Ražošanas nozare nav biroja vide, kurai vienkārši pievienotas mašīnas. Tā ir nozare, kurā vadošā loma ir fiziskam procesam — izejmateriāls, apstrāde, produkts —, un digitālās sistēmas šim procesam vienmēr seko vai nodrošina, ka process turpina darboties. Šī secība nosaka, ko AI gatavības līmenis šeit nozīmē. ERP sistēma, MES, sensori uz mašīnas: tie pastāv, lai atbalstītu fizisko procesu, ne lai funkcionētu autonomi. Tas krasi atšķiras no biznesa pakalpojumu sektora, kur darbs pats jau ir digitāls un dati ir sākumpunkts, nevis atvasinājums.
Šī daudzslāņainība padara gatavības līmeņa mērīšanu sarežģītāku. Ražošanas uzņēmumam var būt moderna plānošanas programma, un tomēr nav ne mazākās nojausmas, ko mašīna cehā faktiski dara, jo šie dati nekad nav tikuši atvērti. Un pretēji — uzņēmumam ar novecojušu programmatūru var būt labs pārskats par savu procesu, jo cehā strādājošie cilvēki gadiem ilgi precīzi reģistrē datus. Sistēmu gatavības līmenis un modernitāte šeit ne vienmēr sakrīt.
Septiņu dimensiju ietvaros, kuras izmanto gatavības līmeņa mērījumā, ražošanas nozarē bieži izceļas noteikts modelis. IT infrastruktūra un datu pārvaldība — divas no fundamentālajām dimensijām — regulāri parāda lielu atšķirību starp ražošanu un biroju. Cehā darbojas sistēmas, kas veidotas uzticamībai un darba laika nepārtrauktībai, ne datu koplietošanai. Birojā darbojas sistēmas, kas veidotas datu apmaiņai, bet ne vienmēr pievienotas tam, kas notiek ražotnē. Šīs divas pasaules bieži izmanto atšķirīgas definīcijas vienam un tam pašam terminam, un tas notiek, kamēr neviens to neuzskata par problēmu, līdz AI projekts pie tā apstājas.
Organizācijas dimensijai ir savs modelis. Lēmumi par investīcijām ražošanas procesos bieži tiek pieņemti cilvēku, kuriem ir tehniska pieredze, ziņā, savukārt lēmumi par datu stratēģiju ir citu ziņā. Ja šīs divas grupas reti sēž pie viena galda, veidojas organizācija, kas uz papīra izskatās gatava AI, bet praksē seko divām atsevišķām darba kārtībām. Tā ir cita izkliede nekā izglītības nozarē, kur atšķirība biežāk ir starp politiku un profesionāļa ikdienas praksi, ne starp divām operacionālām kolonnām viena un tā paša uzņēmuma ietvaros.
Plot-kārta — kurā vairāki cilvēki, viens no otra neatkarīgi, novērtē septiņas dimensijas — ražošanas nozarē bieži atklāj asu kontrastu starp ražošanas vadību un IT vai vadības līmeni. Ražošanas vadītājs datu pārvaldības dimensiju dažkārt novērtē augstu, jo mašīna precīzi reģistrē, kas notiek. IT vadītājs to pašu dimensiju novērtē zemu, jo šie dati netiek strukturēti glabāti vai atvērti analīzei nekur. Abi novērojumi ir pareizi; tie vienkārši skatās uz atšķirīgu procesa daļu.
Šī izkliede ir funkcionāla, ne neveikla. Tā parāda, kur organizācijā trūkst kopīga skatījuma, un tā ir tieši tā informācija, kas nepieciešama, pirms pilotam kaut ko pievienot. Pilots, kas darbojas uz fundamentālajām dimensijām — organizācija, infrastruktūra, dati — bez šīs izkliedes apzināšanas, riskē apstāties pie problēmas, kuru neviens nebija nosaucis, jo nevienam nebija pilnīga skatījuma.
Jo fiziskais process ir vadošais, ražošanas nozarē kārdinājums bieži ir vērst AI tieši uz operacionālu problēmu: uzturēšanas prognozēšanu, kvalitātes kontroli, plānošanas optimizēšanu. Tie ir redzami, pievilcīgi lietojumi atkarīgajās dimensijās. Bet vai tie darbojas, ir atkarīgs no tā, kas jāstāv pamatā: vai dati no mašīnas ir fiksēti tā, ka ir izmantojami vēlreiz, vai ir kāds, kas atbild par šo datu kvalitāti, un vai pastāv organizācijas struktūra, kurā ražošana un IT lieto vienas un tās pašas definīcijas. Bez šī pamata pilots paliek izolēts eksperiments, cik labs modelis arī nebūtu.
Šī secība ir spēkā ne tikai šeit. Transporta nozarē pastāv līdzīga sasprindzinājums starp operacionālajām sistēmām un centralizētajiem datiem, un lauksaimniecības nozarē fiziskais process — kultūra, dzīvnieks, sezona — tikpat lielā mērā ir vadošs pār to, ko digitālās sistēmas var reģistrēt un ietekmēt. Ražošanas nozare nav izņēmums šajā loģikā, bet ir nozare, kurā izlaista pamata seku ir redzamas cehā ātri.
Gatavības līmeņa mērījums nedod spriedumu par kādu ražotni vai nozari; tas sniedz priekšstatu par piecu līmeņu novērtējumu septiņās dimensijās, ko aizpilda vairāki cilvēki no organizācijas iekšienes. Šis priekšstats parāda, kur fundamentālās dimensijas jau ir sasniegtas un kur tās vēl trūkst, un kur uzņēmumā domas atšķiras. Tas ir cits saruna nekā par to, vai pilots ir iespaidīgs; tas ir saruna par to, vai organizācija spēj pilotu uzņemt.
Kad ir kļuvis skaidrs, kur organizācija atrodas dimensijās, kurām jāatbalsta AI, rodas cits jautājums: kāda darba daļa pati par sevi ir piemērota nodošanai AI. To šis mērījums neatbild. Tam ir paredzēts FTE TO AI darba skenējums, kas katram uzdevumam aprēķina, kāda tā daļa ir uzticama AI pārņemšanai. Gatavības līmeņa mērījums un darba skenējums papildina viens otru: viens parāda, vai pamats ir izveidots, otrs parāda, kas, ņemot vērā šo pamatu, mainās šajā darbā. Tas, kurš apvieno abus priekšstatus, zina ne tikai to, vai organizācija ir gatava, bet arī to, kur pirmā pārmaiņa konkrēti izpaudīsies.
hybridresourcing gatavības līmeņa mērījums ir izstrādes procesā. Tie, kas vēlas iziet plot-kārtu, tiklīdz tā būs pieejama, var pieteikties 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.