Fremstillingsindustrien er ikke et kontormiljø med maskiner ved siden af. Det er en sektor hvor en fysisk proces — råmateriale, bearbejdning, produkt — er styrende, og hvor digitale systemer altid følger bagefter eller skal sørge for at processen fortsætter med at køre. Den rækkefølge bestemmer, hvad AI-modenhed betyder her. Et ERP-system, et MES, sensorer på en maskine: de eksisterer for at understøtte den fysiske proces, ikke for at fungere selvstændigt. Det er væsentligt anderledes end i den forretningsmæssige service, hvor selve arbejdet allerede er digitalt, og data er et udgangspunkt snarere end et derivat.
Denne lagdeling gør det mere kompliceret at måle modenhed. En produktionsvirksomhed kan have et moderne planlægningssystem og alligevel ikke have nogen idé om, hvad maskinen på gulvet rent faktisk gør, fordi de data aldrig er blevet gjort tilgængelige. Omvendt kan en virksomhed med forældet software alligevel have godt overblik over sin proces, fordi folk på gulvet har registreret nøjagtigt i årevis. Modenhed og systemers moderne karakter går ikke automatisk hånd i hånd her.
Inden for de syv dimensioner, som modenhedsmålingen anvender, ses der ofte et specifikt mønster i fremstillingsindustrien. IT-infrastruktur og datastyring — to af de grundlæggende dimensioner — viser regelmæssigt en stor afstand mellem produktion og kontor. På gulvet kører systemer, der er bygget til pålidelighed og driftstid, ikke til at dele data. På kontoret kører systemer, der ganske vist er skabt til udveksling, men som ikke altid er forbundet til det, der sker i fabrikken. De to verdener bruger ofte forskellige definitioner af samme term, og det sker uden at nogen kalder det et problem, før et AI-projekt kører sur på det.
Organisationsdimensionen har sit eget mønster. Beslutninger om investeringer i produktionsprocesser ligger ofte hos folk med teknisk baggrund, mens beslutninger om datastrategi ligger hos andre. Når disse to grupper sjældent sidder ved samme bord, opstår en organisation, der på papiret ser klar til AI ud, men i praksis følger to separate agendaer. Det er en anden spredning end i undervisningssektoren, hvor afstanden oftere ligger mellem politik og fagpersonens daglige praksis, ikke mellem to operationelle søjler inden for samme virksomhed.
Plot-runden — hvor flere personer hver for sig scorer på de syv dimensioner — afdækker i fremstillingsindustrien ofte en skarp kontrast mellem produktionsledelsen og IT- eller direktionslaget. En produktionschef bedømmer nogle gange dimensionen datastyring højt, fordi maskinen registrerer nøjagtigt, hvad der sker. En IT-chef bedømmer den samme dimension lavt, fordi disse data ikke bliver struktureret opbevaret eller gjort tilgængelige for analyse nogen steder. Begge observationer er korrekte; de kigger blot på en anden del af processen.
Denne spredning er funktionel, ikke ubehagelig. Den viser, hvor der i organisationen mangler et fælles billede, og det er præcis den information, der er nødvendig, før man tilføjer noget til et pilotprojekt. Et pilotprojekt, der kører på de grundlæggende dimensioner — organisation, infrastruktur, data — uden at denne spredning er blevet bemærket, risikerer at køre sur på et problem, som ingen havde identificeret, fordi ingen havde det fulde billede.
Fordi den fysiske proces er styrende, er fristelsen i fremstillingsindustrien ofte at rette AI direkte mod et operationelt problem: forudsige vedligeholdelse, kontrollere kvalitet, optimere planlægning. Det er synlige, tiltrækkende anvendelser på de afhængige dimensioner. Men om de virker, afhænger af, hvad der skal stå forud for dem: er data fra maskinen registreret på en måde, der er genanvendelig, er der nogen, der er ansvarlig for kvaliteten af disse data, og findes der en organisationsstruktur, hvor produktion og IT deler de samme definitioner. Uden dette fundament forbliver et pilotprojekt et isoleret eksperiment, uanset hvor godt modellen er.
Denne rækkefølge gælder ikke kun her. I transportsektoren spiller en lignende spænding mellem operationelle systemer og central data en rolle, og i landbrugssektoren er den fysiske proces — afgrøden, dyret, sæsonen — i lige så høj grad styrende for, hvad digitale systemer kan registrere og påvirke. Fremstillingsindustrien er ingen undtagelse i denne logik, men en sektor hvor konsekvenserne af et overset fundament hurtigt bliver synlige på gulvet.
Modenhedsmålingen giver ingen dom over en fabrik eller en sektor; den giver et billede af fem niveauer over syv dimensioner, udfyldt af flere personer fra organisationen selv. Dette billede viser, hvor de grundlæggende dimensioner allerede står, og hvor de stadig mangler, samt hvor meningerne inden for virksomheden går i forskellige retninger. Det er en anden samtale end om et pilotprojekt er imponerende; det er samtalen om, hvorvidt organisationen kan bære et pilotprojekt.
Når det først er klart, hvor organisationen står på de dimensioner, der skal bære AI, opstår et andet spørgsmål: hvilken del af selve arbejdet der kan komme i betragtning til overdragelse til AI. Det er ikke det, denne måling besvarer. Til det er arbejdsscanningen fra FTE TO AI tiltænkt, som per opgave beregner, hvilken del af den der kan overtages af AI. Modenhedsmålingen og arbejdsscanningen passer sammen: den ene viser, om fundamentet er der, den anden viser, hvad der, givet dette fundament, ændrer sig ved det arbejde. Den, der kombinerer begge billeder, ved ikke kun, om organisationen er klar, men også hvor den første forandring konkret melder sig.
Modenhedsmålingen fra hybridresourcing er under opbygning. Den, der ønsker at gennemføre 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.