Μια κατασκευαστική εταιρεία αποτελείται από εργασία που δύσκολα συνοψίζεται σε μία διαδικασία. Ο υπολογισμός κόστους, η προετοιμασία εργασιών, ο προγραμματισμός, οι προμήθειες, η εκτέλεση στο εργοτάξιο, η επίβλεψη, η αναθεώρηση και η παράδοση διαπλέκονται και εξαρτώνται από ένα σχέδιο που μπορεί ακόμη να αλλάξει, έναν προμηθευτή που παραδίδει αργότερα, ή καιρικές συνθήκες που ανατρέπουν τον προγραμματισμό. Πολλές ώρες αφιερώνονται στην ευθυγράμμιση αυτών των στοιχείων μεταξύ τους: ένας υπολογισμός κόστους που ταιριάζει με μια τεχνική περιγραφή, ένας προγραμματισμός που ταιριάζει με την παράδοση υλικών, μια εκτέλεση που ταιριάζει με αυτό που πράγματι υπάρχει στο έδαφος ή στην κατασκευή. Αυτό καθιστά τον κατασκευαστικό κλάδο έναν τομέα όπου οι φιλοδοξίες μπαίνουν γρήγορα στο χαρτί αλλά προσγειώνονται πιο αργά στην καθημερινή εργασία, επειδή η ίδια η εργασία είναι κατακερματισμένη σε ρόλους, τοποθεσίες και χρονικές στιγμές.
Η AI αναλαμβάνει ήδη μέρος αυτής της εργασίας, όχι ως μελλοντικό όραμα αλλά ως κάτι που σήμερα συμβαίνει σε ορισμένες εταιρείες και σε άλλες ακόμη όχι. Ένας υπολογισμός κόστους που προκύπτει σε μεγάλο βαθμό αυτόματα με βάση προηγούμενα έργα, ένας προγραμματισμός που επαναϋπολογίζεται μόνος του όταν αλλάζει ένας χρόνος παράδοσης, μια άδεια δόμησης που ελέγχεται εκ των προτέρων ως προς την πληρότητά της: αυτές είναι εργασίες όπου το λογισμικό μπορεί να κάνει το μεγαλύτερο μέρος της δουλειάς. Άλλες εργασίες, όπως η αξιολόγηση μιας απόκλισης στο εργοτάξιο ή η εκτίμηση ενός κινδύνου σε δύσκολο υπέδαφος, παραμένουν εν μέρει ανθρώπινη εργασία, με την AI να παρέχει μια πρώτη εκτίμηση και έναν υπεύθυνο έργου που εγκρίνει ή απορρίπτει με αιτιολόγηση. Άλλη εργασία πάλι, όπως η διαπραγμάτευση με έναν υπεργολάβο ή η καθοδήγηση μιας ομάδας στο εργοτάξιο, παραμένει ανθρώπινη εργασία χωρίς η AI να παρεμβαίνει βραχυπρόθεσμα.
Η διαφορά μεταξύ εταιρειών που το έχουν ήδη οργανώσει έτσι και εταιρειών που δεν το έχουν κάνει ακόμη σπάνια βρίσκεται στη διαθεσιμότητα της τεχνολογίας. Βρίσκεται στο ερώτημα αν τα υποκείμενα δεδομένα είναι σε τάξη: ένα σύστημα υπολογισμού κόστους που μαθαίνει από προηγούμενα έργα χρειάζεται συνεπή δεδομένα έργων, και αυτά δεν υπάρχουν αυτόματα στον κατασκευαστικό κλάδο, επειδή κάθε έργο καταγράφεται διαφορετικά. Βρίσκεται επίσης στο ερώτημα αν οι ρόλοι και τα δικαιώματα λήψης αποφάσεων έχουν διαμορφωθεί για τη νέα εργασία: ποιος αξιολογεί μια πρόταση AI για έναν προγραμματισμό, και βάσει ποιου κριτηρίου μπορεί αυτό το άτομο να αποκλίνει. Χωρίς αυτή την απάντηση, μια φιλοδοξία παραμένει ιδέα.
Μια διοικητική ομάδα που μιλά για «AI στον υπολογισμό κόστους» δεν εννοεί με αυτό παντού το ίδιο πράγμα. Η μία φιλοδοξία προϋποθέτει ότι η AI παράγει έναν προσχέδιο υπολογισμού κόστους που ελέγχει ακόμη ένας υπολογιστής κόστους· η άλλη προϋποθέτει ότι η AI παραδίδει αυτόνομα υπολογισμούς κόστους που εξετάζονται μόνο σε περίπτωση απόκλισης. Αυτά είναι δύο διαφορετικά επίπεδα ετοιμότητας, με διαφορετικές απαιτήσεις ως προς την ποιότητα των δεδομένων, την εμπιστοσύνη του υπολογιστή κόστους στο σύστημα, και τον τρόπο με τον οποίο κατανέμεται η ευθύνη. Όποιος δεν κάνει αυτή τη διαφορά ρητή, την ανακαλύπτει μόνο όταν το έργο ήδη τρέχει και ο υπολογισμός κόστους δεν είναι σωστός.
Εδώ μπαίνει στο παιχνίδι ο έλεγχος φιλοδοξίας: οι φιλοδοξίες καταγράφονται σε τέσσερα επίπεδα, από το ευρύ όραμα έως τον συγκεκριμένο στόχο, και ελέγχονται ως προς την ετοιμότητα σε οκτώ διαστάσεις, με πέντε πύλες εμπιστοσύνης (confidence gates) που δείχνουν πού η φιλοδοξία στέκεται σε σταθερό έδαφος και πού όχι. Αυτός ο έλεγχος μεταφράζεται πίσω σε ικανότητες (capabilities): ποιοι ρόλοι πρέπει να μπορούν κάτι νέο, και ποιος αποκτά ποιο δικαίωμα λήψης αποφάσεων στη μεταβαλλόμενη διαδικασία. Αυτό δεν είναι συμβουλή προσωπικού ούτε τεκμηρίωση για μια απόφαση σχετικά με θέσεις εργασίας· για αυτό ισχύουν δικές τους νομικές απαιτήσεις. Πρόκειται για το ερώτημα τι πρέπει να μπορεί ένας οργανισμός προτού η εργασία πράγματι μπορέσει να μετατοπιστεί, και πού αυτή τη στιγμή αποδεικνύεται ότι δεν το μπορεί ακόμη.
Ο κατασκευαστικός κλάδος μοιράζεται αυτό το μοτίβο με άλλους κλάδους όπου η εργασία είναι κατακερματισμένη σε τοποθεσίες και ρόλους: ο κλάδος εγκαταστάσεων αντιμετωπίζει παρόμοια ζητήματα γύρω από τον προγραμματισμό και τη διάγνωση βλαβών, το χονδρεμπόριο παλεύει με παρόμοιες απαιτήσεις δεδομένων στα αποθέματα και τις προμήθειες, και η μεταποιητική βιομηχανία προσκρούει σε παρόμοια όρια στον ποιοτικό έλεγχο και τον προγραμματισμό διαδικασιών. Πάντα το ερώτημα δεν είναι αν η AI μπορεί να αναλάβει κάτι, αλλά αν ο οργανισμός γύρω της είναι διαμορφωμένος τόσο ώστε αυτή η ανάληψη να αντέχει. Για μια διοικητική ομάδα αυτό είναι συχνά αρχικά μια συζήτηση για τη γλώσσα: πώς φέρνετε μια διοίκηση στο ίδιο μήκος κύματος όταν όλοι ερμηνεύουν διαφορετικά το «AI στον προγραμματισμό», και πώς αποτρέπετε το να παραμείνει μια στρατηγική απλώς ένα έγγραφο όταν η φιλοδοξία έχει μεν καθοριστεί αλλά δεν έχει πουθενά μεταφραστεί σε αυτό που ένας υπολογιστής κόστους, προγραμματιστής ή εκτελεστής θα κάνει διαφορετικά αύριο.
Το υποκείμενο ερώτημα — ποια εργασία σε αυτή την εταιρεία μπορεί πράγματι να αναληφθεί από την AI — απαντάται ανά εργασία με τη σάρωση εργασίας (werkscan) της FTE TO AI, ανεξάρτητα από τον ευρύτερο έλεγχο φιλοδοξίας.
Μια διοικητική ομάδα που θέλει να γνωρίζει πού βρίσκονται οι δικές της φιλοδοξίες για AI στον κατασκευαστικό κλάδο δεν χρειάζεται να ξεκινήσει με ένα επεξεργασμένο σχέδιο. Ο δωρεάν έλεγχος ετοιμότητας αποτελείται από οκτώ σύντομες ερωτήσεις, μία ανά διάσταση, και δίνει μια εικόνα του πού ο οργανισμός βρίσκεται πιο μπροστά και πού λιγότερο. Ο πλήρης έλεγχος φιλοδοξίας, με τα τέσσερα επίπεδα και τις πέντε πύλες εμπιστοσύνης, βρίσκεται υπό κατασκευή.
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.