Rengøring er for en stor del udførende arbejde på stedet: rengøring af rum, opfyldning af materialer, udførelse af kontroller, rapportering af hændelser. Omkring dette ligger et lag af planlægningsarbejde, der er mindre synligt, men afgørende for kostpriserne: udarbejdelse af rulleplaner, indkaldelse af vikarer, behandling af klager, planlægning af kvalitetskontroller og rapportering til opdragsgivere. Forholdene på stedet styrer resultatet i høj grad: den ene bygning har et fast morgenhold med få udskiftninger, den anden arbejder med skiftende teams, korte kontrakter og mange løse vikarer. Denne variation bestemmer, hvilken del af arbejdet der kan fastlægges i et mønster, og hvilken del der forbliver afhængig af, hvad man møder på stedet.
Disse to lag — udførelse på stedet og planlægning på afstand — reagerer forskelligt på AI. Det er ikke sådan, at det ene lag er "klogere" end det andet; det er sådan, at det ene lader sig fastlægge i data bedre end det andet.
Inden for planlægningslaget kan man se, at en del af arbejdet allerede er flyttet. Rulleplaner baseret på fastlagte mønstre, timeregistrering, fakturering og grundlæggende kvalitetsrapportering er opgaver, AI kan tage over, så snart de underliggende data er struktureret. At vurdere en akut personalemangel ved sygdom, at behandle en klage, der ikke passer i formatet, eller at forhandle med en opdragsgiver om en kontraktændring: det forbliver menneskeligt arbejde, eller arbejde hvor AI stiller et forslag, som en leder godkender eller afviser med en begrundelse.
På gulvet ser det anderledes ud. Sensorteknik, der melder, hvornår et rum faktisk er blevet brugt og derfor skal gøres rent, er en form for AI-understøttelse, der allerede findes, men det kræver investering i udstyr og en bygning, der er egnet til det. Mange lokationer har ikke det. Selve rengøringen forbliver, robotanvendelse i specifikke miljøer undtaget, menneskeligt arbejde.
Hvorfor virker dette allerede hos et rengøringsfirma og ikke hos et andet? Forskellen ligger sjældent i selve ambitionen — næsten hvert firma vil planlægge mere effektivt og spilde mindre tid på manuelle rulleplaner. Forskellen ligger i, hvad der ligger under den ambition: har firmaet allerede timer, sygefravær og klager i et system, en AI-løsning kan læse, eller ligger det stadig i planlæggeres hoveder og i løse regnark pr. region.
Et rengøringsfirma, der siger "vi vil automatisere rulleplaner", mener med det i den ene organisation: et system, der selvstændigt genererer en komplet rulleplan. I den anden: et hjælpemiddel, der stiller et første forslag, hvorefter en planlægger justerer det. Det er to forskellige ambitioner med forskellige krav til data, til planlæggeres beføjelser og til, i hvilken grad opdragsgivere skal godkende ændringer. Så længe et ledelsesteam ikke har diskuteret den forskel med hinanden, taler det om automatisering uden at vide, hvilken variant det mener.
Det er præcis her, en ambition i lag — fra vision til en konkret målsituation — gør en forskel: det tvinger en til at angive, hvad der ændrer sig i, hvem der må tage en beslutning, og hvem der forbliver ansvarlig for den. Til sammenligning ses et lignende mønster i andre sektorer med meget udførende arbejde på stedet: den, der læser hvordan det udspiller sig i byggebranchen eller i installationsbranchen, ser den samme skillelinje mellem planlægnings- og udførelsesarbejde igen, med lige andre datakilder.
Den mest nævnte hindring er ikke teknik, men registrering. Vagttimer, fravær, klager og materialeforbrug ligger ofte spredt over regionale systemer, papirformularer og mundtlige aftaler mellem planlægger og lokationschef. En AI-løsning, der tager rulleplaner eller kvalitetskontroller over, har brug for disse data i en form, der kan læses. Uden det fundament forbliver en ambition en udtalelse uden grundlag.
Derudover er der spørgsmålet om, hvem der må godkende eller afvise et AI-forslag. Hos firmaer, hvor planlæggeren nu har fuld beslutningskompetence over ændringer i rulleplaner, ændrer en AI-løsning, der selv allerede planlægger, de facto planlæggerens rolle til kontrollør. Det påvirker, hvordan funktioner er indrettet, og ansættelsesforhold; for beslutninger, der berører personale, gælder egne lovmæssige krav, og de behandles ikke her.
Det spørgsmål, der ligger under alle ambitioner i denne sektor, er ikke "kan AI tage over rengøring", men "hvilke af vores opgaver er allerede så fastlagt, at en AI-løsning kan læse dem, og hvilke er det endnu ikke". Det varierer fra firma til firma, fra region til region og endda fra opdragsgiver til opdragsgiver, og lader sig ikke besvare i generelle termer. Hvad det konkret betyder pr. opgave for Deres organisation, kortlægger arbejdsscanningen fra FTE TO AI: et overblik over, hvilket arbejde der allerede nu er egnet til overtagelse, hvilken del der kræver tilsyn, og hvilken del der forbliver menneskeligt arbejde. Den, der først vil forstå, hvordan en ambition omsættes til en operationel model, finder det forklaret i target operating model på almindeligt sprog, og den, der vil vide, hvilke capabilities en specifik ambition kræver, kan læse det i de capabilities, Deres organisation har brug for til denne ambition.
At formulere en ambition for AI i rengøringsarbejde begynder med at fastslå, hvor organisationen faktisk står, ikke hvor ledelsen håber at stå. FTE TO AI's gratis modenhedscheck består af otte korte spørgsmål, ét pr. dimension, og giver et billede af, hvor organisationen er længst fremme, og hvor der stadig er flest skridt at tage. Den fulde ambitionstest, med de fire lag og de fem confidence gates, 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.