Kmetijski sektor ima ritem, ki ga poznajo le redki drugi sektorji. Poslovno leto ne šteje dvanajst enakih mesecev, temveč rastno sezono, žetev, obdobje počitka. Podatki, zbrani aprila, povedo nekaj drugega kot podatki iz oktobra. To pomeni, da AI-zrelost v tem sektorju ni vprašanje trenutnega posnetka. Organizacija je lahko na papirju dobro pripravljena pozimi in poleti kljub temu obtiči, preprosto zato, ker je pritisk na delovanje takrat drugače porazdeljen.
Poleg tega je sektor opazno plastovit. Na eni strani so velike zadruge in predelovalna podjetja z lastnimi IT-oddelki in podatkovnimi ekipami. Na drugi strani so družinska podjetja in posamezni podjetniki, kjer poslovanje živi v glavah, ne v sistemih. Obe obliki se pojavljata pod enim imenom sektorja, kar pomeni, da je trditev o "kmetijskem sektorju" hitro preveč grobo posplošena. Razmerje med tema dvema oblikama pove več o povprečni zrelosti kot kateri koli tehnološki razvoj.
Pri številnih kmetijskih podjetjih ne manjka ambicije, temveč temelj, na katerem naj bi slonela AI. Senzorski podatki s polja, vremenske informacije, podatki o zalogah in administracija pri računovodji pogosto obstajajo v ločenih sistemih, ki ne komunicirajo med seboj. To je vprašanje upravljanja podatkov, in gre za eno od dimenzij, ki v meritvi zrelosti velja za temeljno — ne zato, ker bi to bila zgolj preferenca, temveč ker organizacija brez povezanih podatkov ne more podpirati uporabe AI, ki mora na teh podatkih temeljiti.
Tudi IT-infrastruktura se razlikuje. Mlekarska kmetija z avtomatskimi molznimi roboti se že leta srečuje s senzorji in obdelavo podatkov, medtem ko poljedelsko podjetje morda uporablja le računovodski program in vremensko aplikacijo. Ta razlika v izhodiščnem položaju ni dobra ali slaba, vendar določa, kateri naslednji korak je logičen. Podjetje, ki že zbira senzorske podatke, se sooča z drugim vprašanjem kot podjetje, ki mora šele določiti, katere podatke pravzaprav želi zajemati.
Organizacijska dimenzija temu dodaja svojo plast. V družinskih podjetjih je odločevalska pristojnost pogosto v rokah ene ali dveh oseb, kar lahko pospeši odločanje, hkrati pa pomeni, da je AI-zrelost močno povezana s tem, kaj ta oseba ve in želi. Pri zadrugah in večjih predelovalcih je bolj v ospredju vprašanje, kako so odločitve razdeljene med člane, upravo in izvedbo — in ali obstaja struktura, ki bi to razkrila v krogu ocenjevanja.
Uporabe, ki zvenijo zanimivo za sektor — napovedno vzdrževanje strojev, napoved donosa, avtomatizirano sortiranje — vse temeljijo na tem, kaj je pod njimi. Brez infrastrukture, ki zanesljivo zajema meritve, in brez podatkov, ki so skozi sezone konsistentni, ostaja uporaba AI eksperiment, ki deluje, dokler razmere to omogočajo. Prav zato imajo temeljne dimenzije prednost: ne kot politična odločitev, temveč kot vrstni red, ki izhaja iz prakse. Kdor želi o tem prebrati več, najde razlago v zakaj morajo biti temeljne dimenzije najprej.
Ta vrstni red ne velja le v kmetijstvu. Drugi sektorji s težkim operativnim jedrom in razpršenim odločanjem kažejo podobne vzorce, kot je razvidno v kako daleč je energetski sektor z AI-zrelostjo in v kako daleč je nepremičninski sektor z AI-zrelostjo. V primerjavi s tem sektorji z izvorno digitalnimi procesi, kot je opisano v kako daleč je IT-sektor z AI-zrelostjo, praviloma začnejo z drugim izhodiščem glede infrastrukture in podatkov, kar kaže, kako velika je lahko razpršenost med sektorji.
Za direktorja ali operativnega direktorja v kmetijskem sektorju vrednost meritve zrelosti ni v tem, da prinese številko, s katero se lahko postavlja, temveč v tem, da razkrije, kje v organizaciji obstaja razpršenost med ljudmi. Ali operativni vodja vidi podatkovno situacijo drugače kot lastnik? Ali IT-odgovorna oseba — če ta obstaja — meni, da je infrastruktura pripravljena, medtem ko se ljudje na terenu vsak dan srečujejo z ročnimi obvozi? Krog ocenjevanja, v katerem več ljudi oceni ločeno, razkrije te razlike, preden povzročijo, da pilotni projekt zastane.
Prav v sektorju, kjer odločanje pogosto leži v rokah malo ljudi, je vredno videti, ali se ti ljudje pravzaprav strinjajo o tem, kje organizacija stoji. Svetovalec na dvorišču, vodja obrata v skladišču in IT-kontaktna oseba pri zadrugi lahko vsi trije različno ocenijo, kako zrela je stran upravljanja podatkov. Razkritje te razpršenosti je prvi korak, ne končna postaja.
Ko je jasno, kje organizacija stoji glede na te dimenzije, se vprašanje samo od sebe premakne od pripravljenosti k vsebini: kateri del vsakodnevnega dela bi AI dejansko lahko prevzela, glede na to pripravljenost? To je drugo vprašanje, kot ga odgovarja ta stran. Delovni sken FTE TO AI za vsako nalogo izračuna, kateri del dela pride v poštev za prevzem, in se s tem navezuje na to, kar meritev zrelosti najprej ugotovi. Kdor želi že zdaj premisliti, kako naj takšna inventarizacija izgleda, lahko začne pri kaj sodi v inventar odločitev, kot pripravo na trenutek, ko bodo temelji urejeni.
Meritev zrelosti hybridresourcing je v izdelavi. Kdor želi uporabiti krog ocenjevanja, ko bo na voljo, se lahko prijavi na čakalni seznam.
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.