Аграрният сектор има ритъм, който малко други сектори познават. Финансовата година не се брои на дванадесет равни месеца, а на вегетационен сезон, реколта, период на покой. Данни, събрани през април, казват нещо различно от данни от октомври. Това прави AI-зрялостта в този сектор не въпрос на моментна снимка. Организация може на хартия да изглежда добре през зимата и въпреки това да засядa през лятото, просто защото натискът върху операцията тогава е разпределен различно.
Освен това секторът е забележимо разслоен. От една страна стоят големи кооперации и преработвателни предприятия със собствени IT-отдели и екипи за данни. От друга страна стоят семейни предприятия и индивидуални стопанства, където управлението се намира в главите на хората, не в системи. Двете форми съществуват под едно и също име на сектора, а това означава, че твърдение за „аграрния сектор“ бързо се оказва твърде общо. Съотношението между тези две форми определя повече за средната зрялост от всяко технологично развитие.
При много аграрни предприятия не липсва амбицията, а основата, върху която AI трябва да стои. Сензорни данни от полето, метеорологична информация, данни за складовите наличности и счетоводство при счетоводителя често живеят в разделени системи, които не общуват помежду си. Това е въпрос на управление на данните и е едно от измеренията, които при измерването на зрялостта се считат за фундаментални — не защото това е предпочитание, а защото организация без съгласувани данни не може да поддържа AI-приложение, което трябва да се доверява на тези данни.
Също и IT-инфраструктурата варира. Млекопроизводствено стопанство с автоматични доилни роботи вече години наред работи със сензори и обработка на данни, докато полевъдно стопанство може да използва само счетоводен пакет и метеорологично приложение. Тази разлика в изходната позиция не е добра или лоша, но определя коя следваща стъпка е логична. Предприятие, което вече събира сензорни данни, стои пред различен въпрос от предприятие, което все още трябва да определи какви данни всъщност иска да записва.
Организационното измерение добавя свой собствен пласт към това. В семейните предприятия правото на вземане на решения често е в ръцете на един или двама души, което може да прави решенията бързи, но също означава, че AI-зрялостта силно зависи от онова, което този човек знае и иска. При кооперациите и по-големите преработватели по-скоро е въпрос как решенията се разпределят между членове, управителен съвет и изпълнение — и дали в това има структура, която би направила видима една plot-обиколка.
Приложения, които звучат интересно за сектора — предиктивна поддръжка на машини, прогноза за добив, автоматизирано сортиране — всички зависят от онова, което стои отдолу. Без инфраструктура, която записва измерванията надеждно, и без данни, които са консистентни през сезоните, AI-приложението остава експеримент, който работи, докато условията са благоприятни. Точно затова фундаменталните измерения имат предимство: не като политическо решение, а като последователност, която следва от практиката. Кой иска да прочете повече за това, ще намери разработка в защо фундаменталните измерения трябва да бъдат първи.
Тази последователност важи не само в земеделието. Други сектори с тежко операционно ядро и разпръснато вземане на решения показват сходни модели, както може да се прочете в докъде е достигнал енергийният сектор с AI-зрялост и в докъде е достигнал сектора на недвижимите имоти с AI-зрялост. За сравнение: сектори с изначално дигитални процеси, както е описано в докъде е достигнал ИКТ-сектора с AI-зрялост, обикновено стартират от друга изходна точка за инфраструктура и данни, което показва колко голямо може да бъде разпръскването между секторите.
За изпълнителен директор или операционен директор в аграрния сектор стойността на измерването на зрялостта не е, че то дава число, с което да се хвалиш, а че прави видимо къде се намира разпръскването между хората в организацията. Вижда ли операционният мениджър ситуацията с данните различно от собственика? Мисли ли отговорникът за IT — ако въобще има такъв — че инфраструктурата е готова, докато хората на терена всеки ден се сблъскват с ръчни заобиколни решения? Plot-обиколка, при която няколко хора оценяват поотделно, разкрива тези разлики, преди те да провалят пилотен проект.
Точно в сектор, където вземането на решения често е в ръцете на малко хора, е ценно да се види дали тези хора всъщност са съгласни помежду си относно това къде стои организацията. Консултант на терена, ръководител на предприятие в склада и IT-контактно лице в кооперацията могат всеки да имат различна оценка за колко зряла е страната на управлението на данните. Правенето на това разпръскване видимо е първа стъпка, не крайна точка.
Веднага щом стане ясно къде стои организацията по тези измерения, въпросът естествено се измества от готовност към съдържание: коя част от ежедневната работа AI действително би могъл да поеме, дадена тази готовност? Това е друг въпрос от онзи, на който отговаря тази страница. Работният скенер на FTE TO AI изчислява за всяка задача коя част от работата подлежи на поемане и по този начин се свързва с онова, което измерването на зрялостта първо картографира. Кой иска да помисли предварително как трябва да изглежда такава инвентаризация, може да започне от какво трябва да съдържа инвентаризацията на решения, като подготовка за момента, когато основите са в ред.
Измерването на зрялостта на hybridresourcing е в процес на изграждане. Кой иска да използва plot-обиколката веднага щом тя стане достъпна, може да се запише за списъка с чакащи.
Vraag maar wat er moet staan voordat AI in uw organisatie kan landen.
Answers come from this site’s knowledge base. Not tailored advice, and not a scan of your company.