Valmistava teollisuus koostuu työstä, jota on vaikea tiivistää yhdeksi tehtävätyypiksi. On suunnittelutyötä: tilausten ajoittamista, materiaalivirtojen sovittamista, kapasiteetin jakamista koneiden ja vuorojen kesken. On laatutyötä: tarkastamista, mittaamista, poikkeamien arviointia ja dokumentointia. On kunnossapitotyötä: häiriöiden diagnosointia, osien tilaamista, ennakoivan työn suunnittelua. Ja on kaiken tämän ympärillä hallinnollista työtä: sertifikaatteja, jälkilaskentaa, raportointia asiakkaille ja valvoville viranomaisille.
Nämä työlajit eroavat suuresti siinä, kuinka ennustettavia ne ovat. Suunnittelutehtävä, jolla on kiinteät säännöt ja historiallista dataa, soveltuu automatisointiin eri tavalla kuin sellaisen hitsaussauman arviointi, joka poikkeaa juuri normista mutta on todennäköisesti silti kunnossa. Tuo jälkimmäinen arvio riippuu kokemuksesta, kontekstista, jota ei ole tallennettu mihinkään järjestelmään, ja vastuusta, jota jonkun on kyettävä kantamaan. Tämä ero määrittää suurelta osin, mikä tavoite on realistinen millekin osalle työtä.
Sama kolmijako kulkee läpi koko valmistavan teollisuuden työn. Osan voi tekoäly ottaa kokonaan hoitaakseen: toistuvat tarkastukset sensoridatan perusteella, vakioraporttien kokoaminen, tunnettujen häiriökuvioiden tunnistaminen. Osa hoituu osittain, ihmisen hyväksyessä tai hylätessä: laatuarviot, joissa algoritmi tekee ehdotuksen ja operaattori tai laatuvastaava vahvistaa tai korjaa päätöksen perusteluineen. Ja osa jää ihmistyöksi: sellaisen häiriön ratkaiseminen, jollaista kukaan ei ole aiemmin nähnyt, neuvottelu toimittajan kanssa poikkeavasta toimituksesta, vastuun ottaminen turvallisuuspoikkeamassa.
Mikä yhdessä tehtaassa kuuluu jo tänään ensimmäiseen kategoriaan, on toisessa tehtaassa yhä kokonaan kolmannessa. Tämä ero johtuu harvoin itse tekniikasta. Se johtuu siitä, onko data olemassa, mittaavatko anturit oikeita asioita, luottavatko työntekijät järjestelmään tarpeeksi antaakseen sille jotain vastuulle, ja onko olemassa henkilöä, joka saa hyväksyä lopputuloksen ilman että prosessi pysähtyy odottamaan allekirjoitusta.
Johto, joka sanoo "haluamme tekoälyohjatun laadunvalvonnan", sanoo samalla jotain siitä organisaatiosta, jonka on kyettävä kantamaan tämä tavoite. Jonkun on arvioitava järjestelmän virheilmoitukset, ei vain teoriassa vaan päivittäisessä vuorotyössä. On oltava selvyys siitä, kuka saa kumota järjestelmän hylkäyspäätöksen ja millä perusteella. Ja on oltava vapaata kapasiteettia järjestelmän käyttöönottoon ja ylläpitoon, kapasiteettia, joka on usein jo kokonaan varattu käynnissä olevaan työhön.
Tähän moni tavoite valmistavassa teollisuudessa kaatuu: ei kysymykseen siitä, pystyykö tekniikka siihen, vaan kysymykseen siitä, onko organisaatio jo täyttänyt sen ympärille tarvittavan roolin. Kuka päättää, kun järjestelmä epäröi? Kenen puoleen käännytään, jos asiakkaalla on valitus tuotteesta, joka on läpäissyt tekoälyohjatun tarkastuksen? Nämä kysymykset koskettavat henkilöstön sisäisiä vastuita, ja niistä seuraaviin päätöksiin sovelletaan omia lakisääteisiä vaatimuksia; tuo arviointi ei kuulu tähän.
Kahdella tehtaalla, joilla on samankaltaiset koneet ja samankaltaiset tuotteet, voi olla hyvin erilainen lopputulos siinä, mitä tekoäly todella ottaa haltuunsa niiden työstä. Toinen on kerännyt ja jäsentänyt sensoridataa vuosien ajan, toisella on samat anturit mutta data katoaa lokeihin, joita kukaan ei ole koskaan siivonnut. Toisella on laatutiimi, jolla on viikoittain aikaa arvioida poikkeamia ja ohjata järjestelmää, toisella tuo tiimi on täysin sidottu käynnissä olevaan tuotantoon. Kumpikaan ei ole väärässä, mutta se määrittää, kuinka suuri osa tavoitteesta on saavutettavissa tänä vuonna ja kuinka suuri osa ensi vuonna.
Nämä erot eivät ole ainutlaatuisia valmistavalle teollisuudelle. Sama jännite tavoitteen ja valmiuden välillä esiintyy kuljetusalalla, jossa suunnittelu ja reitinvalinta herättävät samankaltaisia kysymyksiä, ja liike-elämän palveluissa, joissa neuvontatulosten valvonnalla on samankaltainen rooli kuin laadunvalvonnalla tuotantolattialla. Myös kysymys siitä, miten tavoite jaetaan osiin, joita organisaatio pystyy todella hallitsemaan vuodessa, toistuu joka toimialalla, ja sitä käsitellään erikseen selvityksessä liian suuren, yhteen vuoteen mahtumattoman tavoitteen vaiheistamisesta.
Kysymys, joka kaikkien näiden esimerkkien taustalla on, ei ole se, pystyykö tekoäly yleisesti ottamaan tämäntyyppisen työn hoitaakseen. Kysymys on, mikä nimenomainen osa työstä tässä nimenomaisessa yrityksessä on todella siirrettävissä, kun otetaan huomioon nykyinen data, järjestelmät ja henkilöstö. Tähän kysymykseen vastataan tehtävä kerrallaan FTE TO AI:n työskannauksella, riippumatta siitä, millainen käsitys johdolla itsellään asiasta on.
Tavoite muuttuu käyttökelpoiseksi vasta, kun se on pilkottu osiin sen mukaan, mitä organisaation on osattava, ja verrattu siihen, mitä se jo osaa. Kuinka nopeasti organisaatio todella pystyy muuttumaan tällaisissa asioissa, on kysymys, joka on erillinen itse tavoitteesta ja jota käsitellään erikseen tarkastelussa organisaatioiden todellisesta muutostahdista.
Ensimmäisenä askeleena on ilmainen valmiustarkistus: kahdeksan lyhyttä kysymystä, yksi kutakin ulottuvuutta kohden, jotka antavat kuvan siitä, missä organisaationne on pisimmällä ja missä vähiten pitkällä. Täydellinen tavoitetesti, joka kattaa neljä tasoa visiosta tavoitetilaan sekä käännöksen rooleiksi ja päätösoikeuksiksi, on rakenteilla.
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.