Agrárny sektor má rytmus, ktorý poznajú len málokedy iné sektory. Účtovný rok nepočíta dvanásť rovnakých mesiacov, ale vegetačné obdobie, zber úrody, obdobie kľudu. Údaje zozbierané v apríli vypovedajú niečo iné než údaje z októbra. To znamená, že AI-vyspelosť v tomto sektore nie je otázkou jedného momentálneho stavu. Organizácia môže na papieri v zime vyzerať dobre a v lete napriek tomu narazí na problémy, jednoducho preto, že tlak na prevádzku je vtedy rozdelený inak.
Okrem toho je sektor nápadne vrstevnatý. Na jednej strane stoja veľké družstvá a spracovateľské podniky s vlastnými IT oddeleniami a dátovými tímami. Na druhej strane stoja rodinné podniky a jednotlivé podnikania, kde je vedenie podniku uložené v hlavách, nie v systémoch. Obe formy sa vyskytujú pod jedným názvom sektora, a to znamená, že výrok o „agrárnom sektore“ je rýchlo príliš hrubý. Poměr medzi týmito dvomi formami určuje viac o priemernej vyspelosti než akýkoľvek technologický vývoj.
V mnohých agrárnych podnikoch nechýba ambícia, ale základ, na ktorom by mala AI stáť. Senzorové údaje z poľa, informácie o počasí, údaje o zásobách a administratíva u účtovníka žijú často v oddelených systémoch, ktoré si medzi sebou nerozprávajú. To je otázka správy údajov (data management) a je to jedna z dimenzií, ktorá sa v meraní vyspelosti považuje za fundamentálnu — nie preto, že by to bola preferencia, ale preto, že organizácia bez súvislých údajov nemôže uniesť AI-aplikáciu, ktorá sa na tieto údaje musí spoliehať.
Aj IT infrastruktúra sa rôzni. Chov dojníc s automatickými dojacimi robotmi má už roky do činenia so senzormi a spracovaním údajov, zatiaľ čo poľnohospodársky podnik možno používa len účtovný softvér a aplikáciu na počasie. Tento rozdiel v východiskovej pozícii nie je dobrý ani zlý, ale určuje, aký krok je logický. Podnik, ktorý už zbiera senzorové údaje, stojí pred inou otázkou než podnik, ktorý ešte musí určiť, aké údaje vlastne chce zaznamenávať.
Organizačná dimenzia k tomu pridáva vlastnú vrstvu. V rodinných podnikoch spočíva rozhodovacia právomoc často na jednom alebo dvoch ľuďoch, čo môže rozhodnutia zrýchliť, ale znamená to aj, že AI-vyspelosť silne súvisí s tým, čo tá osoba vie a chce. Pri družstvách a väčších spracovateľoch skôr hraje rolu otázka, ako sú rozhodnutia rozdelené medzi členov, vedenie a výkon — a či je v tom štruktúra, ktorú by kolo plotovania (plot-ronde) urobilo viditeľnou.
Aplikácie, ktoré znejú pre sektor zaujímavo — prediktívna údržba strojov, predpoveď výnosov, automatizované triedenie — všetky závisia od toho, čo je pod nimi. Bez infrastruktúry, ktorá spoľahlivo zaznamenáva merania, a bez údajov, ktoré sú konzistentné cez sezóny, zostáva AI-aplikácia experimentom, ktorý funguje, pokiaľ podmienky spolupracujú. Presne to je dôvod, prečo fundamentálne dimenzie majú prednosť: nie ako voľba politiky, ale ako poradie, ktoré vyplýva z praxe. Kto o tomto chce čítať viac, nájde rozpracovanie v prečo fundamentálne dimenzie musia byť najprv.
Toto poradie neplatí len v poľnohospodárstve. Iné sektory s ťažkým operačným jadrom a rozptýleným rozhodovaním vykazujú podobné vzory, ako je možné čítať v ako ďaleko je energetický sektor s AI-vyspelosťou a v ako ďaleko je sektor nehnuteľností s AI-vyspelosťou. Pre porovnanie: sektory s pôvodne digitálnymi procesmi, ako je popísané v ako ďaleko je ICT sektor s AI-vyspelosťou, zvyčajne začínajú s iným východiskovým bodom pre infrastruktúru a údaje, čo ukazuje, aký veľký môže byť rozptyl medzi sektormi.
Pre CEO alebo COO v agrárnom sektore je hodnota merania vyspelosti nie v tom, že prinesie číslo na vystavovanie, ale v tom, že zviditeľní, kde sa medzi ľuďmi v organizácii nachádza rozptyl. Vidí operačný manažér situáciu s údajmi inak než majiteľ? Myslí si IT zodpovedná osoba — ak existuje —, že infrastruktúra je pripravená, zatiaľ čo ľudia na prevádzke denne narážajú na manuálne obchádzky? Kolo plotovania, v ktorom viac ľudí bodujú samostatne, odhalí tieto rozdiely skôr, než dovolia, aby pilotný projekt stroskotal.
Práve v sektore, kde rozhodovanie často spočíva na málo ľuďoch, je hodnotné vidieť, či sa tí ľudia vlastne medzi sebou zhodujú v tom, kde organizácia stojí. Poradca na dvore, vedúci prevádzky v sklade a IT kontaktná osoba v družstve môžu mať všetci traja iný odhad toho, aká vyspelá je stránka správy údajov. Zviditeľnenie tohto rozptylu je prvým krokom, nie konečným bodom.
Hneď ako je jasné, kde organizácia stojí na týchto dimenziách, otázka sa prirodzene posunie od pripravenosti k obsahu: akú časť dennej práce by AI skutočne mohla prevziať, vzhľadom na túto pripravenosť? To je iná otázka než tá, na ktorú odpovedá táto stránka. Pracovný skener (werkscan) FTE TO AI vypočíta pre každú úlohu, aká časť práce prichádza do úvahy na prevzatie, a tak sa nadväzuje na to, čo meranie vyspelosti najprv zmapuje. Kto chce už teraz premýšľať, ako by taká inventarizácia mala vyzerať, môže začať pri čo patrí do inventára rozhodnutí, ako príprava na moment, keď budú základy v poriadku.
Meranie vyspelosti od hybridresourcing.com sa pripravuje. Kto chce použiť kolo plotovania hneď, ako bude dostupné, môže sa prihlásiť na zoznam čakateľov.
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.