A gyáripar nem egy irodai környezet gépekkel kiegészítve. Ez egy olyan szektor, amelyben egy fizikai folyamat — alapanyag, feldolgozás, termék — vezető szerepet játszik, és amelyben a digitális rendszerek mindig ezt követik, vagy azért léteznek, hogy biztosítsák a folyamat működését. Ez a sorrend határozza meg, mit jelent itt az AI-érettség. Egy ERP-rendszer, egy MES, szenzorok egy gépen: azért léteznek, hogy támogassák a fizikai folyamatot, nem azért, hogy önállóan működjenek. Ez alapvetően más, mint az üzleti szolgáltatásokban, ahol a munka maga már digitális, és az adat kiindulópont, nem levezetett eredmény.
Ez a réteges felépítés bonyolítja az érettség mérését. Egy gyártó cégnek lehet modern tervezőalkalmazása, és mégsem tudja, mit csinál valójában a gép a padlón, mert azok az adatok soha nem lettek hozzáférhetővé téve. Ellenkező esetben egy elavult szoftverekkel dolgozó cégnek mégis jó rálátása lehet a folyamatára, mert az emberek a padlón évek óta pontosan rögzítik az adatokat. Az érettség és a rendszerek modernitása itt nem jár automatikusan együtt.
Az érettségmérés által alkalmazott hét dimenzió közül a gyáriparban gyakran egy adott mintázat figyelhető meg. Az IT-infrastruktúra és az adatmenedzsment — a két alapvető dimenzió — rendszeresen jelentős távolságot mutat a gyártás és az iroda között. A padlón olyan rendszerek működnek, amelyeket megbízhatóságra és üzemidőre építettek, nem adatmegosztásra. Az irodában olyan rendszerek működnek, amelyeket ugyan adatcserére hoztak létre, de nem mindig kapcsolódnak ahhoz, amit a gyárban történik. Ezek a két világ gyakran más definíciókat használnak ugyanarra a fogalomra, és ez anélkül történik, hogy valaki problémaként nevezné meg, amíg egy AI-projekt megfeneklik rajta.
A szervezeti dimenziónak saját mintázata van. A gyártási folyamatokba történő beruházásokról szóló döntések gyakran műszaki hátterű emberek kezében vannak, míg az adatstratégiáról szóló döntéseket mások hozzák. Ha ezek a két csoportok ritkán ülnek egy asztalnál, olyan szervezet jön létre, amely papíron készen áll az AI-ra, de a gyakorlatban két külön napirendet követ. Ez más eltérés, mint az oktatásban, ahol a távolság gyakrabban a szabályozás és a szakember napi gyakorlata között van, nem két operatív pillér között ugyanazon vállalaton belül.
A plot-kör — amelyben több ember egymástól függetlenül pontoz a hét dimenzión — a gyáriparban gyakran éles kontrasztot tár fel a gyártásvezetés és az IT- vagy vezetői szint között. Egy gyártásvezető olykor magasra értékeli az adatmenedzsment dimenziót, mert a gép pontosan rögzíti, mi történik. Egy IT-vezető alacsonyra értékeli ugyanezt a dimenziót, mert azok az adatok sehol nincsenek strukturáltan tárolva vagy elemzésre hozzáférhetővé téve. Mindkét megfigyelés helyes; csak a folyamat más részére néznek.
Ez az eltérés funkcionális, nem kellemetlen. Megmutatja, hogy a szervezeten belül hol hiányzik a közös kép, és ez pontosan az az információ, amelyre szükség van, mielőtt valamit hozzáadnának egy pilothoz. Egy pilot, amely az alapvető dimenziókon — szervezet, infrastruktúra, adat — fut anélkül, hogy ezt az eltérést észrevették volna, azzal a kockázattal jár, hogy elakad egy olyan problémán, amelyet senki nem nevezett meg, mert senkinek nem volt teljes rálátása.
Mivel a fizikai folyamat vezető szerepet játszik, a gyáriparban gyakran az a kísértés, hogy az AI-t azonnal egy operatív problémára irányítsák: karbantartás előrejelzése, minőség ellenőrzése, tervezés optimalizálása. Ezek látható, vonzó alkalmazások a függő dimenziókon. De az, hogy működnek-e, attól függ, mi áll előttük: az adat a gépből olyan módon lett-e rögzítve, hogy újrafelhasználható, van-e valaki, aki felelős azért, hogy ezek az adatok megfelelő minőségűek legyenek, és van-e olyan szervezeti struktúra, amelyben a gyártás és az IT ugyanazokat a definíciókat használják. Ez az alap nélkül egy pilot izolált kísérlet marad, bármennyire is jó a modell.
Ez a sorrend nem csak itt érvényes. A közlekedési szektorban hasonló feszültség áll fenn az operatív rendszerek és a központi adatok között, és az agrárszektorban a fizikai folyamat — a növény, az állat, az évszak — ugyanúgy vezető szerepet játszik afölött, mit tudnak a digitális rendszerek rögzíteni és befolyásolni. A gyáripar nem kivétel ebben a logikában, viszont olyan szektor, ahol egy kihagyott alap következményei gyorsan láthatóvá válnak a padlón.
Az érettségmérés nem ítéletet mond egy gyárról vagy egy szektorról; egy képet ad öt szintről hét dimenzión, amelyet a szervezet több tagja töltött ki. Ez a kép megmutatja, hol állnak már az alapvető dimenziók és hol hiányoznak még, és hol térnek el a vélemények a vállalaton belül. Ez másfajta beszélgetés, mint az, hogy egy pilot mennyire meggyőző; ez a beszélgetés arról szól, hogy a szervezet elbír-e egy pilotot.
Ha egyszer tisztázódott, hol áll a szervezet azokon a dimenziókon, amelyeknek az AI-t kell hordozniuk, egy másik kérdés merül fel: a munka mely része alkalmas arra, hogy átadják az AI-nak. Ezt nem ez a mérés válaszolja meg. Erre a FTE TO AI munkaszkennere szolgál, amely feladatonként kiszámítja, mekkora rész vehető át az AI által. Az érettségmérés és a munkaszkenner illeszkednek egymáshoz: az egyik megmutatja, hogy az alap megvan-e, a másik megmutatja, mi változik ezen a munkán, adott alap esetén. Aki mindkét képet kombinálja, nem csak azt tudja, hogy a szervezet készen áll-e, hanem azt is, hol jelenik meg konkrétan az első változás.
A hybridresourcing.com érettségmérése épül. Aki szeretné elvégezni a plot-kört, 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.