Az építőipar évtizedek óta egy réteges lánccal dolgozik: megbízó, főaannemer, alvállalkozók, beszállítók. Ez a lánc megszokta, hogy a felelősséget felosztja és a munkát fázisokban adja le. Ez bizonyos szempontból jobban felkészíti az ágazatot az AI-ra, mint más szektorokat — van fegyelem a tervezésben, a minőségellenőrzésben, a megállapodások rögzítésében. Ugyanez a lánc azonban törékennyé teszi az adatokat. Rajzok, kalkulációk, tervek és haladási jelentések különböző szereplőknél, különböző rendszerekben, az igazság különböző verzióival keletkeznek. Egy AI-alkalmazás, amelynek ezekre az adatokra kellene épülnie, olyasmire épül, amely gyakran nem teljes, nem naprakész vagy nem központosított.
Ez a különbség a szervezeti fegyelem és az adatérettség között pontosan az, amin sok AI-pilot elakad az építőiparban. Egy projektvezető AI-eszközt próbál bevetni tervezésoptimalizálásra, de a bemeneti adatok három rendszerből érkeznek, amelyek nem kapcsolódnak egymáshoz. Egy munkaelőkészítő automatikusan szeretné ellenőriztetni a kalkulációkat, de a historikus adatok külön Excel-fájlokban vannak elosztva projektenként. A pilot nem azért akad el, mert a technológia nem működik, hanem mert a szervezet még nincs erre felkészítve.
Az AI-érettség nem csak azt méri, hogy egy szervezet használ-e eszközöket, hanem hogy megvan-e alatta az alap. Ez a szervezetnél magánál kezdődik: van-e egyértelmű tulajdonosa a digitalizációnak, megosztják-e a tudást a projektek között, vagy minden projekt sziget marad. Ezután következik az IT-infrastruktúra: össze vannak-e kapcsolva a rendszerek, van-e olyan alap, amelyre új alkalmazások épülhetnek anélkül, hogy mindent kézzel át kellene írni. Csak ezután jön az adatmenedzsment: megbízható, naprakész és hozzáférhető-e a meglévő adat azok számára, akiknek dolgozniuk kell vele.
Ez a sorrend nem preferencia, hanem az a mód, ahogyan a rendszer működik. Egy szervezet, amely az adatmenedzsmentet szeretné javítani anélkül, hogy az IT-infrastruktúra ezt támogatná, homokra épít. Egy szervezet, amely AI-alkalmazásokat szeretne bevezetni anélkül, hogy tudná, ki a tulajdonosa melyik folyamatnak, egy olyan eszközt kap, amelyet senki nem tart karban. Az építőiparban ez a mintázat jól látható: az ágazatnak gyakran megvan a szervezeti akarata, de az infrastruktúra és az adatok lemaradnak. Ez megmagyarázza, miért sikeresek gyakran a pilotok projektszinten, és miért futnak zátonyra szervezeti szinten — az alapvető dimenziók nem nőttek fel az ambícióhoz.
A hybridresourcing érettségmérése hét dimenziót vizsgál, a szervezettől és az infrastruktúrától a függőbb rétegekig, mint a folyamatautomatizálás és a döntéshozás. Minden dimenzióra öt szint egyike vonatkozik: baseline, foundation, activation, insight vagy intelligence. Az építőiparban a kép gyakran egyenetlenül oszlik el ezek között a dimenziók között. Egy vállalat állhat magasan szervezeti szinten — világos szerepek, digitalizációs napirend, támogatás a vezetés részéről — és mégis a baseline szinten állhat az adatmenedzsmentben, mert a projektadatokat sosem gyűjtötték össze központilag.
Ez az egyenetlenség láthatóvá válik a plot-körben, amelyben a szervezeten belül több ember külön-külön pontoz. Egy igazgató és egy kivitelező nagyon eltérően ítélheti meg ugyanazt a vállalatot, és ez a szórás önmagában is információ. Ha a CIO azt gondolja, hogy az adatok rendben vannak, míg a munkaelőkészítő naponta küzd az elszórt fájlokkal, akkor ott egy olyan szűk keresztmetszet rejlik, amelyet egyetlen beszélgetés nem tárt volna fel. Egy olyan ágazatban, ahol a munka projektek és felek között oszlik el, ez a szórás gyakran nagyobb az átlagosnál — és így informatívabb.
Ez a mérés semmit nem mond arról, mely feladatokat veheti át az AI, vagy mennyi időt takarít meg ezzel. A kérdés az, hogy a szervezet elviseli-e az AI-t: megvan-e az alap, kész-e az infrastruktúra, elég megbízhatóak-e az adatok ahhoz, hogy erre építsünk. Ez a kérdés az építőipar számára relevánsabb, mint azokban a szektorokban, ahol az adatokat természetüknél fogva már központilag rögzítik. Hasonlítsa össze az installációs ágazattal, ahol a projektalapú munka és a szétaprózott adatok hasonló szűk keresztmetszeteket eredményeznek, vagy a feldolgozóiparral, ahol a termelési adatok és a szervezeti struktúra más egyensúlyt mutatnak. Ugyancsak a szállítási szektor is hasonló feszültséget mutat az operatív fegyelem és a digitális megalapozottság között, ami arra utal, hogy ez a mintázat nem egyedi az építőiparra nézve, de a lánc szerkezete miatt saját intenzitással jelenik meg.
Az eszköz, amellyel ezt mérik, még épül. Aki a mérést el szeretné végezni, amint elérhetővé válik, feliratkozhat a várólistára. Itt semmi olyat nem ajánlanak, amit még nem működik, és semmit nem ígérnek az eredményről — csak egy őszinte képet arról, hol áll most a szervezet, dimenzióról dimenzióra.
Ha kiderül, hogy az alapvető dimenziók rendben vannak, vagy úton vannak afelé, akkor egy másik kérdés válik relevánssá: a munka mely része alkalmas magára arra, hogy az AI vegye át. Ez más mérés, mint ez. Ahol a hybridresourcing azt vizsgálja, hogy a szervezet elviseli-e az AI-t, a FTE TO AI munkaszkennelése feladatonként számítja ki, hogy a munka mekkora része vehető át — nem becslésként, hanem egy feladatanalízis eredményeként. Egy építőipari vállalat számára, amely tudja, hol áll az alap, ez a logikus következő lépés: először az alap, majd a kérdés, hogy mit lehet arra építeni.
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.