Lauksaimniecības nozarei ir ritms, kāda maz kurai citai nozarei ir. Pārskata gads nesatur divpadsmit vienādus mēnešus, bet gan augšanas sezonu, ražas novākšanu, atpūtas periodu. Dati, kas savākti aprīlī, liecina par kaut ko citu nekā dati no oktobra. Tas nozīmē, ka AI brieduma līmenis šajā nozarē nav momentuzņēmuma jautājums. Organizācija uz papīra var izskatīties labi ziemā, un tomēr vasarā iestrēgt, vienkārši tāpēc, ka spiediens uz operatīvo darbību tad ir sadalīts citādi.
Turklāt nozare ir pārsteidzoši slāņota. No vienas puses ir lielas kooperatīvas un pārstrādes uzņēmumi ar savām IT nodaļām un datu komandām. No otras puses ir ģimenes uzņēmumi un individuāli saimniecību turētāji, kur darbības vadība atrodas galvās, nevis sistēmās. Abas formas pastāv zem viena nozares nosaukuma, un tas nozīmē, ka apgalvojums par "lauksaimniecības nozari" ātri vien izrādās pārāk vispārīgs. Šo divu formu attiecība nosaka vairāk par vidējo brieduma līmeni nekā jebkura tehnoloģiska attīstība.
Daudzos lauksaimniecības uzņēmumos nepietrūkst ambīciju, bet gan pamata, uz kura AI būtu jāatbalstās. Sensoru dati no lauka, meteoroloģiskā informācija, krājumu dati un grāmatvedības uzskaite bieži pastāv atsevišķās sistēmās, kas nesarunājas cita ar citu. Tas ir datu pārvaldības jautājums, un tā ir viena no dimensijām, ko brieduma mērījumā uzskata par pamatdimensiju — nevis tāpēc, ka tā ir izvēle, bet tāpēc, ka organizācija bez saskaņotiem datiem nevar nodrošināt AI lietojumu, kam jāpaļaujas uz šiem datiem.
Arī IT infrastruktūra ir ļoti atšķirīga. Piena saimniecībai ar automātiskiem slaukšanas robotiem jau gadiem ir jāstrādā ar sensoriem un datu apstrādi, kamēr laukkopības saimniecība varbūt izmanto tikai grāmatvedības programmu un laika ziņu aplikāciju. Šī atšķirība sākuma pozīcijā nav ne labs, ne slikts, bet tā nosaka, kāds solis ir loģisks. Uzņēmumam, kas jau vāc sensoru datus, priekšā ir citāds jautājums nekā uzņēmumam, kam vēl jānoskaidro, kādus datus tas vispār vēlas fiksēt.
Organizācijas dimensija pievieno tam savu slāni. Ģimenes uzņēmumos lēmumu pieņemšanas vara bieži gulstas uz vienu vai divām personām, kas var padarīt lēmumus ātrus, bet tas arī nozīmē, ka AI brieduma līmenis lielā mērā ir saistīts ar to, ko šī persona zina un vēlas. Kooperatīvās un lielākos pārstrādes uzņēmumos svarīgāks ir jautājums, kā lēmumi tiek sadalīti starp biedriem, valdi un izpildvaru — un vai tur ir struktūra, kas parādītos vērtēšanas apļa gaitā.
Lietojumi, kas nozarei izklausās interesanti — prognozējošā tehnikas apkope, ražas prognozēšana, automatizēta sortēšana — visi ir atkarīgi no tā, kas atrodas apakšā. Bez infrastruktūras, kas mērījumus fiksē uzticami, un bez datiem, kas ir konsekventi visās sezonās, AI lietojums paliek eksperiments, kas darbojas, kamēr apstākļi to ļauj. Tieši tāpēc pamatdimensijām ir priekšroka: nevis kā politikas izvēlei, bet kā secībai, kas izriet no prakses. Kas vēlas par šo lasīt vairāk, atradīs skaidrojumu kāpēc pamatdimensijām jābūt pirmajām.
Šī secība nav spēkā vienīgi lauksaimniecībā. Citas nozares ar smagu operatīvo kodolu un izplatītu lēmumu pieņemšanu rāda līdzīgus modeļus, kā aprakstīts cik tālu enerģētikas nozare ir tikusi ar AI brieduma līmeni un cik tālu nekustamā īpašuma nozare ir tikusi ar AI brieduma līmeni. Salīdzinājumam: nozares ar sākotnēji digitāliem procesiem, kā aprakstīts cik tālu IKT nozare ir tikusi ar AI brieduma līmeni, parasti sāk no citāda sākumpunkta attiecībā uz infrastruktūru un datiem, kas parāda, cik lielas var būt atšķirības starp nozarēm.
Lauksaimniecības nozares vadītājam vai operatīvajam direktoram brieduma mērījuma vērtība nav skaitlis, ar ko lielīties, bet tas, ka tas parāda, kur organizācijas ietvaros pastāv atšķirības starp cilvēkiem. Vai operatīvais vadītājs redz datu situāciju citādi nekā īpašnieks? Vai par IT atbildīgā persona — ja tāda ir — domā, ka infrastruktūra ir gatava, kamēr cilvēki uz vietas ikdienā saskaras ar manuāliem apkārtceļiem? Vērtēšanas aplis, kurā vairāki cilvēki vērtē atsevišķi, atklāj šīs atšķirības, pirms tās var izgāzt izmēģinājuma projektu.
Tieši nozarē, kur lēmumu pieņemšana bieži atrodas maz cilvēku rokās, ir vērtīgi redzēt, vai šie cilvēki savā starpā vispār ir vienisprātis par to, kur organizācija atrodas. Konsultants uz saimniecības, saimniecības vadītājs noliktavā un IT kontaktpersona kooperatīvā — visiem trim var būt atšķirīgs vērtējums par to, cik brieduma līmenis ir datu pārvaldības jomā. Šīs atšķirības padarīt redzamas ir pirmais solis, ne beigu punkts.
Tiklīdz ir skaidrs, kur organizācija atrodas šajās dimensijās, jautājums pats no sevis pāriet no gatavības uz saturu: kādu daļu no ikdienas darba AI faktiski varētu pārņemt, ņemot vērā šo gatavību? Tas ir cits jautājums nekā tas, uz kuru atbild šī lapa. FTE TO AI darba skenējums pēc uzdevumiem izrēķina, kāda daļa darba ir piemērota pārņemšanai, un tādējādi savienojas ar to, ko brieduma mērījums vispirms iezīmē. Kas vēlas jau iepriekš padomāt, kā šādai inventarizācijai jāizskatās, var sākt ar kas pieder pie lēmumu inventāra, gatavojoties brīdim, kad pamati būs sakārtoti.
hybridresourcing brieduma mērījums ir izstrādes procesā. Kas vēlas izmantot vērtēšanas apli, tiklīdz tas būs pieejams, var pierakstīties gaidīšanas sarakstā.
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.