L'industria manifatturiera non è un ambiente d'ufficio con qualche macchina in più. È un settore in cui un processo fisico — materia prima, lavorazione, prodotto — è determinante, e in cui i sistemi digitali sono sempre al suo servizio, o devono garantire che il processo continui a funzionare. Questo ordine determina cosa significhi qui la maturità AI. Un sistema ERP, un MES, sensori su una macchina: esistono per supportare il processo fisico, non per funzionare autonomamente. Ciò è fondamentalmente diverso da i servizi professionali, dove il lavoro stesso è già digitale e i dati sono un punto di partenza invece che un derivato.
Questa stratificazione rende più complessa la misurazione della maturità. Un'azienda produttiva può disporre di un moderno applicativo di pianificazione e tuttavia non avere alcuna idea di cosa faccia realmente la macchina in officina, perché quei dati non sono mai stati resi accessibili. Al contrario, un'azienda con software obsoleto può avere una buona visione del proprio processo, perché le persone in officina registrano con precisione da anni. Maturità e modernità dei sistemi non vanno qui automaticamente di pari passo.
Nelle sette dimensioni utilizzate dalla misurazione della maturità, nell'industria manifatturiera emerge spesso uno schema specifico. Infrastruttura IT e gestione dei dati — due delle dimensioni fondamentali — mostrano regolarmente una grande distanza tra produzione e ufficio. In officina funzionano sistemi costruiti per l'affidabilità e la continuità operativa, non per la condivisione dei dati. In ufficio funzionano sistemi progettati per lo scambio di informazioni, ma non sempre collegati a ciò che accade in fabbrica. Questi due mondi usano spesso definizioni diverse dello stesso termine, e ciò accade senza che nessuno lo identifichi come un problema, finché un progetto AI non ci si incaglia.
La dimensione organizzativa presenta uno schema proprio. Le decisioni sugli investimenti nei processi produttivi spettano spesso a persone con un background tecnico, mentre le decisioni sulla strategia dei dati spettano ad altri. Quando questi due gruppi si trovano raramente allo stesso tavolo, si crea un'organizzazione che sulla carta sembra pronta per l'AI, ma che nella pratica segue due agende separate. Si tratta di una dispersione diversa da quella riscontrata in l'istruzione, dove la distanza si trova più spesso tra le politiche e la pratica quotidiana del professionista, non tra due colonne operative all'interno della stessa azienda.
La fase di plotting — in cui più persone valutano indipendentemente le sette dimensioni — spesso rivela nell'industria manifatturiera un netto contrasto tra la direzione produttiva e il livello IT o direzionale. Un responsabile di produzione talvolta valuta alta la dimensione gestione dei dati, perché la macchina registra esattamente ciò che accade. Un responsabile IT valuta bassa quella stessa dimensione, perché quei dati non vengono archiviati in modo strutturato né rese accessibili per l'analisi in nessun luogo. Entrambe le osservazioni sono corrette; guardano semplicemente a una parte diversa del processo.
Questa dispersione è funzionale, non imbarazzante. Mostra dove all'interno dell'organizzazione manca una visione condivisa, e questa è esattamente l'informazione necessaria prima di aggiungere qualcosa a un pilota. Un pilota che si basa sulle dimensioni fondamentali — organizzazione, infrastruttura, dati — senza che questa dispersione sia stata notata, rischia di incagliarsi su un problema che nessuno aveva identificato perché nessuno aveva il quadro completo.
Poiché il processo fisico è determinante, nell'industria manifatturiera la tentazione è spesso quella di orientare l'AI direttamente su un problema operativo: prevedere la manutenzione, controllare la qualità, ottimizzare la pianificazione. Sono applicazioni visibili e attraenti sulle dimensioni dipendenti. Ma se funzionano dipende da ciò che deve essere presente prima: i dati provenienti dalla macchina sono registrati in modo riutilizzabile, c'è qualcuno responsabile della qualità di quei dati, ed esiste una struttura organizzativa in cui produzione e IT condividono le stesse definizioni. Senza queste fondamenta, un pilota resta un esperimento isolato, per quanto buono sia il modello.
Questo ordine non vale solo qui. In il settore dei trasporti è presente una tensione simile tra sistemi operativi e dati centrali, e in il settore agricolo il processo fisico — la coltura, l'animale, la stagione — è altrettanto determinante rispetto a ciò che i sistemi digitali possono registrare e influenzare. L'industria manifatturiera non è un'eccezione a questa logica, ma è un settore in cui le conseguenze di fondamenta saltate diventano rapidamente visibili in officina.
La misurazione della maturità non esprime un giudizio su una fabbrica o un settore; fornisce un quadro di cinque livelli su sette dimensioni, compilato da più persone dell'organizzazione stessa. Questo quadro mostra dove le dimensioni fondamentali sono già solide e dove ancora mancano, e dove le opinioni all'interno dell'azienda divergono. È un discorso diverso rispetto a se un pilota sia impressionante; è il discorso sul fatto se l'organizzazione possa sostenere un pilota.
Una volta chiarito a che punto si trova l'organizzazione sulle dimensioni che devono sostenere l'AI, emerge un'altra domanda: quale parte del lavoro stesso sia idonea al trasferimento all'AI. Non è questo che risponde questa misurazione. A questo scopo è pensata la scansione del lavoro di FTE TO AI, che calcola per ciascuna attività quale parte di essa può essere assunta dall'AI. La misurazione della maturità e la scansione del lavoro si integrano a vicenda: l'una mostra se le fondamenta sono presenti, l'altra mostra cosa cambia, date quelle fondamenta, in quel lavoro. Chi combina entrambi i quadri sa non solo se l'organizzazione è pronta, ma anche dove si manifesterà concretamente il primo cambiamento.
La misurazione della maturità di hybridresourcing è in fase di sviluppo. Chi desidera partecipare alla fase di plotting non appena sarà disponibile può iscriversi alla lista d'attesa.
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.