Landbrugssektoren har et rytme, som få andre sektorer kender. Et regnskabsår tæller ikke tolv lige store måneder, men en vækstsæson, en høst, en periode med hvile. Data der bliver indsamlet i april, siger noget andet end data fra oktober. Det gør AI-modenhed i denne sektor ikke til et spørgsmål om et øjebliksbillede. En organisation kan på papiret stå godt i vinteren og alligevel gå i stå om sommeren, simpelthen fordi presset på driften da er fordelt anderledes.
Derudover er sektoren påfaldende lagdelt. På den ene side står store kooperativer og forarbejdningsvirksomheder med egne IT-afdelinger og datateams. På den anden side står familievirksomheder og individuelle foretagender, hvor driften sidder i hovederne, ikke i systemerne. Begge former forekommer under én sektornavn, og det betyder, at et udsagn om "landbrugssektoren" hurtigt bliver for groft. Forholdet mellem disse to former afgør mere om den gennemsnitlige modenhed end nogen teknologisk udvikling.
Hos mange landbrugsvirksomheder mangler ikke ambitionen, men grundlaget som AI skulle hvile på. Sensordata fra marken, vejrinformation, lagerdata og bogføring hos revisoren lever ofte i separate systemer, der ikke taler med hinanden. Det er et datamanagement-spørgsmål, og det er en af de dimensioner, der i modenhedsmålingen gælder som fundamental — ikke fordi det er en præference, men fordi en organisation uden sammenhængende data ikke kan bære en AI-anvendelse, der skal stole på disse data.
Også IT-infrastrukturen varierer. En mælkeproduktion med automatiske malkerobotter har i årevis haft med sensorer og databehandling at gøre, mens en planteavlsvirksomhed måske kun bruger et bogføringsprogram og en vejr-app. Denne forskel i udgangsposition er ikke god eller dårlig, men den afgør, hvilket skridt der er logisk. En virksomhed, der allerede indsamler sensordata, står for et andet spørgsmål end en virksomhed, der stadig skal afgøre, hvilke data den egentlig vil registrere.
Organisationsdimensionen tilføjer et eget lag til dette. I familievirksomheder ligger beslutningskompetencen ofte hos én eller to personer, hvad kan gøre beslutninger hurtige, men også betyder, at AI-modenhed er tæt forbundet med, hvad denne person ved og vil. Hos kooperativer og større forarbejdere er spørgsmålet snarere, hvordan beslutninger fordeles mellem medlemmer, bestyrelse og drift — og om der er struktur i dette, som en plot-runde ville gøre synlig.
Anvendelser, der lyder interessante for sektoren — forudsigende vedligeholdelse af maskiner, udbytteforudsigelse, automatiseret sortering — afhænger alle af, hvad der ligger under. Uden infrastruktur der registrerer målinger pålideligt og uden data der er konsistente over sæsoner, forbliver en AI-anvendelse et eksperiment, der virker, så længe omstændighederne samarbejder. Det er præcis hvorfor de fundamentale dimensioner har forrang: ikke som en politisk beslutning, men som en rækkefølge der følger af praksis. Den, der vil læse mere om dette, finder en uddybning i hvorfor de fundamentale dimensioner skal komme først.
Denne rækkefølge gælder ikke kun i landbruget. Andre sektorer med tung operationel kerne og spredt beslutningstagning viser lignende mønstre, som det kan læses i hvor langt energisektoren er med AI-modenhed og i hvor langt fast ejendom-sektoren er med AI-modenhed. Til sammenligning: sektorer med oprindeligt digitale processer, som beskrevet i hvor langt IT-sektoren er med AI-modenhed, starter typisk med et andet udgangspunkt for infrastruktur og data, hvad viser hvor stor spredningen mellem sektorer kan være.
For en CEO eller COO i landbrugssektoren er værdien af en modenhedsmåling ikke, at den giver et tal at prale med, men at den synliggør, hvor spredningen mellem mennesker i organisationen ligger. Ser den driftsansvarlige leder datasituationen anderledes end ejeren? Tror IT-ansvarlige — hvis der er en — at infrastrukturen er klar, mens folkene på gulvet dagligt løber ind i manuelle omveje? En plot-runde, hvor flere personer scorer separat, blotlægger disse forskelle, før de får en pilot til at strande.
Netop i en sektor, hvor beslutningstagning ofte ligger hos få personer, er det værdifuldt at se, om disse personer egentlig er enige med hinanden om, hvor organisationen står. En rådgiver på gården, en driftsleder på lageret og en IT-kontaktperson hos kooperativet kan alle tre have et forskelligt skøn af, hvor moden datamanagement-siden er. At synliggøre denne spredning er et første skridt, ikke et slutpunkt.
Så snart det er klart, hvor organisationen står på disse dimensioner, forskydes spørgsmålet naturligt fra parathed til indhold: hvilken del af det daglige arbejde ville AI faktisk kunne overtage, givet denne parathed? Det er et andet spørgsmål end det, denne side besvarer. Arbejdsscanningen fra FTE TO AI beregner pr. opgave, hvilken del af arbejdet der kommer i betragtning til overtagelse, og tilslutter sig dermed det, en modenhedsmåling først kortlægger. Den, der allerede vil tænke over, hvordan sådan en inventering bør se ud, kan starte ved hvad der hører til i en beslutningsinventar, som forberedelse til det tidspunkt, hvor fundamenterne er i orden.
Modenhedsmålingen fra hybridresourcing.com er under opbygning. Den, der vil bruge plot-runden, så snart den er tilgængelig, kan tilmelde sig ventelisten.
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.