Proizvodna industrija nije uredsko okruženje s pokojim strojem uz njega. To je sektor u kojem je fizički proces — sirovina, obrada, proizvod — vodeći, a digitalni sustavi tu uvijek kaskaju za njim ili moraju osigurati da proces nastavi teći. Taj redoslijed određuje što AI-zrelost ovdje znači. ERP sustav, MES, senzori na stroju: postoje da bi podržali fizički proces, a ne da bi samostalno funkcionirali. To je bitno drugačije nego u poslovnim uslugama, gdje je sam rad već digitalan i podaci su polazna točka, a ne izvedenica.
Ta slojevitost čini mjerenje zrelosti kompliciranijim. Proizvodno poduzeće može imati moderan aplikacijski sustav za planiranje i pri tome nemati nikakvu predstavu o tome što stroj na podu stvarno radi, jer ti podaci nikad nisu bili dostupni. Obratno, poduzeće sa zastarjelim softverom može imati dobar uvid u svoj proces, jer ljudi na podu godinama precizno evidentiraju. Zrelost i modernost sustava ovdje se ne poklapaju automatski.
Unutar sedam dimenzija koje se koriste u mjerenju zrelosti, u proizvodnoj industriji često se uočava specifičan obrazac. IT-infrastruktura i upravljanje podacima — dvije od temeljnih dimenzija — redovito pokazuju velik razmak između proizvodnje i ureda. Na podu rade sustavi izgrađeni za pouzdanost i dostupnost, a ne za razmjenu podataka. U uredu rade sustavi koji su doista namijenjeni razmjeni, ali koji nisu uvijek povezani s onim što se događa u fabrici. Ta dva svijeta često koriste različite definicije istog pojma, i to se događa bez da to itko naziva problemom, sve dok se AI-projekt na tome ne zaglavi.
Organizacijska dimenzija ima svoj vlastiti obrazac. Odluke o ulaganjima u proizvodne procese često donose ljudi s tehničkom pozadinom, dok odluke o strategiji podataka donose drugi. Kada te dvije skupine rijetko sjede zajedno za stolom, nastaje organizacija koja na papiru izgleda spremna za AI, ali u praksi slijedi dva zasebna agende. To je drugačiji rasap nego u obrazovanju, gdje se razmak češće nalazi između politike i svakodnevne prakse profesionalca, a ne između dva operativna stupa unutar istog poduzeća.
Krug s dijagramom — u kojem više ljudi neovisno jedni od drugih ocjenjuje sedam dimenzija — u proizvodnoj industriji često otkriva izraziti kontrast između vodstva proizvodnje i IT-a ili razine uprave. Voditelj proizvodnje ponekad visoko ocjenjuje dimenziju upravljanja podacima, jer stroj precizno bilježi što se događa. IT-menadžer istu dimenziju ocjenjuje nisko, jer ti podaci nigdje nisu strukturirano pohranjeni ili dostupni za analizu. Oba opažanja su točna; jednostavno gledaju na drugi dio procesa.
Taj rasap je funkcionalan, ne neugodan. Pokazuje gdje unutar organizacije nedostaje zajednička slika, a to je upravo informacija koja je potrebna prije nego se nešto dodaje pilot-projektu. Pilot-projekt koji se odvija na temeljnim dimenzijama — organizacija, infrastruktura, podaci — bez da je taj rasap primijećen, rizira da se zaglavi na problemu koji nitko nije imenovao jer nitko nije imao potpunu sliku.
Budući da je fizički proces vodeći, u proizvodnoj industriji često postoji iskušenje da se AI odmah usmjeri na operativni problem: predviđanje održavanja, provjera kvalitete, optimizacija planiranja. To su vidljive, privlačne primjene na ovisnim dimenzijama. No hoće li funkcionirati ovisi o tome što treba stajati ispred toga: jesu li podaci iz stroja zabilježeni na način koji je ponovno upotrebljiv, postoji li osoba odgovorna za kvalitetu tih podataka, i postoji li organizacijska struktura u kojoj proizvodnja i IT dijele iste definicije. Bez tog temelja, pilot-projekt ostaje izolirani eksperiment, koliko god model bio dobar.
Taj redoslijed ne vrijedi samo ovdje. U prometnom sektoru postoji slična napetost između operativnih sustava i centralnih podataka, a u poljoprivrednom sektoru fizički proces — usjev, životinja, sezona — jednako je vodeći u odnosu na to što digitalni sustavi mogu zabilježiti i na što mogu utjecati. Proizvodna industrija nije iznimka u ovoj logici, ali jest sektor u kojem se posljedice zaobiđenog temelja brzo vide na podu.
Mjerenje zrelosti ne donosi presudu o fabrici ili sektoru; ono daje slikovni prikaz pet razina kroz sedam dimenzija, koje ispunjava više ljudi iz same organizacije. Ta slika pokazuje gdje temeljne dimenzije već stoje čvrsto, a gdje još nedostaju, te gdje se mišljenja unutar poduzeća razilaze. To je drugačiji razgovor od pitanja je li pilot-projekt impresivan; to je razgovor o tome može li organizacija nositi pilot-projekt.
Kada jednom postane jasno gdje organizacija stoji na dimenzijama koje moraju nositi AI, nastaje drugo pitanje: koji dio samog rada dolazi u obzir za prijenos na AI. To nije ono na što ovo mjerenje odgovara. Za to je namijenjen radni sken tvrtke FTE TO AI, koji za svaki zadatak izračunava koji se dio njega može prepustiti AI-u. Mjerenje zrelosti i radni sken nadopunjuju se: jedno pokazuje stoji li temelj, drugo pokazuje što se, uz taj temelj, mijenja u samom radu. Onaj tko kombinira obje slike, ne zna samo je li organizacija spremna, već i gdje se prva promjena konkretno pojavljuje.
Mjerenje zrelosti tvrtke hybridresourcing još je u izradi. Onaj tko želi proći krug s dijagramom 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.