Valmistava teollisuus ei ole toimistoympäristö, jossa on koneita mukana. Se on toimiala, jossa fyysinen prosessi — raaka-aine, työstö, tuote — on määräävä, ja jossa digitaaliset järjestelmät joko kulkevat sen perässä tai niiden tehtävänä on varmistaa, että prosessi pysyy käynnissä. Tämä järjestys määrittää, mitä AI-kypsyys tässä yhteydessä tarkoittaa. ERP-järjestelmä, MES, koneen sensorit: ne ovat olemassa tukemaan fyysistä prosessia, ei toimimaan itsenäisesti. Tämä poikkeaa olennaisesti liike-elämän palveluista, joissa työ itsessään on jo digitaalista ja data on lähtökohta eikä johdannainen.
Tämä kerroksellisuus tekee kypsyyden mittaamisesta monimutkaisempaa. Valmistusyrityksellä voi olla moderni suunnittelusovellus, ja sillä voi silti olla vain vähän käsitystä siitä, mitä kone lattialla todellisuudessa tekee, koska sitä dataa ei ole koskaan avattu. Toisin päin, yrityksellä, jolla on vanhentunut ohjelmisto, voi olla hyvä käsitys prosessistaan, koska ihmiset lattialla ovat vuosia kirjanneet tietoja tarkasti. Järjestelmien kypsyys ja nykyaikaisuus eivät tässä automaattisesti kulje käsi kädessä.
Seitsemän ulottuvuuden sisällä, joita kypsyysmittaus käyttää, valmistavassa teollisuudessa erottuu usein tietty kuvio. IT-infrastruktuuri ja datanhallinta — kaksi perustavanlaatuista ulottuvuutta — osoittavat säännöllisesti suuren etäisyyden tuotannon ja toimiston välillä. Lattialla toimivat järjestelmät on rakennettu luotettavuutta ja käyttöaikaa varten, ei datan jakamista varten. Toimistossa toimivat järjestelmät on kylläkin rakennettu tiedonvaihtoa varten, mutta niitä ei aina ole liitetty siihen, mitä tehtaassa tapahtuu. Näissä kahdessa maailmassa käytetään usein eri määritelmiä samalle termille, ja kukaan ei nimeä tätä ongelmaksi ennen kuin AI-projekti kaatuu siihen.
Organisaatioulottuvuudella on omanlaisensa kuvio. Päätökset tuotantoprosessien investoinneista ovat usein teknisen taustan omaavien ihmisten käsissä, kun taas päätökset datastrategiasta ovat muiden käsissä. Kun näiden kahden ryhmän edustajat harvoin istuvat samaan pöytään, syntyy organisaatio, joka paperilla näyttää valmiilta AI:lle mutta seuraa käytännössä kahta erillistä agendaa. Tämä on eri hajonta kuin koulutusalalla, jossa etäisyys on useammin politiikan ja ammattilaisen päivittäisen käytännön välillä, ei kahden operatiivisen pilarin välillä samassa yrityksessä.
Plot-kierros — jossa useat henkilöt arvioivat toisistaan riippumatta seitsemää ulottuvuutta — paljastaa valmistavassa teollisuudessa usein selvän ristiriidan tuotannon johdon ja IT- tai johtotason välillä. Tuotantopäällikkö arvioi datanhallinnan ulottuvuuden joskus korkeaksi, koska kone kirjaa tarkasti, mitä tapahtuu. IT-päällikkö arvioi samaa ulottuvuutta matalaksi, koska sitä dataa ei tallenneta rakenteellisesti tai avata analyysia varten missään. Molemmat havainnot ovat oikeita; ne tarkastelevat vain eri osaa prosessista.
Tämä hajonta on toimiva, ei kiusallinen. Se osoittaa, missä organisaation sisällä puuttuu yhteinen kuva, ja se on juuri se tieto, jota tarvitaan ennen kuin pilottiin lisätään mitään. Pilotti, joka toimii perustavanlaatuisten ulottuvuuksien — organisaation, infrastruktuurin, datan — päällä ilman että tätä hajontaa on huomattu, riskeeraa kaatua ongelmaan, jota kukaan ei ollut nimennyt, koska kenelläkään ei ollut kokonaiskuvaa.
Koska fyysinen prosessi on määräävä, houkutus valmistavassa teollisuudessa on usein kohdistaa AI suoraan operatiiviseen ongelmaan: kunnossapidon ennustamiseen, laadun tarkastukseen, suunnittelun optimointiin. Nämä ovat näkyviä, houkuttelevia sovelluksia riippuvaisilla ulottuvuuksilla. Mutta se, toimivatko ne, riippuu siitä, mitä niiden edellä täytyy olla kunnossa: on koneen data tallennettu uudelleenkäytettävällä tavalla, on joku vastuussa tämän datan laadusta, ja on organisaatiorakenne, jossa tuotanto ja IT jakavat samat määritelmät. Ilman tätä perustaa pilotti jää eristetyksi kokeiluksi, oli malli kuinka hyvä tahansa.
Tämä järjestys ei koske vain tätä toimialaa. Kuljetusalalla on samankaltainen jännite operatiivisten järjestelmien ja keskitetyn datan välillä, ja maatalousalalla fyysinen prosessi — kasvi, eläin, kausi — on yhtä lailla määräävä sen suhteen, mitä digitaaliset järjestelmät voivat kirjata ja vaikuttaa. Valmistava teollisuus ei ole poikkeus tässä logiikassa, mutta se on toimiala, jossa ohitetun perustan seuraukset näkyvät nopeasti lattialla.
Kypsyysmittaus ei anna arvioita tehtaasta tai toimialasta; se antaa kuvan viidestä tasosta seitsemällä ulottuvuudella, useiden organisaation omien ihmisten täyttämänä. Tämä kuva näyttää, missä perustavanlaatuiset ulottuvuudet ovat jo kunnossa ja missä ne yhä puuttuvat, ja missä yrityksen sisäiset mielipiteet eroavat toisistaan. Se on eri keskustelu kuin se, onko pilotti vaikuttava; se on keskustelu siitä, kestääkö organisaatio pilotin.
Kun on selvää, missä organisaatio on niiden ulottuvuuksien suhteen, joiden pitäisi kannatella AI:ta, syntyy toinen kysymys: mikä osa itse työstä on kelvollista siirrettäväksi AI:lle. Siihen tämä mittaus ei vastaa. Sitä varten on FTE TO AI:n työskannaus, joka laskee tehtäväkohtaisesti, kuinka suuri osa siitä on siirrettävissä AI:lle. Kypsyysmittaus ja työskannaus täydentävät toisiaan: toinen näyttää, onko perusta paikoillaan, toinen näyttää, mikä tässä työssä muuttuu, kun tämä perusta on olemassa. Kun yhdistää molemmat kuvat, tietää sekä, onko organisaatio valmis, että missä ensimmäinen muutos konkreettisesti ilmenee.
hybridresourcing.comin kypsyysmittaus on rakenteilla. Ne, jotka haluavat käydä läpi plot-kierroksen sen valmistuttua, voivat ilmoittautua jonotuslistalle.
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.