I trasporti e la logistica non sono un settore che deve far entrare l'AI dall'esterno. Software di pianificazione, track-and-trace, ottimizzazione dei percorsi e sistemi di gestione del magazzino operano qui già da decenni. Questo dà un'apparenza di vantaggio: ci sono dati, ci sono sistemi, c'è una cultura di misurazione e ottimizzazione. Ma la misurazione della maturità di hybridresourcing dimostra che questo è qualcosa di diverso dalla prontezza per l'AI. Un'organizzazione può essere eccellente nei sistemi operativi e tuttavia trovarsi ancora a livello baseline o foundation sulle dimensioni fondamentali — organizzazione, infrastruttura IT, gestione dei dati. La domanda non è se esistano sistemi, ma se questi sistemi comunicano tra loro e se l'organizzazione attorno ad essi sia strutturata per costruirvi sopra qualcosa di nuovo.
All'interno dei trasporti e della logistica, il rapporto tra le aziende varia notevolmente in base al tipo di attività. Un'azienda che si occupa principalmente di pianificazione e regia, con sviluppo software proprio e un reparto IT in grado di collegare i sistemi tra loro, si trova spesso più vicina ad activation o insight. Un'azienda che si occupa principalmente dell'esecuzione — guidare, caricare, scaricare — e lavora con un insieme di sottosistemi di diversi fornitori, si trova spesso ancora a livello foundation. La maggior parte del settore si colloca in una posizione intermedia tra queste due, con uno strato fondamentale meglio sviluppato rispetto a molti altri settori, ma con una gestione dei dati che resta indietro: i dati si trovano spesso in silos per sistema, per sede, per cliente, senza che nessuno sia proprietario dell'insieme.
Ciò posiziona i trasporti diversamente rispetto ai settori dove è proprio la struttura organizzativa il collo di bottiglia. Nei servizi professionali spesso è la raccolta dei dati stessa il problema, perché il lavoro consiste in gran parte di comunicazione non strutturata. Nei trasporti, invece, esiste molta più informazione strutturata — luoghi, orari, pesi, temperature — ma questi dati sono distribuiti su sistemi che non sono stati costruiti per comunicare tra loro. È un tipo di ritardo diverso dalla mancanza di dati; è una mancanza di coerenza.
In un round di plot in cui persone diverse assegnano punteggi indipendentemente, nelle aziende di trasporto emerge spesso uno schema riconoscibile. Il management operativo valuta alta l'infrastruttura IT, perché i sistemi che usa quotidianamente funzionano bene per il proprio processo. L'IT o un CIO valuta più bassa la stessa dimensione, perché sa quanto lavoro manuale è necessario per trasferire i dati tra i sistemi. Questa dispersione non è un errore di misurazione. È la differenza tra un sistema che funziona per il compito per cui è stato costruito e un'infrastruttura idonea a costruirvi sopra nuove funzionalità. Per le applicazioni di AI è soprattutto questa seconda domanda a essere rilevante, e viene posta raramente durante l'operatività quotidiana.
Le sette dimensioni si costruiscono l'una sull'altra, e nei trasporti questa costruzione è ben visibile. Senza uno strato di gestione dei dati che riunisca le informazioni provenienti da sistemi di pianificazione, telematica e portali clienti, un'applicazione di AI non ha nulla di coerente su cui addestrarsi o reagire. Le aziende che saltano questo passaggio e avviano direttamente un progetto pilota di AI su un singolo sottoprocesso — ad esempio la manutenzione predittiva su un tipo di camion — spesso scoprono che il risultato non si può estendere al resto del parco veicoli, semplicemente perché i dati sottostanti non sono stati registrati nello stesso modo. Non è un difetto tecnico dell'AI, ma un segnale che lo strato fondamentale non è ancora completo.
Questo ordine non vale solo per i trasporti. Nel settore agricolo si presenta lo stesso problema con i dati dei sensori registrati diversamente per coltura o per azienda, e nella vendita al dettaglio lo si ritrova nei dati di magazzino e di vendita conservati separatamente per catena o canale. I trasporti si distinguono per la quantità di dati strutturati già esistenti, il che rende il passaggio fondamentale al tempo stesso più facile e più tentante da saltare — più facile perché i mattoni ci sono, più tentante perché si ha l'impressione di essere già molto avanti.
La misurazione della maturità di hybridresourcing traduce questo schema in cinque livelli, da baseline a intelligence, distribuiti su sette dimensioni. Per un'azienda di trasporti, questo produce solitamente un profilo con uno strato operativo solido e uno strato dati e organizzativo più debole, con differenze che possono essere notevoli tra le diverse divisioni o sedi aziendali. Questo profilo non dice nulla sul fatto che l'AI funzionerà o meno, né su una tempistica. Mostra quale dimensione al momento trattiene le altre, e questa è esattamente l'informazione necessaria prima che un'organizzazione decida da dove cominciare. Lo strumento che esegue questa misurazione è in fase di sviluppo; chi desidera utilizzarlo non appena sarà disponibile può iscriversi alla lista d'attesa.
Questa pagina riguarda la domanda se l'organizzazione possa sostenere l'AI — se le fondamenta di organizzazione, infrastruttura e dati siano a posto prima di costruirvi sopra qualcosa. È una domanda diversa da quale parte del lavoro stesso possa essere effettivamente svolta dall'AI. Per questa domanda, a livello dei singoli compiti all'interno della pianificazione, dei trasporti e dell'amministrazione logistica, esiste la scansione del lavoro di FTE TO AI: essa calcola, per ciascun compito, quale parte può essere svolta dall'AI, indipendentemente dal livello a cui si trova l'organizzazione circostante. Chi vuole sapere a che punto si trova l'organizzazione inizia da questa misurazione; chi vuole sapere cosa succede al lavoro stesso lo trova nella scansione del lavoro.
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.