Poljoprivredni sektor ima ritam koji malo drugih sektora poznaje. Poslovna godina ne broji dvanaest jednakih mjeseci, nego sezonu rasta, žetvu, period odmora. Podaci prikupljeni u travnju kažu nešto drugo od podataka iz listopada. To znači da AI-zrelost u ovom sektoru nije pitanje trenutnog snimka. Organizacija može na papiru izgledati dobro zimi, a ljeti se ipak zaglaviti, jednostavno zato što je pritisak na poslovanje tada drugačije raspodijeljen.
Osim toga, sektor je izrazito slojevit. S jedne strane stoje velike zadruge i prerađivačka poduzeća s vlastitim IT odjelima i timovima za podatke. S druge strane stoje obiteljska poduzeća i pojedinačni poduzetnici gdje poslovanje živi u glavama ljudi, a ne u sustavima. Oba oblika postoje pod jednim nazivom sektora, a to znači da izjava o "poljoprivrednom sektoru" brzo postaje preširoka. Odnos između ova dva oblika govori više o prosječnoj zrelosti nego bilo koji tehnološki razvoj.
Kod mnogih poljoprivrednih poduzeća ne nedostaje ambicija, nego temelj na kojem bi AI trebao počivati. Senzorski podaci s terena, informacije o vremenu, podaci o zalihama i administracija kod računovođe često žive u odvojenim sustavima koji ne komuniciraju međusobno. To je pitanje upravljanja podacima, i to je jedna od dimenzija koja se u mjerenju zrelosti smatra temeljnom — ne zato što je to preferencija, nego zato što organizacija bez povezanih podataka ne može podnijeti AI-primjenu koja se na te podatke mora osloniti.
I IT infrastruktura se razlikuje. Mljekarska farma s automatskim robotima za mužu već godinama radi sa senzorima i obradom podataka, dok poljoprivredno poduzeće koje se bavi uzgojem usjeva možda koristi samo računovodstveni paket i aplikaciju za vremensku prognozu. Ta razlika u polaznoj točki nije dobra ni loša, ali određuje koji je korak logičan. Poduzeće koje već prikuplja senzorske podatke suočava se s drugim pitanjem od poduzeća koje još treba odrediti koje podatke uopće želi zapisivati.
Organizacijska dimenzija dodaje tome svoj vlastiti sloj. U obiteljskim poduzećima ovlast odlučivanja često je u rukama jedne ili dvije osobe, što odluke može učiniti brzima, ali znači i da AI-zrelost snažno ovisi o tome što ta osoba znade i želi. Kod zadruga i većih prerađivača prije se javlja pitanje kako se odluke raspodjeljuju između članova, uprave i izvršenja — i postoji li u tome struktura koja bi se vidjela u plot-krugu.
Primjene koje zvuče zanimljivo za sektor — predviđajuće održavanje strojeva, predviđanje prinosa, automatizirano sortiranje — sve ovise o onome što se nalazi ispod njih. Bez infrastrukture koja pouzdano bilježi mjerenja i bez podataka koji su dosljedni kroz sezone, AI-primjena ostaje eksperiment koji radi dok okolnosti idu u prilog. Baš zato temeljne dimenzije imaju prednost: ne kao odluka politike, nego kao redoslijed koji slijedi iz prakse. Tko o tome želi pročitati više, pronaći će razradu u zašto temeljne dimenzije moraju prve.
Ovaj redoslijed ne vrijedi samo u poljoprivredi. Drugi sektori s teškom operativnom jezgrom i raspoređenim odlučivanjem pokazuju slične obrasce, kao što se može pročitati u koliko je energetski sektor daleko s AI-zrelošću i u koliko je sektor nekretnina daleko s AI-zrelošću. Za usporedbu: sektori s izvorno digitalnim procesima, kao što je opisano u koliko je IT sektor daleko s AI-zrelošću, obično kreću s drugačijom polaznom točkom za infrastrukturu i podatke, što pokazuje koliko velika razlika između sektora može biti.
Za CEO-a ili COO-a u poljoprivrednom sektoru vrijednost mjerenja zrelosti nije u tome da donese broj kojim se može hvaliti, nego da učini vidljivim gdje se nalazi razlika u mišljenju između ljudi u organizaciji. Vidi li operativni menadžer situaciju s podacima drugačije od vlasnika? Misli li osoba odgovorna za IT — ako takva postoji — da je infrastruktura spremna, dok se ljudi na terenu svakodnevno suočavaju s ručnim zaobilaznim rješenjima? Plot-krug u kojem više ljudi zasebno ocjenjuje otkriva te razlike prije nego što dovedu do neuspjeha pilot-projekta.
Baš u sektoru gdje odlučivanje često leži u rukama malog broja ljudi, vrijedno je vidjeti slažu li se ti ljudi uopće međusobno o tome gdje organizacija stoji. Savjetnik na imanju, voditelj poslovanja u skladištu i IT kontakt osoba u zadruzi mogu sva tri imati drugačiju procjenu o tome koliko je zrela strana upravljanja podacima. Učiniti tu razliku vidljivom prvi je korak, a ne krajnja točka.
Čim postane jasno gdje organizacija stoji na ovim dimenzijama, pitanje se samo od sebe pomiče od spremnosti prema sadržaju: koji dio svakodnevnog posla bi AI stvarno mogao preuzeti, s obzirom na tu spremnost? To je drugo pitanje od onoga na koje ova stranica odgovara. Skener posla tvrtke FTE TO AI izračunava po zadatku koji dio posla dolazi u obzir za preuzimanje, čime se povezuje s onim što mjerenje zrelosti prvo utvrđuje. Tko već sada želi razmisliti o tome kako bi takva inventura trebala izgledati, može krenuti od što spada u inventuru odluka, kao priprema za trenutak kada temelji budu u redu.
Mjerenje zrelosti tvrtke hybridresourcing je u izradi. Tko želi koristiti plot-krug čim postane dostupan, može se prijaviti na listu čekanja.
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.