A takarítás nagyrészt helyszíni kivitelező munka: helyiségek tisztítása, anyagok utántöltése, ellenőrzések elvégzése, incidensek jelentése. Emellett van egy tervezési réteg, amely kevésbé látható, de meghatározó a költségek szempontjából: beosztások készítése, helyettesek szervezése, panaszok kezelése, minőségellenőrzések betervezése és jelentés a megbízóknak. A helyszíni körülmények erősen befolyásolják a kimenetelt: az egyik épületnek fix reggeli csapata van kevés váltással, a másik váltakozó csapatokkal, rövid szerződésekkel és sok alkalmi helyettessel dolgozik. Ez a változatosság határozza meg, hogy a munka mely része rögzíthető mintaként, és mely része marad függő attól, amit valaki a helyszínen talál.
Ez a két réteg — a helyszíni kivitelezés és a távoli tervezés — másképp reagál az AI-ra. Nem arról van szó, hogy az egyik réteg "okosabb" a másiknál; arról van szó, hogy az egyik jobban rögzíthető adatokban, mint a másik.
A tervezési rétegben látható, hogy a munka egy része már áthelyeződött. A fix mintákon alapuló beosztások, óranyilvántartás, számlázás és alapvető minőségjelentés olyan feladatok, amelyeket az AI átvehet, amint az alapul szolgáló adatok strukturáltak. A betegség miatti akut létszámhiány felmérése, a formátumba nem illő panasz elbírálása, vagy a megbízóval a szerződésmódosításról való tárgyalás: ez emberi munka marad, vagy olyan munka, ahol az AI javaslatot tesz, és egy vezető ezt indoklással jóváhagyja vagy elutasítja.
A terepen ez másképp van. Az érzékelőtechnika, amely jelzi, hogy egy helyiséget ténylegesen használtak-e, és ezért takarítást igényel, olyan AI-támogatási forma, amely már létezik, de befektetést igényel eszközökbe és egy erre alkalmas épületbe. Sok helyszínen ez hiányzik. Maga a tisztítás, néhány speciális környezetben történő robotalkalmazástól eltekintve, emberi munka marad.
Miért működik ez az egyik takarítócégnél már, a másiknál pedig nem? A különbség ritkán magában az ambícióban rejlik — szinte minden cég hatékonyabban akar tervezni, és kevesebb időt veszíteni kézi beosztásokra. A különbség abban rejlik, ami ezen ambíció alatt van: rendelkezik-e a cég már olyan rendszerrel az órák, a betegszabadság és a panaszok tekintetében, amelyet egy AI-alkalmazás olvasni tud, vagy ez még a tervezők fejében és régiónkénti különálló táblázatokban van.
Egy takarítócég, amely azt mondja, "automatizálni akarjuk a beosztásokat", ezzel az egyik szervezetnél azt érti: egy rendszer, amely önállóan teljes beosztást generál. A másiknál: egy segédeszköz, amely első javaslatot tesz, amelyet aztán egy tervező módosít. Ez két különböző ambíció, eltérő követelményekkel az adatokra, a tervezők jogosultságaira és arra nézve, hogy a megbízóknak milyen mértékben kell jóváhagyniuk a módosításokat. Amíg egy vezetőcsapat nem beszélte meg egymás között ezt a különbséget, addig automatizálásról beszél anélkül, hogy tudná, melyik változatot érti alatta.
Pontosan itt tesz különbséget egy rétegekre bontott ambíció — a víziótól a konkrét célállapotig: kikényszeríti annak megnevezését, mi változik abban, ki hozhat döntést, és ki marad ezért felelős. Összehasonlításképpen, más ágazatokban is, ahol sok a helyszíni kivitelező munka, hasonló minta figyelhető meg: aki elolvassa, hogyan alakul ez az építőiparban vagy a szerelési ágazatban, ugyanazt a választóvonalat látja viszont a tervezési és a kivitelezési munka között, csak más adatforrásokkal.
A leggyakrabban említett akadály nem a technika, hanem a rögzítés. A szolgálati órák, a betegszabadság, a panaszok és az anyaghasználat gyakran szét vannak szórva regionális rendszerek, papíralapú űrlapok és a tervező és a helyszíni vezető közötti szóbeli megállapodások között. Egy AI-alkalmazásnak, amely átveszi a beosztásokat vagy a minőségellenőrzéseket, ezekre az adatokra van szüksége olvasható formában. Ez az alap nélkül egy ambíció csak egy alapozás nélküli kijelentés marad.
Emellett felmerül a kérdés, hogy ki hagyhatja jóvá vagy utasíthatja el az AI javaslatát. Azoknál a cégeknél, ahol a tervezőnek jelenleg teljes döntési joga van a beosztásmódosítások felett, egy önállóan beosztást készítő AI-alkalmazás de facto ellenőrré változtatja a tervező szerepét. Ez érinti a munkakörök felépítését és a munkafeltételeket; a személyzetet érintő döntésekre saját jogi követelmények vonatkoznak, amelyeket itt nem tárgyalunk.
A kérdés, amely az ágazat összes ambíciója alatt húzódik, nem az, hogy "átveheti-e az AI a takarítást", hanem az, hogy "melyik feladataink vannak már úgy rögzítve, hogy egy AI-alkalmazás olvasni tudja őket, és melyek nincsenek még". Ez cégenként, régiónként, sőt megbízónként is eltérő, és nem válaszolható meg általános kifejezésekkel. Hogy ez feladatonként konkrétan mit jelent az Ön szervezete számára, azt az FTE TO AI munkaszkennje térképezi fel: áttekintést nyújt arról, mely munka alkalmas már átvételre, mely rész igényel emberi felügyeletet, és mely rész marad emberi munka. Aki előbb meg akarja érteni, hogyan fordítható le egy ambíció operatív modellé, az megtalálja ezt elmagyarázva a target operating model egyszerű nyelven oldalon, és aki tudni akarja, milyen capabilities-ket igényel egy adott ambíció, az elolvashatja a szervezetének ehhez az ambícióhoz szükséges capabilities-eket bemutató oldalon.
Egy AI-ambíció megfogalmazása a takarítási munkában azzal kezdődik, hogy megállapítjuk, hol áll valójában a szervezet, nem pedig ott, ahol a vezetés reméli, hogy áll. Az FTE TO AI ingyenes felkészültségi ellenőrzése nyolc rövid kérdésből áll, dimenziónként egyből, és képet ad arról, hol áll a szervezet a legelőrébb, és hol van még a legtöbb lépnivaló. A teljes ambíciótesztet, a négy réteggel és az öt confidence gate-tel, jelenleg fejlesztik.
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.