Tillverkningsindustrin är ingen kontorsmiljö med maskiner på sidan om. Det är en sektor där en fysisk process — råmaterial, bearbetning, produkt — är styrande, och där digitala system alltid följer efter den eller måste se till att processen fortsätter att fungera. Den ordningen avgör vad AI-mognad betyder här. Ett ERP-system, ett MES, sensorer på en maskin: de finns för att stödja den fysiska processen, inte för att fungera självständigt. Det är väsentligt annorlunda än inom tjänstesektorn, där själva arbetet redan är digitalt och data är en startpunkt snarare än en härledning.
Denna lagerindelning gör det svårare att mäta mognad. Ett tillverkningsföretag kan ha en modern planeringsapplikation och ändå ingen aning ha om vad maskinen på golvet faktiskt gör, eftersom den datan aldrig har gjorts tillgänglig. Omvänt kan ett företag med föråldrad programvara ha god insyn i sin process, eftersom personer på golvet har registrerat noggrant i åratal. Mognad och systemens modernitet sammanfaller inte automatiskt här.
Inom de sju dimensioner som mognadsmätningen använder framträder ofta ett specifikt mönster i tillverkningsindustrin. IT-infrastruktur och datahantering — två av de grundläggande dimensionerna — visar regelbundet ett stort avstånd mellan produktion och kontor. På golvet körs system som är byggda för tillförlitlighet och drifttid, inte för att dela data. På kontoret körs system som visserligen är gjorda för utbyte, men som inte alltid är kopplade till vad som händer i fabriken. De två världarna använder ofta olika definitioner av samma term, och det sker utan att någon uppmärksammar det som ett problem förrän ett AI-projekt fastnar på det.
Organisationsdimensionen har ett eget mönster. Beslut om investeringar i produktionsprocesser ligger ofta hos personer med teknisk bakgrund, medan beslut om datastrategi ligger hos andra. När dessa två grupper sällan sitter tillsammans vid bordet uppstår en organisation som på pappret verkar redo för AI, men som i praktiken följer två separata agendor. Det är en annan spridning än inom utbildningssektorn, där avståndet oftare finns mellan policy och den dagliga praktiken hos yrkesutövaren, inte mellan två operativa pelare inom samma företag.
Plot-rundan — där flera personer oberoende av varandra poängsätter de sju dimensionerna — avslöjar ofta en tydlig kontrast i tillverkningsindustrin mellan produktionsledningen och IT- eller ledningsnivån. En produktionschef bedömer ibland dimensionen datahantering högt, eftersom maskinen registrerar exakt vad som händer. En IT-chef bedömer samma dimension lågt, eftersom den datan aldrig lagras strukturerat eller görs tillgänglig för analys någonstans. Båda observationerna är korrekta; de tittar bara på olika delar av processen.
Den spridningen är funktionell, inte obekväm. Den visar var i organisationen en gemensam bild saknas, och det är precis den information som behövs innan något läggs till en pilot. En pilot som bygger på de grundläggande dimensionerna — organisation, infrastruktur, data — utan att den spridningen har uppmärksammats, riskerar att fastna på ett problem som ingen hade identifierat eftersom ingen hade den kompletta bilden.
Eftersom den fysiska processen är styrande, är frestelsen inom tillverkningsindustrin ofta att rikta AI direkt mot ett operativt problem: förutsäga underhåll, kontrollera kvalitet, optimera planering. Det är synliga, attraktiva tillämpningar på de beroende dimensionerna. Men om de fungerar beror på vad som måste finnas på plats innan det: är datan från maskinen registrerad på ett sätt som är återanvändbart, finns det någon som ansvarar för den datans kvalitet, och finns det en organisationsstruktur där produktion och IT delar samma definitioner. Utan den grunden förblir en pilot ett isolerat experiment, hur bra modellen än är.
Den ordningen gäller inte bara här. Inom transportsektorn finns en liknande spänning mellan operativa system och central data, och inom jordbrukssektorn är den fysiska processen — grödan, djuret, säsongen — lika styrande över vad digitala system kan registrera och påverka. Tillverkningsindustrin är inget undantag i denna logik, men väl en sektor där konsekvenserna av en förbisedd grund snabbt blir synliga på golvet.
Mognadsmätningen ger inget omdöme om en fabrik eller en sektor; den ger en bild av fem nivåer över sju dimensioner, ifylld av flera personer från organisationen själv. Den bilden visar var de grundläggande dimensionerna redan står och var de fortfarande saknas, och var åsikterna inom företaget går isär. Det är ett annat samtal än om en pilot är imponerande; det är samtalet om huruvida organisationen kan bära en pilot.
När det väl är klart var organisationen står på de dimensioner som ska bära AI, uppstår en annan fråga: vilken del av själva arbetet som kommer i fråga för överföring till AI. Det är inte det denna mätning besvarar. För det är FTE TO AI:s arbetsscan avsedd, som per uppgift beräknar vilken del av den som kan övertas av AI. Mognadsmätningen och arbetsscanen kompletterar varandra: den ena visar om grunden finns på plats, den andra visar vad som, givet den grunden, förändras i det arbetet. Den som kombinerar båda bilderna vet inte bara om organisationen är redo, utan också var den första förändringen konkret gör sig gällande.
hybridresourcings mognadsmätning är under uppbyggnad. Den som vill genomföra plot-rundan så snart den är tillgänglig kan anmäla sig till väntelistan.
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.