Jak daleko je agrární sektor s AI-vyspělostí

Sektor, který dýchá se sezónami

Agrární sektor má rytmus, který málokterý jiný sektor zná. Účetní rok nepočítá dvanáct stejných měsíců, ale období růstu, sklizeň, období klidu. Data shromážděná v dubnu vypovídají o něčem jiném než data z října. To znamená, že AI-vyspělost v tomto sektoru není otázkou jednoho okamžiku. Organizace může na papíře v zimě vypadat dobře a v létě se stejně zaseknout, prostě proto, že tlak na provoz je tehdy rozdělen jinak.

Kromě toho je sektor nápadně vrstevnatý. Na jedné straně stojí velká družstva a zpracovatelské podniky s vlastními IT-odděleními a datovými týmy. Na druhé straně stojí rodinné podniky a jednotlivé firmy, kde je vedení podniku uloženo v hlavách, ne v systémech. Obě formy se vyskytují pod jedním názvem sektoru, a to znamená, že tvrzení o „agrárním sektoru" je rychle příliš hrubé. Poměr mezi těmito dvěma formami vypovídá o průměrné vyspělosti víc než jakýkoli technologický vývoj.

Kde se základy kolísají

U mnoha agrárních podniků nechybí ambice, ale základ, na kterém by AI měla stát. Senzorová data z pole, informace o počasí, údaje o zásobách a administrativa u účetního žijí často v oddělených systémech, které si mezi sebou nekomunikují. To je otázka správy dat a je to jedna z dimenzí, která se v měření vyspělosti považuje za zásadní — nikoli protože je to preference, ale protože organizace bez souvislých dat nemůže unést AI-nasazení, které se na tato data musí spolehnout.

Také IT-infrastruktura se různí. Chov dojnic s automatickými dojicími roboty se už léta potýká se senzory a zpracováním dat, zatímco zemědělský podnik s obilninami možná používá jen účetní program a aplikaci na počasí. Tento rozdíl ve výchozí pozici není dobrý ani špatný, ale určuje, jaký další krok je logický. Podnik, který už sbírá senzorová data, stojí před jinou otázkou než podnik, který ještě musí určit, jaká data vlastně chce zaznamenávat.

Organizační dimenze k tomu přidává svou vlastní vrstvu. V rodinných podnicích leží rozhodovací pravomoc často u jedné nebo dvou osob, což může rozhodování urychlit, ale zároveň to znamená, že AI-vyspělost silně souvisí s tím, co ta osoba ví a chce. U družstev a větších zpracovatelů jde spíš o otázku, jak jsou rozhodnutí rozdělena mezi členy, vedení a provoz — a zda v tom existuje struktura, kterou by kolo hodnocení odhalilo.

Závislé dimenze následují až potom

Nasazení, která znějí pro sektor zajímavě — prediktivní údržba strojů, predikce výnosů, automatizované třídění — všechna závisí na tom, co je pod nimi. Bez infrastruktury, která spolehlivě zaznamenává měření, a bez dat, která jsou konzistentní přes sezóny, zůstává AI-nasazení experimentem, který funguje, dokud podmínky vycházejí. Právě proto mají zásadní dimenze přednost: ne jako volba politiky, ale jako pořadí, které vyplývá z praxe. Kdo si o tom chce přečíst víc, najde rozpracování v proč musí zásadní dimenze přijít nejdříve.

Toto pořadí neplatí jen v zemědělství. Jiné sektory s náročným provozním jádrem a rozptýleným rozhodováním vykazují podobné vzorce, jak lze číst v jak daleko je energetický sektor s AI-vyspělostí a v jak daleko je sektor nemovitostí s AI-vyspělostí. Pro srovnání: sektory s od počátku digitálními procesy, jak je popsáno v jak daleko je ICT sektor s AI-vyspělostí, obvykle začínají s jiným výchozím bodem pro infrastrukturu a data, což ukazuje, jak velký může být rozptyl mezi sektory.

Co měření zde přináší

Pro CEO nebo COO v agrárním sektoru není hodnota měření vyspělosti v tom, že přinese číslo, se kterým se lze chlubit, ale v tom, že zviditelní, kde se v organizaci nachází rozptyl mezi lidmi. Vidí provozní manažer datovou situaci jinak než majitel? Myslí si osoba odpovědná za IT — pokud existuje —, že infrastruktura je připravena, zatímco lidé na provozu se denně potýkají s ručními obchvaty? Kolo hodnocení, ve kterém více lidí hodnotí samostatně, odhalí tyto rozdíly dřív, než ztroskotají na pilotním projektu.

Právě v sektoru, kde rozhodování často leží u málo lidí, je hodnotné vidět, zda se ti lidé vlastně mezi sebou shodují na tom, kde organizace stojí. Poradce na dvoře, vedoucí provozu ve skladu a IT-kontaktní osoba u družstva mohou mít všichni tři jiný odhad toho, jak vyspělá je stránka správy dat. Zviditelnění tohoto rozptylu je první krok, ne konečný bod.

Kdy se otázka přesouvá k samotné práci

Jakmile je jasné, kde organizace v těchto dimenzích stojí, otázka se sama přesouvá od připravenosti k obsahu: jakou část denní práce by AI vzhledem k této připravenosti skutečně mohla převzít? To je jiná otázka než ta, na kterou tato stránka odpovídá. Pracovní scan FTE TO AI vypočítává za každou úlohu, jaká část práce přichází v úvahu pro převzetí, a navazuje tak na to, co měření vyspělosti nejprve zmapuje. Kdo chce už teď přemýšlet o tom, jak by taková inventarizace měla vypadat, může začít u co patří do inventáře rozhodnutí, jako přípravu na okamžik, kdy jsou základy v pořádku.