Az agrárszektornak olyan ritmusa van, amilyet kevés más szektor ismer. Egy üzleti év nem tizenkét egyforma hónapból áll, hanem egy növekedési szezonból, egy betakarításból, egy pihenőidőszakból. Az áprilisban gyűjtött adat mást mond, mint az októberi adat. Ez azt jelenti, hogy az AI-érettség ebben a szektorban nem egy pillanatfelvétel kérdése. Egy szervezet papíron jól állhat télen, majd nyáron mégis megakadhat, egyszerűen azért, mert a működésre helyeződő nyomás akkor másképp oszlik el.
Emellett a szektor feltűnően rétegzett. Az egyik oldalon nagy szövetkezetek és feldolgozó vállalatok állnak, saját IT-osztályokkal és adatcsapatokkal. A másik oldalon családi vállalkozások és egyéni gazdálkodók, ahol a működés a fejekben él, nem rendszerekben. Mindkét forma előfordul egy szektornév alatt, ami azt jelenti, hogy egy „az agrárszektorról” tett kijelentés hamar túl nagyvonalúvá válik. Az e két forma közötti arány többet határoz meg az átlagos érettségről, mint bármilyen technológiai fejlemény.
Sok agrárvállalatnál nem az ambíció hiányzik, hanem az az alap, amelyre az AI-nak épülnie kellene. A terepi szenzoradatok, az időjárási információk, a készletadatok és a könyvelőnél lévő nyilvántartás gyakran különálló rendszerekben élnek, amelyek nem beszélnek egymással. Ez egy adatmenedzsment-kérdés, és ez egyike azon dimenzióknak, amelyek az érettségmérésben alapvetőnek számítanak — nem azért, mert ez preferencia, hanem azért, mert egy szervezet összefüggő adatok nélkül nem tud olyan AI-alkalmazást hordozni, amelynek éppen azokra az adatokra kellene támaszkodnia.
Az IT-infrastruktúra is eltérő. Egy automatikus fejőrobotokkal dolgozó tejgazdaság már évek óta szenzorokkal és adatfeldolgozással foglalkozik, míg egy szántóföldi növénytermeléssel foglalkozó vállalat talán csak egy könyvelőprogramot és egy időjárás-appot használ. Ez a különbség a kiindulási helyzetben nem jó vagy rossz, de meghatározza, melyik lépés logikus. Egy vállalat, amely már gyűjt szenzoradatokat, más kérdés előtt áll, mint egy vállalat, amelynek még el kell döntenie, milyen adatokat akar egyáltalán rögzíteni.
A szervezeti dimenzió saját réteget tesz ehhez hozzá. Családi vállalkozásokban a döntési jogkör gyakran egy-két embernél van, ami gyors döntéseket eredményezhet, de azt is jelenti, hogy az AI-érettség erősen összefügg azzal, mit tud és mit akar az az adott ember. Szövetkezeteknél és nagyobb feldolgozóknál inkább az a kérdés, hogyan osztják el a döntéseket a tagok, a vezetőség és a végrehajtás között — és van-e ebben olyan struktúra, amely egy plot-körben láthatóvá válna.
A szektor számára érdekesnek tűnő alkalmazások — a gépek prediktív karbantartása, a termésmennyiség előrejelzése, az automatizált szortálás — mind attól függenek, mi van alattuk. Anélkül az infrastruktúra nélkül, amely megbízhatóan rögzíti a méréseket, és anélkül az adat nélkül, amely a szezonokon átívelően konzisztens, egy AI-alkalmazás olyan kísérlet marad, amely addig működik, ameddig a körülmények kedveznek. Éppen ezért kapnak elsőbbséget az alapvető dimenziók: nem szakpolitikai döntésként, hanem a gyakorlatból következő sorrendként. Aki bővebben szeretne olvasni erről, egy kifejtést talál itt: miért kell az alapvető dimenzióknak előre kerülniük.
Ez a sorrend nem csak a mezőgazdaságban érvényes. Más, súlyos operatív mag és szétszórt döntéshozás jellemezte szektorok is hasonló mintákat mutatnak, ahogyan az olvasható itt: hol áll az energiaszektor az AI-érettséggel és itt: hol áll az ingatlanszektor az AI-érettséggel. Összehasonlításképpen: az eredetileg digitális folyamatokkal rendelkező szektorok, ahogyan azt itt bemutatjuk: hol áll az IT-szektor az AI-érettséggel, jellemzően más kiindulóponttal kezdenek az infrastruktúra és az adatok tekintetében, ami megmutatja, mekkora lehet a szórás a szektorok között.
Egy vezérigazgató vagy operatív igazgató számára az agrárszektorban egy érettségmérés értéke nem az, hogy egy számot ad, amivel lehet dicsekedni, hanem az, hogy láthatóvá teszi, hol van szórás a szervezeten belüli emberek között. Máshogy látja az operatív vezető az adathelyzetet, mint a tulajdonos? Az IT-felelős — ha van ilyen — úgy gondolja, hogy az infrastruktúra kész, míg az emberek a terepen naponta kézi kerülőutakba futnak bele? Egy plot-kör, amelyben több ember külön-külön pontoz, feltárja ezeket a különbségeket, mielőtt azok egy pilotot elakasztanának.
Pontosan egy olyan szektorban, ahol a döntéshozás gyakran kevés embernél van, értékes látni, hogy ezek az emberek valójában egyet értenek-e egymással abban, hol áll a szervezet. Egy tanácsadó a telepen, egy üzemvezető a raktárban és egy IT-kapcsolattartó a szövetkezetnél mindhárman másképp ítélhetik meg, mennyire érett az adatmenedzsment oldal. Ennek a szórásnak a láthatóvá tétele egy első lépés, nem egy végpont.
Amint tisztázódik, hol áll a szervezet ezeken a dimenziókon, a kérdés magától eltolódik a felkészültségről a tartalomra: a napi munka mely része venné át valójában az AI, adott felkészültség mellett? Ez más kérdés, mint amire ez az oldal választ ad. Az FTE TO AI munkascanje feladatonként kiszámítja, a munka mely része jöhet szóba átvételre, és így kapcsolódik ahhoz, amit egy érettségmérés előbb feltár. Aki előre szeretne gondolkodni azon, hogyan kellene kinéznie egy ilyen felmérésnek, kezdheti itt: mi tartozik egy döntés-leltárba, felkészülésként arra a pillanatra, amikor az alapok rendben vannak.
A hybridresourcing érettségmérése épp készül. Aki a plot-kört szeretné használni, amint az elérhető lesz, feliratkozhat a várólistára.
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.