Производствената индустрия се състои от работа, която трудно се обобщава в един тип задача. Има планиращата работа: планиране на поръчки, съгласуване на материалните потоци, разпределяне на капацитета между машини и смени. Има работа по качеството: инспектиране, измерване, оценяване на отклонения и документиране. Има работа по поддръжка: диагностициране на повреди, поръчване на резервни части, планиране на превантивна работа. И има административна работа около всичко това: сертификати, следкалкулация, отчитане към клиенти и надзорни органи.
Тези видове работа се различават силно по това колко предвидими са. Планираща задача с фиксирани правила и историческа данни се поддава по различен начин на автоматизация от оценяването на заваръчен шев, който току-що излиза извън нормата, но вероятно все пак е добър. Тази последна оценка зависи от опит, от контекст, който не е записан в система, и от отговорност, която някой трябва да може да носи. Тази разлика в голяма степен определя каква амбиция е реалистична за коя част от работата.
Всяко работно място в производствената индустрия следва същото трипосочно разделение на работата. Част може AI да поеме: повтарящи се проверки въз основа на данни от сензори, съставяне на стандартни отчети, разпознаване на познати модели на повреди. Част се извършва частично, с човек, който одобрява или отхвърля: оценки на качеството, при които алгоритъм прави предложение, а оператор или служител по качеството потвърждава или коригира решението, с обосновка. И част остава човешка работа: разрешаването на повреда, която никой не е виждал по-рано в такава форма, преговорите с доставчик за отклоняваща се доставка, поемането на отговорност при инцидент по безопасността.
Което днес в една фабрика вече попада в първата категория, в друга фабрика все още изцяло се намира в третата. Тази разлика рядко се дължи на самата технология. Тя се дължи на дали данните са налице, дали сензорите измерват точните неща, дали служителите доверяват на системата достатъчно, за да й предоставят нещо, и дали има някой, който може да одобри резултата, без процесът да спре в очакване на подпис.
Ръководство, което казва „ние искаме AI-управляван контрол на качеството“, казва с това и нещо за организацията, която трябва да може да го носи. Трябва да има някой, който оценява съобщенията за грешки на системата, не само теоретично, но и в ежедневната смяна. Трябва да има яснота относно кой може да отхвърли отказ на системата и на какво основание. И трябва да има свободен капацитет за настройване и поддържане на системата, капацитет, който често вече е напълно ангажиран с текущата работа.
Тук именно много амбиции в производствената индустрия засядат: не по въпроса дали технологията може, а по въпроса дали организацията вече е попълнила ролята около нея. Кой решава, когато системата се съмнява? Кой е отговорен, ако клиент има оплакване за продукт, преминал през AI-управлявана инспекция? Тези въпроси засягат отговорности в рамките на персонала, и за решенията, които следват от тях, важат отделни законови изисквания; тази преценка не е предмет на настоящия текст.
Две фабрики със сходни машини и сходни продукти могат силно да се различават по това какво AI действително поема от тяхната работа. Едната е събирала и структурирала данни от сензори в продължение на години, другата има същите сензори, но данните се губят в логове, които никой никога не е почиствал. Едната има екип по качеството, който всяка седмица има време да оценява отклонения и да коригира системата, другата има същия екип напълно заангажиран с текущото производство. Никоя от двете не е грешна, но това определя колко от амбицията е постижимо тази година и колко следващата.
Тези разлики не са уникални за производствената индустрия. Същото напрежение между амбиция и готовност се проявява и в транспортния сектор, където планирането и избора на маршрути повдигат сходни въпроси, и в бизнес услугите, където надзорът върху резултатите от консултирането играе роля, сходна с контрола на качеството на цеха. Също и въпросът как се разделя амбиция на части, които организация действително може да поеме в рамките на една година, се повтаря във всеки сектор и е разгледан отделно в обяснение за фазирането на амбиция, която е твърде голяма за една година.
Въпросът, който стои в основата на всички тези примери, не е дали AI може да поеме такъв вид работа по принцип. Той е коя конкретна част от работата в тази конкретна компания действително може да бъде поета, при дадените данни, системи и хора, които съществуват в момента. Този въпрос се отговаря за всяка задача поотделно с помощта на работния скенер на FTE TO AI, независимо от представата, която самото ръководство има за това.
Амбицията става използваема само когато е разделена на това, което организацията трябва да може, и е проверена спрямо това, което вече може. Колко бързо организацията действително може да се промени по такива точки, е въпрос, който е отделен от самата амбиция и е разгледан отделно в разглеждане на действителния темп на промяна на организациите.
Като първа стъпка има безплатна проверка на готовността: осем кратки въпроса, по един за всяко измерение, които дават представа къде организацията ви е най-напреднала и къде най-малко. Пълният тест за амбиция, с четирите слоя от визия до целево състояние и превода към роли и права за вземане на решения, е в процес на изграждане.
Vertel wat u wilt bereiken, dan kijken we samen wat daarvoor moet staan.
Answers come from this site’s knowledge base. Not tailored advice, and not a scan of your company.