Hur långt har jordbrukssektorn kommit med AI-mognad

En sektor som andas med säsongerna

Jordbrukssektorn har en rytm som få andra sektorer känner till. Ett räkenskapsår räknar inte tolv lika stora månader, utan en växtsäsong, en skörd, en vilopеriod. Data som samlas in i april säger något annat än data från oktober. Det gör att AI-mognad inom denna sektor inte är en fråga om en ögonblicksbild. En organisation kan på pappret stå bra rustad på vintern och ändå fastna på sommaren, helt enkelt eftersom trycket på verksamheten då är annorlunda fördelat.

Därutöver är sektorn påfallande skiktad. På den ena sidan finns stora kooperativ och förädlingsföretag med egna IT-avdelningar och datateam. På den andra sidan finns familjeföretag och enskilda verksamheter där driften finns i huvudet, inte i system. Båda formerna förekommer under ett och samma sektornamn, och det innebär att ett uttalande om "jordbrukssektorn" snabbt blir för grovt. Förhållandet mellan dessa två former säger mer om den genomsnittliga mognaden än någon teknologisk utveckling.

Där fundamenten vacklar

Hos många jordbruksföretag saknas inte ambitionen, utan grunden som AI borde vila på. Sensordata från fältet, väderinformation, lagerdata och administration hos bokföraren lever ofta i separata system som inte talar med varandra. Det är en datahanteringsfråga, och det är en av de dimensioner som i mognadsmätningen gäller som fundamental — inte som en preferens, utan eftersom en organisation utan sammanhängande data inte kan bära en AI-tillämpning som måste förlita sig på den datan.

Även IT-infrastrukturen varierar. En mjölkgård med automatiska mjölkningsrobotar har redan i flera år hanterat sensorer och databehandling, medan ett åkerbruksföretag kanske bara använder ett bokföringsprogram och en väderapp. Den skillnaden i utgångsläge är inte bra eller dåligt, men den avgör vilket steg som är logiskt. Ett företag som redan samlar in sensordata står inför en annan fråga än ett företag som fortfarande måste bestämma vilken data det egentligen vill fånga.

Organisationsdimensionen lägger ett eget lager till detta. I familjeföretag ligger beslutsbefogenheten ofta hos en eller två personer, vilket kan göra beslut snabba, men det innebär också att AI-mognaden hänger starkt samman med vad den personen vet och vill. Hos kooperativ och större förädlingsföretag handlar frågan snarare om hur beslut fördelas mellan medlemmar, styrelse och verkställande — och om det finns struktur i detta som en plot-runda skulle synliggöra.

De beroende dimensionerna följer först därefter

Tillämpningar som låter intressanta för sektorn — prediktivt underhåll av maskiner, avkastningsprognoser, automatiserad sortering — beror alla på vad som ligger under. Utan infrastruktur som registrerar mätningar tillförlitligt och utan data som är konsekvent över säsongerna förblir en AI-tillämpning ett experiment som fungerar så länge förhållandena samarbetar. Det är precis varför de fundamentala dimensionerna har företräde: inte som en policyval, utan som en ordning som följer av praktiken. Den som vill läsa mer om detta hittar en fördjupning i varför de fundamentala dimensionerna måste komma först.

Denna ordning gäller inte bara inom jordbruket. Andra sektorer med tung operationell kärna och spridd beslutsfattning uppvisar liknande mönster, som framgår av hur långt energisektorn har kommit med AI-mognad och hur långt fastighetssektorn har kommit med AI-mognad. Som jämförelse: sektorer med ursprungligen digitala processer, som beskrivs i hur långt IT-sektorn har kommit med AI-mognad, startar vanligtvis från en annan utgångspunkt vad gäller infrastruktur och data, vilket visar hur stor spridningen mellan sektorer kan vara.

Vad en mätning ger här

För en VD eller COO inom jordbrukssektorn ligger värdet av en mognadsmätning inte i att den ger en siffra att skryta med, utan i att den synliggör var spridningen mellan människorna i organisationen finns. Ser den operativa chefen datasituationen annorlunda än ägaren? Tror IT-ansvarig — om en sådan finns — att infrastrukturen är redo, medan personerna på golvet dagligen stöter på manuella omvägar? En plot-runda där flera personer poängsätter separat blottlägger dessa skillnader innan de får en pilot att stranda.

Just i en sektor där beslutsfattandet ofta ligger hos få personer är det värdefullt att se om dessa personer faktiskt är överens om var organisationen står. En rådgivare på gården, en driftsledare i lagret och en IT-kontaktperson på kooperativet kan alla tre ha olika uppskattningar av hur mogen datahanteringssidan är. Att synliggöra den spridningen är ett första steg, inte en slutpunkt.

När frågan förskjuts mot arbetet självt

Så snart det är klart var organisationen står på dessa dimensioner förskjuts frågan naturligt från beredskap till innehåll: vilken del av det dagliga arbetet skulle AI faktiskt kunna ta över, givet den beredskapen? Det är en annan fråga än den denna sida besvarar. Arbetsscanen från FTE TO AI räknar per uppgift ut vilken del av arbetet som är lämplig för övertagande, och ansluter därmed till vad en mognadsmätning först kartlägger. Den som redan vill fundera över hur en sådan inventering bör se ut kan börja vid vad som ingår i en beslutsinventering, som förberedelse inför det ögonblick då fundamenten är i ordning.