A szerelőipar két világból áll, amelyek ritkán ugyanazt a kérdést vetik fel. Egyrészt ott van a fizikai munka: szerelők, akik vezetéket fektetnek, berendezéseket csatlakoztatnak, helyszínen hibákat javítanak. Másrészt ott van a köréjük épült organizáció: tervezés, munkaelőkészítés, ügyintézés, ügyfélkapcsolat, készletgazdálkodás. Az első nem automatizálható; a második viszont, változó mértékben, igen. Ez a viszony — sok kézi munka, egy információt feldolgozó organizatorikus réteggel körülvéve — határozza meg, hol tud növekedni az AI-érettség ebben a szektorban, és hol az a határ, amelyet szoftver nem old meg.
Ez a réteg nagyobb, mint gyakran feltételezik. Munkalapok, óranyilvántartás, anyagmegrendelések, szerelők beosztásának tervezése, kommunikáció megbízókkal és alvállalkozókkal: ezek olyan folyamatok, amelyek nagyrészt adatokból és döntési szabályokból állnak. Az, hogy egy organizáció tud-e ezzel valamit kezdeni, nem a megújulási szándéktól függ, hanem attól, mi van már meg. Egy vállalat, amely egy fehértábla és telefonhívások alapján tervez, más kiindulási ponton áll, mint egy vállalat, amelynek már van egy tervezőrendszere, amely átfutási időkről és elérhetőségről gyűjt adatokat.
A szerelőipari vállalatok, amelyek AI-t próbálnak ki, gyakran a láthatónál kezdenek: egy chatbotnál ügyfélkérdésekhez, egy eszköznél, amely segít ajánlatokat összeállítani. Ez ideiglenesen működik, amíg kiderül, hogy az alapul szolgáló adatok nem konzisztensek. Anyagkódok, amelyek telephelyenként eltérnek, óranyilvántartás, amely részben papíron zajlik, ügyféladatok, amelyek három rendszerben másképp szerepelnek — ez nem AI-probléma, ez egy adatgazdálkodási probléma, amely megelőzi az AI-t.
Az organizatorikus dimenzió is erősebben érvényesül itt, mint a hivatali munkában. A szerelőipari vállalatok gyakran egy állandó mag és egy változó alvállalkozói vagy ideiglenes munkaerő-csoporttal dolgoznak. Ki dönt egy új rendszerről, ki tartja azt karban, és a szerelők maguk viszik-e be az adatokat, vagy ezt a belső ügyintézésre hagyják — ezek a kérdések határozzák meg, hogy egy AI-alkalmazást elfogadnak, vagy az a munka mellett fog állni. Egy rendszer, amelyet a belső ügyintézés választott ki, de amelyet a terepen dolgozó szerelőknek kellene használniuk, gyakran elakad ezen az átmeneten.
A munka fizikai jellege egy specifikus IT-igényt hoz magával: mobil hozzáférés, offline munka olyan helyszíneken, ahol nincs kapcsolat, valamint a terepmunka és a hivatali rendszerek összekapcsolása. Sok szerelőipari vállalat ezt az infrastruktúrát részben már felépítette — szükségszerűségből, nem egy AI-stratégiából kiindulva —, de nem mindig úgy, hogy a rendszerek beszélgetnek egymással. Egy tervezőeszköz és egy számlázási rendszer, amelyek megosztott adatok nélkül léteznek egymás mellett, nem ad olyan alapot, amelyre az AI valamit hozzáadhatna.
Ez az a pont, ahol ez a szektor eltér egy olyan szektortól, mint az egészségügy, ahol az egészségügy AI-érettségét elsősorban a szabályozás és a felelősség lassítja, vagy a nagykereskedelemtől, ahol a nagykereskedelem AI-érettsége inkább a készlet- és rendelési adatok körül forog, mint a mobil infrastruktúra körül. A szerelőiparban a kérdés inkább az: létezik-e egy összefüggő kép egy munkáról, az első kontaktustól az átadásig, vagy szétesik-e ez az információ különálló rendszerekre, amelyeket senki nem köt össze.
A hybridresourcing érettségmérése hét dimenziót vizsgál, amelyek közül az organizáció, az IT-infrastruktúra és az adatgazdálkodás megelőzi a többit. A szerelőiparban ez egy logikus sorrend, nem egy választás. Egyértelmű adatok nélkül a materiálokról, órákról és ügyfelekről semmilyen AI-alkalmazásnak nincs mire megbízhatóan épülnie. Infrastruktúra nélkül, amely összeköti a terepmunkát és a hivatalt, minden alkalmazás a két világ egyikére korlátozódik marad. És egy organizáció nélkül, amely tisztázza, ki felelős azokért a rendszerekért, amelyeket állandó munkatársak és flexibilis munkaerő is használ, minden kezdeményezés a tulajdonjog körüli bizonytalanságban rekedhet meg.
Ez az ágazat ezt a mintát részben megosztja a feldolgozóiparral és a szállítási szektorral. A feldolgozóipar AI-érettségénél hasonlóképpen szerepet játszik a fizikai folyamat és a digitális réteg kombinációja, és a szállítási szektor AI-érettségénél a mobilitás és a szétszórt munkahelyek hasonló kérdést jelentenek. Aki a szerelőiparban dolgozik, tehát felismer saját helyzetéből egy részt más szektorokban, ahol sok munka zajlik az ajtón kívül, de az engedélyek, biztonsági előírások és materiálismeret specifikus kombinációja itt súlyosabbá teszi az adatgazdálkodási dimenziót, mint másutt.
Mivel egy plot-forduló több embert külön-külön pontoztat — egy igazgatót, egy tervezőt, egy szerelőt, egy IT-felelőst — láthatóvá válik, hogy ezek a képek megegyeznek-e egymással. Egy olyan szektorban, ahol ilyen nagy a különbség hivatal és terep között, ez a szórás gyakran nagyobb, mint várt, és pontosan ez a szórás informatív: megmutatja, hol egységes egy organizáció a saját felkészültségéről, és hol nem.
Ez az oldal azt írja le, hogy egy organizáció el tudja-e viselni az AI-t — hogy az organizáció, az infrastruktúra és az adatok alapjai rendben vannak-e. Ez más kérdés, mint az, hogy a munka melyik része vehető ténylegesen át AI által. Erre a kérdésre a FTE TO AI munkafelmérése feladatonként kiszámítja, hogy a munka mely része jön szóba az átvételre, azon alapulva, mit takar pontosan a munka, és nem az azt körülvevő organizáció felkészültségén. Aki tudni akarja, hol áll a szerelőipar, jól teszi, ha a két kérdést külön tartja: először azt, hogy megvan-e az alap, majd csak azután azt, hogy melyik munka tud tényleg elmozdulni.
Az eszköz, amellyel ezt a mérést végzik, épül. Aki el akarja végezni az érettségmérést, 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.