A che punto è il settore agricolo con la maturità AI

Un settore che respira con le stagioni

Il settore agricolo ha un ritmo che poche altre settori conoscono. Un esercizio contabile non conta dodici mesi uguali, ma una stagione di crescita, un raccolto, un periodo di riposo. I dati raccolti in aprile dicono qualcosa di diverso rispetto ai dati di ottobre. Questo fa sì che la maturità AI in questo settore non sia una questione di un'istantanea. Un'organizzazione può apparire ben posizionata sulla carta in inverno e comunque incepparsi in estate, semplicemente perché la pressione sull'operatività è distribuita in modo diverso.

Inoltre, il settore è sorprendentemente stratificato. Da un lato ci sono grandi cooperative e aziende di trasformazione con reparti IT e team dati propri. Dall'altro ci sono aziende familiari e imprese individuali dove la gestione aziendale risiede nelle teste delle persone, non nei sistemi. Entrambe le forme rientrano sotto un unico nome di settore, e questo significa che un'affermazione su "il settore agricolo" diventa rapidamente troppo generica. Il rapporto tra queste due forme determina più sulla maturità media rispetto a qualsiasi sviluppo tecnologico.

Dove i fondamenti vacillano

In molte aziende agricole non manca l'ambizione, ma la base su cui l'AI dovrebbe poggiare. I dati dei sensori dal campo, le informazioni meteorologiche, i dati di magazzino e l'amministrazione presso il commercialista vivono spesso in sistemi separati che non comunicano tra loro. Questo è un problema di gestione dei dati, ed è una delle dimensioni che nella misurazione della maturità è considerata fondamentale — non perché sia una preferenza, ma perché un'organizzazione senza dati coerenti non può sostenere un'applicazione AI che deve fare affidamento su quei dati.

Anche l'infrastruttura IT varia notevolmente. Un'azienda di allevamento da latte con robot di mungitura automatici ha a che fare da anni con sensori ed elaborazione dati, mentre un'azienda di coltivazione di seminativi forse usa solo un programma di contabilità e un'app meteo. Questa differenza nel punto di partenza non è giusta o sbagliata, ma determina quale passo sia logico. Un'azienda che già raccoglie dati dai sensori si trova di fronte a una domanda diversa rispetto a un'azienda che deve ancora stabilire quali dati vuole effettivamente registrare.

La dimensione organizzativa aggiunge un ulteriore livello. Nelle aziende familiari, il potere decisionale spesso risiede in una o due persone, il che può rendere le decisioni rapide, ma significa anche che la maturità AI è fortemente legata a ciò che quella persona sa e vuole. Nelle cooperative e nei trasformatori più grandi si pone piuttosto la questione di come le decisioni vengano distribuite tra i membri, il consiglio direttivo e l'esecuzione — e se in questo vi sia una struttura tale da rendere visibile un giro di plot.

Le dimensioni dipendenti seguono solo dopo

Le applicazioni che sembrano interessanti per il settore — manutenzione predittiva delle macchine, previsione dei raccolti, smistamento automatizzato — dipendono tutte da ciò che sta sotto. Senza un'infrastruttura che registri le misurazioni in modo affidabile e senza dati coerenti attraverso le stagioni, un'applicazione AI resta un esperimento che funziona finché le condizioni sono favorevoli. Questo è esattamente il motivo per cui le dimensioni fondamentali hanno la precedenza: non come scelta politica, ma come ordine che deriva dalla pratica. Chi vuole saperne di più trova un approfondimento in perché le dimensioni fondamentali devono venire prima.

Questo ordine non vale solo nell'agricoltura. Altri settori con un nucleo operativo pesante e un processo decisionale distribuito mostrano modelli simili, come si può leggere in a che punto è il settore energetico con la maturità AI e in a che punto è il settore immobiliare con la maturità AI. Per confronto: i settori con processi digitali fin dall'origine, come descritto in a che punto è il settore ICT con la maturità AI, partono generalmente da un punto di partenza diverso per infrastruttura e dati, il che mostra quanto possa essere ampia la dispersione tra settori.

Cosa produce qui una misurazione

Per un CEO o un COO nel settore agricolo, il valore di una misurazione della maturità non sta nel produrre un numero con cui vantarsi, ma nel rendere visibile dove si trova la dispersione tra le persone nell'organizzazione. Il responsabile operativo vede la situazione dei dati diversamente rispetto al proprietario? Il responsabile IT — se esiste — pensa che l'infrastruttura sia pronta, mentre le persone sul campo si scontrano quotidianamente con soluzioni manuali alternative? Un giro di plot in cui più persone assegnano un punteggio separatamente mette in luce queste differenze prima che facciano naufragare un progetto pilota.

Proprio in un settore dove il processo decisionale spesso risiede in poche persone, è prezioso vedere se queste persone siano effettivamente d'accordo tra loro su dove si trova l'organizzazione. Un consulente presso l'azienda agricola, un responsabile aziendale nel magazzino e un referente IT presso la cooperativa possono avere tutti e tre una valutazione diversa di quanto sia matura la gestione dei dati. Rendere visibile questa dispersione è un primo passo, non un punto finale.

Quando la domanda si sposta verso il lavoro stesso

Non appena è chiaro a che punto si trova l'organizzazione su queste dimensioni, la domanda si sposta naturalmente dalla prontezza al contenuto: quale parte del lavoro quotidiano potrebbe effettivamente essere assunta dall'AI, data quella prontezza? Questa è una domanda diversa da quella a cui risponde questa pagina. La scansione del lavoro di FTE TO AI calcola per compito quale parte del lavoro sia idonea per l'assunzione, e si collega così a ciò che una misurazione della maturità individua per prima. Chi vuole già riflettere su come dovrebbe apparire un tale inventario può iniziare da cosa deve contenere un inventario delle decisioni, come preparazione al momento in cui i fondamenti saranno a posto.