Engroshandlen er traditionelt en sektor af marginer, volumener og logistisk præcision. Data har i årtier stået centralt — lagerniveauer, ordrelinjer, leverandørpriser, marginberegninger. Det giver indtryk af, at denne sektor burde have et forspring på området for AI. Samtidig er den data ofte spredt over systemer, der ikke taler med hinanden: en ERP-pakke fra flere år tilbage, separat lagersoftware, et CRM der står løst fra fakturering, regneark der lapper de huller, systemerne efterlader. Mængden af data er derfor ikke en god forudsigelse for AI-modenhed i denne sektor. Strukturen, hvori den data befinder sig, er derimod afgørende.
Denne forskel er bestemmende for, hvordan pilotprojekter forløber. En engroshandel, der investerer i en AI-anvendelse til efterspørgselsprognoser eller indkøbsoptimering, oplever ofte, at problemet ikke ligger i modellen, men i det, modellen skal fodres med. Lagerdata der ikke matcher salgsdata, kundesegmentering der er indrettet forskelligt fra afdeling til afdeling, prisaftaler der står i mailkorrespondance i stedet for i et system. Pilotprojektet fungerer i testmiljøet og går i stå, så snart det skal ud i organisationen.
Engroshandlere varierer stærkt i skala og organisationsform — fra familievirksomheder med en kompakt struktur til store distributører med flere afdelinger og et lagdelt ledelseslag. Denne variation slår igennem i AI-modenhed. Hos mindre, overskuelige organisationer er afstanden mellem direktion og medarbejdere kort, hvilket kan skynde på beslutninger om datastyring og IT-infrastruktur, så snart man ser vigtigheden af det. Hos større, decentraliserede organisationer går den afstand via flere lag, og hvad der på ét distributionscenter er en udarbejdet proces, kan på et andet stadig være løs sand.
Dette er netop grunden til, at en plot-runde i denne sektor ofte synliggør det, en enkelt samtale ikke viser. Når en CEO, en COO, en CIO og en afdelingsleder uafhængigt af hinanden vurderer de samme syv dimensioner, viser det sig regelmæssigt, at direktionen vurderer datakvaliteten højere end de mennesker, der arbejder med den i det daglige. Denne forskel er ikke en meningsforskel, der skal løses — det er information om, hvor organisationen virkelig står.
De syv dimensioner i modenhedsmålingen er ikke ligeværdige i rækkefølge. Organisation, IT-infrastruktur og datastyring er de fundamentale dimensioner: de bestemmer, om der er noget at bygge videre på. Dimensioner som governance, færdigheder og kultur er afhængige af dem. En engroshandel, der ønsker at starte med AI-drevet indkøbsrådgivning, men hvis lagerdata står i tre systemer, der modsiger hinanden, mangler ikke ambitionen, men fundamentet. Det er ikke et spørgsmål om mere træning eller mere opbakning — det er et datastyringsspørgsmål, der først skal besvares.
Denne rækkefølge forklarer også, hvorfor pilotprojekter i engroshandlen ofte hænger fast på niveauet foundation eller activation. Organisationen har anskaffet eller fået bygget en AI-anvendelse — det er synligt og påviseligt — men de fundamenter, anvendelsen skulle køre på, er aldrig blevet bragt i orden. Resultatet er et værktøj, der står ved siden af arbejdet i stedet for i det.
Spørgsmålet er ikke, om din engroshandel er klar til AI i almindelig forstand — det er et spørgsmål uden brugbart svar. Spørgsmålet er, på hvilke af de syv dimensioner din organisation står solidt, og på hvilke den ikke gør, og om dette billede er i overensstemmelse mellem de mennesker, der beslutter om det, og de mennesker, der arbejder med det. Denne sammenligning er netop det, modenhedsmålingen er bygget på: fem niveauer, syv dimensioner, og en plot-runde der synliggør spredning i stedet for at pudse den væk.
Resultatet varierer stærkt fra virksomhed til virksomhed, også inden for engroshandlen. Nogle af de udfordringer, denne sektor kender, deler den med transportsektoren, hvor volumendrevet logistik ligeledes kræver datastyring, der er korrekt organisationsbredt. Andre ligheder findes hos fremstillingsindustrien, hvor produktions- og lagerprocesser stiller sammenlignelige krav til IT-infrastruktur. Og den, der handler med mange små, spredte kunderelationer, kan muligvis genkende sig selv i det, der udspiller sig i detailhandlen, hvor data om kunder og transaktioner heller ikke af sig selv ender på ét sted.
Modenhedsmålingen fra hybridresourcing.com er i øjeblikket under opbygning. Den, der vil gennemføre målingen, så snart den er tilgængelig, kan sætte sig på ventelisten. Der sælges her intet, som endnu ikke findes — kun muligheden for at være den første til at høre, når det gør.
Denne måling besvarer spørgsmålet om, hvorvidt din engroshandel har fundamenterne til at bære AI — organisationen, infrastrukturen, datastyringen som alt andet bygger videre på. Den besvarer ikke spørgsmålet om, hvilken del af arbejdet i din lagerstyring, ordrebehandling eller indkøb der faktisk kan overtages af AI. Det spørgsmål ligger hos werkscan fra FTE TO AI, der for hver opgave beregner, hvilken del af arbejdet der er egnet til det. Begge spørgsmål hører sammen, men i en fast rækkefølge: først vide om jorden bærer, dernæst hvad der kan bygges på den.
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.