Ο κατασκευαστικός κλάδος εργάζεται εδώ και δεκαετίες με μια πολυεπίπεδη αλυσίδα: αναθέτουσα αρχή, κύριος ανάδοχος, υπεργολάβοι, προμηθευτές. Αυτή η αλυσίδα είναι εξοικειωμένη με την κατανομή ευθυνών και την παράδοση εργασιών σε φάσεις. Αυτό κάνει τον κλάδο, από ορισμένες απόψεις, καλύτερα προετοιμασμένο για AI σε σχέση με άλλους κλάδους — υπάρχει πειθαρχία στον σχεδιασμό, στον έλεγχο ποιότητας, στην καταγραφή συμφωνιών. Όμως η ίδια αυτή αλυσίδα κάνει τα δεδομένα εύθραυστα. Σχέδια, υπολογισμοί, χρονοδιαγράμματα και αναφορές προόδου δημιουργούνται από διαφορετικούς φορείς, σε διαφορετικά συστήματα, με διαφορετικές εκδοχές της αλήθειας. Μια εφαρμογή AI που πρέπει να λειτουργήσει πάνω σε αυτά τα δεδομένα, λειτουργεί πάνω σε κάτι που συχνά δεν είναι πλήρες, δεν είναι επίκαιρο ή δεν είναι κεντρικοποιημένο.
Αυτή η διαφορά μεταξύ οργανωτικής πειθαρχίας και ωριμότητας δεδομένων είναι ακριβώς το σημείο όπου πολλά AI-πιλοτικά έργα στον κατασκευαστικό κλάδο μπλοκάρουν. Ένας διευθυντής έργου προσπαθεί να χρησιμοποιήσει ένα εργαλείο AI για βελτιστοποίηση χρονοδιαγράμματος, αλλά τα δεδομένα εισόδου προέρχονται από τρία συστήματα που δεν συνδέονται μεταξύ τους. Ένας υπεύθυνος προετοιμασίας εργασιών θέλει να ελέγχει αυτόματα τους υπολογισμούς, αλλά τα ιστορικά δεδομένα είναι διασκορπισμένα σε ξεχωριστά αρχεία Excel ανά έργο. Το πιλοτικό έργο σταματάει όχι επειδή η τεχνολογία δεν λειτουργεί, αλλά επειδή ο οργανισμός δεν είναι ακόμη προσαρμοσμένος σε αυτήν.
Η ωριμότητα AI δεν μετρά μόνο αν ένας οργανισμός χρησιμοποιεί εργαλεία, αλλά αν υπάρχει η βάση από κάτω. Αυτό ξεκινά από τον ίδιο τον οργανισμό: υπάρχει σαφής ιδιοκτήτης για την ψηφιοποίηση, μοιράζεται η γνώση μεταξύ έργων, ή παραμένει κάθε έργο ένα νησί. Στη συνέχεια έρχεται η υποδομή IT: είναι τα συστήματα συνδεδεμένα μεταξύ τους, υπάρχει βάση στην οποία μπορούν να λειτουργήσουν νέες εφαρμογές χωρίς να πρέπει όλα να αντιγράφονται χειρωνακτικά. Μόνο μετά έρχεται η διαχείριση δεδομένων: είναι τα δεδομένα που υπάρχουν αξιόπιστα, επίκαιρα και προσβάσιμα σε όποιον πρέπει να δουλέψει με αυτά.
Αυτή η σειρά δεν είναι προτίμηση, αλλά ο τρόπος με τον οποίο λειτουργεί το σύστημα. Ένας οργανισμός που θέλει να βελτιώσει τη διαχείριση δεδομένων χωρίς να το υποστηρίζει η υποδομή IT, χτίζει σε κινούμενη άμμο. Ένας οργανισμός που θέλει να εφαρμόσει λύσεις AI χωρίς ο ίδιος να γνωρίζει ποιος είναι ιδιοκτήτης ποιας διαδικασίας, αποκτά ένα εργαλείο που κανείς δεν συντηρεί. Στον κατασκευαστικό κλάδο αυτό το μοτίβο είναι ορατό: ο κλάδος έχει συχνά την οργανωτική θέληση, αλλά η υποδομή και τα δεδομένα καθυστερούν. Αυτό εξηγεί γιατί τα πιλοτικά έργα συχνά πετυχαίνουν σε επίπεδο έργου και αποτυγχάνουν σε επίπεδο οργανισμού — οι θεμελιώδεις διαστάσεις δεν έχουν αναπτυχθεί μαζί με την φιλοδοξία.
Η μέτρηση ωριμότητας του hybridresourcing εξετάζει επτά διαστάσεις, από τον οργανισμό και την υποδομή έως τα πιο εξαρτημένα επίπεδα όπως η αυτοματοποίηση διαδικασιών και η λήψη αποφάσεων. Για κάθε διάσταση ισχύει ένα από τα πέντε επίπεδα: baseline, foundation, activation, insight ή intelligence. Στον κατασκευαστικό κλάδο η εικόνα είναι συχνά άνισα κατανεμημένη μεταξύ αυτών των διαστάσεων. Μια εταιρεία μπορεί να βρίσκεται σε προχωρημένο σημείο σε επίπεδο οργανισμού — σαφείς ρόλοι, ατζέντα ψηφιοποίησης, στήριξη από τη διεύθυνση — και όμως να βρίσκεται ακόμη στο baseline όσον αφορά τη διαχείριση δεδομένων, επειδή τα δεδομένα των έργων δεν έχουν ποτέ συγκεντρωθεί κεντρικά.
Αυτή η ανισότητα γίνεται ορατή στον γύρο plot, στον οποίο βαθμολογούν ξεχωριστά πολλά άτομα εντός του οργανισμού. Ένας διευθυντής και ένας επιστάτης μπορούν να αξιολογήσουν την ίδια εταιρεία πολύ διαφορετικά, και αυτή η διασπορά είναι από μόνη της πληροφορία. Αν ο CIO πιστεύει ότι τα δεδομένα είναι σε τάξη και ο υπεύθυνος προετοιμασίας εργασιών παλεύει καθημερινά με διασκορπισμένα αρχεία, τότε υπάρχει εκεί ένα εμπόδιο που μια μόνο συζήτηση δεν θα είχε αποκαλύψει. Σε έναν κλάδο όπου η εργασία διασκορπίζεται σε έργα και φορείς, αυτή η διασπορά είναι συχνά μεγαλύτερη από τον μέσο όρο — και έτσι πιο πληροφοριακή.
Αυτή η μέτρηση δεν λέει τίποτα για ποιες εργασίες μπορεί να αναλάβει το AI ή πόσο χρόνο εξοικονομεί αυτό. Το θέμα είναι αν ο οργανισμός μπορεί να στηρίξει το AI: υπάρχει η βάση, είναι έτοιμη η υποδομή, είναι τα δεδομένα αρκετά αξιόπιστα για να χτιστεί πάνω τους. Αυτό το ερώτημα είναι πιο σχετικό για τον κατασκευαστικό κλάδο απ' ό,τι σε κλάδους όπου τα δεδομένα καταγράφονται εκ φύσεως κεντρικά. Συγκρίνετέ το με τον κλάδο εγκαταστάσεων, όπου η εργασία με βάση έργα και τα διασκορπισμένα δεδομένα δημιουργούν παρόμοια εμπόδια, ή με τη μεταποιητική βιομηχανία, όπου τα δεδομένα παραγωγής και η οργανωτική δομή δείχνουν διαφορετική ισορροπία. Επίσης ο κλάδος των μεταφορών γνωρίζει μια παρόμοια τάση μεταξύ επιχειρησιακής πειθαρχίας και ψηφιακής θεμελίωσης, κάτι που δείχνει ότι αυτό το μοτίβο δεν είναι μοναδικό για τον κατασκευαστικό κλάδο, αλλά εμφανίζεται με τη δική του ένταση λόγω της δομής της αλυσίδας.
Το εργαλείο με το οποίο γίνεται αυτή η μέτρηση βρίσκεται υπό κατασκευή. Όποιος θέλει να διεξαγάγει τη μέτρηση μόλις γίνει διαθέσιμη, μπορεί να εγγραφεί στη λίστα αναμονής. Δεν προσφέρεται εδώ τίποτα που δεν λειτουργεί ήδη, και δεν δίνεται καμία υπόσχεση για το αποτέλεσμα — μόνο μια ειλικρινή εικόνα του πού βρίσκεται σήμερα ο οργανισμός, διάσταση προς διάσταση.
Αν αποδειχθεί ότι οι θεμελιώδεις διαστάσεις είναι σε τάξη, ή σε πορεία προς αυτό, γίνεται σχετικό ένα άλλο ερώτημα: ποιο μέρος της ίδιας της εργασίας είναι κατάλληλο να αναληφθεί από το AI. Αυτό είναι διαφορετική μέτρηση από αυτή. Ενώ το hybridresourcing εξετάζει αν ο οργανισμός μπορεί να στηρίξει το AI, η werkscan του FTE TO AI υπολογίζει ανά εργασία ποιο μέρος της εργασίας μπορεί να αναληφθεί — όχι ως εκτίμηση, αλλά ως αποτέλεσμα ανάλυσης εργασιών. Για μια κατασκευαστική εταιρεία που γνωρίζει πού βρίσκεται η βάση, αυτό είναι το λογικό επόμενο βήμα: πρώτα το θεμέλιο, μετά το ερώτημα τι μπορεί να χτιστεί πάνω σε αυτό.
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.