Maatalousalalla on rytmi, jota harvat muut alat tuntevat. Tilikausi ei koostu kahdestatoista samanlaisesta kuukaudesta, vaan kasvukaudesta, sadonkorjuusta, lepokaudesta. Huhtikuussa kerätty data kertoo eri asiaa kuin lokakuussa kerätty data. Tämän vuoksi AI-kypsyys tällä alalla ei ole kysymys yhdestä hetkellisestä tilannekuvasta. Organisaatio voi näyttää paperilla hyvältä talvella ja jäädä silti jumiin kesällä, yksinkertaisesti siksi, että toiminnan kuormitus on jakautunut eri tavalla.
Sen lisäksi ala on huomattavan kerroksellinen. Toisella puolella ovat suuret osuuskunnat ja jalostavat yritykset, joilla on omat IT-osastot ja datatiimit. Toisella puolella ovat perheyritykset ja yksittäiset toimijat, joissa liiketoiminta elää ihmisten päässä, ei järjestelmissä. Molemmat muodot esiintyvät yhden toimialanimen alla, ja tämä tarkoittaa, että väite "maatalousalasta" on nopeasti liian karkea. Näiden kahden muodon suhde kertoo keskimääräisestä kypsyydestä enemmän kuin mikään teknologinen kehitys.
Useissa maatalousyrityksissä ei puutu ambitio, vaan perusta, jonka päälle AI:n pitäisi rakentua. Kentältä kerätty sensoridata, sääinformaatio, varastotiedot ja kirjanpitäjän hoitama hallinto elävät usein erillisissä järjestelmissä, jotka eivät kommunikoi keskenään. Tämä on datahallinnan kysymys, ja se on yksi niistä ulottuvuuksista, joita kypsyysmittauksessa pidetään perustavanlaatuisena — ei siksi, että se olisi mieltymys, vaan siksi, että organisaatio, jolla ei ole yhtenäistä dataa, ei voi kantaa AI-sovellusta, joka joutuisi luottamaan tähän dataan.
Myös IT-infrastruktuuri vaihtelee. Maitotilalla, jossa on automaattiset lypsyrobotit, on jo vuosia käsitelty sensoreita ja datankäsittelyä, kun taas peltoviljelytila käyttää mahdollisesti vain kirjanpito-ohjelmaa ja säähäppiä. Tämä ero lähtökohdassa ei ole hyvä eikä väärä, mutta se määrittää, mikä seuraava askel on looginen. Yritys, joka jo kerää sensoridataa, on eri kysymyksen edessä kuin yritys, joka vielä pohtii, mitä dataa se ylipäätään haluaa kerätä.
Organisaatioulottuvuus lisää tähän oman kerroksensa. Perheyrityksissä päätösvalta on usein yhdellä tai kahdella henkilöllä, mikä voi tehdä päätöksenteosta nopeaa, mutta tarkoittaa myös, että AI-kypsyys riippuu vahvasti siitä, mitä tämä henkilö tietää ja haluaa. Osuuskunnissa ja suuremmissa jalostajissa kysymys koskee enemmän sitä, miten päätökset jakautuvat jäsenten, hallituksen ja toteutuksen kesken — ja onko siinä rakennetta, joka näkyisi plot-kierroksessa.
Sovellukset, jotka kuulostavat alalle mielenkiintoisilta — koneiden ennakoiva kunnossapito, satoennuste, automaattinen lajittelu — riippuvat kaikki siitä, mitä niiden alla on. Ilman infrastruktuuria, joka tallentaa mittaukset luotettavasti, ja ilman dataa, joka on johdonmukaista vuodenaikojen ylitse, AI-sovellus pysyy kokeiluna, joka toimii niin kauan kuin olosuhteet ovat suotuisat. Juuri tästä syystä perustavanlaatuisilla ulottuvuuksilla on etusija: ei toimintaperiaatteena, vaan käytännöstä seuraavana järjestyksenä. Tästä kiinnostuneet löytävät lisää tietoa artikkelista miksi perustavanlaatuiset ulottuvuudet tulevat ensin.
Tämä järjestys ei koske ainoastaan maataloutta. Muilla toimialoilla, joilla on raskas operatiivinen ydin ja hajautettu päätöksenteko, näkyy samankaltaisia kuvioita, kuten kerrotaan artikkelissa miten pitkällä energiasektori on AI-kypsyydessä ja artikkelissa miten pitkällä kiinteistöala on AI-kypsyydessä. Vertailun vuoksi: alat, joiden prosessit ovat alusta alkaen olleet digitaalisia, kuten kuvataan artikkelissa miten pitkällä ICT-ala on AI-kypsyydessä, lähtevät tavallisesti eri lähtökohdasta infrastruktuurin ja datan suhteen, mikä osoittaa, miten suuri hajonta toimialojen välillä voi olla.
Maatalousalan toimitusjohtajalle tai operatiiviselle johtajalle kypsyysmittauksen arvo ei ole siinä, että se tuottaa numeron, jolla voi kehua, vaan siinä, että se tekee näkyväksi, missä organisaation ihmisten näkemykset eroavat toisistaan. Näkeekö operatiivinen johtaja datatilanteen eri tavalla kuin omistaja? Uskooko IT-vastuuhenkilö — jos sellainen on — että infrastruktuuri on valmis, kun kentällä työskentelevät ihmiset kohtaavat päivittäin manuaalisia kiertoteitä? Plot-kierros, jossa useat henkilöt pisteyttävät erikseen, paljastaa nämä erot ennen kuin ne kaatavat pilotin.
Juuri alalla, jossa päätöksenteko on usein harvojen ihmisten käsissä, on arvokasta nähdä, ovatko he ylipäätään yhtä mieltä siitä, missä organisaatio on. Tilalla vieraileva neuvonantaja, varaston toimitusjohtaja ja osuuskunnan IT-yhteyshenkilö voivat kaikki kolme arvioida datahallinnan kypsyyden eri tavalla. Tämän hajonnan näkyväksi tekeminen on ensimmäinen askel, ei loppupiste.
Kun on selvää, missä organisaatio on näissä ulottuvuuksissa, kysymys siirtyy luonnostaan valmiudesta sisältöön: mikä osa päivittäisestä työstä AI todellisuudessa voisi ottaa haltuunsa, kun otetaan huomioon tämä valmius? Tämä on eri kysymys kuin se, mihin tämä sivu vastaa. FTE TO AI:n työskannaus laskee tehtäväkohtaisesti, mikä osa työstä soveltuu haltuunottoon, ja liittyy siten siihen, mitä kypsyysmittaus kartoittaa ensin. Sitä, joka haluaa etukäteen pohtia, miltä tällaisen kartoituksen pitäisi näyttää, kannattaa aloittaa artikkelista mitä päätösinventaarioon kuuluu, valmistautumisena hetkeen, jolloin perusta on kunnossa.
hybridresourcing.com-kypsyysmittaus on rakenteilla. Se, joka haluaa käyttää plot-kierrosta sen valmistuttua, voi ilmoittautua odotuslistalle.
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.