Transport og logistik er ikke en sektor, der skal lukke AI ind fra udenfor. Planlægningssoftware, track-and-trace, ruteoptimering og warehouse management-systemer har kørt her i årtier. Det giver et skin af forspring: der er data, der er systemer, der er en kultur af måling og optimering. Men modenhedsmålingen fra hybridresourcing viser, at dette er noget andet end AI-beredskab. En organisation kan være fremragende inden for operationelle systemer og alligevel på de fundamentale dimensioner — organisation, IT-infrastruktur, datamanagement — stadig befinde sig på baseline- eller foundation-niveau. Spørgsmålet er ikke, om der findes systemer, men om disse systemer taler med hinanden, og om organisationen omkring dem er indrettet til at bygge noget nyt på det.
Inden for transport og logistik varierer forholdet mellem virksomheder kraftigt afhængigt af aktivitetstypen. En aktør, der primært driver planlægning og regi, med egen softwareudvikling og en IT-afdeling, der kan koble systemer sammen, befinder sig ofte tættere på activation eller insight. En aktør, der primært udfører — køre, laste, losse — og arbejder med en samling delsystemer fra forskellige leverandører, befinder sig ofte stadig på foundation. Størstedelen af sektoren befinder sig et sted mellem disse to positioner, med et fundamentalt lag, der er bedre udbygget end hos mange andre sektorer, men med datamanagement, der halter bagefter: data ligger ofte i siloer pr. system, pr. afdeling, pr. kunde, uden at nogen ejer helheden.
Det placerer transport i en særskilt position i forhold til sektorer, hvor det netop er organisationsstrukturen, der er flaskehalsen. I den forretningsmæssige servicesektor er det ofte selve dataopsamlingen, der er problemet, fordi arbejdet i stor udstrækning består af ustruktureret kommunikation. I transport er der derimod meget struktureret data — lokationer, tider, vægt, temperaturer — men denne data er spredt over systemer, der ikke er bygget til at kommunikere med hinanden. Det er en anden slags efterslæb end en mangel på data; det er en mangel på sammenhæng.
I en plot-runde, hvor forskellige personer scorer uafhængigt af hinanden, ses ofte et genkendeligt mønster i transportvirksomheder. Operationel ledelse scorer IT-infrastrukturen højt, fordi de systemer, de bruger dagligt, fungerer godt til deres eget proces. IT eller en CIO scorer den samme dimension lavere, fordi de ved, hvor meget manuelt arbejde der kræves for at overføre data mellem systemer. Denne spredning er ikke en målefejl. Det er forskellen mellem et system, der fungerer til den opgave, det er bygget til, og en infrastruktur, der er egnet til at opbygge ny funktionalitet på. For AI-anvendelser er det især det sidste spørgsmål, der er relevant, og det stilles sjældent under den daglige drift.
De syv dimensioner bygger på hinanden, og i transport kan denne opbygning tydeligt ses. Uden et datamanagement-lag, der samler information fra planlægningssystemer, telematik og kundeportaler, har en AI-anvendelse intet konsistent at træne på eller reagere på. Virksomheder, der springer dette skridt over og direkte starter en AI-pilot på et enkelt delproces — for eksempel prædiktivt vedligehold på én lastbiltype — oplever ofte, at resultatet ikke skalerer op til resten af flåden, simpelthen fordi den underliggende data ikke er registreret på samme måde. Det er ikke en teknisk mangel ved AI'en, men et tegn på, at det fundamentale lag endnu ikke er færdigt.
Denne rækkefølge gælder ikke kun for transport. I landbrugssektoren ses samme problem med sensordata, der registreres forskelligt pr. afgrøde eller pr. virksomhed, og i detailhandlen ser man det i lager- og salgsdata, der ligger separat pr. butikskæde eller kanal. Transport udmærker sig ved omfanget af den strukturerede data, der allerede findes, hvilket samtidig gør det fundamentale skridt både lettere og mere fristende at springe over — lettere fordi byggestenene er der, mere fristende fordi det føles som om man allerede er langt.
Modenhedsmålingen fra hybridresourcing sætter dette mønster op på fem niveauer, fra baseline til intelligence, fordelt over de syv dimensioner. For en transportvirksomhed giver det typisk en profil med et stærkt operationelt lag og et svagere data- og organisationslag, med forskelle der kan være store mellem forskellige afdelinger eller filialer. Denne profil siger intet om, hvorvidt AI vil fungere eller ikke, og intet om en tidsplan. Den viser, hvilken dimension der på nuværende tidspunkt holder de andre tilbage, og det er præcis den information, der er nødvendig, før en organisation beslutter, hvor den skal begynde. Værktøjet, der udfører denne måling, er under udvikling; den, der ønsker at arbejde med det, så snart det er tilgængeligt, kan tilmelde sig ventelisten.
Denne side handler om spørgsmålet, hvorvidt organisationen kan bære AI — om fundamenterne inden for organisation, infrastruktur og data er i orden, før der bygges noget på dem. Det er et andet spørgsmål end, hvilken del af arbejdet selv der kan overtages af AI. For dette spørgsmål, på niveau med individuelle opgaver inden for planlægning, transport og logistisk administration, findes arbejdsscanneren fra FTE TO AI: den beregner pr. opgave, hvilken del heraf AI kan overtage, uanset hvilket niveau organisationen omkring den befinder sig på. Den, der vil vide, hvor organisationen står, begynder med denne måling; den, der vil vide, hvad der sker med selve arbejdet, finder det i arbejdsscanneren.
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.