Przemysł wytwórczy to nie środowisko biurowe z maszynami w tle. To sektor, w którym proces fizyczny — surowiec, obróbka, produkt — jest wiodący, a systemy cyfrowe zawsze podążają za nim lub muszą zapewniać, że proces nadal działa. Ta kolejność decyduje o tym, co zaawansowanie AI oznacza w tym kontekście. System ERP, MES, czujniki na maszynie: istnieją, aby wspierać proces fizyczny, nie po to, aby funkcjonować samodzielnie. To zasadniczo różni się od usług biznesowych, gdzie sama praca jest już cyfrowa, a dane są punktem wyjścia, a nie wynikiem pochodnym.
Ta wielowarstwowość komplikuje pomiar poziomu zaawansowania. Firma produkcyjna może mieć nowoczesną aplikację do planowania i wciąż nie mieć pojęcia, co faktycznie dzieje się z maszyną na hali produkcyjnej, ponieważ te dane nigdy nie zostały udostępnione. I odwrotnie, firma z przestarzałym oprogramowaniem może mieć dobry wgląd w swój proces, ponieważ ludzie na hali produkcyjnej od lat dokładnie go rejestrują. Poziom zaawansowania i nowoczesność systemów nie zawsze idą tu w parze.
W ramach siedmiu wymiarów stosowanych w pomiarze poziomu zaawansowania w przemyśle wytwórczym często widoczny jest pewien specyficzny wzorzec. Infrastruktura IT i zarządzanie danymi — dwa z fundamentalnych wymiarów — regularnie wykazują dużą odległość między produkcją a biurem. Na hali produkcyjnej działają systemy zbudowane pod kątem wiarygodności i dostępności, a nie pod kątem udostępniania danych. W biurze działają systemy zaprojektowane do wymiany informacji, ale nie zawsze podłączone do tego, co dzieje się w fabryce. Te dwa światy często używają odmiennych definicji tego samego terminu, i nikt nie nazywa tego problemem, dopóki jakiś projekt AI na tym nie ugrzęźnie.
Wymiar organizacyjny ma swój własny wzorzec. Decyzje o inwestycjach w procesy produkcyjne często podejmują osoby z zaplecza technicznego, podczas gdy decyzje o strategii danych podejmują inni. Gdy te dwie grupy rzadko siadają razem do stołu, powstaje organizacja, która na papierze wygląda na gotową do AI, ale w praktyce realizuje dwie odrębne agendy. To inny rodzaj rozproszenia niż w edukacji, gdzie odległość częściej dotyczy relacji między polityką a codzienną praktyką specjalisty, a nie między dwoma pionami operacyjnymi w ramach tej samej firmy.
Runda głosowania — w której kilka osób niezależnie od siebie ocenia siedem wymiarów — w przemyśle wytwórczym często odsłania wyraźny kontrast między kierownictwem produkcji a warstwą IT lub zarządem. Kierownik produkcji czasem ocenia wymiar zarządzania danymi wysoko, ponieważ maszyna precyzyjnie rejestruje wszystko, co się dzieje. Kierownik IT ocenia ten sam wymiar niżej, ponieważ te dane nigdzie nie są przechowywane w sposób ustrukturyzowany ani udostępniane do analizy. Obie obserwacje są prawidłowe; różnica polega na tym, że każda patrzy na inną część procesu.
To rozproszenie jest funkcjonalne, nie niewygodne. Pokazuje, gdzie w organizacji brakuje wspólnego obrazu, a to jest właśnie informacja potrzebna przed dodaniem czegokolwiek do pilotażu. Pilotaż oparty na fundamentalnych wymiarach — organizacji, infrastrukturze, danych — bez zauważenia tego rozproszenia ryzykuje utknięcie na problemie, którego nikt nie zauważył, bo nikt nie miał pełnego obrazu.
Ponieważ proces fizyczny jest wiodący, w przemyśle wytwórczym często pojawia się pokusa, by AI od razu skierować na problem operacyjny: przewidywanie konserwacji, kontrolę jakości, optymalizację planowania. To widoczne, atrakcyjne zastosowania w wymiarach zależnych. Ale to, czy zadziałają, zależy od tego, co musi być wcześniej ustanowione: czy dane z maszyny są zarejestrowane w sposób umożliwiający ich ponowne wykorzystanie, czy jest osoba odpowiedzialna za jakość tych danych oraz czy istnieje struktura organizacyjna, w której produkcja i IT posługują się tymi samymi definicjami. Bez tego fundamentu pilotaż pozostaje odizolowanym eksperymentem, niezależnie od tego, jak dobry jest sam model.
Ta kolejność nie dotyczy tylko tego sektora. W sektorze transportowym występuje podobne napięcie między systemami operacyjnymi a danymi centralnymi, a w sektorze rolniczym proces fizyczny — uprawa, zwierzę, sezon — jest w równym stopniu wiodący nad tym, co systemy cyfrowe mogą rejestrować i na co mogą wpływać. Przemysł wytwórczy nie jest wyjątkiem w tej logice, ale jest sektorem, w którym skutki pominięcia fundamentu szybko stają się widoczne na hali produkcyjnej.
Pomiar poziomu zaawansowania nie wydaje oceny fabryki czy sektora; daje obraz pięciu poziomów w siedmiu wymiarach, wypełniony przez kilka osób z samej organizacji. Ten obraz pokazuje, gdzie fundamentalne wymiary już są ustanowione, a gdzie ich jeszcze brakuje, oraz gdzie opinie w firmie się rozchodzą. To inna rozmowa niż o tym, czy pilotaż robi wrażenie; to rozmowa o tym, czy organizacja jest w stanie ten pilotaż utrzymać.
Gdy już wiadomo, na jakim poziomie organizacja znajduje się w wymiarach, które muszą wspierać AI, powstaje inne pytanie: jaka część samej pracy kwalifikuje się do przekazania AI. Na to pytanie ten pomiar nie odpowiada. Do tego służy skan pracy FTE TO AI, który dla każdego zadania oblicza, jaką jego część można przejąć przez AI. Pomiar poziomu zaawansowania i skan pracy uzupełniają się wzajemnie: jeden pokazuje, czy fundament już istnieje, drugi pokazuje, co — mając ten fundament — zmienia się w samej pracy. Kto łączy obie te obrazy, wie nie tylko, czy organizacja jest gotowa, ale też, gdzie pierwsza zmiana konkretnie się pojawi.
Pomiar poziomu zaawansowania hybridresourcing jest w budowie. Osoby, które chcą przejść rundę głosowania, gdy będzie ona dostępna, mogą zapisać się na listę oczekujących.
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.