A feldolgozóipar olyan munkából áll, amelyet nehéz egyetlen feladattípusba összefoglalni. Van tervezési munka: rendelések betervezése, materiálisáramlások összehangolása, kapacitás elosztása gépek és műszakok között. Van minőségi munka: ellenőrzés, mérés, eltérések megítélése és dokumentálása. Van karbantartási munka: hibák diagnosztizálása, alkatrészek rendelése, preventív munka tervezése. És van az ezt mindent körülvevő igazgatási munka: bizonylatok, utókalkuláció, jelentéskészítés ügyfelek és felügyeleti szervek felé.
Ezek a munkafajták erősen különböznek abban, mennyire kiszámíthatók. Egy fix szabályokra és historikus adatokra épülő tervezési feladat másképp alkalmas automatizálásra, mint egy hegesztési varrat megítélése, amely éppen a normán kívül esik, de valószínűleg mégis jó. Ez utóbbi megítélés a tapasztalattól függ, olyan kontextustól, amely nincs rögzítve egy rendszerben, és olyan felelősségtől, amelyet valakinek viselnie kell tudnia. Ez a különbség jórészt meghatározza, milyen ambíció reális a munka melyik részéhez.
Az egész feldolgozóiparban ugyanaz a hármas felosztás húzódik végig a munkán. Egy részt átvehet az AI: szenzoradatokon alapuló ismétlődő ellenőrzések, standard jelentések összeállítása, ismert hibaminták felismerése. Egy rész részben megy, egy jóváhagyó vagy elutasító emberrel: minőségi megítélések, amelyeknél egy algoritmus javaslatot tesz, és egy operátor vagy minőségi munkatárs indoklással megerősíti vagy korrigálja a döntést. És egy rész emberi munka marad: egy olyan hiba megoldása, amelyet még senki nem látott így korábban, tárgyalás egy beszállítóval egy eltérő szállításról, felelősségvállalás egy biztonsági incidens esetén.
Ami ma az egyik gyárban már az első kategóriába esik, az a másik gyárban még teljesen a harmadikban áll. Ez a különbség ritkán magából a technológiából ered. Abból ered, hogy az adat megvan-e, hogy a szenzorok a megfelelő dolgokat mérik-e, hogy a munkatársak eléggé megbíznak-e a rendszerben, hogy rábízzanak valamit, és hogy van-e valaki, aki jóváhagyhatja a kimenetet anélkül, hogy a folyamat egy aláírásra várva megállna.
Egy vezetés, amely azt mondja: „mi AI-vezérelt minőségellenőrzést akarunk”, ezzel egyben azt a szervezetet is meghatározza, amelynek ezt viselnie kell tudnia. Kell lennie valakinek, aki megítéli a rendszer hibaüzeneteit, nem csak elméletben, hanem a napi műszakos munkában. Tisztázni kell, ki bírálhatja felül a rendszer elutasítását és milyen alapon. És kapacitásnak kell szabadnak lennie a rendszer beállításához és karbantartásához, olyan kapacitásnak, amely gyakran már teljesen a folyamatban lévő munkára van lekötve.
Itt akad el sok ambíció a feldolgozóiparban: nem azon a kérdésen, hogy a technológia képes-e rá, hanem azon, hogy a szervezet már betöltötte-e a körülötte szükséges szerepet. Ki dönt, ha a rendszer bizonytalan? Ki a felelős, ha egy ügyfél panasszal érkezik egy olyan termékkel kapcsolatban, amely átment egy AI-vezérelt ellenőrzésen? Ezek a kérdések a személyi állományon belüli felelősségeket érintik, és az ezekből következő döntésekre saját jogi előírások vonatkoznak; ez a mérlegelés nem itt történik.
Két gyár, hasonló gépekkel és hasonló termékekkel, erősen eltérhet abban, mit vesz át az AI valóban a munkájukból. Az egyik évekig gyűjtött és strukturált szenzoradatokat, a másiknak ugyanazok a szenzorai vannak, de az adat naplófájlokban tűnik el, amelyeket soha senki nem tisztított meg. Az egyiknek van egy minőségi csapata, amely hetente rendelkezik idővel az eltérések megítélésére és a rendszer finomhangolására, a másiknak ez a csapata teljesen a folyó produkcióval van elfoglalva. Egyik sem hibás, de meghatározza, mennyi az ambícióból idén megvalósítható, és mennyi jövőre.
Ezek a különbségek nem egyediek a feldolgozóiparra. Ugyanaz a feszültség ambíció és felkészültség között jelenik meg a közlekedési szektorban, ahol a tervezés és útválasztás hasonló kérdéseket vet fel, és az üzleti szolgáltatásokban, ahol a tanácsadási kimenetek felügyelete hasonló szerepet játszik, mint a minőségellenőrzés a padlón. Az a kérdés is, hogyan osztja fel egy ambíciót olyan darabokra, amelyeket egy szervezet egy éven belül valóban meg tud emészteni, minden szektorban visszatér, és külön tárgyaljuk egy magyarázatban egy egy évre túl nagy ambíció fázisokba bontásáról.
A kérdés, amely mindezen példák alatt húzódik, nem az, hogy az AI általánosságban képes-e átvenni ilyen jellegű munkát. Az a kérdés, hogy a munka mely konkrét része vehető át valóban ebben a konkrét vállalatban, tekintve a jelenlegi adatokat, rendszereket és embereket. Ezt a kérdést feladatonként válaszolja meg az FTE TO AI munkaszkennere, függetlenül attól, milyen elképzelése van erről a vezetésnek.
Egy ambíció csak akkor lesz használható, ha felbontották arra, mire kell képesnek lennie a szervezetnek, és megmérték ahhoz, mire képes már most. Az, hogy egy szervezet valójában milyen gyorsan tud változni ilyen pontokon, olyan kérdés, amely elkülönül az ambíciótól magától, és külön kerül kidolgozásra egy elemzésben a szervezetek valódi változási tempójáról.
Első lépésként rendelkezésre áll egy ingyenes felkészültség-ellenőrzés: nyolc rövid kérdés, egy-egy dimenzióhoz, amelyek képet adnak arról, hol áll a szervezete a legelőrébb, és hol a legkevésbé. A teljes ambíciótesztet, a vízió és a target state négy rétegével, valamint a szerepekre és döntési jogosultságokra való lefordítással, jelenleg fejlesztjük.
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.