Fremstillingsindustrien består af arbejde, der er svært at sammenfatte i én type opgave. Der er planlægningsarbejde: indplanlægning af ordrer, afstemning af materialestrømme, fordeling af kapacitet over maskiner og hold. Der er kvalitetsarbejde: inspektion, måling, vurdering og dokumentation af afvigelser. Der er vedligeholdelsesarbejde: diagnosticering af fejl, bestilling af reservedele, planlægning af forebyggende arbejde. Og der er administrativt arbejde omkring alt dette: certifikater, efterkalkulation, rapportering til kunder og tilsynsmyndigheder.
Disse arbejdstyper er meget forskellige i, hvor forudsigelige de er. En planlægningsopgave med faste regler og historiske data egner sig anderledes til automatisering end vurderingen af en svejsesøm, der lige falder uden for normen, men sandsynligvis alligevel er god. Den sidste vurdering afhænger af erfaring, af kontekst der ikke findes i et system, og af ansvar som nogen skal kunne bære. Denne forskel bestemmer i høj grad, hvilken ambition der er realistisk for hvilken del af arbejdet.
Overalt i fremstillingsindustrien går den samme tredeling gennem arbejdet. En del kan AI overtage: repetitive kontroller baseret på sensordata, sammenstilling af standardrapporter, genkendelse af kendte fejlmønstre. En del sker delvist, med et menneske der godkender eller afviser: kvalitetsvurderinger hvor en algoritme stiller et forslag, og en operatør eller kvalitetsmedarbejder bekræfter eller korrigerer beslutningen, med begrundelse. Og en del forbliver menneskearbejde: løsning af en fejl som ingen har set på den måde før, forhandling med en leverandør om en afvigende levering, at tage ansvar ved en sikkerhedshændelse.
Det, der i dag allerede falder i den første kategori i den ene fabrik, står i den anden fabrik stadig fuldstændig i den tredje. Denne forskel skyldes sjældent teknikken selv. Den skyldes, om dataene findes, om sensorerne måler de rigtige ting, om medarbejderne stoler nok på systemet til at overlade noget til det, og om der er nogen der må godkende resultatet, uden at processen går i stå i afventning af en underskrift.
En ledelse, der siger "vi ønsker AI-styret kvalitetskontrol", siger dermed også noget om den organisation, der skal kunne bære det. Der skal være nogen, der vurderer systemets fejlmeldinger, ikke kun teoretisk, men i den daglige holddrift. Der skal være klarhed over, hvem der må tilsidesætte en afvisning fra systemet og på hvilket grundlag. Og der skal være ledig kapacitet til at indrette og vedligeholde systemet, kapacitet som ofte allerede er fuldt allokeret til løbende arbejde.
Her er det, mange ambitioner i fremstillingsindustrien går i stå: ikke på spørgsmålet om teknikken kan det, men på spørgsmålet om organisationen allerede har udfyldt rollen omkring det. Hvem beslutter, når systemet er i tvivl? Hvem er ansvarlig, når en kunde har en klage over et produkt, der er kommet gennem en AI-styret inspektion? Disse spørgsmål berører ansvarsforhold i medarbejderstaben, og for beslutninger der følger heraf gælder egne lovmæssige krav; den vurdering hører ikke til her.
To fabrikker med sammenlignelige maskiner og sammenlignelige produkter kan variere kraftigt i, hvad AI reelt overtager af deres arbejde. Den ene har i årevis indsamlet og struktureret sensordata, den anden har de samme sensorer, men dataene forsvinder i logfiler, som ingen nogensinde har ryddet op i. Den ene har et kvalitetsteam, der ugentligt har tid til at vurdere afvigelser og justere systemet, den anden har det team fuldt beskæftiget med den løbende produktion. Ingen af delene er forkert, men det afgør, hvor meget af ambitionen der er opnåelig i år, og hvor meget næste år.
Disse forskelle er ikke unikke for fremstillingsindustrien. Den samme spænding mellem ambition og parathed gælder i transportsektoren, hvor planlægning og rutevalg rejser tilsvarende spørgsmål, og i den forretningsmæssige servicesektor, hvor tilsyn med rådgivningsresultater spiller en tilsvarende rolle som kvalitetskontrol på gulvet. Også spørgsmålet om, hvordan man deler en ambition op i dele, som en organisation reelt kan håndtere på et år, går igen i enhver sektor og behandles særskilt i en gennemgang af, hvordan man faser en ambition der er for stor til ét år.
Spørgsmålet, der ligger under alle disse eksempler, er ikke, om AI generelt kan overtage denne slags arbejde. Det er, hvilken specifik del af arbejdet i denne specifikke virksomhed der reelt kan overtages, givet de data, systemer og mennesker der findes nu. Dette spørgsmål besvares opgave for opgave med arbejdsscanningen fra FTE TO AI, uafhængigt af hvilket billede ledelsen selv har af det.
En ambition bliver først brugbar, når den er opdelt i, hvad organisationen skal kunne håndtere, og afprøvet mod, hvad den allerede kan. Hvor hurtigt en organisation reelt kan forandre sig på den slags punkter, er et spørgsmål, der er uafhængigt af selve ambitionen, og som behandles separat i en betragtning om organisationers reelle forandringstempo.
Som et første skridt findes der en gratis parathedstjek: otte korte spørgsmål, ét pr. dimension, som giver et billede af, hvor Deres organisation er længst fremme, og hvor den er mindst. Den fulde ambitionstest, med de fire lag fra vision til target state og oversættelsen til roller og beslutningsret, er under udarbejdelse.
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.