Ehitussektor töötab juba aastakümneid kihilise ahelaga: tellija, peatöövõtja, allhankijad, tarnijad. See ahel on harjunud vastutust jagama ja tööd etappide kaupa üle andma. See teeb sektori teatud mõttes AI-le paremini ette valmistatud kui muud sektorid — planeerimises, kvaliteedikontrollis, kokkulepete dokumenteerimises on distsipliin olemas. Kuid see sama ahel muudab andmed haprateks. Joonised, kalkulatsioonid, ajakavad ja edenemisaruanded tekivad erinevate osapoolte juures, erinevates süsteemides, erinevate tõe versioonidega. AI-rakendus, mis peab neil andmetel töötama, töötab millegi peal, mis on tihti mittetäielik, mitteaktuaalne või mitte tsentraalne.
See erinevus organisatsioonilise distsipliini ja andmevalmiduse vahel on täpselt see, kus paljud AI-pilootprojektid ehitussektoris kinni jooksevad. Projektijuht püüab kasutada AI-tööriista ajakava optimeerimiseks, kuid sisendandmed tulevad kolmest süsteemist, mis ei ühildu üksteisega. Töökorraldaja soovib kalkulatsioone automaatselt kontrollida, kuid ajaloolised andmed on laiali erinevates projektipõhistes Exceli failides. Pilootprojekt takerdub mitte seetõttu, et tehnoloogia ei tööta, vaid seetõttu, et organisatsioon ei ole selleks veel valmis.
AI-valmidus ei mõõda ainult seda, kas organisatsioon kasutab tööriistu, vaid ka seda, kas selle alla jääv vundament on paigas. Kõik algab organisatsioonist enesest: kas digitaliseerimisel on selge omanik, jagatakse teadmisi projektide vahel, või jääb iga projekt saareks. Seejärel tuleb IT-infrastruktuur: kas süsteemid on üksteisega ühendatud, on olemas vundament, mille peal uued rakendused saavad töötada, ilma et kõike peaks käsitsi ümber sisestama. Ainult pärast seda tuleb andmehaldus: kas olemasolevad andmed on usaldusväärsed, aktuaalsed ja kättesaadavad neile, kes nendega töötama peavad.
See järjekord ei ole eelistus, vaid viis, kuidas see toimib. Organisatsioon, mis soovib parandada andmehaldust, ilma et IT-infrastruktuur seda toetaks, ehitab liivale. Organisatsioon, mis soovib kasutusele võtta AI-rakendusi, ilma et organisatsioon enda seest teaks, kes vastutab mille eest, saab tööriista, mida keegi ei hooldata. Ehitussektoris on see muster nähtav: sektoril on tihti olemas organisatsiooniline soov, kuid infrastruktuur ja andmed jäävad maha. See selgitab, miks pilootprojektid õnnestuvad tihti projekti tasandil, kuid takerduvad organisatsiooni tasandil — fundamentaalsed mõõtmed ei ole ambitsiooniga kaasa kasvanud.
hybridresourcing valmidusmõõtmine vaatab seitset mõõdet, organisatsioonist ja infrastruktuurist kuni sõltuvamate kihtideni, nagu protsesside automatiseerimine ja otsustusprotsess. Igal mõõtel on üks viiest tasemest: baseline, foundation, activation, insight või intelligence. Ehitussektoris on pilt tihti nende mõõtmete vahel ebavõrdselt jaotunud. Ettevõte võib organisatsiooni tasandil kaugele arenenud olla — selged rollid, digitaliseerimise plaan, juhtkonna toetus — ja siiski olla andmehalduse osas veel baseline tasemel, kuna projektiandmeid ei ole kunagi tsentraalselt kokku pandud.
See ebavõrdsus tuleb nähtavale hindamisvoorus, kus mitmed organisatsiooni inimesed hindavad eraldi. Direktor ja objektijuht võivad sama ettevõtet väga erinevalt hinnata, ja see hajuvus on iseenesest informatiivne. Kui IT-juht arvab, et andmed on korras, ja töökorraldaja võitleb igapäevaselt hajutatud failidega, siis peitub seal kitsaskoht, mida üksainus vestlus ei oleks avastanud. Sektoris, kus töö on jaotunud projektide ja osapoolte vahel, on see hajuvus tihti keskmisest suurem — ja seetõttu informatiivsem.
See mõõtmine ei ütle midagi selle kohta, milliseid ülesandeid AI üle võtta saab või kui palju aega see säästab. Küsimus on selles, kas organisatsioon suudab AI-d kanda: on vundament paigas, on infrastruktuur valmis, on andmed piisavalt usaldusväärsed, et sellele ehitada. See küsimus on ehitussektorile asjakohasem kui sektorites, kus andmed on juba loomu poolest tsentraalselt dokumenteeritud. Võrrelge sellega installatsioonisektorit, kus projektipõhine töö ja killustunud andmed toovad kaasa sarnaseid kitsaskohti, või tootmistööstust, kus tootmisandmed ja organisatsiooni struktuur näitavad teistsugust tasakaalu. Ka transpordisektoris on sarnane pinge operatiivse distsipliini ja digitaalse aluspõhja vahel, mis näitab, et see muster ei ole omane ainult ehitussektorile, kuid esineb omal moel just ahelastruktuuri tõttu tugevamalt.
Tööriist, millega see mõõdetakse, on veel valmimisel. Kes soovib mõõtmise läbida kohe, kui see on kättesaadav, saab registreeruda ootenimekirja. Siin ei pakuta midagi, mis veel ei toimi, ja ei lubata midagi tulemuse kohta — ainult ausat pilti sellest, kus organisatsioon praegu seisab, mõõde mõõtme haaval.
Kui selgub, et fundamentaalsed mõõtmed on korras, või liikumas selle poole, muutub asjakohaseks teine küsimus: kui suur osa tööst on sobiv AI-le üle andmiseks. See on teistsugune mõõtmine kui eelnev. Kui hybridresourcing vaatab, kas organisatsioon suudab AI-d kanda, arvutab FTE TO AI töölõimude skaneering iga ülesande kohta välja, kui suur osa tööst on üle võetav — mitte hinnanguna, vaid ülesandeanalüüsi tulemusena. Ehitusettevõttele, kes teab, kus vundament seisab, on see loogiline järgmine samm: esmalt vundament, seejärel küsimus, mida sellele ehitada saab.
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.