A indústria de manufatura não é um ambiente de escritório com máquinas ao lado. É um setor em que um processo físico — matéria-prima, processamento, produto — é determinante, e onde os sistemas digitais estão sempre um passo atrás ou têm de garantir que o processo continue a funcionar. Essa ordem determina o que a maturidade em IA significa aqui. Um sistema ERP, um MES, sensores numa máquina: existem para apoiar o processo físico, não para funcionar de forma autónoma. Isso é fundamentalmente diferente de os serviços empresariais, onde o próprio trabalho já é digital e os dados são um ponto de partida em vez de um derivado.
Essa estratificação torna a medição da maturidade mais complexa. Uma empresa produtora pode ter uma aplicação de planeamento moderna e, ainda assim, não ter ideia do que a máquina no chão de fábrica realmente faz, porque esses dados nunca foram disponibilizados. Por outro lado, uma empresa com software desatualizado pode ter uma boa visão do seu processo, porque as pessoas no chão de fábrica já registam com precisão há anos. Aqui, maturidade e modernidade dos sistemas não andam automaticamente juntas.
Dentro das sete dimensões que a medição de maturidade utiliza, na indústria de manufatura destaca-se frequentemente um padrão específico. A infraestrutura de TI e a gestão de dados — duas das dimensões fundamentais — mostram regularmente uma grande distância entre a produção e o escritório. No chão de fábrica funcionam sistemas construídos para fiabilidade e disponibilidade, não para partilhar dados. No escritório funcionam sistemas feitos para intercâmbio, mas que nem sempre estão ligados ao que acontece na fábrica. Esses dois mundos usam frequentemente definições diferentes para o mesmo termo, e isso acontece sem que ninguém o identifique como problema até um projeto de IA encravar nisso.
A dimensão organizacional tem um padrão próprio. As decisões sobre investimentos em processos de produção costumam estar nas mãos de pessoas com formação técnica, enquanto as decisões sobre estratégia de dados estão nas mãos de outras pessoas. Quando esses dois grupos raramente se sentam juntos à mesa, surge uma organização que no papel parece pronta para a IA, mas na prática segue duas agendas separadas. Essa é uma dispersão diferente da que existe na educação, onde a distância está mais frequentemente entre a política e a prática diária do profissional, não entre duas colunas operacionais dentro da mesma empresa.
A ronda de plotagem — em que várias pessoas pontuam de forma independente as sete dimensões — expõe frequentemente na indústria de manufatura um contraste marcante entre a chefia de produção e a camada de TI ou de direção. Um gestor de produção por vezes avalia a dimensão gestão de dados como alta, porque a máquina regista exatamente o que acontece. Um gestor de TI avalia essa mesma dimensão como baixa, porque esses dados não são armazenados de forma estruturada nem disponibilizados para análise em nenhum lugar. Ambas as observações estão corretas; apenas olham para uma parte diferente do processo.
Essa dispersão é funcional, não desconfortável. Mostra onde falta uma visão partilhada dentro da organização, e essa é precisamente a informação necessária antes de se adicionar algo a um piloto. Um piloto que funciona sobre as dimensões fundamentais — organização, infraestrutura, dados — sem que essa dispersão tenha sido identificada, corre o risco de encravar num problema que ninguém tinha identificado porque ninguém tinha a visão completa.
Como o processo físico é determinante, a tentação na indústria de manufatura é muitas vezes direcionar a IA diretamente para um problema operacional: prever manutenção, controlar qualidade, otimizar o planeamento. São aplicações visíveis e atrativas nas dimensões dependentes. Mas se funcionam ou não depende do que tem de existir antes: os dados da máquina estão registados de forma reutilizável, existe alguém responsável pela qualidade desses dados, e existe uma estrutura organizacional em que produção e TI partilham as mesmas definições. Sem essa base, um piloto continua a ser uma experiência isolada, por muito bom que seja o modelo.
Essa ordem não se aplica apenas aqui. No setor de transportes existe uma tensão semelhante entre sistemas operacionais e dados centrais, e no setor agrícola o processo físico — a cultura, o animal, a estação — é igualmente determinante sobre o que os sistemas digitais conseguem registar e influenciar. A indústria de manufatura não é uma excepção nesta lógica, mas sim um setor onde as consequências de uma base ignorada se tornam rapidamente visíveis no chão de fábrica.
A medição de maturidade não emite um julgamento sobre uma fábrica ou um setor; proporciona uma imagem de cinco níveis em sete dimensões, preenchida por várias pessoas da própria organização. Essa imagem mostra onde as dimensões fundamentais já estão consolidadas e onde ainda faltam, e onde as opiniões dentro da empresa divergem. Essa é uma conversa diferente de saber se um piloto é impressionante; é a conversa sobre se a organização consegue sustentar um piloto.
Uma vez claro onde a organização se encontra nas dimensões que devem sustentar a IA, surge outra pergunta: que parte do próprio trabalho é elegível para transferência para a IA. Não é isso que esta medição responde. Para isso existe a análise de funções da FTE TO AI, que calcula, por tarefa, que parte dela pode ser assumida pela IA. A medição de maturidade e a análise de funções complementam-se: uma mostra se a base está estabelecida, a outra mostra o que, dada essa base, muda nesse trabalho. Quem combina as duas imagens sabe não só se a organização está pronta, mas também onde a primeira mudança se manifesta concretamente.
A medição de maturidade da hybridresourcing.com está em construção. Quem quiser realizar a ronda de plotagem assim que estiver 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.