Advancements in Artificial Intelligence (AI), Machine Learning (ML), and Deep Learning (DL) has emerged into 3D object creation processes through the rise of 3D Generative Adversarial Networks (3D GAN). These networks contain 3D generative models capable of analyzing and constructing 3D objects. 3D generative models have therefore become an increasingly important area to consider for the automation of design processes in the manufacturing and defense industry. This case study explores areas of automation enabled by 3D generative models for an incumbent in the Swedish defense industry. This study additionally evaluates discovered types of implementations of 3D generative models from a sociotechnical perspective by conducting qualitative interviews with employees. This study applies the Unified Theory of Acceptance and Use of Technology (UTAUT) for understanding the adoption and intention to use 3D generative models. A description of 3D objects, CAD, 3D generative models, and point cloud data is given in this study. A literature review is additionally given in the three fields of AI, technology acceptance, and the defense industry to funnel the literature to the context of this study. 21 types of implementations are discovered and categorized into four distinct groups. In conclusion a lot of potential is found for the adoption of 3D generative models for especially AI simulation processes, but challenges with data collection and security are discovered as the most significant obstacle to overcome. / Framsteg inom artificiell intelligens (AI), maskininlärning (ML) och djupinlärning (DL) har resulterat i att 3D-objektskapandeprocesser har utvecklats genom framväxten av 3D Generative Adversarial Networks (3D GAN). Dessa nätverk innehåller 3D-generativa modeller som är kapabla till att analysera och konstruera 3D-objekt. 3D-generativa modeller har därmed blivit ett allt viktigare område att beakta för automatisering av designprocesser inom tillverknings- och försvarsindustrin. Denna fallstudie undersöker automatiseringsområden som möjliggörs av 3D-generativamodeller för en etablerad aktör inom den svenska försvarsindustrin. Studien utvärderar dessutom identifierade typer av implementeringar av 3D-generativa modeller ur ett socio-tekniskt perspektiv genom att genomföra kvalitativa intervjuer med anställda. Denna studie tillämpar Unified Theory of Acceptance and Use of Technology (UTAUT) för att förstå acceptans och avsikt att använda 3D-generativa modeller. En beskrivning av 3D-objekt, CAD, 3D-generativa modeller och punktmolnsdata ges i denna studie. Dessutom ges en litteraturöversikt inom tre områden: AI, teknologianvändning och försvarsindustrin för att rikta in litteraturen mot denna studiens sammanhang. 21 typer av tillämpningar identifieras och kategoriseras i fyra distinkta grupper. Som slutsats finns det stor potential för antagande av 3D-generativamodeller, särskilt inom AI-simuleringsprocesser, men utmaningar med datainsamling och säkerhet identifieras som de mest betydande hindren att överkomma.

Under det senaste decenniet har artificiell intelligens fått allt större uppmärksamhet. Företag väljer att implementera system med kognitiva egenskaper för att kunna reglera energianvändning och därmed reducera det ekologiska fotavtrycket. Fyra stora internationella företag har intervjuats för att undersöka hur AI i produkter påverkar det ekologiska fotavtrycket och hur integreringen av ekologiska faktorer tas i beaktande under produktutvecklingsprocessen. Utöver intervjustudien har en kvalitativ litteraturstudie genomförts för att både belysa hur företag arbetar kring ämnet men också för att återspegla olika synvinklar från olika forskare. Studien visar att respondenterna delar en likvärdig mening om att ekologisk hållbarhet innefattar tillvaratagandet av resurser över hela produktutvecklingsprocessen. Företagen tillämpar både linjära och cirkulära modeller för hållbarhet. Verktygen som används för att integrera ekologisk hållbarhet förhåller sig både storskaligt på hela produktionskedjan och småskaligt på specifika produktegenskaper. Det visar sig att metoderna inte är säregna för AI-baserade produkter utan snarare för ekologiskt hållbara produkter. Drivkrafterna till att implementera denna konstgjorda intelligens är att systemet möjliggör för hantering, sortering och utplockning av meningsfull data som används för att optimera produkter under längre användning. Dessutom kan produkter agera självorganiserat, självstyrt och vara fullt anpassningsbar vilken kan möjliggöra tjänstefiering. En förutsättning för att AI-baserade produkter ska bidra till reducering av det ekologiska fotavtrycket, jämfört med applikationer utan artificiell intelligens är integrering av den kognitiva beslutsfaktorn. Tillämpningen av AI-baserade produkter bygger främst på teknisk acceptans, att användaren tillåter systemet att ta beslut. / In the last decade, artificial intelligence has received increasing attention. Companies are choosing to implement systems with cognitive properties to be able to regulate energy use in order to reduce the environmental footprint. Four large international companies have been interviewed to explore how artificial intelligence in products affects the environmental footprint, and how integration of environmental factors is taken into account during the product development process. In addition to the interview study, a qualitative literature study was conducted to elucidate how companies work on the subject but also to reflect different viewpoints from different researchers. The study shows that the respondents share an equal opinion that environmental sustainability includes the utilization of resources throughout the product development process. The companies apply both linear and circular models for sustainability. The tools used to integrate environmental sustainability relate to large-scale operations throughout the production chain and small-scale to specific product traits. It turns out that the methods are not specific for AI-based products but rather to environmentally sustainable products. The driving forces in implementing artificial intelligence is that the system enables the managing, arranging and extraction of meaningful data that can be used to optimize products for longer use. In addition, products can act self-organizing, self-running and fully adapting which can enable the products being remotely. A prerequisite for AI-based products to contribute to reducing the environmental footprint, compared to applications without artificial intelligence, is the integration of the cognitive decision-making factor. The application of AI-based products is mainly based on technology acceptance, that the user allows the system to make decisions.