Koristus on suures osas teostav töö kohapeal: ruumide puhastamine, materjalide täiendamine, kontrollide läbiviimine, intsidentidest teavitamine. Selle taga on planeerimiskihiga, mis on vähem nähtav, kuid mõjutab siiski otsustavalt kulusid: graafikute koostamine, asendajate korraldamine, kaebuste käsitlemine, kvaliteedikontrollide planeerimine ja tellijatele raporteerimine. Tingimused kohapeal mõjutavad tulemust tugevalt: ühel hoonel on kindel hommikumeeskond väheste vahetustega, teisel töötatakse vahelduvate meeskondadega, lühikeste lepingutega ja paljude vabakutseliste asendajatega. See varieeruvus määrab, milline osa tööst on võimalik jäädvustada mustrina ja milline osa jääb sõltuvaks sellest, mida keegi kohapeal ette leiab.
Need kaks kihti — teostus kohapeal ja planeerimine eemalt — reageerivad AI-le erinevalt. See ei tähenda, et üks kiht on "targem" kui teine; see tähendab, et üht saab paremini andmetesse jäädvustada kui teist.
Planeerimiskihi sees on näha, et osa tööst on juba üle viidud. Fikseeritud mustrite alusel koostatud graafikud, tööaja registreerimine, arveldamine ja lihtne kvaliteediraporteerimine on ülesanded, mida AI saab üle võtta niipea, kui aluseks olevad andmed on struktureeritud. Ägeda personalipuuduse hindamine haiguse korral, formaadile mittevastava kaebuse hindamine või tellijaga lepingumuudatuse üle läbirääkimine: see jääb inimtööks, või töö, kus AI esitab ettepaneku ja juht kiidab selle heaks või lükkab tagasi põhjendusega.
Töökohal on see olukord teine. Sensortehnoloogia, mis annab teada, millal ruumi on tegelikult kasutatud ja mis vajab seetõttu puhastamist, on AI-toe vorm, mis juba eksisteerib, kuid see eeldab investeeringut seadmetesse ja hoonesse, mis on selleks sobiv. Paljudel asukohtadel puudub see. Puhastamine ise jääb, spetsiifilistes keskkondades robotite kasutamist välja arvatud, inimtööks.
Miks toimib see ühes koristusettevõttes juba nii ja teises ei toimi? Erinevus peitub harva ambitsioonis endas — peaaegu iga ettevõte tahab planeerida efektiivsemalt ja kulutada vähem aega käsitsi koostatud graafikutele. Erinevus peitub selles, mis on selle ambitsiooni all: on ettevõttel tunnid, haiguspuhkused ja kaebused juba süsteemis, mida AI-rakendus saab lugeda, või on need veel planeerijate peades ja piirkondade kaupa eraldiseisvates tabelites.
Koristusettevõte, mis ütleb "soovime graafikute koostamist automatiseerida", mõtleb sellega ühe organisatsiooni puhul: süsteemi, mis genereerib iseseisvalt täieliku graafiku. Teise organisatsiooni puhul: abivahendit, mis teeb esimese ettepaneku, mille järel planeerija seda kohandab. Need on kaks erinevat ambitsiooni, millel on erinevad nõuded andmetele, planeerijate volitustele ja määrale, mil määral tellijad peavad muudatustega nõustuma. Kuni juhtkond ei ole selle erinevuse üle omavahel arutanud, räägib see automatiseerimisest teadmata, kumba variant on mõeldud.
Seal tepselt tuleb kihiline ambitsioon — visioonist konkreetse sihtseisundini — kasuks: see sunnib nimetama, mis muutub selles, kes tohib otsuse teha ja kes selle eest jääb vastutama. Võrdluseks, teistes sektorites, kus on palju teostavat tööd kohapeal, esineb sarnane muster: kes loeb, kuidas see väljendub ehitussektoris või paigaldusvaldkonnas, näeb sama piirjoont planeerimis- ja teostustöö vahel, ainult teiste andmeallikatega.
Enim mainitud takistus ei ole tehnoloogia, vaid jäädvustamine. Töötunnid, haiguspuhkus, kaebused ja materjalikasutus on tihti laiali piirkondlikes süsteemides, paberivormidel ja planeerija ning asukoha juhi vaheliste suuliste kokkulepete näol. AI-rakendus, mis võtab üle graafikute koostamise või kvaliteedikontrollid, vajab neid andmeid vormis, mida saab lugeda. Selle aluseta jääb ambitsioon väiteks, millel puudub alus.
Lisaks on küsimus, kes tohib AI ettepaneku heaks kiita või tagasi lükata. Ettevõtetes, kus planeerijal on praegu täielik otsustusõigus graafikumuudatuste üle, muudab AI-rakendus, mis koostab graafikuid iseseisvalt, tegelikult selle planeerija rolli kontrollijaks. See mõjutab ametikohtade korraldust ja töötingimusi; personali mõjutavate otsuste puhul kehtivad eraldi seadusest tulenevad nõuded, mida siin ei käsitleta.
Küsimus, mis on kõigi selle sektori ambitsioonide aluseks, ei ole "kas AI saab koristuse üle võtta", vaid "millised meie ülesannetest on juba nii jäädvustatud, et AI-rakendus saab neid lugeda, ja millised veel mitte". See erineb ettevõtte, piirkonna ja isegi tellija kaupa ning sellele ei saa vastata üldsõnaliselt. Mida see konkreetselt teie organisatsiooni jaoks iga ülesande puhul tähendab, toob esile FTE TO AI töökaardistus: ülevaade sellest, milline töö sobib juba praegu ülevõtmiseks, milline osa vajab järelevalvet ja milline osa jääb inimtööks. Kes soovib esmalt mõista, kuidas ambitsioon tõlgitakse tegevusmudeliks, leiab selle selgituse target operating model'ist lihtsas keeles, ja kes soovib teada, milliseid võimekusi konkreetne ambitsioon eeldab, saab selle kohta lugeda võimekustest, mida teie organisatsioon selle ambitsiooni jaoks vajab.
AI ambitsiooni sõnastamine koristustöös algab kindlaks tegemisest, kus organisatsioon tegelikult seisab, mitte kus juhtkond loodab seista. FTE TO AI tasuta valmisoleku kontroll koosneb kaheksast lühikesest küsimusest, üks igas mõõtmes, ja annab pildi, kus on organisatsioon kõige kaugemale jõudnud ja kus on veel enim samme teha. Täielik ambitsioonitest, koos nelja kihi ja viie confidence gate'iga, on valmimisel.
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.