Proizvodna industrija ni pisarniško okolje z dodanimi stroji. Je sektor, v katerem je vodilen fizični proces — surovina, obdelava, izdelek — in v katerem digitalni sistemi vedno sledijo temu procesu ali morajo poskrbeti, da ta ostane v teku. Ta vrstni red določa, kaj zrelost AI tukaj pomeni. ERP-sistem, MES, senzorji na stroju: obstajajo, da podpirajo fizični proces, ne da bi delovali samostojno. To je bistveno drugače kot v poslovnih storitvah, kjer je delo samo po sebi že digitalno in so podatki izhodišče namesto izpeljanke.
Ta plastovitost otežuje merjenje zrelosti. Proizvodno podjetje ima lahko sodobno aplikacijo za planiranje in kljub temu nima pojma, kaj stroj na proizvodni liniji dejansko počne, ker ti podatki nikoli niso bili odklenjeni. Obratno pa ima lahko podjetje z zastarelo programsko opremo dober vpogled v svoj proces, ker ljudje na liniji že leta natančno beležijo podatke. Zrelost in modernost sistemov tukaj nista avtomatično povezani.
Znotraj sedmih dimenzij, ki jih uporablja merjenje zrelosti, v proizvodni industriji pogosto izstopa poseben vzorec. IT-infrastruktura in upravljanje podatkov — dve od temeljnih dimenzij — redno kažeta veliko razdaljo med proizvodnjo in pisarno. Na proizvodni liniji delujejo sistemi, zgrajeni za zanesljivost in razpoložljivost, ne za izmenjavo podatkov. V pisarni delujejo sistemi, ki so sicer narejeni za izmenjavo, a niso vedno povezani s tem, kar se dogaja v tovarni. Ta dva svetova pogosto uporabljata različne definicije istega izraza, in to se dogaja, ne da bi kdo to označil za problem, dokler se AI-projekt na tem ne zatakne.
Organizacijska dimenzija ima svoj lasten vzorec. Odločitve o naložbah v proizvodne procese pogosto sprejemajo ljudje s tehničnim ozadjem, medtem ko odločitve o podatkovni strategiji sprejemajo drugi. Ko ti dve skupini redko sedita za isto mizo, nastane organizacija, ki je na papirju videti pripravljena na AI, v praksi pa sledi dvema ločenima agendama. To je drugačna razpršenost kot v izobraževanju, kjer je razdalja pogosteje med politiko in vsakodnevno prakso strokovnjaka, ne med dvema operativnima stolpoma znotraj istega podjetja.
Krog ocenjevanja — v katerem več ljudi neodvisno drug od drugega ocenjuje sedem dimenzij — v proizvodni industriji pogosto razkrije oster kontrast med vodstvom proizvodnje in plastjo IT ali direkcije. Vodja proizvodnje včasih oceni dimenzijo upravljanja podatkov visoko, ker stroj natančno beleži, kaj se dogaja. Vodja IT isto dimenzijo oceni nizko, ker se ti podatki nikjer strukturirano ne shranjujejo ali odklepajo za analizo. Obe opažanji sta pravilni; samo gledata na drug del procesa.
Ta razpršenost je funkcionalna, ne neprijetna. Pokaže, kje znotraj organizacije manjka skupna slika, in to je natanko informacija, ki je potrebna, preden se karkoli doda pilotnemu projektu. Pilotni projekt, ki teče na temeljnih dimenzijah — organizacija, infrastruktura, podatki — ne da bi bila ta razpršenost opažena, tvega, da se zatakne na problemu, ki ga ni nihče poimenoval, ker nihče ni imel celotne slike.
Ker je fizični proces vodilen, je v proizvodni industriji pogosto skušnjava, da se AI takoj usmeri na operativni problem: napovedovanje vzdrževanja, nadzor kakovosti, optimizacija planiranja. To so vidne, privlačne aplikacije na odvisnih dimenzijah. Toda ali delujejo, je odvisno od tega, kaj mora stati pred tem: ali so podatki iz stroja zabeleženi na način, ki je ponovno uporaben, ali obstaja nekdo, ki je odgovoren za kakovost teh podatkov, in ali obstaja organizacijska struktura, v kateri proizvodnja in IT delita iste definicije. Brez tega temelja pilotni projekt ostane osamljen eksperiment, ne glede na to, kako dober je model.
Ta vrstni red ne velja samo tukaj. V prometnem sektorju je podobna napetost med operativnimi sistemi in centralnimi podatki, v kmetijskem sektorju pa je fizični proces — pridelek, žival, letni čas — prav tako vodilen nad tem, kaj digitalni sistemi lahko beležijo in nanj vplivajo. Proizvodna industrija ni izjema v tej logiki, je pa sektor, v katerem se posledice izpuščenega temelja hitro pokažejo na proizvodni liniji.
Meritev zrelosti ne izreka sodbe o tovarni ali sektorju; daje sliko petih ravni v sedmih dimenzijah, ki jo izpolni več ljudi iz same organizacije. Ta slika pokaže, kje temeljne dimenzije že stojijo in kje jih še manjka, in kje se mnenja znotraj podjetja razlikujejo. To je drugačen pogovor kot to, ali je pilotni projekt impresiven; to je pogovor o tem, ali lahko organizacija nosi pilotni projekt.
Ko je enkrat jasno, kje organizacija stoji na dimenzijah, ki morajo nositi AI, nastane drugo vprašanje: kateri del samega dela je primeren za prenos na AI. To ni nekaj, na kar odgovarja ta meritev. Za to je namenjen delovni sken FTE TO AI, ki za vsako nalogo izračuna, kateri njen del je mogoče prevzeti z AI. Meritev zrelosti in delovni sken se dopolnjujeta: prva pokaže, ali temelj stoji, druga pokaže, kaj se, glede na ta temelj, spremeni pri tem delu. Kdor združi obe sliki, ve ne le, ali je organizacija pripravljena, ampak tudi, kje se prva sprememba konkretno pojavi.
Meritev zrelosti podjetja hybridresourcing je v izdelavi. Kdor želi opraviti krog ocenjevanja, takoj 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.