Ο κλάδος εγκαταστάσεων αποτελείται από δύο κόσμους που σπάνια θέτουν το ίδιο ερώτημα. Από τη μία πλευρά βρίσκεται η φυσική εργασία: τεχνικοί που τοποθετούν σωληνώσεις, συνδέουν εξοπλισμό, επιλύουν βλάβες επί τόπου. Από την άλλη πλευρά βρίσκεται ο οργανισμός που τα περιβάλλει: προγραμματισμός, προπαρασκευή εργασιών, διοικητικά, επικοινωνία με πελάτες, διαχείριση αποθεμάτων. Το πρώτο δεν αυτοματοποιείται· το δεύτερο ναι, σε διαφορετικό βαθμό. Αυτή η σχέση —πολλή χειρωνακτική εργασία, με ένα οργανωτικό περίβλημα που επεξεργάζεται πληροφορίες— καθορίζει πού μπορεί να αναπτυχθεί η ωριμότητα AI σε αυτόν τον κλάδο και πού βρίσκεται το όριο που δεν λύνεται με λογισμικό.
Το περίβλημα είναι μεγαλύτερο απ' όσο συχνά υποτίθεται. Δελτία εργασίας, καταγραφή ωρών, παραγγελίες υλικών, προγραμματισμός τεχνικών, επικοινωνία με πελάτες και υπεργολάβους: αυτές είναι διαδικασίες που αποτελούνται σε μεγάλο βαθμό από δεδομένα και κανόνες απόφασης. Το αν ένας οργανισμός μπορεί να κάνει κάτι με αυτά δεν εξαρτάται από τη θέληση για ανανέωση, αλλά από ό,τι υπάρχει ήδη. Μια επιχείρηση που προγραμματίζει με βάση έναν πίνακα και τηλεφωνήματα έχει διαφορετικό σημείο εκκίνησης από μια επιχείρηση με σύστημα προγραμματισμού που ήδη συλλέγει δεδομένα για χρόνους εκτέλεσης και διαθεσιμότητα.
Οι επιχειρήσεις εγκαταστάσεων που δοκιμάζουν το AI ξεκινούν συχνά από το ορατό: ένα chatbot για ερωτήσεις πελατών, ένα εργαλείο που βοηθά στη σύνταξη προσφορών. Αυτό λειτουργεί προσωρινά, μέχρι να αποδειχθεί ότι τα υποκείμενα δεδομένα δεν είναι συνεπή. Κωδικοί υλικών που διαφέρουν ανά υποκατάστημα, καταγραφή ωρών που γίνεται εν μέρει σε χαρτί, στοιχεία πελατών που ονομάζονται διαφορετικά σε τρία συστήματα — αυτό δεν είναι πρόβλημα AI, είναι πρόβλημα διαχείρισης δεδομένων που προηγείται του AI.
Επίσης η οργανωτική διάσταση παίζει εδώ ισχυρότερο ρόλο απ' ό,τι στην εργασία γραφείου. Οι επιχειρήσεις εγκαταστάσεων εργάζονται συχνά με έναν σταθερό πυρήνα και μια μεταβαλλόμενη ομάδα υπεργολάβων ή προσωρινών εργαζομένων. Ποιος αποφασίζει για ένα νέο σύστημα, ποιος το συντηρεί, και αν οι τεχνικοί εισάγουν οι ίδιοι δεδομένα ή αυτό το αφήνουν στο εσωτερικό τμήμα — αυτά τα ερωτήματα καθορίζουν αν μια εφαρμογή AI υιοθετείται ή μένει εκτός της καθημερινής εργασίας. Ένα σύστημα που επιλέχθηκε από το εσωτερικό τμήμα αλλά θα έπρεπε να χρησιμοποιείται από τους τεχνικούς στο πεδίο, συχνά κολλάει σε αυτή τη μετάβαση.
Η φυσική φύση της εργασίας συνεπάγεται ένα συγκεκριμένο ζήτημα IT: κινητή πρόσβαση, εργασία εκτός σύνδεσης σε τοποθεσίες χωρίς σύνδεση, σύνδεση μεταξύ εργασίας πεδίου και συστημάτων γραφείου. Πολλές επιχειρήσεις εγκαταστάσεων έχουν εν μέρει αναπτύξει αυτή την υποδομή — από ανάγκη, όχι από στρατηγική AI — αλλά όχι πάντα με τρόπο που τα συστήματα επικοινωνούν μεταξύ τους. Ένα εργαλείο προγραμματισμού και ένα σύστημα τιμολόγησης που συνυπάρχουν χωρίς κοινά δεδομένα δεν αποτελούν βάση στην οποία το AI μπορεί να προσθέσει κάτι.
Εδώ είναι το σημείο όπου αυτός ο κλάδος διαφοροποιείται από έναν κλάδο όπως η υγεία, όπου η ωριμότητα AI στην υγεία επιβραδύνεται κυρίως από τη νομοθεσία και την ευθύνη, ή από το χονδρεμπόριο, όπου η ωριμότητα AI στο χονδρεμπόριο περιστρέφεται περισσότερο γύρω από δεδομένα αποθεμάτων και παραγγελιών παρά γύρω από κινητή υποδομή. Στον κλάδο εγκαταστάσεων το ερώτημα είναι μάλλον: υπάρχει μια ενιαία και συνεκτική εικόνα μιας εργασίας, από την πρώτη επαφή μέχρι την παράδοση, ή αυτή η πληροφορία διασπάται σε ξεχωριστά συστήματα που κανείς δεν συνδέει μεταξύ τους.
Η μέτρηση ωριμότητας της hybridresourcing εξετάζει επτά διαστάσεις, εκ των οποίων ο οργανισμός, η υποδομή IT και η διαχείριση δεδομένων προηγούνται των υπολοίπων. Στον κλάδο εγκαταστάσεων αυτή είναι μια λογική σειρά, όχι μια επιλογή. Χωρίς σαφή δεδομένα για υλικά, ώρες και πελάτες, καμία εφαρμογή AI δεν έχει κάτι αξιόπιστο πάνω στο οποίο να χτίσει. Χωρίς υποδομή που συνδέει την εργασία πεδίου με το γραφείο, κάθε εφαρμογή περιορίζεται σε έναν από τους δύο κόσμους. Και χωρίς οργανισμό που καθιστά σαφές ποιος είναι υπεύθυνος για συστήματα που χρησιμοποιούνται τόσο από μόνιμο προσωπικό όσο και από ευέλικτο εργατικό δυναμικό, κάθε πρωτοβουλία βουλιάζει σε ασάφεια σχετικά με την ιδιοκτησία.
Αυτός ο κλάδος μοιράζεται εν μέρει αυτό το μοτίβο με τη μεταποίηση και τον τομέα των μεταφορών. Στην ωριμότητα AI στη μεταποίηση εμφανίζεται επίσης ο συνδυασμός φυσικής διαδικασίας και ψηφιακού περιβλήματος, και στην ωριμότητα AI στον τομέα μεταφορών η κινητικότητα και οι διασκορπισμένες τοποθεσίες εργασίας αποτελούν ανάλογο ζήτημα. Όποιος εργάζεται στον κλάδο εγκαταστάσεων αναγνωρίζει λοιπόν μέρος της κατάστασής του σε άλλους κλάδους με πολλή εργασία εκτός γραφείου, αλλά ο συγκεκριμένος συνδυασμός αδειών, κανόνων ασφαλείας και γνώσης υλικών κάνει τη διάσταση διαχείρισης δεδομένων εδώ βαρύτερη απ' αλλού.
Επειδή ένας κύκλος αξιολόγησης (plot) αφήνει πολλά άτομα να βαθμολογούν ξεχωριστά — έναν διευθυντή, έναν υπεύθυνο προγραμματισμού, έναν τεχνικό, έναν υπεύθυνο IT — γίνεται ορατό αν αυτές οι εικόνες συμπίπτουν. Σε έναν κλάδο με τόση διαφορά μεταξύ γραφείου και πεδίου, αυτή η διασπορά είναι συχνά μεγαλύτερη απ' όσο αναμενόταν, και ακριβώς αυτή η διασπορά είναι ενημερωτική: δείχνει πού ένας οργανισμός συμφωνεί για την ετοιμότητά του και πού όχι.
Αυτή η σελίδα περιγράφει αν ένας οργανισμός μπορεί να στηρίξει το AI — αν τα θεμέλια οργάνωσης, υποδομής και δεδομένων είναι σε τάξη. Αυτό είναι διαφορετικό ερώτημα από το ποιο μέρος της εργασίας θα μπορούσε πράγματι να αναλάβει το AI. Για αυτό το ερώτημα, η εργασιακή αξιολόγηση (werkscan) της FTE TO AI υπολογίζει ανά εργασία ποιο μέρος της εργασίας είναι κατάλληλο για ανάληψη, με βάση το τι ακριβώς περιλαμβάνει η εργασία και όχι με βάση την ετοιμότητα του οργανισμού πίσω από αυτή. Όποιος θέλει να γνωρίζει πού βρίσκεται ο κλάδος εγκαταστάσεων, κάνει καλά να διατηρήσει τα δύο ερωτήματα ξεχωριστά: πρώτα αν υπάρχει η βάση, μετά μόνο ποια εργασία μπορεί πράγματι να μετατοπιστεί.
Το εργαλείο με το οποίο πραγματοποιείται αυτή η μέτρηση βρίσκεται υπό κατασκευή. Όποιος θέλει να διεξαγάγει τη μέτρηση ωριμότητας μόλις γίνει διαθέσιμη, μπορεί να εγγραφεί στη λίστα αναμονής.
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.