O setor agrícola tem um ritmo que poucos outros setores conhecem. Um ano fiscal não conta com doze meses iguais, mas sim com uma época de crescimento, uma colheita, um período de repouso. Dados recolhidos em abril dizem algo diferente de dados de outubro. Isso faz com que a maturidade em IA neste setor não seja uma questão de retrato momentâneo. Uma organização pode parecer bem posicionada no papel no inverno e, ainda assim, encravar no verão, simplesmente porque a pressão sobre a operação está distribuída de forma diferente nessa altura.
Além disso, o setor é notavelmente estratificado. De um lado estão grandes cooperativas e empresas de processamento com departamentos de TI e equipas de dados próprios. Do outro lado estão empresas familiares e negócios individuais onde a gestão está na cabeça das pessoas, não em sistemas. Ambas as formas existem sob um único nome de setor, o que significa que uma afirmação sobre "o setor agrícola" rapidamente se torna demasiado grosseira. A proporção entre estas duas formas determina mais sobre a maturidade média do que qualquer evolução tecnológica.
Em muitas empresas agrícolas não falta a ambição, mas sim a base sobre a qual a IA deveria assentar. Dados de sensores vindos do campo, informação meteorológica, dados de stocks e a contabilidade junto do contabilista vivem frequentemente em sistemas separados que não comunicam entre si. Trata-se de uma questão de gestão de dados, e é uma das dimensões que na medição de maturidade é considerada fundamental — não porque seja uma preferência, mas porque uma organização sem dados coerentes não pode sustentar uma aplicação de IA que precise de confiar nesses dados.
Também a infraestrutura de TI varia bastante. Uma exploração de gado leiteiro com robôs de ordenha automáticos já lida há anos com sensores e processamento de dados, enquanto uma empresa de agricultura arável talvez use apenas um programa de contabilidade e uma aplicação meteorológica. Essa diferença no ponto de partida não é boa nem má, mas determina qual o passo lógico a seguir. Uma empresa que já recolhe dados de sensores enfrenta uma questão diferente da de uma empresa que ainda precisa de determinar que dados quer efetivamente registar.
A dimensão organizacional acrescenta aqui uma camada própria. Em empresas familiares, o poder de decisão está frequentemente nas mãos de uma ou duas pessoas, o que pode tornar as decisões rápidas, mas também significa que a maturidade em IA está fortemente ligada ao que essa pessoa sabe e quer. Em cooperativas e transformadores maiores, coloca-se antes a questão de como as decisões são distribuídas entre membros, direção e execução — e se existe aí estrutura suficiente para que uma ronda de plot a torne visível.
Aplicações que parecem interessantes para o setor — manutenção preditiva de máquinas, previsão de rendimento, triagem automatizada — dependem todas do que está por baixo. Sem uma infraestrutura que registe medições de forma fiável e sem dados consistentes ao longo das estações, uma aplicação de IA continua a ser uma experiência que funciona enquanto as condições ajudarem. É precisamente por isso que as dimensões fundamentais têm prioridade: não como escolha política, mas como ordem que resulta da prática. Quem quiser ler mais sobre isto encontra um desenvolvimento em por que motivo as dimensões fundamentais devem vir primeiro.
Esta ordem não se aplica apenas à agricultura. Outros setores com um núcleo operacional pesado e tomada de decisão dispersa apresentam padrões semelhantes, como se pode ler em até que ponto o setor energético está avançado em maturidade de IA e em até que ponto o setor imobiliário está avançado em maturidade de IA. Para comparação: setores com processos digitais de origem, como descrito em até que ponto o setor das TIC está avançado em maturidade de IA, partem geralmente de um ponto de partida diferente em termos de infraestrutura e dados, o que mostra o quão grande pode ser a dispersão entre setores.
Para um CEO ou COO no setor agrícola, o valor de uma medição de maturidade não está em produzir um número para ostentar, mas em tornar visível onde se situa a dispersão entre as pessoas dentro da organização. O gestor operacional vê a situação dos dados de forma diferente do proprietário? O responsável de TI — se existir — pensa que a infraestrutura está pronta, enquanto as pessoas no terreno lidam diariamente com desvios manuais? Uma ronda de plot em que várias pessoas pontuam separadamente expõe essas diferenças antes de fazerem um piloto encravar.
Precisamente num setor onde a tomada de decisão está frequentemente nas mãos de poucas pessoas, é valioso ver se essas pessoas estão realmente de acordo entre si sobre onde a organização se encontra. Um consultor no terreno, um gestor de armazém e um contacto de TI na cooperativa podem ter avaliações diferentes sobre o grau de maturidade da vertente de gestão de dados. Tornar essa dispersão visível é um primeiro passo, não um ponto final.
Uma vez claro em que ponto a organização está nestas dimensões, a questão desloca-se naturalmente da prontidão para o conteúdo: que parte do trabalho diário poderia a IA efetivamente assumir, dada essa prontidão? Essa é uma questão diferente da que esta página responde. A análise de trabalho da FTE TO AI calcula, por tarefa, que parte do trabalho é elegível para ser assumida, ligando-se assim ao que uma medição de maturidade mapeia primeiro. Quem quiser já refletir sobre como deve ser esse levantamento pode começar por o que deve constar num inventário de decisões, como preparação para o momento em que os fundamentos estiverem em ordem.
A medição de maturidade da hybridresourcing.com está em desenvolvimento. Quem quiser usar a ronda de plot logo que esteja disponível pode inscrever-se na lista de espera.
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.