsgrad är särskilt uttalad bland stora företag med komplexa logistiknätverk och flera distribuerade platser. Övergången från pilotprojekt till fullständig implementering är också tydlig i det faktum att lager inte längre ser AI som enbart en experimentell lösning utan som en etablerad del av sin dagliga verksamhet. Denna mognad gör det möjligt för företag att utnyttja ackumulerad erfarenhet och bästa praxis.

Vilka specifika tillämpningar av AI används i lagerverksamhet?

Den praktiska tillämpningen av AI inom lagerverksamhet omfattar flera viktiga operativa funktioner. Orderplockning, även känt som pick-and-pack, är bland de vanligaste tillämpningarna, eftersom AI-system kan optimera rutter och minska felfrekvensen. Lageroptimering är ett annat kritiskt tillämpningsområde, där AI använder prediktiva modeller för att hantera lager mer effektivt och undvika överlager. Ett särskilt viktigt tillämpningsområde är underhåll av utrustning och maskiner. Här möjliggör AI förebyggande underhåll genom tillståndsövervakning, vilket minimerar driftstopp och förlänger utrustningens livslängd. Arbetsplanering drar också stor nytta av AI-system, som skapar optimala driftsättningsplaner för personal, med hänsyn till effektivitet och medarbetarnöjdhet. Ett annat tillämpningsområde är säkerhetsövervakning, där AI-stödda system kan upptäcka och övervaka potentiella säkerhetsrisker. Dessa olika tillämpningar visar att AI inte bara förbättrar en enda funktion utan transformerar hela lagersystemet.

Vilka konkurrensfördelar ger implementering av AI?

Enligt Javier Carrillo, VD för Mecalux, överträffar smarta lager sina konkurrenter inom tre viktiga dimensioner: volym, precision och anpassningsförmåga. Företag som investerar i AI är inte bara snabbare på att bearbeta order och lagerrörelser, utan uppvisar också förbättrad noggrannhet i sin verksamhet. Dessutom blir de mer motståndskraftiga mot marknadsvolatilitet och mer flexibla i att anpassa sig till förändrade krav. Denna kombination av ökad hastighet, större noggrannhet och förbättrad anpassningsförmåga gör det möjligt för företag att reagera snabbare på marknadsförändringar och bättre betjäna sina kunder. Carrillo betonar att dessa företag inte bara levererar bättre resultat på kort sikt, utan också är mer förutsägbara och bättre rustade att hantera ekonomiska fluktuationer på lång sikt. Detta är särskilt viktigt i en global leveranskedja som står inför alltmer komplexa utmaningar.

Vad är avkastningen på investeringen för AI-implementering i lager?

Enligt studien är avkastningsmåtten på investeringen för AI-implementeringar i lager anmärkningsvärt positiva. De flesta av de undersökta företagen avsätter mellan 11 och 30 procent av sin budget för lagerteknik till AI- och maskininlärningsinitiativ. Särskilt uppmuntrande är det faktum att dessa investeringar vanligtvis betalar sig själva inom två till tre år. Denna relativt korta återbetalningsperiod visar att investeringarna snabbt leder till mätbara resultat. Den positiva avkastningen på investeringen kan tillskrivas flera specifika förbättringar. En av de viktigaste är ökad lagernoggrannhet, vilket minimerar fel i lagerhanteringen och minskar kostsamma felavgifter. Dessutom leder AI till omedelbara prestandaförbättringar, mätt i ökat genomflöde och optimerade processer. Arbetseffektiviteten ökar genom bättre planering och resursutnyttjande, och minskningen av fel bidrar direkt till kostnadsbesparingar. Dessa mätbara förbättringar utgör grunden för den snabba avkastningen på investeringen.

Vilka faktorer driver företag att investera i AI-lösningar?

Drivkrafterna för AI-investeringar i lagerverksamhet är mångsidiga och återspeglar utmaningarna med modern leveranskedjehantering. En primär faktor är de kostnadsbesparingar som uppnås genom effektivare verksamhet. Stigande kundförväntningar spelar en lika viktig roll, eftersom moderna kunder förväntar sig snabbare leveranser och större tillförlitlighet. Arbetskraftsbrist i många regioner har blivit en avgörande drivkraft, eftersom företag utnyttjar AI för att hantera större volymer med färre anställda. Hållbarhetsmål är en växande drivkraft, eftersom AI kan minska energiförbrukning och avfall. Slutligen är konkurrenstryck en ständig motivator, eftersom företag fruktar att bli omkörda av AI-utrustade konkurrenter. Denna kombination av ekonomiska, operativa och strategiska skäl förklarar varför AI-investeringar i lagerverksamhet är så utbredda.

Vilka utmaningar uppstår när man expanderar AI-lösningar?

Trots framstegen och de positiva resultaten står företag fortfarande inför betydande utmaningar när det gäller att skala upp AI-implementeringar. Enligt Dr. Matthias Winkenbach, chef för ILS-labbet vid MIT, ligger den svåraste delen inte i utvecklingen eller den initiala implementeringen, utan i det sista steget av integrationen: den sömlösa integrationen av människor, data och analyser i befintliga system. Detta är en avgörande punkt, eftersom många företag måste arbeta med äldre system som inte är utformade för AI-integration. Bland de största hindren är bristen på teknisk expertis inom många lagerverksamheter, som traditionellt sett inte har varit teknikcentrerade. Systemintegration utgör en teknisk utmaning, eftersom nya AI-system måste kommunicera med äldre maskiner och programvara. Datakvalitet är en ofta underskattad fråga, eftersom AI-system bara är så bra som de data de tränas på, och många företag kämpar med fragmenterade eller ofullständiga datakällor. Implementeringskostnader är också ett hinder, särskilt för mindre företag med begränsade IT-budgetar. Dessa utmaningar återspeglar den avsevärda ansträngning som krävs för att koppla ihop avancerade AI-verktyg med befintliga äldre system.

Vilka faktorer hjälper företag att övervinna AI-utmaningar?

Trots utmaningarna visar studien att företag har en solid grund för att övervinna dem. Enligt de undersökta företagen har de en robust bas inom data- och projektledning, vilket ger en god grund för AI-implementeringar. Företagen identifierade flera acceleratorer för den pågående trenden mot AI-adoption. Användningen av lämpliga verktyg är avgörande, eftersom specialiserade mjukvarulösningar kan underlätta integrationen. Tydliga färdplaner hjälper företag att strukturera sitt AI-adoption och anpassa intressenter. Större budgetar är nödvändiga för att täcka implementeringskostnader och undvika förtida projektavslutningar. Mer intern expertis är avgörande, eftersom anställda med AI-erfarenhet kan implementera snabbare och undvika fallgropar. Dessutom är företagskultur viktig för att övervinna motstånd och främja ett innovationstänkande. Organisationer som kombinerar dessa faktorer har lättare att framgångsrikt implementera och skala upp AI.

Kommer implementeringen av AI att äventyra jobb?

En viktig punkt som studien tar upp är den utbredda rädslan för att automatisering och AI kommer att leda till massiva förlorade arbetstillfällen. Rapporten motbevisar tydligt dessa farhågor och målar upp en annan bild. Enligt forskningen ersätter inte AI människor, utan ökar snarare produktiviteten och arbetstillfredsställelsen, och öppnar upp för nya anställningsmöjligheter. Detta är ett avgörande resultat som motsäger den populära berättelsen om massiva förlorade arbetstillfällen på grund av automatisering. Mer än tre fjärdedelar av de undersökta företagen, eller cirka 75 procent, såg en mätbar ökning av medarbetarnas produktivitet efter att ha implementerat AI. Ännu viktigare är att dessa implementeringar också ledde till ökad arbetstillfredsställelse, vilket tyder på att de anställda tycker att deras arbete är mindre repetitivt och mer tillfredsställande. Ännu mer imponerande är det faktum att mer än hälften av de undersökta företagen, eller över 50 procent, rapporterade att de ökade sin personalstyrka efter att ha implementerat AI. Detta tyder på att AI-driven lagerverksamhet växer snabbare och kräver fler kvalificerade arbetare för att tillsätta nyskapade tjänster.

LTW Intralogistics – Flödesingenjörer - Bild: LTW Intralogistics GmbH

LTW erbjuder sina kunder inte enskilda komponenter, utan integrerade helhetslösningar. Konsultation, planering, mekaniska och elektrotekniska komponenter, styr- och automationsteknik samt programvara och service – allt är nätverksanslutet och exakt koordinerat.

Egenproduktion av nyckelkomponenter är särskilt fördelaktigt. Detta möjliggör optimal kontroll av kvalitet, leveranskedjor och gränssnitt.

LTW står för pålitlighet, transparens och samarbete. Lojalitet och ärlighet är djupt förankrade i företagets filosofi – ett handslag betyder fortfarande något här.

Lämplig för detta:

• LTW-lösningar

Hur planerar företag sina AI-investeringar för framtiden?

Företagens framtidsplaner gällande AI är ambitiösa och visar på starkt förtroende för tekniken. Nästan alla tillfrågade företag planerar att ytterligare utöka sin användning av AI under de kommande två till tre åren. Denna konsekventa framåtblickande strategi visar att företagen inte ser AI som en engångsimplementering, utan som en kontinuerlig utveckling. En slående indikation på detta förtroende är att 87 procent av de tillfrågade företagen planerar att öka sina AI-budgetar i framtiden. Detta tyder starkt på att företagen inte bara är nöjda med sina nuvarande AI-investeringar, utan också förstår att ytterligare investeringar är nödvändiga för att förbli konkurrenskraftiga. Ännu mer imponerande är det faktum att 92 procent av företagen redan implementerar eller planerar nya AI-projekt. Detta visar att AI-implementering inte längre är undantaget, utan regeln. Dessa siffror pekar på ett snabbt föränderligt ekosystem där företag ständigt söker nya sätt att utnyttja AI för att optimera sin verksamhet.

Vilken roll spelar generativ AI i modern lagerverksamhet?

Enligt studien kommer nästa våg av AI-innovationer att ligga inom området beslutsfattande tekniker, särskilt generativ AI. Företag beskriver generativ AI som den mest värdefulla metoden i moderna logistikcenter och uppskattar dess mångsidiga tillämpningar. En tillämpning är automatiserad dokumentation, där generativ AI automatiskt kan skapa och uppdatera dokument, vilket minskar manuellt arbete. Optimering av lagerdistribution är en annan tillämpning, där generativ AI kan föreslå innovativa distributionsmönster som traditionella metoder inte skulle ta hänsyn till. Processdesign drar också nytta av generativ AI, som kan utveckla nya och mer effektiva processdesigner. En särskilt teknisk tillämpning är kodgenerering för automationssystem, där generativ AI automatiskt kan skriva kod för att styra lagerhanteringssystem och robotteknik. Enligt Dr. Matthias Winkenbach finns det en viktig skillnad mellan traditionell maskininlärning och generativ AI.

Hur skiljer sig traditionell maskininlärning och generativ AI inom logistik?

Dr. Matthias Winkenbach från MIT pekar på en grundläggande skillnad som är avgörande för att förstå framtiden för AI i lager. Traditionell maskininlärning är mycket effektiv för att förutsäga problem. Dessa modeller kan analysera vilka förhållanden som leder till maskinskador, leveransförseningar eller säkerhetsproblem och ge tidiga varningar till företag. Detta möjliggör förebyggande åtgärder som sparar kostnader och minimerar driftstopp. Generativ AI, å andra sidan, fungerar annorlunda genom att aktivt hjälpa till i utvecklingen av lösningar. Den kan föreslå nya sätt att optimera processer eller lösa problem på innovativa sätt. Medan traditionell maskininlärning säger: "Det kommer att finnas ett problem", säger generativ AI: "Här är fem sätt vi kan åtgärda problemet." Dessa kompletterande styrkor innebär att en optimalt utrustad lagerverksamhet bör använda båda teknikerna. Det är därför företag idag ser generativ AI som den största värdedrivaren i lager. Det gör det möjligt för företag att inte bara reagera på problem utan också att proaktivt identifiera och implementera förbättringar.

Hur förändrar AI-system det grundläggande sättet som lagerverksamhet fungerar?

AI leder till en fundamental omvandling av hur lagerdrift fungerar, och går utöver individuella optimeringar. Intelligent lagerhållning är inte längre baserad på fasta, oföränderliga processer, utan på adaptiva system som kan anpassa sig till nya förhållanden. En lager- och hämtningsmaskin i ett traditionellt lager följer fasta rutter och rutiner, medan en AI-utrustad maskin optimerar sin rutt i realtid baserat på den aktuella lagerstatusen. Detta leder inte bara till effektivitetsvinster utan också till minskat slitage och en längre livslängd för utrustningen. Maskinövervakning är ett annat område som genomgår fundamental förändring. Istället för regelbundet förebyggande underhåll baserat på fasta intervall kan system övervaka maskinernas faktiska skick och endast utföra underhåll vid behov. Detta är särskilt viktigt för flaskhalsmaskiner som lager- och hämtningsmaskiner, vars driftstopp kan medföra betydande kostnader. Datainsamling och analys blir mer centrala än någonsin, eftersom data är "oljan" som håller AI-system igång. Företag måste investera i robusta datainfrastrukturer för att dra nytta av AI.

Vilka investeringar utöver programvaran är nödvändiga?

Medan mycket uppmärksamhet riktas mot AI-programvara kräver framgångsrik implementering investeringar inom flera andra områden. Datainfrastruktur är grundläggande, eftersom AI kräver högkvalitativ data. Detta kan kräva investeringar i sensorer, IoT-enheter och datahanteringssystem för att samla in relevant data. IT-infrastrukturen behöver moderniseras för att stödja den datorkraft som krävs av moderna AI-system. Molntjänster kommer att bli avgörande för många organisationer, eftersom lokal infrastruktur ofta är otillräcklig. Medarbetarutveckling är avgörande, eftersom personal behöver utbildning för att arbeta med och dra nytta av nya system. Ledningssystem måste anpassas för att stödja integrationen av människor och maskiner i AI-drivna miljöer. Slutligen är organisatorisk förändringshantering viktig, eftersom AI omvandlar traditionella roller och ansvarsområden. Organisationer som förstår detta bredare investeringsperspektiv har större chans att lyckas.

Hur kan små och medelstora lager implementera AI?

Studien fokuserar på större verksamheter men antyder att AI blir tillgänglig även för mindre företag. Nyckeln är att börja med skalbara lösningar som inte kräver massiva initiala kapitalinvesteringar. Molnbaserade AI-tjänster gör det möjligt för mindre företag att utnyttja AI-kapacitet utan att äga omfattande IT-infrastruktur. Att samarbeta med AI-leverantörer kan hjälpa mindre företag att dra nytta av expertis och erfarenhet utan att behöva bygga allt internt. En fokuserad strategi, som börjar med ett eller två användningsfall, kan generera framgångar som uppmuntrar till ytterligare engagemang. Med en återbetalningsperiod på två till tre år kan små vinster snabbt omsättas i avkastning på investeringen om en etappvis strategi används. Det är också viktigt att söka vägledning från leverantörer med erfarenhet av att arbeta med lager av liknande storlek för att sätta realistiska förväntningar.

Vilka hållbarhetsaspekter är förknippade med implementering av AI?

Hållbarhet blir alltmer en viktig drivkraft för AI-investeringar i lager. Optimerade rutter genom AI-system leder till minskad energiförbrukning för maskiner och lägre transportkostnader för varor mellan lagerplatser. Intelligent lagerhantering minskar överlager och därmed sammanhängande lagerkostnader och svinn. Förbättrad lagerspårning förhindrar förstörelse och svinn, särskilt viktigt för lättfördärvliga varor. Optimerad platsanvändning innebär att lager kräver mindre utrymme för samma volym, vilket sparar energikostnader för uppvärmning, kylning och belysning. Minskat arbetskraftsbehov genom automatisering kan innebära att färre personer behöver transporteras, vilket också minskar utsläppen. Dessa hållbarhetsaspekter är inte bara bra för miljön utan tilltalar också alltmer medvetna kunder och kan hjälpa företag att uppnå ESG-mål.

Hur ser framtiden för lagerhållning ut?

Baserat på studiens resultat framträder en framtid där AI inte är valfritt, utan centralt för konkurrenskraftig lagerverksamhet. Företag som misslyckas med att investera i AI kommer i allt högre grad att få kämpa för att hålla jämna steg med AI-drivna konkurrenter. De kommande två till tre åren kommer att vara avgörande, eftersom vinnarna och förlorarna i denna omvandling sannolikt kommer att framträda. Medarbetarnas roll kommer att förändras, med färre repetitiva uppgifter och ett större fokus på övervakning, optimering och problemlösning. Nya jobbprofiler kommer att dyka upp i takt med att traditionella lagerjobb försvinner. Företag som investerar i omskolning av sin personal kommer att vara bättre positionerade. Globala leveranskedjor kommer att bli mer flexibla och lyhörda för störningar, vilket leder till mer motståndskraftiga system. Företag som bygger upp sin leveranskedjeintelligens kommer att få en konkurrensfördel. Integrationen av olika AI-tekniker, från prediktiv analys till generativ AI, kommer att bli normen. Slutligen kommer dataintegritet och cybersäkerhet att bli allt viktigare i takt med att lagerverksamheten blir mer beroende av dataströmmar. Företag som tar dessa säkerhetsaspekter på allvar kommer att vara mindre sårbara för cyberhot.

Hur bör företag planera sin AI-transformationsprocess?

En strukturerad strategi för AI-transformation är avgörande för framgång. Det första steget bör vara en grundlig analys av status quo för att förstå vilka processer som behöver optimeras och var AI kan leverera störst värde. Att definiera tydliga KPI:er (Key Performance Indicators) är viktigt för att mäta framgång. Att bygga ett dedikerat AI-team med nödvändig kompetens är avgörande, eftersom AI-implementering kräver specialiserad kunskap. Att prioritera snabba vinster kan generera tidiga framgångar som säkrar stöd och budget för större projekt. Att samarbeta med externa experter och leverantörer kan minska implementeringsrisker och påskynda processen. Att kommunicera med medarbetare om planerade förändringar är viktigt för att minska motstånd och öka acceptansen. Att regelbundet granska och justera strategin baserat på resultat säkerställer att organisationer förblir flexibla och kan anpassa sina planer. Slutligen bör ett långsiktigt perspektiv antas, eftersom AI-transformation inte är ett engångsprojekt utan en pågående utveckling.

AI:s viktiga roll i modern lagerhantering

Studien ”The State of AI in Warehousing” av Mecalux och MIT visar tydligt att vi befinner oss vid en avgörande punkt i utvecklingen av lagerhållning. AI är inte längre en framtidsteknik, utan en framåtblickande teknik som redan används i de flesta moderna lagerverksamheter. Fördelarna är tydliga och mätbara: förbättrad effektivitet, snabbare avkastning på investeringar och skapandet av nya jobb istället för förlorade jobb. Företag som investerar i AI nu positionerar sig inte bara för kortsiktiga konkurrensfördelar, utan också för långsiktig konkurrenskraft. Utmaningarna är verkliga, men överkomliga med rätt strategi, rätt verktyg och rätt inställning. För lageroperatörer är frågan inte längre om de ska implementera AI, utan hur snabbt och omfattande de kan göra det för att förbli konkurrenskraftiga och framtidssäkra sina verksamheter.

☑ Vårt affärsspråk är engelska eller tyska

☑ Nytt: korrespondens på ditt nationella språk!

Konrad Wolfenstein

Jag är glad att vara tillgänglig för dig och mitt team som personlig konsult.

Du kan kontakta mig genom att fylla i kontaktformuläret eller helt enkelt ringa mig på +49 89 674 804 (München) . Min e -postadress är: Wolfenstein ∂ xpert.digital

Jag ser fram emot vårt gemensamma projekt.

☑ SME -stöd i strategi, rådgivning, planering och implementering

☑ skapande eller omjustering av den digitala strategin och digitaliseringen

☑ Expansion och optimering av de internationella försäljningsprocesserna

☑ Globala och digitala B2B -handelsplattformar

☑ Pioneer Business Development / Marketing / PR / Measure

Dra nytta av Xpert.Digitals omfattande, femfaldiga expertis i ett heltäckande tjänstepaket | FoU, XR, PR och optimering av digital synlighet - Bild: Xpert.Digital

Xpert.Digital har djup kunskap i olika branscher. Detta gör att vi kan utveckla skräddarsydda strategier som är anpassade efter kraven och utmaningarna för ditt specifika marknadssegment. Genom att kontinuerligt analysera marknadstrender och bedriva branschutveckling kan vi agera med framsyn och erbjuda innovativa lösningar. Med kombinationen av erfarenhet och kunskap genererar vi mervärde och ger våra kunder en avgörande konkurrensfördel.

Mer om detta här:

• Använd 5 -Fold -kompetensen hos Xpert.digital i ett paket - från 500 €/månad

Vår globala bransch- och affärsexpertis inom affärsutveckling, försäljning och marknadsföring - Bild: Xpert.Digital

Branschfokus: B2B, digitalisering (från AI till XR), maskinteknik, logistik, förnybar energi och industri

Mer om detta här:

• Xpert Business Hub

Ett ämnesnav med insikter och expertis:

• Kunskapsplattform om global och regional ekonomi, innovation och branschspecifika trender
• Insamling av analyser, impulser och bakgrundsinformation från våra fokusområden
• En plats för expertis och information om aktuell utveckling inom näringsliv och teknologi
• Ämnesnav för företag som vill lära sig om marknader, digitalisering och branschinnovationer